Bizimle iletişime geçin

AI

Amazon SageMaker Pipelines ile çok hesaplı model dağıtımı

Avatar

Yayınlanan

on

Amazon SageMaker Ardışık Düzenleri ilk amaca yöneliktir CI/CD makine öğrenimi hizmeti (ML). Uçtan uca makine öğrenimi iş akışları oluşturmanıza, otomatikleştirmenize, yönetmenize ve ölçeklendirmenize ve CI / CD'nin en iyi DevOps uygulamalarını ML'ye (MLOps olarak da bilinir) uygulamanıza yardımcı olur.

Kuruluşunuzun tüm kaynaklarını düzenlemek için birden çok hesap oluşturmak, iyi DevOps uygulaması. Çoklu hesap stratejisi, yalnızca yönetimi iyileştirmek için değil, aynı zamanda kuruluşunuzun işini destekleyen kaynakların güvenliğini ve kontrolünü artırmak için de önemlidir. Bu strateji, üretim ortamını müşterileriniz için güvenli ve erişilebilir tutarken, kuruluşunuzdaki birçok farklı ekibin daha hızlı deney yapmasına, yenilik yapmasına ve entegre olmasına olanak tanır.

Ardışık düzenler, aynı stratejiyi makine öğrenimi modellerini dağıtmaya uygulamayı kolaylaştırır. Her ortam için bir tane olmak üzere üç farklı AWS hesabınızın olduğu bir kullanım senaryosu hayal edin: veri bilimi, hazırlık ve üretim. Veri bilimcisi, kendi hesaplarında istedikleri zaman deneyler yürütme ve farklı modelleri eğitme ve optimize etme özgürlüğüne sahiptir. Bir model üretimde konuşlandırılacak kadar iyi olduğunda, veri bilimcinin model onay durumunu değiştirmesi yeterlidir. Approved. Bundan sonra, otomatik bir süreç, modeli aşamalandırma hesabına dağıtır. Burada modelin testini birim testleri veya entegrasyon testleri ile otomatikleştirebilir veya modeli manuel olarak test edebilirsiniz. Manuel veya otomatik bir onaydan sonra model, gerçek dünya verileriyle ilgili çıkarımlara hizmet etmek için kullanılan daha sıkı kontrol edilen bir ortam olan üretim hesabına dağıtılır. Pipelines ile, kullanıma hazır bir çoklu hesap ortamı uygulayabilirsiniz.

Bu yazıda, kendi çoklu hesap ML ardışık düzeninizi uygulamak için Ardışık Düzenleri nasıl kullanacağınızı öğreneceksiniz. İlk olarak, ortamınızı nasıl yapılandıracağınızı öğrenir ve ortamınızı önceden tanımlanmış bir şablon olarak kullanmaya hazırlarsınız. SageMaker projesi bir modeli iki farklı hesapta eğitmek ve dağıtmak için: hazırlık ve üretim. Ardından, bu özel şablonun nasıl oluşturulduğunu ve kendi SageMaker projeleriniz için şablonları nasıl oluşturup özelleştireceğinizi ayrıntılı olarak görürsünüz.

Çevreyi hazırlamak

Bu bölümde, üç farklı AWS hesabı yapılandıracak ve SageMaker Studio bir veri bilimcisi tarafından oluşturulan ML ardışık düzeniyle bir CI / CD ardışık düzenini entegre eden bir proje oluşturmak. Aşağıdaki diyagram, SageMaker özel projesi tarafından oluşturulan ortamın referans mimarisini ve nasıl AWS Kuruluşları farklı hesapları bütünleştirir.

Aşağıdaki diyagram, SageMaker özel projesi tarafından oluşturulan ortamın referans mimarisini ve AWS Organizations'ın farklı hesapları nasıl entegre ettiğini gösterir.

Şema, Kuruluşlar tarafından yönetilen üç farklı hesabı içerir. Ayrıca, üç farklı kullanıcı rolü (aynı kişi olabilir) bu ortamı çalıştırır:

  • ML mühendisi - CI / CD ardışık düzenini, model kayıt defterini ve diğer kaynakları oluşturan SageMaker Studio projesini sağlamaktan sorumludur.
  • Veri bilimcisi - Model grubuna kayıtlı eğitimli bir modelle biten makine öğrenimi ardışık düzenini oluşturmaktan sorumlu (aynı zamanda model paket grubu)
  • itirafçı - Hazırlama hesabına dağıtılan modeli test etmekten ve üretim dağıtımını onaylamaktan sorumlu

İsterseniz (önerilmese de) benzer bir çözümü Organizasyonlar olmadan çalıştırmak mümkündür. Ancak, izinleri ve hesaplarınız arasındaki güven ilişkisini manuel olarak hazırlamanız ve Kuruluş bağımlılığını kaldırmak için şablonu değiştirmeniz gerekir. Ayrıca, birden çok AWS hesabı ve ekibi olan bir kuruluşsanız, AWS Kontrol Kulesi hesapları ve Kuruluşları sağlamak için. AWS Control Tower, yeni ve güvenli bir çok hesaplı AWS ortamı kurmanın ve yönetmenin en kolay yolunu sağlar. Bu gönderi için, çözümü yalnızca Kuruluşlarla uygulamayı tartışıyoruz.

Ancak devam etmeden önce, sonraki bölümlerde ayrıntılı olarak açıklanan aşağıdaki adımları tamamlamanız gerekir:

  1. Veri bilimcileri tarafından kullanılacak bir AWS hesabı oluşturun (veri bilimi hesabı).
  2. Oluşturun ve yapılandırın SageMaker Studio alanı veri bilimi hesabında.
  3. Üretim ve hazırlık için iki ek hesap oluşturun.
  4. Kuruluşları kullanarak bir kuruluş yapısı oluşturun, ardından ek hesapları davet edin ve entegre edin.
  5. İşlem hatlarını çalıştırmak ve modelleri harici hesaplara dağıtmak için gereken izinleri yapılandırın.
  6. Modelleri birden çok hesapta dağıtmak için SageMaker proje şablonunu içe aktarın ve SageMaker Studio için kullanılabilir hale getirin.

Hesabınızda SageMaker Studio'yu yapılandırma

Boru hatları, aşağıdakiler için yerleşik destek sağlar: MLOps şablonları ML projeleriniz için CI / CD kullanmanızı kolaylaştırmak için. Bu MLOps şablonları şu şekilde tanımlanır: Amazon CloudFormation şablonlar ve aracılığıyla yayınlandı AWS Hizmet Kataloğu. Bunlar, ML için bir IDE olan SageMaker Studio aracılığıyla veri bilimcilerin kullanımına sunulur. Studio'yu hesabınızda yapılandırmak için aşağıdaki adımları tamamlayın:

  1. SageMaker Studio alanınızı hazırlayın.
  2. Bu hesap ve Studio kullanıcıları için SageMaker proje şablonlarını ve SageMaker JumpStart'ı etkinleştirin.

Mevcut bir etki alanınız varsa, bu seçeneği etkinleştirmek için etki alanı veya bireysel kullanıcılar için ayarları düzenleyebilirsiniz. Bu seçeneğin etkinleştirilmesi, iki farklı AWS Kimlik ve Hesap Yönetimi AWS hesabınızdaki (IAM) rolleri:

  • AmazonSageMakerServiceCatalogProductsLaunchRole - Proje şablonlarını çalıştırmak ve gerekli altyapı kaynaklarını oluşturmak için SageMaker tarafından kullanılır
  • AmazonSageMakerServiceCatalogProductsUseRole - Bir işi çalıştırmak ve modelleri hedef hesaplara dağıtmak için CI / CD ardışık düzeni tarafından kullanılır

SageMaker Studio etki alanınızı re: Invent 2020'den önce oluşturduysanız, devam eden tüm çalışmaları kaydederek ortamınızı yenilemeniz önerilir. Üzerinde fileto menü seç kapanmave seçiminizi onaylayın.

