تمت كتابة منشور المدونة هذا بالاشتراك مع كارولين تشونغ من Veoneer.
Veoneer هي شركة عالمية لإلكترونيات السيارات ورائدة عالميًا في أنظمة السلامة الإلكترونية للسيارات. إنها توفر أفضل أنظمة التحكم في ضبط النفس وقد قامت بتسليم أكثر من مليار وحدة تحكم إلكترونية وأجهزة استشعار للتصادم لشركات تصنيع السيارات على مستوى العالم. تواصل الشركة البناء على تاريخ يمتد لـ 1 عامًا في تطوير سلامة السيارات، وتتخصص في الأجهزة والأنظمة المتطورة التي تمنع الحوادث المرورية وتخفف من حدة الحوادث.
يعد الاستشعار داخل المقصورة (ICS) مجالًا ناشئًا يستخدم مزيجًا من عدة أنواع من أجهزة الاستشعار مثل الكاميرات والرادار والذكاء الاصطناعي (AI) والخوارزميات القائمة على التعلم الآلي (ML) لتعزيز السلامة وتحسين تجربة الركوب. يمكن أن يكون بناء مثل هذا النظام مهمة معقدة. يتعين على المطورين إضافة تعليقات توضيحية يدويًا إلى كميات كبيرة من الصور لأغراض التدريب والاختبار. وهذا يستغرق وقتا طويلا ومكثفة الموارد. المدة الزمنية لمثل هذه المهمة هي عدة أسابيع. علاوة على ذلك، يتعين على الشركات التعامل مع مشكلات مثل التسميات غير المتسقة بسبب الأخطاء البشرية.
تركز AWS على مساعدتك في زيادة سرعة التطوير وخفض تكاليف إنشاء مثل هذه الأنظمة من خلال التحليلات المتقدمة مثل التعلم الآلي. تتمثل رؤيتنا في استخدام التعلم الآلي للتعليقات التوضيحية الآلية، وتمكين إعادة تدريب نماذج السلامة، وضمان مقاييس أداء متسقة وموثوقة. في هذا المنشور، نشارك كيفية القيام بذلك، من خلال التعاون مع منظمة أمازون العالمية المتخصصة ومنظمة أمازون مركز ابتكار الذكاء الاصطناعي التوليدي، قمنا بتطوير مسار تعليمي نشط للمربعات المحيطة برأس الصورة داخل المقصورة وشرح النقاط الرئيسية. يعمل هذا الحل على تقليل التكلفة بنسبة تزيد عن 90%، وتسريع عملية التعليق التوضيحي من أسابيع إلى ساعات من حيث زمن التنفيذ، ويتيح إمكانية إعادة الاستخدام لمهام تصنيف بيانات تعلم الآلة المماثلة.
حل نظرة عامة
التعلم النشط هو أحد أساليب التعلم الآلي الذي يتضمن عملية تكرارية لاختيار البيانات الأكثر إفادة وتعليقها لتدريب النموذج. بالنظر إلى مجموعة صغيرة من البيانات المصنفة ومجموعة كبيرة من البيانات غير المسماة، يعمل التعلم النشط على تحسين أداء النموذج، ويقلل من جهد وضع العلامات، ويدمج الخبرة البشرية للحصول على نتائج قوية. في هذا المنشور، نقوم ببناء مسار تعليمي نشط للتعليقات التوضيحية للصور باستخدام خدمات AWS.
يوضح الرسم البياني التالي الإطار العام لخط أنابيب التعلم النشط لدينا. يأخذ خط أنابيب وضع العلامات الصور من ملف خدمة تخزين أمازون البسيطة (Amazon S3) يقوم بإخراج الصور المشروحة بالتعاون مع نماذج ML والخبرة البشرية. يقوم مسار التدريب بمعالجة البيانات مسبقًا ويستخدمها لتدريب نماذج تعلم الآلة. تم إعداد النموذج الأولي وتدريبه على مجموعة صغيرة من البيانات المُصنفة يدويًا، وسيتم استخدامه في مسار وضع العلامات. يمكن تكرار مسار وضع العلامات وخط أنابيب التدريب تدريجيًا باستخدام المزيد من البيانات المصنفة لتحسين أداء النموذج.
في خط أنابيب وضع العلامات، و إشعار حدث Amazon S3 يتم استدعاؤه عندما تأتي مجموعة جديدة من الصور في حاوية Unlabeled Datastore S3، مما يؤدي إلى تنشيط مسار وضع العلامات. وينتج النموذج نتائج الاستدلال على الصور الجديدة. تحدد وظيفة الحكم المخصصة أجزاء من البيانات بناءً على درجة ثقة الاستدلال أو الوظائف الأخرى المحددة من قبل المستخدم. يتم إرسال هذه البيانات، مع نتائج الاستدلال الخاصة بها، لمهمة وضع العلامات البشرية الحقيقة الأمازون SageMaker الأرض تم إنشاؤها بواسطة خط الأنابيب. تساعد عملية وضع العلامات البشرية على إضافة تعليقات توضيحية إلى البيانات، ويتم دمج النتائج المعدلة مع البيانات التوضيحية التلقائية المتبقية، والتي يمكن استخدامها لاحقًا بواسطة مسار التدريب.
تتم إعادة تدريب النموذج في مسار التدريب، حيث نستخدم مجموعة البيانات التي تحتوي على البيانات التي يحملها الإنسان لإعادة تدريب النموذج. يتم إنتاج ملف بيان لوصف مكان تخزين الملفات، ويتم إعادة تدريب نفس النموذج الأولي على البيانات الجديدة. بعد إعادة التدريب، يحل النموذج الجديد محل النموذج الأولي، وتبدأ النسخة التالية من مسار التعلم النشط.
نشر النموذج
يتم نشر كل من خط أنابيب وضع العلامات وخط أنابيب التدريب خط أنابيب AWS. AWS كود البناء يتم استخدام المثيلات للتنفيذ، وهو أمر مرن وسريع لكمية صغيرة من البيانات. عندما تكون هناك حاجة للسرعة، نستخدمها الأمازون SageMaker نقاط النهاية بناءً على مثيل GPU لتخصيص المزيد من الموارد لدعم العملية وتسريعها.
يمكن استدعاء خط أنابيب إعادة تدريب النموذج عندما تكون هناك مجموعة بيانات جديدة أو عندما يحتاج أداء النموذج إلى التحسين. إحدى المهام الحاسمة في خط أنابيب إعادة التدريب هي الحصول على نظام التحكم في الإصدار لكل من بيانات التدريب والنموذج. على الرغم من أن خدمات AWS مثل الأمازون إعادة الاعتراف تتمتع بميزة التحكم في الإصدار المتكامل، مما يجعل المسار سهل التنفيذ، وتتطلب النماذج المخصصة تسجيل بيانات التعريف أو أدوات إضافية للتحكم في الإصدار.
يتم تنفيذ سير العمل بأكمله باستخدام مجموعة تطوير سحابة AWS (AWS CDK) لإنشاء مكونات AWS الضرورية، بما في ذلك ما يلي:
- دوران لوظائف CodePipeline وSageMaker
- وظيفتان CodePipeline، اللتان تنظمان سير العمل
- مجموعتا S3 لعناصر الكود الخاصة بخطوط الأنابيب
- حاوية S3 واحدة لتسمية بيان الوظيفة ومجموعات البيانات والنماذج
- المعالجة المسبقة والمعالجة اللاحقة AWS لامدا وظائف لوظائف وضع العلامات الخاصة بـ SageMaker Ground Truth
تتميز مجموعات AWS CDK بأنها معيارية للغاية وقابلة لإعادة الاستخدام عبر مهام مختلفة. يمكن استبدال التدريب وكود الاستدلال وقالب SageMaker Ground Truth لأي سيناريوهات تعليمية نشطة مماثلة.
تدريب نموذجي
يتضمن التدريب النموذجي مهمتين: شرح المربع المحيط بالرأس وشرح النقاط الرئيسية البشرية. نقدمهما في هذا القسم.
تعليق توضيحي للمربع المحيط بالرأس
يعد التعليق التوضيحي للمربع المحيط بالرأس مهمة للتنبؤ بموقع المربع المحيط برأس الإنسان في الصورة. نحن نستخدم تسميات Amazon Rekognition المخصصة نموذج لتعليقات المربع المحيط بالرأس. الأتى نموذج دفتر الملاحظات يوفر برنامجًا تعليميًا خطوة بخطوة حول كيفية تدريب نموذج Rekognition Custom Labels عبر SageMaker.