  1. Henüz sahip değilseniz, hazırlık ve üretim için iki farklı AWS hesabı oluşturun ve hazırlayın.

Kuruluşları Yapılandırma

Veri bilimi hesabını ve iki ek hesabı Kuruluşlar'daki bir yapıya eklemeniz gerekir. Kuruluşlar, AWS kaynaklarınızı büyütürken ve ölçeklendirirken ortamınızı merkezi olarak yönetmenize ve yönetmenize yardımcı olur. Ücretsizdir ve yönetişim stratejinize fayda sağlar.

Her hesap farklı bir kuruluş birimi (OU).

  1. Kuruluşlar konsolunda, aşağıdakilere benzer bir kuruluş birimi yapısı oluşturun:
  • Kök
    • multi-account-deployment (OU)
      • 111111111111 (veri bilimi hesabı - SageMaker Studio)
      • production (OU)
        • 222222222222 (AWS hesabı)
      • staging (OU)
        • 333333333333 (AWS hesabı)

Kuruluşu yapılandırdıktan sonra, her hesap sahibi bir davet alır. Sahiplerin davetleri kabul etmesi gerekir, aksi takdirde hesaplar kuruluşa dahil edilmez.

  1. Şimdi yapman gerek AWS kuruluşlarında güvenilir erişimi etkinleştirin ("Tüm özellikleri etkinleştirin" ve "StackSets'te güvenilir erişimi etkinleştirin").

Bu işlem, veri bilimi hesabınızın hedef hesaplarda kaynak sağlamasına olanak tanır. Bunu yapmazsanız, dağıtım işlemi başarısız olur. Ayrıca, bu özellik seti Kuruluşlarla çalışmanın tercih edilen yoludur ve faturalandırma özelliklerini birleştirmeyi içerir.

  1. Ardından, Kuruluşlar konsolunda, Hesapları düzenleyin.
  2. Seçmek sahneleme.
  3. OU kimliğini not edin.
  4. İçin bu işlemi tekrarlayın production VEYA.

Üretim OU'su için bu işlemi tekrarlayın.

İzinleri yapılandırma

Her ek hesapta bir SageMaker yürütme rolü oluşturmanız gerekir. Bu roller üstlenilir AmazonSageMakerServiceCatalogProductsUseRole Veri bilimi hesabında, uç noktaları hedef hesaplara dağıtmak ve test etmek için.

  1. Adresinde oturum açın AWS Yönetim Konsolu hazırlık hesabı ile.
  2. Aşağıdakileri çalıştırın CloudFormation şablonu.

Bu şablon sizin için yeni bir SageMaker rolü oluşturur.

  1. Aşağıdaki parametreleri sağlayın:
    1. SageMakerRoleSuffix - Aşağıdaki önekten sonra rol adına eklenen kısa bir dize (boşluk veya alfasayısal karakter içermeyen en fazla 10 küçük harf): sagemaker-role-. Son rol adı sagemaker-role-<<sagemaker_role_suffix>>.
    2. PipelineExecutionRoleArn - Oluşturmakta olduğunuz SageMaker rolünü üstlenen veri bilimi hesabındaki rolün ARN'si. ARN'yi bulmak için veri bilimi hesabıyla konsolda oturum açın. IAM konsolunda, Roller ve arama AmazonSageMakerServiceCatalogProductsUseRole. Bu rolü seçin ve ARN'yi kopyalayın (arn:aws:iam::<<data_science_acccount_id>>:role/service-role/AmazonSageMakerServiceCatalogProductsUseRole).
  2. Aşama hesabında bu rolü oluşturduktan sonra, bu işlemi üretim hesabı için tekrarlayın.

Veri bilimi hesabında, artık politikasını yapılandıracaksınız. Amazon Basit Depolama Hizmeti Eğitilen modeli depolamak için kullanılan (Amazon S3) kovası. Bu gönderi için, mevcut Bölgenin varsayılan SageMaker paketini kullanıyoruz. Aşağıdaki ad biçimine sahiptir: sagemaker-<<region>>-<<aws_account_id>>.

  1. Amazon S3 konsolunda, kullandığınız Bölgeyi ve veri bilimi hesabının kimliğini sağlayarak bu paketi arayın.

Bulamazsanız, bu ad biçimine göre yeni bir paket oluşturun.

  1. Üzerinde İzinler sekmesinde aşağıdaki politikayı ekleyin:
    { "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Principal": { "AWS": [ "arn:aws:iam::<<staging_account_id>>:root", "arn:aws:iam::<<production_account_id>>:root" ] }, "Action": [ "s3:GetObject", "s3:ListBucket" ], "Resource": [ "arn:aws:s3:::sagemaker-<<region>>-<<aws_account_id>>", "arn:aws:s3:::sagemaker-<<region>>-<<aws_account_id>>/*" ] } ]
    }

  1. Ayarlarınızı kaydedin.

Hedef hesapların artık dağıtım sırasında eğitimli modeli okuma izni vardır.

Sonraki adım, rollere yeni izinler eklemektir. AmazonSageMakerServiceCatalogProductsUseRole ve AmazonSageMakerServiceCatalogProductsLaunchRole.

  1. Veri bilimi hesabında, IAM konsolunda, Roller.
  2. Bul AmazonSageMakerServiceCatalogProductsUseRole rol ve onu seçin.
  3. Yeni bir politika ekleyin ve aşağıdakileri girin JSON kodu.
  4. Değişikliklerinizi kaydedin.
  5. Şimdi bul AmazonSageMakerServiceCatalogProductsLaunchRole rol seçin, seçin ve aşağıdaki içeriğe sahip yeni bir politika ekleyin:
    { "Version": "2012-10-17", "Statement": [ { "Sid": "VisualEditor0", "Effect": "Allow", "Action": "s3:GetObject", "Resource": "arn:aws:s3:::aws-ml-blog/artifacts/sagemaker-pipeline-blog-resources/*" } ]
    }

  1. Değişikliklerinizi kaydedin.

Bu kadar! Çevreniz neredeyse hazır. Yalnızca bir adıma daha ihtiyacınız var ve modelleri farklı hesaplarda eğitmeye ve dağıtmaya başlayabilirsiniz.

Özel SageMaker Studio proje şablonunu içe aktarma

Bu adımda, özel proje şablonunuzu içe aktaracaksınız.

  1. Veri bilimi hesabıyla konsolda oturum açın.
  2. AWS Service Catalog konsolunda, altında yönetim, seçmek Portfolyolar.
  3. Seçmek Yeni bir portföy oluştur.
  4. Portföyü adlandırın SageMaker Organization Templates.
  5. Aşağıdakini indirin şablon bilgisayarınıza.
  6. Yeni portföyü seçin.
  7. Seçmek Yeni bir ürün yükleyin.
  8. İçin Ürün adıgiriş Multi Account Deployment.
  9. İçin Açıklama, girmek Multi account deployment project.
  10. İçin Sahip, adınızı giriniz.
  11. Altında Sürüm ayrıntıları, Için Yöntem, seçmek Bir şablon dosyası kullanın.
  12. Seçmek Bir şablon yükleyin.
  13. İndirdiğiniz şablonu yükleyin.
  14. İçin Sürüm başlığı, seçmek 1.0.