نحتاج أولاً إلى إعداد البيانات لبدء التدريب. نقوم بإنشاء ملف بيان للتدريب وملف بيان لمجموعة بيانات الاختبار. يحتوي ملف البيان على عناصر متعددة، كل منها مخصص لصورة. فيما يلي مثال لملف البيان، الذي يتضمن معلومات مسار الصورة وحجمها والتعليق التوضيحي:
باستخدام ملفات البيان، يمكننا تحميل مجموعات البيانات إلى نموذج Rekognition Custom Labels للتدريب والاختبار. قمنا بتكرار النموذج بكميات مختلفة من بيانات التدريب واختبرناه على نفس 239 صورة غير مرئية. في هذا الاختبار، mAP_50
ارتفعت النتيجة من 0.33 مع 114 صورة تدريبية إلى 0.95 مع 957 صورة تدريبية. تعرض لقطة الشاشة التالية مقاييس الأداء لنموذج Rekognition Custom Labels النهائي، والذي يحقق أداءً رائعًا من حيث درجة F1 والدقة والاستدعاء.
لقد اختبرنا النموذج أيضًا على مجموعة بيانات محجوبة تحتوي على 1,128 صورة. يتنبأ النموذج باستمرار بتنبؤات دقيقة للمربع المحيط بالبيانات غير المرئية، مما يؤدي إلى ارتفاع mAP_50
بنسبة 94.9%. يوضح المثال التالي صورة ذات تعليقات توضيحية تلقائية مع مربع محيط بالرأس.
شرح النقاط الرئيسية
ينتج عن شرح النقاط الرئيسية مواقع النقاط الرئيسية، بما في ذلك العيون والأذنين والأنف والفم والرقبة والكتفين والمرفقين والمعصمين والوركين والكاحلين. بالإضافة إلى التنبؤ بالموقع، هناك حاجة إلى رؤية كل نقطة للتنبؤ في هذه المهمة المحددة، والتي قمنا بتصميم طريقة جديدة لها.
لشرح النقاط الرئيسية، نستخدم أ نموذج يولو 8 بوز على SageMaker كنموذج أولي. نقوم أولاً بإعداد البيانات للتدريب، بما في ذلك إنشاء ملفات التسمية وملف التكوين .yaml وفقًا لمتطلبات Yolo. بعد تجهيز البيانات نقوم بتدريب النموذج وحفظ المصنوعات بما في ذلك ملف أوزان النموذج. باستخدام ملف أوزان النماذج المدربة، يمكننا التعليق على الصور الجديدة.
في مرحلة التدريب، يتم استخدام جميع النقاط المميزة بالمواقع، بما في ذلك النقاط المرئية والنقاط المغطاة، للتدريب. لذلك، يوفر هذا النموذج افتراضيًا موقع التنبؤ وثقته. في الشكل التالي، عتبة الثقة الكبيرة (العتبة الرئيسية) القريبة من 0.6 قادرة على تقسيم النقاط المرئية أو المحجوبة مقابل نقاط عرض الكاميرا الخارجية. ومع ذلك، لا يتم فصل الثقة عن النقاط المحجوبة والنقاط المرئية، مما يعني أن الثقة المتوقعة ليست مفيدة للتنبؤ بالرؤية.
للحصول على التنبؤ بالرؤية، نقدم نموذجًا إضافيًا تم تدريبه على مجموعة البيانات التي تحتوي على النقاط المرئية فقط، باستثناء النقاط المحجوبة وخارج وجهات نظر الكاميرا. ويوضح الشكل التالي توزيع النقاط ذات الرؤية المختلفة. يمكن فصل النقاط المرئية والنقاط الأخرى في النموذج الإضافي. يمكننا استخدام عتبة (عتبة إضافية) بالقرب من 0.6 للحصول على النقاط المرئية. ومن خلال الجمع بين هذين النموذجين، قمنا بتصميم طريقة للتنبؤ بالموقع والرؤية.
يتم التنبؤ بالنقطة الرئيسية أولاً بواسطة النموذج الرئيسي مع الموقع والثقة الرئيسية، ثم نحصل على تنبؤ بالثقة الإضافية من النموذج الإضافي. ومن ثم يتم تصنيف ظهورها على النحو التالي:
- تكون مرئية، إذا كانت ثقتها الرئيسية أكبر من عتبتها الرئيسية، وكانت ثقتها الإضافية أكبر من عتبتها الإضافية
- محظور، إذا كانت ثقته الرئيسية أكبر من عتبته الرئيسية، وكانت ثقته الإضافية أقل من أو تساوي العتبة الإضافية
- خارج مراجعة الكاميرا، إذا كان خلاف ذلك
يظهر مثال على التعليقات التوضيحية للنقاط الرئيسية في الصورة التالية، حيث تكون العلامات الصلبة عبارة عن نقاط مرئية والعلامات المجوفة هي نقاط محجوبة. لا تظهر خارج نقاط المراجعة للكاميرا.