Kalan parametreler isteğe bağlıdır.

  1. Seçmek Değerlendirme.
  2. Ayarlarınızı gözden geçirin ve seçin Ürün oluştur.
  3. Seçmek Yenile yeni ürünü listelemek için.
  4. Yeni oluşturduğunuz ürünü seçin.
  5. Üzerinde Etiketler sekmesi, ürüne aşağıdaki etiketi ekleyin:
    1. anahtar - sagemaker:studio-visibility
    2. Özellik - True

Portföy ayrıntılarına geri döndüğünüzde, aşağıdaki ekran görüntüsüne benzer bir şey görüyorsunuz (farklı kimliklerle).

Portföy ayrıntılarına geri döndüğünüzde, aşağıdaki ekran görüntüsüne benzer bir şey görüyorsunuz (farklı kimliklerle).

  1. Üzerinde Kısıtlamalar sekmesini seçin Kısıtlama oluşturun.
  2. İçin Ürün, seçmek Çoklu Hesap Dağıtımı (yeni oluşturduğunuz ürün).
  3. İçin Kısıtlama türü, seçmek Başlatmak.
  4. Altında Kısıtlamayı Başlat, Için Yöntem, seçmek IAM rolünü seçin.
  5. Seçmek AmazonSageMakerServiceCatalogProductsLaunchRole.
  6. Seçmek oluşturmak.
  7. Üzerinde Gruplar, roller ve kullanıcılar sekmesini seçin Gruplar, roller, kullanıcılar ekleyin.
  8. Üzerinde Roller sekmesinde, SageMaker Studio alanınızı yapılandırırken kullandığınız rolü seçin.
  9. Seçmek Erişim ekleyin.

Veri bilimi hesabınızda hangi rolü seçtiğinizi hatırlamıyorsanız, SageMaker konsoluna gidin ve şunu seçin: Amazon SageMaker Studio. Stüdyoda Özet bölümünde, özniteliği bulun Yürütme rolü. Önceki adımda bu rolün adını arayın.

Sen bittin! Şimdi bu şablonu kullanarak bir proje oluşturma zamanı.

Projenizi oluşturmak

Önceki bölümlerde çoklu hesap ortamını hazırladınız. Sonraki adım, yeni şablonunuzu kullanarak bir proje oluşturmaktır.

  1. Veri bilimi hesabıyla konsolda oturum açın.
  2. SageMaker konsolunda, kullanıcınızla SageMaker Studio'yu açın.
  3. Seçin Bileşenler ve kayıtlar
  4. Açılır menüden şunu seçin: Projeler.
  5. Seçmek proje oluşturma.

Proje oluştur'u seçin.

Üzerinde proje oluşturma sayfa, SageMaker şablonları varsayılan olarak seçilir. Bu seçenek yerleşik şablonları listeler. Ancak, çok hesaplı dağıtım için hazırladığınız şablonu kullanmak istiyorsunuz.

  1. Seçmek Organizasyon şablonları.
  2. Seçmek Çoklu Hesap Dağıtımı.
  3. Seçmek Proje şablonunu seçin.

Şablonu göremiyorsanız, önceki bölümdeki tüm adımları doğru şekilde tamamladığınızdan emin olun.

Şablonu göremiyorsanız, önceki bölümdeki tüm adımları doğru şekilde tamamladığınızdan emin olun.

  1. içinde Proje detayları bölümü İsim, iris-multi-01 girin.

Proje adı 15 karakter veya daha az olmalıdır.

  1. içinde Proje şablonu parametreleri, her bir hedef hesapta (hazırlık ve üretim) oluşturduğunuz rollerin adlarını kullanın ve aşağıdaki özellikleri sağlayın:
    1. SageMakerExecutionRoleStagingName
    2. SageMakerExecutionRoleProdName
  2. Daha önce hazırlama ve üretim OU'ları için oluşturduğunuz OU kimliklerini alın ve aşağıdaki özellikleri sağlayın:
    1. OrganizationalUnitStagingId
    2. OrganizationalUnitProdId
  3. Seçmek proje oluşturma.

Proje oluştur'u seçin.

Tüm kaynakların sağlanması birkaç dakika sürer, ardından proje Projeler Bölüm. Projeyi seçtiğinizde, projenin meta verilerini içeren bir sekme açılır. Model grupları sekmesi, projenizle aynı ada sahip bir model grubunu besler. Ayrıca proje sağlama sırasında da oluşturulmuştur.

Tüm kaynakların sağlanması birkaç dakika sürer, ardından proje Projeler bölümünde listelenir.

Ortam artık veri bilimcinin modeli eğitmeye başlaması için hazırdır.

Model eğitimi

Artık projeniz hazır olduğuna göre, bir model yetiştirme zamanı.

  1. Atomic Cüzdanı indirin : örnek not defteri bu izlenecek yol için kullanmak.
  2. Seçin Dosya Çalışma alanını dosya yönetimi olarak değiştirmek için simge.
  3. Seçin klasör oluşturun
  4. Klasör için bir isim girin.
  5. Klasör adını seçin.
  6. Seçin Dosya yükleme
  7. İndirdiğiniz Jupyter not defterini seçin ve yeni dizine yükleyin.
  8. Yeni bir sekme açmak için not defterini seçin.

Yeni bir sekme açmak için not defterini seçin.

Bir çekirdek seçmeniz istenir.

  1. Seçmek Python3 (Veri Bilimi).
  2. Seçmek seçmek.

Seç'i seçin.

  1. Dizüstü bilgisayarın ikinci hücresinde, project_name projenize verdiğiniz adla değişken (bu gönderi için, iris-multi-01).

Artık Jupyter not defterini çalıştırabilirsiniz. Bu not defteri, yalnızca iki adımdan oluşan çok basit bir ardışık düzen oluşturur: modeli eğitin ve kaydedin. Kullanır iris veri kümesi ve XGBoost yerleşik kapsayıcı algoritma olarak.

  1. Tüm defteri çalıştırın.

Aşağıdaki kodu içeren hücreyi çalıştırdıktan sonra işlem biraz zaman alır:

start_response = pipeline.start(parameters={ "TrainingInstanceCount": "1"
})

Bu, tamamlanması yaklaşık 3 dakika süren eğitim işini başlatır. Eğitim bittikten sonra, Jupyter not defterinin bir sonraki hücresi, model kayıt defterinde modelin en son sürümünü alır ve bunu olarak işaretler. Approved. Alternatif olarak, SageMaker Studio kullanıcı arayüzünden bir modeli onaylayabilirsiniz. Üzerinde Model grupları sekmesinde model grubunu ve istenen sürümü seçin. Seç Güncelleme durumu ve Onaylamak kaydetmeden önce.

Kaydetmeden önce Durumu güncelle ve Onayla'yı seçin

Bu, veri bilimcinin işinin sonu, ancak CI / CD ardışık düzenini çalıştırmanın başlangıcıdır.

Amazon EventBridge model kaydını izler. Dinleyici, sağlanan ile yeni bir dağıtım işi başlatır AWS CodePipeline iş akışı (sizinle birlikte oluşturulan SageMaker Studio projesini başlattı).