على أساس المعيار OKS وفقًا لمجموعة بيانات MS-COCO، فإن طريقتنا قادرة على تحقيق mAP_50 بنسبة 98.4% في مجموعة بيانات الاختبار غير المرئية. من حيث الرؤية، توفر الطريقة دقة تصنيف تبلغ 79.2% على نفس مجموعة البيانات.
وضع العلامات البشرية وإعادة التدريب
على الرغم من أن النماذج تحقق أداءً رائعًا في بيانات الاختبار، إلا أنه لا تزال هناك احتمالات لارتكاب أخطاء في بيانات العالم الحقيقي الجديدة. إن وضع العلامات البشرية هو عملية تصحيح هذه الأخطاء لتحسين أداء النموذج باستخدام إعادة التدريب. لقد صممنا دالة حكم تجمع بين قيمة الثقة الناتجة من نماذج ML لإخراج جميع المربعات المحيطة بالرأس أو النقاط الرئيسية. نحن نستخدم النتيجة النهائية لتحديد هذه الأخطاء والصور ذات التصنيف السيئ الناتجة، والتي يجب إرسالها إلى عملية وضع العلامات البشرية.
بالإضافة إلى الصور ذات التصنيف السيئ، يتم اختيار جزء صغير من الصور بشكل عشوائي لوضع العلامات البشرية عليها. تتم إضافة هذه الصور التي تحمل علامات بشرية إلى الإصدار الحالي من مجموعة التدريب لإعادة التدريب وتحسين أداء النموذج ودقة التعليقات التوضيحية بشكل عام.
في التنفيذ، نستخدم SageMaker Ground Truth لـ وضع العلامات البشرية عملية. يوفر SageMaker Ground Truth واجهة مستخدم سهلة الاستخدام وبديهية لتسمية البيانات. توضح لقطة الشاشة التالية مهمة وضع علامة SageMaker Ground Truth للتعليق التوضيحي للمربع المحيط بالرأس.
توضح لقطة الشاشة التالية مهمة وضع العلامات على SageMaker Ground Truth للتعليق التوضيحي على النقاط الرئيسية.
التكلفة والسرعة وإمكانية إعادة الاستخدام
تعد التكلفة والسرعة من المزايا الرئيسية لاستخدام الحل الذي نقدمه مقارنةً بوضع العلامات البشرية، كما هو موضح في الجداول التالية. نستخدم هذه الجداول لتمثيل توفير التكاليف وتسارع السرعة. باستخدام مثيل GPU SageMaker المتسارع ml.g4dn.xlarge، تكون تكلفة التدريب والاستدلال على مدى الحياة بأكملها على 100,000 صورة أقل بنسبة 99% من تكلفة وضع العلامات البشرية، في حين أن السرعة أسرع بمقدار 10-10,000 مرة من وضع العلامات البشرية، اعتمادًا على مهمة.
يلخص الجدول الأول مقاييس أداء التكلفة.
الموديل | mAP_50 بناءً على 1,128 صورة اختبارية | تكلفة التدريب على أساس 100,000 صورة | تكلفة الاستدلال على أساس 100,000 صورة | تخفيض التكلفة مقارنة بالشرح البشري | وقت الاستدلال على أساس 100,000 صورة | تسارع الوقت مقارنة بالشرح البشري |
التعرف على المربع المحيط بالرأس | 0.949 | $4 | $22 | 99٪ أقل | 5.5 مساء | أيام |
يولو النقاط الرئيسية | 0.984 | $27.20 | * 10 دولارًا | 99.9٪ أقل | دقائق | أسابيع |
يلخص الجدول التالي مقاييس الأداء.
مهمة التعليق التوضيحي | mAP_50 (%) | تكلفة التدريب ($) | تكلفة الاستدلال ($) | وقت الاستدلال |
صندوق محيط الرأس | 94.9 | 4 | 22 | 5.5 ساعه |
النقاط الرئيسية | 98.4 | 27 | 10 | 5 دقيقة |
علاوة على ذلك، يوفر حلنا إمكانية إعادة الاستخدام لمهام مماثلة. يمكن أيضًا أن تتبنى تطورات إدراك الكاميرا للأنظمة الأخرى مثل نظام مساعدة السائق المتقدم (ADAS) والأنظمة داخل المقصورة حلنا.