  1. CodePipeline konsolunda, önek ile başlayan ardışık düzeni seçin sagemaker-, ardından projenizin adı.

CodePipeline konsolunda, sagemaker önekiyle başlayan ardışık düzeni ve ardından projenizin adını seçin.

Modelinizi onayladıktan kısa bir süre sonra, dağıtım ardışık düzeni çalışmaya başlar. Boru hattının duruma ulaşmasını bekleyin DeployStaging. Bu aşamanın tamamlanması yaklaşık 10 dakika sürebilir. Hazırlama hesabında ilk uç noktayı konuşlandırdıktan sonra, ardışık düzen test edilir ve ardından bir sonraki adıma geçer, ApproveDeployment. Bu adımda manuel onay için bekler.

  1. Seçmek Değerlendirme.
  2. Metin kutusuna bir onay nedeni girin.
  3. Seçmek Onaylamak.

Model artık üretim hesabında konuşlandırılmıştır.

Ayrıca, ardışık düzeninin hedef hesaplarda uç noktaları dağıtmak için oluşturduğu yığınları ve yığın kümelerini görmek için AWS CloudFormation konsolunda ardışık düzeni izleyebilirsiniz. Her hesap için dağıtılan uç noktaları görmek için, SageMaker konsolunda hazırlık hesabı veya üretim hesabı olarak oturum açın ve Uç noktalar gezinti bölmesinde.

Temizlemek

Bu örnekte sağladığınız tüm kaynakları temizlemek için aşağıdaki adımları tamamlayın:

  1. Ana hesabınızla konsolda oturum açın.
  2. AWS CloudFormation konsolunda, StackSets ve silme aşağıdaki öğeler (uç noktalar):
    1. Prod - sagemaker-<<sagemaker-project-name>>-<<project-id>>-deploy-prod
    2. Sahneleme - sagemaker-<<sagemaker-project-name>>-<<project-id>>-deploy-staging
  3. Dizüstü bilgisayarınızda veya iş istasyonu terminalinde, AWS Komut Satırı Arayüzü (AWS CLI) ve projenizi silmek için aşağıdaki kodu girin:
    aws sagemaker delete-project --project-name iris-multi-01

Emin olun AWS CLI'nin son sürümü.

Kendi SageMaker projeniz için bir şablon oluşturma ve özelleştirme

SageMaker projeleri ve SageMaker MLOps proje şablonları ML modellerini eğitmek, optimize etmek, değerlendirmek ve dağıtmak için gereken tüm altyapıyı otomatik olarak oluşturmak ve yapılandırmak için kullanabileceğiniz güçlü özelliklerdir. SageMaker projesi, kolayca uçtan uca bir makine öğrenimi çözümü oluşturmanıza olanak tanıyan, AWS Hizmet Kataloğu tarafından sağlanan bir üründür. Daha fazla bilgi için bkz. AWS Service Catalog Yönetici Kılavuzu.

Ürün, AWS Service Catalog tarafından yönetilen bir CloudFormation şablonudur. Şablonlar ve gereksinimleri hakkında daha fazla bilgi için bkz. AWS CloudFormation şablon biçimleri.

Makine öğrenimi mühendisleri birden fazla ortam tasarlayabilir ve bu kurulumun tüm ayrıntılarını, altyapı kavramını kod olarak (IaC) kullanarak bir CloudFormation şablonu olarak ifade edebilir. Bu farklı ortamları ve görevleri bir CI / CD ardışık düzeni kullanarak da entegre edebilirsiniz. SageMaker projeleri, diğer makine öğrenimi mühendisleri ve veri bilimcileri tarafından birçok kez başlatılabilen basit bir proje biçiminde altyapı karmaşıklığını sarmanın kolay, güvenli ve açık bir yolunu sağlar.

Aşağıdaki şema, özel SageMaker proje şablonunuzu oluşturmak ve yayınlamak için tamamlamanız gereken ana adımları göstermektedir.

Aşağıdaki şema, özel SageMaker proje şablonunuzu oluşturmak ve yayınlamak için tamamlamanız gereken ana adımları göstermektedir.

Bu adımları bölümlerde daha ayrıntılı olarak anlattık. Özel SageMaker Studio Proje şablonunu içe aktarma ve Projenizi oluşturmak.

Makine öğrenimi mühendisi olarak tasarım yapabilir ve yeni bir CloudFormation şablonu oluştur proje için bir AWS Hizmet Kataloğu portföyü hazırlayın ve buna yeni bir ürün ekleyin.

Hem veri bilimcileri hem de makine öğrenimi mühendisleri, özel şablonla yeni bir proje oluşturmak için SageMaker Studio'yu kullanabilir. SageMaker, AWS Hizmet Kataloğunu çağırır ve CloudFormation şablonunda açıklanan altyapıyı sağlamaya başlar.

Bir veri bilimcisi olarak artık modeli eğitmeye başlayabilirsiniz. Model kayıt defterine kaydettirdikten sonra, CI / CD ardışık düzeni otomatik olarak çalışır ve modeli hedef hesaplara dağıtır.

Bir metin düzenleyicide bu gönderiden CloudFormation şablonuna bakarsanız, bu yazıda özetlediğimiz mimariyi uyguladığını görebilirsiniz.

Aşağıdaki kod, şablonun bir snippet'idir:

Description: Toolchain template which provides the resources needed to represent infrastructure as code. This template specifically creates a CI/CD pipeline to deploy a given inference image and pretrained Model to two stages in CD -- staging and production.
Parameters: SageMakerProjectName: Type: String SageMakerProjectId: Type: String
…
<<other parameters>>
…
Resources: MlOpsArtifactsBucket: Type: AWS::S3::Bucket DeletionPolicy: Retain Properties: BucketName: …
… ModelDeployCodeCommitRepository: Type: AWS::CodeCommit::Repository Properties: RepositoryName: … RepositoryDescription: … Code: S3: Bucket: … Key: …
… ModelDeployBuildProject: Type: AWS::CodeBuild::Project
… ModelDeployPipeline: Type: AWS::CodePipeline::Pipeline
…

Şablonun iki temel bölümü vardır: Parameters (şablonun giriş parametreleri) ve Resources. SageMaker proje şablonları, şablonunuza iki giriş parametresi eklemenizi gerektirir: SageMakerProjectName ve SageMakerProjectId. Bu parametreler, SageMaker Studio tarafından dahili olarak kullanılır. Gerekirse başka parametreler ekleyebilirsiniz.

Snippet'in Kaynaklar bölümünde, aşağıdakileri oluşturduğunu görebilirsiniz:

  • Bir aşamadan diğerine geçen aracı yapıları depolamak için CI / CD ardışık düzeni tarafından kullanılan yeni bir S3 klasörü.
  • An AWS CodeCommit dağıtım ve test aşamalarında kullanılan yapıları depolamak için havuz.
  • An AWS CodeBuild yapıları almak için proje oluşturun ve bunları proje için doğrulayın ve yapılandırın. Çoklu hesap şablonunda, bu proje ayrıca CI / CD ardışık düzeni tarafından yeni modelleri dağıtmak için kullanılan yeni bir model kayıt defteri oluşturur.
  • CI / CD ardışık düzenlerinin tüm adımlarını düzenleyen bir CodePipeline iş akışı.

Model kayıt defterine her yeni model kaydettiğinizde veya CodeCommit deposuna yeni bir yapı gönderdiğinizde, bu CodePipeline iş akışı başlar. Bu olaylar, bir EventBridge kuralı, aynı şablonla sağlanmıştır. CI / CD ardışık düzeni aşağıdaki aşamaları içerir:

  • Kaynak - CodeCommit deposundan eserleri okur ve diğer adımlarla paylaşır.
  • İnşa etmek - Aşağıdakileri yapmak için CodeBuild projesini çalıştırır:
    • Bir model kayıt defterinin önceden oluşturulmuş olup olmadığını doğrulayın ve gerekirse bir tane oluşturun.
    • Sonraki iki dağıtım aşamasında kullanılacak yeni bir CloudFormation şablonu hazırlayın.
  • DeployStaging - Aşağıdaki bileşenleri içerir:
    • DeployResourcesStaging - içinde hazırlanan CloudFormation şablonunu alır Build adım atar ve yeni bir yığın dağıtır. Bu yığın, hedef hesapta yeni bir SageMaker uç noktası dağıtır.
    • Test Aşaması - Dağıtılan uç noktayı test eden özel bir Python betiğini çalıştıran ikinci bir CodeBuild projesini çağırır.
    • Dağıtımı Onayla - Bir manuel onay adımı. Onaylanırsa, üretimde bir uç nokta dağıtmak için bir sonraki aşamaya geçer veya onaylanmazsa iş akışını sonlandırır.
  • DeployProd - Benzer DeployStaging, aynı CloudFormation şablonunu ancak farklı giriş parametreleriyle kullanır. Üretim hesabında yeni bir SageMaker uç noktası dağıtır. 

Yeni bir eğitim süreci başlatabilir ve modelinizi SageMaker projesiyle ilişkili model kayıt defterine kaydedebilirsiniz. Bu gönderide verilen Jupyter not defterini kullanın ve kendi not defterinizi özelleştirin ML ardışık düzeni Veri kümenizi hazırlamak ve modellerinizi dağıtmadan önce eğitmek, optimize etmek ve test etmek için. Bu özellikler hakkında daha fazla bilgi için bkz. MLOps'u SageMaker Projeleri ile otomatikleştirin. Daha fazla Ardışık Düzen örneği için bkz. GitHub repo.

Sonuçlar ve sonraki adımlar

Bu gönderide, SageMaker Pipelines'i kullanarak birden çok AWS hesabında ML modellerini eğitmek ve dağıtmak için kendi ortamınızı nasıl hazırlayacağınızı gördünüz.

SageMaker projeleriyle, ML projelerinizi SageMaker proje şablonları kitaplığı olarak yönetmeye başlarsanız, ortamınızın yönetişimi ve güvenliği önemli ölçüde iyileştirilebilir.

Bir sonraki adım olarak, SageMaker proje şablonunu değiştirmeye çalışın ve bunu kuruluşunuzun ihtiyaçlarına göre özelleştirin. İstediğiniz kadar adım ekleyin ve CI / CD olaylarını yakalayabileceğinizi ve kullanıcıları bilgilendirebileceğinizi veya kapsamlı çözümler oluşturmak için diğer hizmetleri arayabileceğinizi unutmayın.


Yazar Hakkında

Samir Araújo AWS'de bir AI / ML Çözümleri Mimarıdır. AI / ML çözümleri oluşturan müşterilerin AWS platformunu kullanarak iş zorluklarını çözmelerine yardımcı oluyor. Bilgisayarla görme, doğal dil işleme, tahmin, uçta makine öğrenimi ve daha fazlasıyla ilgili çeşitli AI / ML projeleri üzerinde çalışıyor. Boş zamanlarında donanım ve otomasyon projeleriyle oynamayı seviyor ve robotik konusunda özel bir ilgisi var.

Kaynak: https://aws.amazon.com/blogs/machine-learning/multi-account-model-deployment-with-amazon-sagemaker-pipelines/

AI

Dijital Kimlik Doğrulama Hizmeti IDnow, Almanya'dan Küresel Kimlik Yazılımı Sağlayıcısı Kimlik Trust Management AG'yi Satın Aldı

Avatar

Yayınlanan

on

IDnow, bir sağlayıcı hizmet olarak kimlik doğrulama çözümler, kazanacak kimlik Güven Yönetimi, Almanya'dan dijital ve çevrimdışı kimlik doğrulama yazılımının küresel bir sağlayıcısı.

IDnow, Trust Management'ın Düsseldorf lokasyonunun kimliğini korumaya devam edeceğini ve çalışanlarını da elinde tutacağını doğruladı.

The edinme of Identity Trust Management, IDnow'a hizmetlerini Almanya ve diğer alanlarda daha geniş ve potansiyel olarak daha çeşitli müşteri tabanına sunarken yeni dikeylere doğru genişlemede yardımcı olmalıdır.

Birleşik ürün portföyü, otomatikten insan destekli ve tamamen çevrimiçi olmaktan satış noktasına kadar uzanan kapsamlı kimlik doğrulama yöntemleri sağlamayı amaçlayacaktır. Tüm bu kimlik doğrulama yöntemlerine IDnow platformu aracılığıyla erişilebilir.

Identity Trust Management, son 10 yılda Almanya'nın kimlik endüstrisindeki faaliyetlerini, telekomünikasyon ve sigorta hizmetlerine odaklanan sağlam bir itibar ve müşteri portföyü ile kurmuştur.

Andreas BodczekŞirketinde CEO IDnow, belirtti:

“Identity Trust Management AG, hem ürün portföyü hem de müşteri ilişkileri açısından etkileyici bir şirket kurdu. Liderlik ekibini yıllardır tanıyoruz ve derin sadakat ve karşılıklı anlayışa dayanan bir ortaklık kurduk. Trust Management AG'nin yetenekli ekibini IDnow ailesine davet etmekten heyecan duyuyoruz ve birleşik, pazar lideri bir marka yaratmak için her iki şirketin güçlü yönlerini birleştirmeyi dört gözle bekliyoruz. ”

Uwe StelzigIdentity Trust Management AG CEO'su şunları söyledi:

“Bu kombinasyon, IDnow'un yenilikçi teknolojisinin gücünü kimlik Trust Management AG'nin farklılaştırılmış bir kimlik doğrulama platformu oluşturmak için çeşitli yetenekleri ile birleştiriyor. Birlikte, müşterilere kimlik doğrulama için benzersiz, tek noktadan bir çözüm sağlama ortak vizyonumuza ulaşmak için iyi bir konumda olacağız. "

Bu, IDnow'un geçen yılın Eylül ayında Wirecard Communication Services'i takip eden son 6 aydaki ikinci satın alması olduğu bildirildi.

As kaplı Aralık 2020'de, Avrupa Yatırım Bankası (EIB), Almanya merkezli kimlik doğrulama platformu IDnow'a 15 milyon Euro'luk büyüme fonu sağlamaya karar vermişti. 2014 yılında kurulan IDnow, hem Avrupa'da düzenlenmiş sektörlerde hem de dünya çapında tamamen yeni dijital iş modelleri için çok çeşitli kullanım durumlarını kapsamaktadır.

Platform, kimlik akışının farklı bölgesel, yasal ve ticari gereksinimlere her kullanım için uyarlanmasına olanak tanır.

IDnow ekibi tarafından açıklandığı gibi:

"IDnow, kimlik belgelerindeki tüm güvenlik özelliklerini kontrol etmek için Yapay Zeka kullanıyor ve bu nedenle sahte belgeleri güvenilir bir şekilde tanımlayabiliyor. Potansiyel olarak, 7 farklı ülkeden 193 milyardan fazla müşterinin kimlikleri gerçek zamanlı olarak doğrulanabilir. Güvenliğe ek olarak, müşteri için karmaşık olmayan bir uygulamaya da odaklanır. Trustpilot müşteri derecelendirme portalında beş üzerinden beş yıldız elde eden IDnow teknolojisi özellikle kullanıcı dostudur. "

Ödeme PrimeXBT
AC Milan'ın Resmi CFD Ortaklarıyla Ticaret Yapın
Kripto Ticareti Yapmanın En Kolay Yolu.
Kaynak: https://www.crowdfundinsider.com/2021/03/172910-digital-id-verification-service-idnow-acquires-identity-trust-management-ag-a-global-provider-of-id-software- Almanyadan/

Continue Reading

AI

Çin'in beş yıllık planı, yapay zeka ve kuantum hesaplamada üstünlüğü hedefliyor

Avatar

Yayınlanan

on

Çin'in teknoloji endüstrisi, ABD ticaret savaşları ve pandeminin ekonomik belirsizlikleri, ancak nispeten yakın gelecekte geri dönmeye hevesli. Göre için Wall Street Journalülke, "ulusal güvenlik ve genel kalkınmaya" yardımcı olan teknolojiyi ilerletmek için beş yıllık bir planın ana hatlarını çizmek için yıllık parti toplantısını kullandı. Laboratuvarlar oluşturacak, eğitim programlarını teşvik edecek ve yapay zeka, biyoteknoloji, yarı iletkenler gibi alanlarda araştırmaları artıracaktır. kuantum hesaplama.

Çin hükümeti, 10.6'de temel araştırmalara (yani potansiyel atılım çalışmaları) yapılan harcamaları yüzde 2021 artıracağını ve 10 yıllık bir araştırma stratejisi oluşturacağını sözlerine ekledi.

Çin'in 5G kullanılabilirliği ve ürettiği yapay zeka araştırmaları hacmi gibi bir dizi teknolojik avantajı var. Bu, birkaç ülkeden biridir. tamamen sürücüsüz taksiler gerçek müşterilere hizmet veriyor. Bu ışığında, ülke gerçekten bazı güçlü noktalarını sağlamlaştırıyor.

Ancak bu aynı zamanda bir hayatta kalma sorunu da olabilir. ABD ticaret kısıtlamaları var hobbled şirketler Huawei ve ZTE gibi, kısmen son teknoloji çip üretimi eksikliğinden kaynaklanıyor. ABD ayrıca genel araştırmada liderdir ve Biden yönetimi harcamaları artırmak 5G, AI ve elektrikli otomobiller için gelişmeler. Çin'in bazı alanlarda tecrübesi olduğu gibi, son Amerikan çabalarına karşı çıkmazsa geride kalma riski var.

Ödeme PrimeXBT
AC Milan'ın Resmi CFD Ortaklarıyla Ticaret Yapın
Kripto Ticareti Yapmanın En Kolay Yolu.
Kaynak: https://www.engadget.com/china-five-year-plan-for-technology-225618577.html

Continue Reading

AI

Makine Öğrenimi Yazılım Geliştirmeye Nasıl Uygulanıyor

Avatar

Yayınlanan

on

Yazar profil resmi

Elon Musk otonom araçlar fikrini önerdiğinde, herkes bunun varsayımsal bir rüya olduğunu varsaydı ve asla ciddiye almadı. Bununla birlikte, aynı araçlar şu anda yollarda ve Amerika Birleşik Devletleri'nde en çok satan arabalardan biri.

Yapay zeka ve makine öğrenimi uygulamaları, akıllı telefonunuzdaki Google Fotoğraflar'dan evinizdeki Amazon'un Alexa'sına kadar her alanda görülebilir ve yazılım geliştirme bir istisna değildir. AI, iOS ve Android uygulama geliştiricilerinin çalışma şeklini çoktan değiştirdi.

Makine öğrenimi, geleneksel bir yazılım geliştirme döngüsünün çalışma şeklini geliştirebilir. Bir bilgisayarın programlamaya ihtiyaç duymadan deneyimlerden öğrenmesini ve gelişmesini sağlar. AI ve ML'nin tek amacı, bilgisayarların otomatik olarak öğrenmesine izin vermektir.

Ayrıca, bir yazılım geliştiricisi olarak, bilgisayarınızın ne yapması gerektiğini bilmesini sağlamak için en küçük ayrıntıları belirtmeniz gerekebilir. Makine öğrenimi ile entegre yazılım geliştirmek, geliştirme deneyiminizde önemli bir fark yaratmanıza yardımcı olabilir.

Makine Zekası, insanlığın yapması gereken son icattır!

Makine öğrenimi ve yapay zekanın geliştiricilere nasıl yardımcı olduğuna gelince, sınır sadece gökyüzüdür. Yapay zeka, daha da geniş kapsamlı olarak girdiği her sektörü her zaman dönüştürmüştür. İşte aynı şeyi ifade eden hızlı bir istatistik özeti:

Rakamların da belirttiği gibi, yapay zeka ve makine öğrenimi kesinlikle dünyayı dönüştürüyor ve geliştirme endüstrisi de bir istisna değil. Kusursuz kod yazmanıza, dağıtmanıza ve hataları düzeltmenize nasıl yardımcı olabileceğine bir göz atalım.

Geliştirmede Yapay Zeka ve Makine Öğrenimi - Bu, Yazılım Geliştiricilere Nasıl Fayda Sağlıyor?

İster bir android uygulama geliştiricisi olarak çalışan bir kişi olun, ister bir yaşam için kodlar yazan biri olun, AI'da sizin için neler olduğunu merak etmiş olabilirsiniz. Geliştiricilerin makine öğrenimi ve yapay zekanın yeteneklerinden nasıl yararlanabileceği aşağıda açıklanmıştır:

1. Kodun Kontrollü Dağıtımı

Yapay zeka ve makine öğrenimi teknolojileri, geliştirmede gerekli olan kod dağıtımı etkinliklerinin verimliliğini artırmaya yardımcı olur. Geliştirme spektrumunda, dağıtım mekanizmaları, programlarınızı ve uygulamalarınızı daha yeni bir sürüme yükseltmeniz gereken bir geliştirme aşaması içerir.

Bununla birlikte, süreci düzgün bir şekilde yürütemezseniz, yazılım veya uygulamanın bozulması dahil olmak üzere çeşitli risklerle karşılaşmanız gerekir. AI yardımı ile bu tür güvenlik açıklarını kolayca önleyebilir ve kodunuzu kolaylıkla yükseltebilirsiniz.

2. Hatalar ve Hata Tanımlama

Yapay zeka alanındaki gelişmelerle birlikte kodlama deneyimi daha da iyi ve gelişiyor. Geliştiricilerin kodlarındaki hataları kolayca tespit etmelerine ve anında düzeltmelerine olanak tanır. Artık kodlarında olası kusurları bulmak için kodlarını tekrar tekrar okumak zorunda değiller.

Birkaç makine öğrenimi algoritması, yazılımınızı otomatik olarak test edebilir ve değişiklikler önerebilir.

Yapay zeka destekli test araçları kesinlikle geliştiricilere bolca zaman kazandırıyor ve projelerini daha hızlı teslim etmelerine yardımcı oluyor.

3. Güvenli Veri Depolama

Sayısız ağdan sürekli artan veri aktarımı ile siber güvenlik uzmanları, ağda devam eden her etkinliği izlemenin genellikle karmaşık ve ezici olduğunu düşünüyor. Bu nedenle, herhangi bir uyarı üretmeden fark edilmeden ortadan kalkabilecek bir tehdit veya ihlal olabilir.