نبذة عامة
في هذا المنشور، أظهرنا كيفية إنشاء مسار تعليمي نشط للتعليق التلقائي على الصور داخل المقصورة باستخدام خدمات AWS. نعرض قوة التعلم الآلي، التي تمكنك من أتمتة عملية التعليقات التوضيحية وتسريعها، ومرونة إطار العمل الذي يستخدم النماذج المدعومة بخدمات AWS أو المخصصة في SageMaker. باستخدام Amazon S3 وSageMaker وLambda وSageMaker Ground Truth، يمكنك تبسيط تخزين البيانات والتعليقات التوضيحية والتدريب والنشر وتحقيق إمكانية إعادة الاستخدام مع تقليل التكاليف بشكل كبير. من خلال تنفيذ هذا الحل، يمكن لشركات السيارات أن تصبح أكثر مرونة وفعالية من حيث التكلفة باستخدام التحليلات المتقدمة القائمة على التعلم الآلي مثل التعليقات التوضيحية التلقائية للصور.
ابدأ اليوم واكتشف قوة خدمات AWS والتعلم الآلي لحالات استخدام أجهزة الاستشعار داخل السيارة!
حول المؤلف
يانشيانغ يو هو عالم تطبيقي في مركز أمازون لابتكار الذكاء الاصطناعي. يتمتع بخبرة تزيد عن 9 سنوات في بناء حلول الذكاء الاصطناعي والتعلم الآلي للتطبيقات الصناعية، وهو متخصص في الذكاء الاصطناعي التوليدي والرؤية الحاسوبية ونمذجة السلاسل الزمنية.
تياني ماو هو عالم تطبيقي في AWS ومقره في منطقة شيكاغو. يتمتع بخبرة تزيد عن 5 سنوات في بناء حلول التعلم الآلي والتعلم العميق ويركز على رؤية الكمبيوتر وتعزيز التعلم باستخدام ردود الفعل البشرية. وهو يستمتع بالعمل مع العملاء لفهم التحديات التي يواجهونها وحلها من خلال إنشاء حلول مبتكرة باستخدام خدمات AWS.
يانرو شياو هو عالم تطبيقي في مركز Amazon Geneative AI Innovation Center، حيث يقوم ببناء حلول AI/ML لحل مشاكل الأعمال الواقعية للعملاء. عمل في عدة مجالات منها التصنيع والطاقة والزراعة. حصل يانرو على درجة الدكتوراه. في علوم الكمبيوتر من جامعة أولد دومينيون.
بول جورج هي شركة رائدة في مجال المنتجات تتمتع بخبرة تزيد عن 15 عامًا في مجال تقنيات السيارات. وهو ماهر في قيادة فرق إدارة المنتجات والاستراتيجية والذهاب إلى السوق وهندسة الأنظمة. لقد احتضن وأطلق العديد من منتجات الاستشعار والإدراك الجديدة على مستوى العالم. في AWS، يقود الإستراتيجية والتوجه إلى السوق لأحمال عمل المركبات ذاتية القيادة.