Ancak yapay zeka yetenekleri ile geciken uyarılar gibi sorunların önüne geçebilir ve kodunuzdaki hatalardan en kısa sürede haberdar olabilirsiniz. Bu araçlar, bir şirketin bir ihlal hakkında bildirim alma süresini kademeli olarak kısaltır.

4. Stratejik Karar Verme ve Prototipleme 

Bir geliştiricinin, yaptıkları bir projeye veya koda dahil edilmesi gerekenlerin kapsamlı ve sonsuz bir listesinden geçmesi bir alışkanlıktır. Bununla birlikte, makine öğrenimi ve yapay zeka tarafından yönlendirilen teknolojik çözümler, mevcut uygulamaların performansını analiz etme ve değerlendirme yeteneğine sahiptir.

Bu teknolojinin yardımıyla, hem iş liderleri hem de mühendisler riski azaltan ve etkiyi en üst düzeye çıkaran bir çözüm üzerinde çalışabilirler. Doğal dil ve görsel arayüzler kullanarak, teknik alan uzmanları teknolojileri daha hızlı geliştirebilirler.

5. Beceri Geliştirme

Yaklaşan teknoloji ile gelişmeye devam etmek için, teknolojideki ilerlemeyle birlikte gelişmeniz gerekir. Yeni başlayanlar ve genç geliştiriciler için, AI tabanlı araçlar, çeşitli yazılım programları üzerinde işbirliği yapmalarına ve programlama dili ve yazılım hakkında daha fazla bilgi edinmek için ekip üyeleri ve yaşlılarla içgörü paylaşmalarına yardımcı olur.

Ayrılık Kelimeler

Makine öğrenimi ve yapay zeka, yazılım geliştirmeyle ilgili çok sayıda görevi ve etkinliği basitleştirirken, bu, test uzmanlarının ve geliştiricilerin işlerini kaybedecekleri anlamına gelmez. İşe alınan bir android uygulama geliştiricisi, AI ve makine öğrenimi tarafından desteklenen daha hızlı, daha iyi ve daha verimli bir ortamda kodlar yazmaya devam edecektir.

Etiketler

Hacker Noon'a Katılın

Özel okuma deneyiminizin kilidini açmak için ücretsiz hesabınızı oluşturun.

Ödeme PrimeXBT
AC Milan'ın Resmi CFD Ortaklarıyla Ticaret Yapın
Kripto Ticareti Yapmanın En Kolay Yolu.
Kaynak: https://hackernoon.com/how-machine-learning-and-ai-are-helping-developers-6g2s33w6?source=rss

Continue Reading

AI

Mobil Uygulamaların Geleceği: Beklemeye Değer Olan Her Şey Burada

Avatar

Yayınlanan

on

Yazar profil resmi

@Devansh-khetrapalDevansh Khetrapal

Devansh teknoloji hakkında her şeyi yazıyor. Ağırlıklı olarak AI, Makine Öğrenimi ve Yazılım Geliştirme hakkında konuşuyor.

Bu yıl herkes için gerçekten zor geçti ve sanırım bunu yeterince görmüştük, ancak bu dönemde de gördüklerimiz bazı şaşırtıcı teknolojik icatlar. Bununla birlikte, telefonlarla biraz sıkıcı hale geldi. 

Her yıl mobil kullanıcılar, yeni Snapdragon işlemcilerinden ve bu cihazların önceki nesil akıllı telefonlardan delicesine üstün performans gösterebilmesi için pompaladığı diğer son teknoloji özelliklerden dolayı heyecanlanıyor, ancak bu telefonlardaki mobil uygulamalar uyumlu bir şekilde evrim geçiriyor mu?

Facebook, Instagram, WhatsApp vb.Gibi en etkileşimli sosyal medya ve mesajlaşma uygulamalarından, bunun ötesinde bir şey yok gibi görünüyor. Sırada ne var? İşte tam olarak bunun hakkında konuşacağız.

İşte Mobil Uygulamaların Geleceği

Dediğimiz zaman mobil uygulamaların geleceği, bu teknolojilerin zaten burada olmadığını tam olarak kastetmiyoruz. Aslında, bunlardan birkaçı şu anda dahil ediliyor. Sadece bunlar ilkel gelişim aşamalarında.

İşte buradalar:

IoT (Nesnelerin İnterneti)

Görüntü kaynağı

2023 yılına kadar IoT teknolojisine yapılan küresel harcamaların $ 1.1 trilyon. Makine Öğrenimi ve entegre Yapay Zeka (AI) sayesinde, yalnızca milyarlarca cihazı aynı anda etkinleştirmekle kalmayıp, aynı zamanda çeşitli iş süreçlerini otomatikleştirebilecek devasa hacimlerdeki eyleme geçirilebilir veriden de yararlanma potansiyeline sahiptir.

Bu, mobil uygulamaların geleceği için neyi gerektirir? Peki, arabanızı, termostatlarınızı ve mutfak aletlerinizi mobil cihazlarınız üzerinden kontrol edebilmeye hazırlanın. IoT şu anda Üretim, Ulaşım, Sağlık Hizmetleri, Enerji ve diğer birçok endüstride kullanılmaktadır.

Yapay Zeka

Görüntü kaynağı

AI, tek başına mobil uygulama tasarımının geleceği.

Mobil uygulamalar, sonuçları önceden tanımlanması gereken belirli parametrelerin kısıtlamaları dahilinde çalışacak şekilde kodlanmıştır. Basitçe ifade etmek gerekirse, Airbnb'de bir aile yanında konaklama arıyorsanız, gördüğünüz sonuçlar konumunuz, boyutunuz ve konfor gereksinimleriniz gibi önceden belirlenmiş parametrelere dayalıdır.

Yapay zekanın yardımıyla bu önceden belirlenmiş parametreler, genellikle tercih ettiğiniz konaklama türü, tesisler gibi yol boyunca öğrendiği tercihlerinize dayalı sonuçlar alabileceğiniz bir noktaya dönüşebilir. ihtiyaç duyuyor ve hatta en sevdiğiniz restoran yakınlarda olduğu için bir yer satın almanızı önerebilir. 

Artırılmış Gerçeklik (AR) / Sanal Gerçeklik (VR)

Görüntü kaynağı

AR ve VR, yüksek miktarda yatırım çekiyor ve ulaşması bekleniyor 72.8 dolar 2024 milyar. Pokemon Go, Sky Siege, Google Cardboard, iOnRoad ve Samsung Gear VR ile oyun ve eğlence sektöründeki başarılarını şimdiden görebiliyoruz.

Jaguar Land Rover ve BMW gibi markalar, parçaları fiziksel olarak üretmek için herhangi bir para harcamadan önce görsel tasarımlarını tamamlamak için tasarım ve mühendislik değerlendirme oturumları yapmak için VR'yi kullanmaya başladı bile.

Yavaş yavaş, içerdiği herhangi bir mimari türünde devrim yaratabilecek daha sürükleyici simülasyonlar yapabileceksiniz.

Çapraz Platform Geliştirme

Görüntü kaynağı

Mobil uygulamaların geleceği, yerel uygulama geliştirmeyi kesinlikle geçersiz kılacaktır. Şu anda React Native, Android ve iOS uygulamaları geliştirirken olağanüstü esneklik sunuyor. Bu, 2 ayrı uygulama geliştirmek zorunda kalmayacağınız için tonlarca zaman kazandıracaktır.

Daha da önemlisi, platformlar arası uygulama geliştirme, belirli nüanslı özelliklerden ödün vermek zorunda kalmanın dezavantajını ortadan kaldıracaktır. Tüm bunlar, uygulama geliştirme sürecini kademeli olarak çok daha ucuz, daha basit ve zaman kazandıracak hale getirecek.

5G

Görüntü kaynağı

Netflix serisinin tamamını yaklaşık 10 saniye içinde indirebileceğinizi düşünün. 5G'nin potansiyeli bu kadar büyük. Teorik olarak, aşağıdaki hızlara ulaşma potansiyeline sahiptir. Saniyede 10 Gigabitond ve sadece yüksek hızlar değil, düşük gecikme. ABD'deki akıllı telefonlarımızda daha emekleme döneminde bile saniyede 5-6 Gigabit'e şahitlik edebiliyoruz.

Mobil uygulamaların geleceğinden bahsetmişken, hızlı internet daha hızlı indirme ve yükleme hızları anlamına gelir; bu da Artırılmış ve Sanal Gerçeklik, IoT, tedarik zinciri, ulaşım, akıllı şehirler gibi her şeyi değiştirir çünkü her şey gerçek zamanlı olarak gerçekleşebilir. sadece 2 - 20 milisaniye gecikme.

Blockchain

Görüntü kaynağı

Blockchain, son zamanlarda çokça kullanılan bir terimdir. Bu, verilerin küresel olarak binlerce sunucuda depolanmasına izin veren bir teknolojidir. Şimdi merkezi olmayan, tamamen şeffaf ve değişmez olduğu için, bir kullanıcının ağ üzerinde kontrol sahibi olması zorlaşıyor.

Bu, herhangi birinin blockchain'e girip değişiklik yapmasının neredeyse imkansız olduğu anlamına gelir. Uygulama geliştirmenin geleceği, oldukça güvenli mobil uygulamalar sunma kabiliyeti nedeniyle büyük ölçüde blockchain teknolojisine bağlıdır.

Giyilebilir Cihazlar

Görüntü kaynağı

Giyilebilir cihazlar veya "akıllı saatler" bugünlerde popüler bir şekilde fitness bantları olarak kullanılıyor. Kalp atış hızınızı, kan oksijeninizi, sayma adımlarınızı söyleyebildikleri ve düzensiz kalp ritimleri durumunda sizi bilgilendirebildikleri için akıllılar. Ve tabii ki zamanı gösteriyor.

Teknoloji, IoT ile birleştiğinde pek çok kapıyı açar. Randevuları kontrol etmek, arama yapmak, mesaj göndermek, hatırlatıcılar almak olsun, sadece yüzeyi çiziyor. Bu teknolojinin büyük bir gelişme potansiyeli var ve sonunda bir akıllı telefon kullanma ihtiyacını ortadan kaldırabilir. 

Yukarı tamamlayan

Mobil uygulamaların geleceğinin gülünç derecede heyecan verici olduğunu garanti ediyor. Yalnızca kullanıcı deneyiminin nasıl gelişeceğini hayal edebiliriz. 

İster VR ve AR yardımıyla veri görselleştirme, ister giyilebilir cihazların yardımıyla rahatlığı en üst düzeye çıkarma olsun, bunların tümü mobil uygulama geliştirme trendlerinde büyük bir değişiklik yaratacak. Umarım, bu merak uyandırmanıza yardımcı olduk ve dünya ile etkileşimimizin nasıl değişmek üzere olduğunu öğrenmiş olmalısınız.

Yazar profil resmi

Hikayelerimi oku

Devansh teknoloji hakkında her şeyi yazıyor. Ağırlıklı olarak AI, Makine Öğrenimi ve Yazılım Geliştirme hakkında konuşuyor.

Etiketler

Hacker Noon'a Katılın

Özel okuma deneyiminizin kilidini açmak için ücretsiz hesabınızı oluşturun.

Ödeme PrimeXBT
AC Milan'ın Resmi CFD Ortaklarıyla Ticaret Yapın
Kripto Ticareti Yapmanın En Kolay Yolu.
Kaynak: https://hackernoon.com/future-of-mobile-apps-heres-everything-thats-worth-the-wait-782k335e?source=rss

Continue Reading
büyük Veri3 gün önce

ABD IPO için çevrimiçi öğrenme platformu Coursera dosyaları

Blockchain5 gün önce

Daha Fazla Bağlantı ve Likidite İçin Elrond ve Reef Finance Ekibi

Blockchain4 gün önce

Değiştirilemez Jetonlar - NFT 101 - İnsanlar Neden Kripto Sanatı ve Dijital Öğeler için Milyon Dolar Harcıyor

Blockchain5 gün önce

İşte Bitcoin'in 45,000 Dolara Doğru Neden Olabileceği

Blockchain5 gün önce

SushiSwap, Fantom Dağıtımından Sonra Çoklu Zincire Geçiyor

Blockchain5 gün önce

eToro ve DS TECHEETAH Sadece Kârlı Fırsatla Sponsorluğun Yüzünü Değiştirdi

Blockchain5 gün önce

Apple Pay Kullanıcıları Artık COTI'yi Simplex Üzerinden Satın Alabilir

Blockchain4 gün önce

TomoChain (TOMO) Önceki Tüm Zamanların En Yüksek Testinden Sonra Arttı

İş Insider2 gün önce

Wall Street insanları haftanın taşınıyor: İşte Goldman Sachs, JPMorgan ve Third Point gibi firmalardaki promosyonlar, çıkışlar ve işe alımlar özetimiz.

Blockchain4 gün önce

Tron Dapps Pazarı, MainNet'i Yakında Başlatmak İçin Her Şeye Hazır Olacak Köprü Olarak Oracle Arttırıyor

Blockchain5 gün önce

Silikon Vadisi merkezli Taraxa, Yaklaşan Halka Açık Satışın Ayrıntılarını Açıkladı

Blockchain5 gün önce

Uyuşturucu kaçakçıları 2020'de yasadışı transferlere yardımcı olmak için Bitcoin ATM'lerini 'giderek daha fazla' kullandı

İş Insider2 gün önce

“Çok alışılmadık bir durumdayız”: 48 yıllık bir piyasa veterineri, hisse senetlerinin neden bu yıl% 80'lik bir düşüşe doğru ilerlediğini açıklıyor ve altının yakında 2,500 dolara yükseleceğini söylüyor Q2 olarak

Blockchain5 gün önce

Bitcoin (BTC) 50,000 Dolar'ı Geçtikten Sonra Reddedildi

Blockchain5 gün önce

Enjin, NFTS için Çok Zincirli Bir Ekosistem Olma Planlarını Açıkladı

bitcoin hile sayfası kapat
Blockchain4 gün önce

Bitcoin "Hile Sayfası" 77 Dolara Kadar Bir Sonraki Adım İçin Çağırıyor

Blockchain5 gün önce

Bitcoin SV, Uniswap, Zcash Fiyat Analizi: 04 Mart

Blockchain4 gün önce

Ripple CEO'su SEC Ücretlerine İlişkin İşten Çıkarma Önergesi

Blockchain4 gün önce

EOS, Crypto.com Coin, Dash Fiyat Analizi: 04 Mart

Blockchain4 gün önce

BitCasino, Cardano Ödeme Yöntemini Tanıtıyor - ADA Veriyor

Trend