كارولين تشونغ هي مديرة هندسية في شركة Veoneer (التي استحوذت عليها شركة Magna International)، ولديها أكثر من 14 عامًا من الخبرة في تطوير أنظمة الاستشعار والإدراك. وهي تقود حاليًا برامج ما قبل التطوير للاستشعار الداخلي في Magna International وتدير فريقًا من مهندسي الرؤية الحاسوبية وعلماء البيانات.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/build-an-active-learning-pipeline-for-automatic-annotation-of-images-with-aws-services/
- :لديها
- :يكون
- :ليس
- :أين
- $ UP
- 000
- 1
- 100
- 114
- 121
- 14
- 15 سنة
- 15%
- 16
- 2%
- 24
- 300
- 33
- 400
- 440
- 7
- 8
- 9
- 97
- 98
- a
- ماهرون
- تسريع
- معجل
- يسرع
- تسارع
- الحوادث
- إنجاز
- دقة
- دقيق
- التأهيل
- المكتسبة
- في
- تفعيل
- نشط
- أدا
- وأضاف
- إضافة
- إضافي
- ماهر
- تبنى
- متقدم
- مزايا
- بعد
- رشيق
- زراعة
- AI
- AI / ML
- خوارزميات
- الكل
- تخصيص
- أيضا
- بالرغم ان
- أمازون
- أمازون ويب سيرفيسز
- كمية
- المبالغ
- an
- تحليلات
- و
- أي وقت
- التطبيقات
- تطبيقي
- نهج
- هي
- المنطقة
- مصطنع
- الذكاء الاصطناعي
- الذكاء الاصطناعي (منظمة العفو الدولية)
- AS
- مساعدة
- At
- السيارات
- أتمتة
- الآلي
- أوتوماتيك
- السيارات
- مستقل
- AWS
- سيئة
- على أساس
- BE
- أصبح
- مليار
- المدونة
- على حد سواء
- صندوق
- مربعات
- نساعدك في بناء
- ابني
- يبني
- الأعمال
- by
- وكاميرا
- كاميرات
- CAN
- قادر على
- سيارة
- كارولين
- مركز
- التحديات
- شيكاغو
- اختيار
- تصنيف
- مبوب
- سحابة
- الكود
- التعاون
- مجموعة
- الجمع بين
- الجمع بين
- يأتي
- الشركات
- حول الشركة
- مقارنة
- مجمع
- مكونات
- إحصاء
- الكمبيوتر
- علوم الكمبيوتر
- رؤية الكمبيوتر
- الثقة
- الاعداد
- ثابتة
- باتساق
- استهلاك
- يحتوي
- تواصل
- مراقبة
- تعاون
- تصحيح
- التكلفة
- وفورات في التكاليف
- التكاليف
- تحطم
- خلق
- خلق
- خلق
- حرج
- حالياًّ
- حاليا
- على
- العملاء
- حسب الطلب
- المتطور والحديث
- البيانات
- تخزين البيانات
- قواعد البيانات
- صفقة
- عميق
- التعلم العميق
- الترتيب
- تعريف
- تم التوصيل
- شرح
- تظاهر
- يوضح
- اعتمادا
- نشر
- نشر
- عمق
- وصف
- تصميم
- تصميم
- المتقدمة
- المطورين
- تطوير
- التطوير التجاري
- التطورات
- رسم بياني
- مختلف
- توزيع
- سائق
- اثنان
- كل
- جهد
- إما
- إلكتروني
- الإلكترونيات
- الناشئة
- تمكن
- تمكين
- طاقة
- الهندسة
- المهندسين
- تعزيز
- تعزيز
- ضمان
- كامل
- متساو
- أخطاء
- الحدث/الفعالية
- مثال
- ازالة
- الإسراع
- الخبره في مجال الغطس
- خبرة
- العيون
- f1
- FAST
- أسرع
- الميزات
- الاصداء
- مجال
- الشكل
- قم بتقديم
- ملفات
- نهائي
- الاسم الأول
- مرونة
- مرن
- ركز
- ويركز
- متابعيك
- متابعات
- في حالة
- الإطار
- تبدأ من
- وظيفة
- وظائف
- إضافي
- علاوة على ذلك
- توليد
- توليد
- توليدي
- الذكاء الاصطناعي التوليدي
- دولار فقط واحصل على خصم XNUMX% على جميع
- معطى
- العالمية
- على الصعيد العالمي
- اذهب إلى السوق
- وحدة معالجة الرسوميات:
- تدريجيا
- عظيم
- أكبر
- أرض
- يحدث
- أجهزة التبخير
- يملك
- he
- رئيس
- ارتفاع
- مساعدة
- يساعد
- مرتفع
- جدا
- له
- تاريخ
- ساعات العمل
- كيفية
- كيفية
- لكن
- HTML
- HTTP
- HTTPS
- الانسان
- تحديد
- if
- صورة
- صور
- تنفيذ
- التنفيذ
- نفذت
- تحقيق
- تحسين
- يحسن
- تحسين
- in
- يشمل
- بما فيه
- القيمة الاسمية
- زيادة
- محتضن
- صناعي
- معلومات
- بالمعلومات
- في البداية
- الابتكار
- مبتكرة
- مثل
- المتكاملة
- يدمج
- رؤيتنا
- داخلي
- عالميا
- إلى
- تقديم
- حدسي
- التذرع
- ينطوي
- مسائل
- IT
- العناصر
- تكرير
- انها
- وظيفة
- المشــاريــع
- الحياة السياسية في فرنسا
- JPG
- القفل
- تُشير
- وصفها
- ملصقات
- كبير
- الى وقت لاحق
- أطلقت
- زعيم
- قيادة
- يؤدي
- تعلم
- اليسار
- أقل
- الحياة
- مثل
- تحميل
- موقع
- المواقع
- تسجيل
- خفض
- آلة
- آلة التعلم
- الرئيسية
- يصنع
- القيام ب
- إدارة
- مدير
- إدارة
- يدويا
- الشركات المصنعة
- تصنيع
- يعني
- البيانات الوصفية
- طريقة
- المقاييس
- الأخطاء
- تخفيف
- ML
- نموذج
- تصميم
- عارضات ازياء
- تم التعديل
- الأكثر من ذلك
- أكثر
- فم
- متعدد
- قرب
- ضروري
- حاجة
- بحاجة
- إحتياجات
- جديد
- التالي
- أنف
- رواية
- الأجسام
- تم الحصول عليها
- of
- عرض
- قديم
- on
- ONE
- فقط
- or
- منظمة
- أخرى
- لنا
- خارج
- الناتج
- النتائج
- في الخارج
- على مدى
- الكلي
- أجزاء
- مسار
- الإدراك
- أداء
- خط أنابيب
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- البوينت
- نقاط
- جزء
- تشكل
- إمكانيات
- منشور
- قوة
- دقة
- تنبأ
- وتوقع
- توقع
- تنبؤ
- تنبؤات
- تتوقع
- إعداد
- إعداد
- منع
- مشاكل
- عملية المعالجة
- أنتج
- ينتج عنه
- المنتج
- ادارة المنتج
- المنتجات
- البرامج
- ويوفر
- أغراض
- رادار
- العالم الحقيقي
- يقلل
- تقليص
- تخفيض
- الخدمة الموثوقة
- المتبقية
- استبدال
- مثل
- تطلب
- المتطلبات الأساسية
- مورد
- الموارد
- ناتج
- النتائج
- قابلة لإعادة الاستخدام
- مراجعة
- ركوب الخيل
- قوي
- الأدوار
- السلامة
- sagemaker
- نفسه
- حفظ
- مدخرات
- سيناريوهات
- علوم
- عالم
- العلماء
- أحرز هدفاً
- القسم
- اختيار
- يختار
- أجهزة الاستشعار
- أرسلت
- مسلسلات
- خدماتنا
- طقم
- عدة
- مشاركة
- هي
- أكتاف
- أظهرت
- أظهرت
- يظهر
- بشكل ملحوظ
- مماثل
- الاشارات
- المقاس
- صغير
- الصلبة
- حل
- الحلول
- حل
- الفضاء
- متخصص
- تتخصص
- متخصصة
- محدد
- سرعة
- كومات
- المسرح
- معيار
- بداية
- بدأت
- يبدأ
- لا يزال
- تخزين
- تخزين
- صريح
- الإستراتيجيات
- تبسيط
- هذه
- الدعم
- مدعومة
- نظام
- أنظمة
- جدول
- يأخذ
- مهمة
- المهام
- فريق
- فريق
- التكنولوجيا
- قالب
- سياسة الحجب وتقييد الوصول
- تجربه بالعربي
- اختبار
- الاختبار
- من
- أن
- •
- من مشاركة
- منهم
- then
- هناك.
- وبالتالي
- تشبه
- هم
- عتبة
- عبر
- الوقت
- السلاسل الزمنية
- مرات
- إلى
- اليوم
- أدوات
- تيشرت
- حركة المرور
- قطار
- متدرب
- قادة الإيمان
- حقيقة
- البرنامج التعليمي
- اثنان
- نوع
- أنواع
- ui
- فهم
- الوحدات
- جامعة
- فتح
- تستخدم
- مستعمل
- مفيد
- سهل الاستعمال
- يستخدم
- استخدام
- استخدام
- قيمنا
- المثالية
- الإصدار
- مقابل
- جدا
- بواسطة
- وجهات النظر
- رؤية
- مرئي
- رؤيتنا
- مجلدات
- we
- الويب
- خدمات ويب
- أسابيع
- متى
- التي
- في حين
- كامل
- عرض
- سوف
- مع
- عمل
- سير العمل
- عامل
- العالم
- في جميع أنحاء العالم
- يامل
- سنوات
- نعم فعلا
- العائد
- عائدات
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت