في عصر البيانات الضخمة والذكاء الاصطناعي، تبحث الشركات باستمرار عن طرق لاستخدام هذه التقنيات للحصول على ميزة تنافسية. أحد أهم المجالات في مجال الذكاء الاصطناعي في الوقت الحالي هو الذكاء الاصطناعي التوليدي، وذلك لسبب وجيه. يقدم الذكاء الاصطناعي التوليدي حلولاً قوية تدفع بحدود ما هو ممكن من حيث الإبداع والابتكار. وفي قلب هذه الحلول المتطورة يكمن النموذج الأساسي (FM)، وهو نموذج متقدم للغاية للتعلم الآلي تم تدريبه مسبقًا على كميات هائلة من البيانات. وقد أظهرت العديد من هذه النماذج الأساسية قدرة ملحوظة في فهم وإنشاء نص يشبه الإنسان، مما يجعلها أداة قيمة لمجموعة متنوعة من التطبيقات، بدءًا من إنشاء المحتوى وحتى أتمتة دعم العملاء.
ومع ذلك، فإن هذه النماذج لا تخلو من التحديات. فهي كبيرة بشكل استثنائي وتتطلب كميات كبيرة من البيانات والموارد الحسابية للتدريب. بالإضافة إلى ذلك، يمكن أن يكون تحسين عملية التدريب ومعايرة المعلمات عملية معقدة ومتكررة، وتتطلب الخبرة والتجريب الدقيق. يمكن أن تكون هذه عوائق أمام العديد من المنظمات التي تتطلع إلى بناء نماذجها الأساسية. للتغلب على هذا التحدي، يفكر العديد من العملاء في تحسين نماذج الأساس الحالية. يعد هذا أسلوبًا شائعًا لضبط جزء صغير من معلمات النموذج لتطبيقات معينة مع الحفاظ على المعرفة المشفرة بالفعل في النموذج. فهو يسمح للمؤسسات باستخدام قوة هذه النماذج مع تقليل الموارد المطلوبة للتخصيص لمجال أو مهمة معينة.
هناك طريقتان أساسيتان لضبط نماذج الأساس: الضبط الدقيق التقليدي والضبط الدقيق الفعال للمعلمات. يتضمن الضبط الدقيق التقليدي تحديث جميع معلمات النموذج المُدرب مسبقًا لمهمة محددة في المراحل النهائية. من ناحية أخرى، يتضمن الضبط الدقيق لكفاءة المعلمات مجموعة متنوعة من التقنيات التي تسمح بتخصيص النموذج دون تحديث جميع معلمات النموذج الأصلية. إحدى هذه التقنيات تسمى التكيف ذو الرتبة المنخفضة (LoRA). يتضمن إضافة وحدات صغيرة خاصة بالمهمة إلى النموذج المُدرب مسبقًا وتدريبها مع الحفاظ على بقية المعلمات ثابتة كما هو موضح في الصورة التالية.
المصدر الذكاء الاصطناعي التوليدي على AWS (أورايلي، 2023)
اكتسبت LoRA شعبية مؤخرًا لعدة أسباب. فهو يوفر تدريبًا أسرع، ومتطلبات ذاكرة منخفضة، والقدرة على إعادة استخدام النماذج المدربة مسبقًا لمهام متعددة. والأهم من ذلك، أنه يمكن تخزين النموذج الأساسي والمحول بشكل منفصل ودمجهما في أي وقت، مما يسهل تخزين الإصدارات المضبوطة وتوزيعها ومشاركتها. ومع ذلك، فإن هذا يطرح تحديًا جديدًا: كيفية إدارة هذه الأنواع الجديدة من النماذج المضبوطة بشكل صحيح. هل يجب عليك الجمع بين النموذج الأساسي والمحول أم الاحتفاظ بهما منفصلين؟ في هذا المنشور، نستعرض أفضل الممارسات لإدارة نماذج LoRA المضبوطة بدقة الأمازون SageMaker لمعالجة هذا السؤال الناشئ.
العمل مع FMs في SageMaker Model Registry
في هذا المنشور، نستعرض مثالًا شاملاً للضبط الدقيق لنموذج اللغة الكبيرة Llama2 (LLM) باستخدام طريقة QLoRA. يجمع QLoRA بين فوائد الضبط الدقيق الفعال للمعلمات مع تكميم 4 بت/8 بت لزيادة تقليل الموارد المطلوبة لضبط FM لمهمة محددة أو حالة استخدام. لهذا، سوف نستخدم نموذج Llama7 الذي تم تدريبه مسبقًا والذي يحتوي على 2 مليارات معلمة ونقوم بضبطه على مجموعة البيانات databricks-dolly-15k. تمتلك LLMs مثل Llama2 مليارات من المعلمات ويتم تدريبها مسبقًا على مجموعات بيانات نصية ضخمة. يعمل الضبط الدقيق على تكييف LLM مع مهمة المصب باستخدام مجموعة بيانات أصغر. ومع ذلك، فإن ضبط النماذج الكبيرة يعد أمرًا مكلفًا من الناحية الحسابية. ولهذا السبب سوف نستخدم طريقة QLoRA لتحديد كمية الأوزان أثناء الضبط الدقيق لتقليل تكلفة الحساب هذه.
ستجد في الأمثلة لدينا دفترين (llm-finetune-combined-with-registry.ipynb
و llm-finetune-separate-with-registry.ipynb
). يعمل كل منها بطريقة مختلفة للتعامل مع نماذج LoRA المضبوطة بدقة كما هو موضح في الرسم البياني التالي:
- أولاً، نقوم بتنزيل نموذج Llama2 المُدرب مسبقًا والذي يحتوي على 7 مليار معلمة باستخدام أجهزة الكمبيوتر المحمولة SageMaker Studio. أظهرت LLMs، مثل Llama2، أداءً متطورًا في مهام معالجة اللغة الطبيعية (NLP) عند ضبطها بدقة على البيانات الخاصة بالمجال.
- بعد ذلك، نقوم بضبط Llama2 على مجموعة بيانات databricks-dolly-15k باستخدام طريقة QLoRA. تعمل تقنية QLoRA على تقليل التكلفة الحسابية للضبط الدقيق عن طريق قياس أوزان النماذج.
- أثناء الضبط الدقيق، نقوم بدمج SageMaker Experiments Plus مع Transformers API لتسجيل المقاييس تلقائيًا مثل التدرج والخسارة وما إلى ذلك.
- نقوم بعد ذلك بإصدار نموذج Llama2 المضبوط بدقة في SageMaker Model Registry باستخدام طريقتين:
- تخزين النموذج الكامل
- تخزين المحول والنموذج الأساسي بشكل منفصل.
- أخيرًا، نستضيف نماذج Llama2 المضبوطة بدقة باستخدام مكتبة Deep Java Library (DJL) التي تعمل على نقطة نهاية SageMaker في الوقت الفعلي.
في الأقسام التالية، سنتعمق أكثر في كل خطوة من هذه الخطوات، لإظهار مرونة SageMaker في سير عمل LLM المختلفة وكيف يمكن أن تساعد هذه الميزات في تحسين عمليات نماذجك.
المتطلبات الأساسية المسبقة
أكمل المتطلبات الأساسية التالية لبدء تجربة الكود.
- إنشاء مجال استوديو SageMaker: يتم استخدام Amazon SageMaker Studio، وتحديدًا Studio Notebooks، لبدء مهمة الضبط الدقيق لـ Llama2 ثم تسجيل النماذج وعرضها داخل سجل نموذج SageMaker. تجارب SageMaker يُستخدم أيضًا لعرض ومقارنة سجلات مهام الضبط الدقيق لـ Llama2 (فقدان التدريب/فقدان الاختبار/وما إلى ذلك).
- قم بإنشاء حاوية Amazon Simple Storage Service (S3).: يلزم الوصول إلى حاوية S3 لتخزين عناصر التدريب وأوزان النماذج. للحصول على التعليمات، راجع إنشاء دلو. سيستخدم نموذج التعليمات البرمجية المستخدم في هذا المنشور حاوية S3 الافتراضية لـ SageMaker ولكن يمكنك تخصيصها لاستخدام أي حاوية S3 ذات صلة.
- إعداد مجموعات النماذج (أذونات IAM): قم بتحديث دور تنفيذ SageMaker الخاص بك بأذونات مجموعات الموارد كما هو موضح ضمن دليل مطور مجموعات السجل النموذجي لتنفيذ تجميع نموذج التسجيل باستخدام مجموعات النماذج.
- قبول الشروط والأحكام الخاصة بـ Llama2: ستحتاج إلى قبول اتفاقية ترخيص المستخدم النهائي وسياسة الاستخدام المقبول لاستخدام نموذج Llama2 الأساسي.
الأمثلة متوفرة في مستودع جيثب. يتم اختبار ملفات دفتر الملاحظات باستخدام دفاتر ملاحظات Studio التي تعمل على PyTorch 2.0.0 Python 3.10 GPU Optimized kernel ونوع المثيل ml.g4dn.xlarge.
التجارب بالإضافة إلى تكامل رد الاتصال
تجارب Amazon SageMaker يتيح لك تنظيم تجارب التعلم الآلي (ML) وإصدارات النماذج وتتبعها ومقارنتها وتقييمها من أي بيئة تطوير متكاملة (IDE)، بما في ذلك أجهزة Jupyter Notebooks المحلية، باستخدام SageMaker Python SDK أو boto3. فهو يوفر المرونة لتسجيل مقاييس النموذج والمعلمات والملفات والمصنوعات ومخططات الرسم من المقاييس المختلفة والتقاط بيانات التعريف المختلفة والبحث فيها ودعم إمكانية تكرار النموذج. يمكن لعلماء البيانات مقارنة الأداء والمعلمات الفائقة بسرعة لتقييم النموذج من خلال المخططات والجداول المرئية. يمكنهم أيضًا استخدام تجارب SageMaker لتنزيل المخططات التي تم إنشاؤها ومشاركة تقييم النموذج مع أصحاب المصلحة.
يمكن أن يكون تدريب LLMs عملية بطيئة ومكلفة ومتكررة. من المهم جدًا للمستخدم أن يتتبع تجارب LLM على نطاق واسع لمنع تجربة ضبط النموذج غير المتسقة. واجهات برمجة تطبيقات محولات HuggingFace السماح للمستخدمين بتتبع المقاييس أثناء مهام التدريب من خلال الاسترجاعات. عمليات الاسترجاعات عبارة عن أجزاء من التعليمات البرمجية "للقراءة فقط" يمكنها تخصيص سلوك حلقة التدريب في PyTorch Trainer والتي يمكنها فحص حالة حلقة التدريب لإعداد تقارير التقدم، وتسجيل الدخول إلى TensorBoard أو SageMaker Experiments Plus عبر المنطق المخصص (الذي تم تضمينه كجزء من قاعدة التعليمات البرمجية هذه).
يمكنك استيراد رمز رد الاتصال SageMaker Experiments المضمن في مستودع التعليمات البرمجية لهذا المنشور كما هو موضح في مقطع التعليمات البرمجية التالي:
سيقوم رد الاتصال هذا تلقائيًا بتسجيل المعلومات التالية في تجارب SageMaker كجزء من تشغيل التدريب:
- معلمات التدريب والمعلمات المفرطة
- نموذج التدريب وفقدان التحقق من الصحة في الخطوة والعصر والنهائي
- عناصر الإدخال والإخراج النموذجية (مجموعة بيانات التدريب، مجموعة بيانات التحقق من الصحة، موقع مخرجات النموذج، مصحح أخطاء التدريب والمزيد)
يعرض الرسم البياني التالي أمثلة للمخططات التي يمكنك عرضها باستخدام تلك المعلومات.
يتيح لك ذلك مقارنة عمليات التشغيل المتعددة بسهولة باستخدام ميزة التحليل الخاصة بتجارب SageMaker. يمكنك تحديد عمليات التشغيل التجريبية التي تريد مقارنتها، وسوف تقوم تلقائيًا بملء الرسوم البيانية للمقارنة.
قم بتسجيل النماذج المضبوطة بدقة في مجموعات التسجيل النموذجية
مجموعات التسجيل النموذجية هي سمة من سمات سجل نموذج SageMaker الذي يسمح لك بتجميع النماذج المسجلة المرتبطة ببعضها البعض وتنظيمها في تسلسلات هرمية لتحسين إمكانية اكتشاف النماذج على نطاق واسع. سوف نستخدم مجموعات التسجيل النموذجية لتتبع النموذج الأساسي والمتغيرات المضبوطة بدقة.
طريقة نسخ النموذج الكامل
تجمع الطريقة الأولى بين النموذج الأساسي ومحول LoRA وتحفظ النموذج المضبوط بالكامل. يوضح الكود التالي عملية دمج النموذج ويحفظ النموذج المدمج باستخدام model.save_pretrained()
.
إن الجمع بين محول LoRA والنموذج الأساسي في نموذج واحد بعد الضبط الدقيق له مزايا وعيوب. النموذج المدمج مستقل بذاته ويمكن إدارته ونشره بشكل مستقل دون الحاجة إلى النموذج الأساسي الأصلي. يمكن تتبع النموذج ككيان خاص به مع اسم إصدار يعكس النموذج الأساسي وبيانات الضبط الدقيق. يمكننا اعتماد التسمية باستخدام base_model_name
+ ضبطها بدقة dataset_name
لتنظيم المجموعات النموذجية. بشكل اختياري، يمكن لمجموعات النماذج ربط النماذج الأصلية والمحسنة، ولكن قد لا يكون ذلك ضروريًا نظرًا لأن النموذج المدمج مستقل. يوضح لك مقتطف الكود التالي كيفية تسجيل النموذج المضبوط.
يمكنك استخدام مقدر التدريب لتسجيل النموذج في سجل النماذج.
من سجل النموذج، يمكنك استرداد حزمة النموذج ونشر هذا النموذج مباشرة.
ومع ذلك، هناك عيوب لهذا النهج. يؤدي الجمع بين النماذج إلى عدم كفاءة التخزين والتكرار نظرًا لتكرار النموذج الأساسي في كل إصدار مضبوط. مع زيادة حجم النموذج وعدد النماذج المضبوطة بدقة، يؤدي ذلك إلى تضخيم احتياجات التخزين بشكل كبير. وبأخذ نموذج llama2 7b كمثال، يبلغ حجم الطراز الأساسي حوالي 13 جيجابايت والنموذج المضبوط بدقة 13.6 جيجابايت. يجب تكرار 96% من النموذج بعد كل ضبط دقيق. بالإضافة إلى ذلك، يصبح توزيع ملفات النماذج الكبيرة جدًا ومشاركتها أكثر صعوبة ويطرح تحديات تشغيلية مع زيادة تكلفة نقل الملفات وإدارتها مع زيادة حجم النموذج وضبط المهام.
محول منفصل وطريقة أساسية
تركز الطريقة الثانية على فصل الأوزان الأساسية وأوزان المحول عن طريق حفظها كمكونات نموذج منفصلة وتحميلها بالتسلسل في وقت التشغيل.
إن حفظ أوزان القاعدة والمهايئ له مزايا وعيوب، على غرار طريقة نسخ النموذج الكامل. ميزة واحدة هي أنه يمكن توفير مساحة التخزين. يتم حفظ الأوزان الأساسية، والتي تعد أكبر مكون في النموذج الذي تم ضبطه بدقة، مرة واحدة فقط ويمكن إعادة استخدامها مع أوزان المحول الأخرى التي تم ضبطها لمهام مختلفة. على سبيل المثال، تبلغ الأوزان الأساسية لـ Llama2-7B حوالي 13 جيجابايت، ولكن كل مهمة ضبط دقيقة تحتاج فقط إلى تخزين حوالي 0.6 جيجابايت من أوزان المحول، وهو ما يوفر مساحة بنسبة 95%. ميزة أخرى هي أنه يمكن إدارة الأوزان الأساسية بشكل منفصل عن أوزان المحول باستخدام سجل نموذج الأوزان الأساسية فقط. يمكن أن يكون هذا مفيدًا لنطاقات SageMaker التي تعمل في وضع VPC فقط بدون بوابة إنترنت، حيث يمكن الوصول إلى الأوزان الأساسية دون الحاجة إلى المرور عبر الإنترنت.
إنشاء مجموعة حزمة نموذجية للأوزان الأساسية
إنشاء مجموعة حزمة نموذجية لأوزان QLoRA
يوضح التعليمة البرمجية التالية كيفية وضع علامة على أوزان QLoRA باستخدام مجموعة البيانات/نوع المهمة وتسجيل أوزان دلتا المضبوطة بدقة في سجل نموذج منفصل وتتبع أوزان دلتا بشكل منفصل.
يعرض المقتطف التالي طريقة عرض من سجل النماذج حيث يتم تقسيم النماذج إلى أوزان أساسية وأوزان مضبوطة بدقة.
يمكن أن تصبح إدارة النماذج ومجموعات البيانات والمهام الخاصة بـ LLM شديدة التخصيص أمرًا مرهقًا بسرعة. مجموعات التسجيل النموذجية لـ SageMaker يمكن أن تساعدك في تجميع النماذج ذات الصلة معًا وتنظيمها في تسلسل هرمي لتحسين إمكانية اكتشاف النموذج. وهذا يجعل من السهل تتبع العلاقات بين الأوزان الأساسية وأوزان المحولات ومجموعات بيانات المهام الدقيقة. يمكنك أيضًا إنشاء علاقات وروابط معقدة بين النماذج.
أنشئ مجموعة جديدة وأضف أوزان النماذج الأساسية الخاصة بك إلى هذه المجموعة
قم بربط جميع أوزان Delta الخاصة بمحول LoRA المضبوط بدقة بهذه المجموعة حسب المهمة و/أو مجموعة البيانات
سيؤدي ذلك إلى تسلسل هرمي للمجموعة مرتبط حسب النموذج/نوع المهمة ومجموعة البيانات المستخدمة لضبط النموذج الأساسي.
هذه الطريقة لفصل الطراز الأساسي والمحول لها بعض العيوب. أحد العوائق هو التعقيد في نشر النموذج. نظرًا لوجود نموذجين منفصلين للنموذج، فإنك تحتاج إلى خطوات إضافية لإعادة تجميع النموذج بدلاً من نشره مباشرة من سجل النماذج. في مثال التعليمات البرمجية التالي، قم بتنزيل الإصدار الأحدث من النموذج الأساسي أولاً ثم أعد حزمه.
ثم قم بتنزيل وإعادة تعبئة أحدث أوزان محول LoRA المضبوطة بدقة.
نظرًا لأنك ستستخدم خدمة DJL ذات السرعة العميقة لاستضافة النموذج، فيجب أن يبدو دليل الاستدلال الخاص بك كما يلي.
أخيرًا، قم بتعبئة رمز الاستدلال المخصص والنموذج الأساسي ومحول LoRA في ملف .tar.gz واحد للنشر.
تنظيف
قم بتنظيف مواردك باتباع الإرشادات الموجودة في قسم التنظيف في دفتر الملاحظات. تشير إلى الأمازون SageMaker التسعير للحصول على تفاصيل حول تكلفة مثيلات الاستدلال.
وفي الختام
يرشدك هذا المنشور إلى أفضل الممارسات لإدارة نماذج LoRA المضبوطة بدقة على Amazon SageMaker. قمنا بتغطية طريقتين رئيسيتين: دمج أوزان القاعدة والمحول في نموذج واحد مستقل، وفصل أوزان القاعدة والمحول. يحتوي كلا الأسلوبين على مقايضات، لكن فصل الأوزان يساعد على تحسين التخزين ويتيح تقنيات إدارة النماذج المتقدمة مثل SageMaker Model Registry Collections. يتيح لك ذلك إنشاء تسلسلات هرمية وعلاقات بين النماذج لتحسين التنظيم وقابلية الاكتشاف. نحن نشجعك على تجربة نموذج التعليمات البرمجية مستودع جيثب لتجربة هذه الأساليب بنفسك. مع تقدم الذكاء الاصطناعي التوليدي بسرعة، سيساعدك اتباع أفضل ممارسات إدارة النماذج على تتبع التجارب، والعثور على النموذج المناسب لمهمتك، وإدارة ماجستير إدارة الأعمال المتخصصة بكفاءة على نطاق واسع.
مراجع حسابات
عن المؤلفين
جيمس وو هو مهندس حلول متخصص في الذكاء الاصطناعي / التعلم الآلي في AWS. مساعدة العملاء على تصميم وبناء حلول الذكاء الاصطناعي / التعلم الآلي. يغطي عمل James مجموعة واسعة من حالات استخدام ML ، مع اهتمام أساسي برؤية الكمبيوتر والتعلم العميق وتوسيع ML عبر المؤسسة. قبل انضمامه إلى AWS ، كان جيمس مهندسًا معماريًا ومطورًا وقائدًا في مجال التكنولوجيا لأكثر من 10 سنوات ، بما في ذلك 6 سنوات في الهندسة و 4 سنوات في صناعات التسويق والإعلان.
براناف مورثي هو مهندس حلول متخصص في الذكاء الاصطناعي / التعلم الآلي في AWS. يركز على مساعدة العملاء في بناء وتدريب ونشر وترحيل أعباء عمل التعلم الآلي (ML) إلى SageMaker. عمل سابقًا في صناعة أشباه الموصلات في تطوير نماذج الرؤية الحاسوبية الكبيرة (CV) ومعالجة اللغة الطبيعية (NLP) لتحسين عمليات أشباه الموصلات. في أوقات فراغه ، يستمتع بلعب الشطرنج والسفر.
مجيت جنجور هو مهندس حلول متخصص في الذكاء الاصطناعي / التعلم الآلي في AWS يساعد العملاء على تصميم وبناء حلول AI / ML على نطاق واسع. يغطي مجموعة واسعة من حالات استخدام الذكاء الاصطناعي / التعلم الآلي لعملاء الاتصالات ، ويركز حاليًا على الذكاء الاصطناعي التوليدي ، وماجستير في العلوم ، والتدريب وتحسين الاستدلال. غالبًا ما يمكن العثور عليه يتنزه في البرية أو يلعب ألعاب الطاولة مع أصدقائه في أوقات فراغه.
شيلبي إيجنبرود هو مهندس حلول رئيسي للذكاء الاصطناعي وتعلم الآلة في Amazon Web Services (AWS). تعمل في مجال التكنولوجيا لمدة 24 عامًا تغطي العديد من الصناعات والتقنيات والأدوار. تركز حاليًا على دمج خلفيتها DevOps و ML في مجال MLOps لمساعدة العملاء على تقديم وإدارة أعباء عمل ML على نطاق واسع. مع أكثر من 35 براءة اختراع ممنوحة عبر مجالات تقنية مختلفة ، لديها شغف بالابتكار المستمر واستخدام البيانات لدفع نتائج الأعمال. شيلبي هو منشئ مشارك ومدرب في تخصص علم البيانات العملي في Coursera. وهي أيضًا المديرة المشاركة لـ Women In Big Data (WiBD) ، فرع دنفر. في أوقات فراغها ، تحب قضاء الوقت مع عائلتها وأصدقائها وكلابها مفرطة النشاط.
- 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/model-management-for-lora-fine-tuned-models-using-llama2-and-amazon-sagemaker/
- :لديها
- :يكون
- :ليس
- :أين
- $ UP
- 10
- 100
- 11
- 12
- 13
- 15%
- 16
- 20
- 2023
- 23
- 24
- 25
- 28
- 31
- 35%
- 7
- 8
- 95%
- a
- القدرة
- من نحن
- استمر
- مقبول
- الوصول
- الوصول
- في
- تكيف
- يتكيف
- تضيف
- مضيفا
- إضافي
- وبالإضافة إلى ذلك
- العنوان
- تبنى
- متقدم
- مميزات
- مزايا
- دعاية
- بعد
- اتفاقية
- AI
- AI حق
- AI / ML
- الكل
- السماح
- يسمح
- سابقا
- أيضا
- أمازون
- الأمازون SageMaker
- أمازون ساجميكر ستوديو
- خدمة التخزين البسيطة من أمازون (S3)
- أمازون ويب سيرفيسز
- أمازون ويب سيرفيسز (أوس)
- المبالغ
- an
- تحليل
- و
- آخر
- أي وقت
- API
- التطبيقات
- نهج
- اقتراب
- من وزارة الصحة
- ما يقرب من
- هي
- المناطق
- AS
- محام
- At
- تلقائيا
- أتمتة
- متاح
- AWS
- الى الخلف
- خلفية
- الحواجز
- قاعدة
- BE
- لان
- أصبح
- يصبح
- كان
- سلوك
- الفوائد
- أفضل
- أفضل الممارسات
- ما بين
- كبير
- البيانات الكبيرة
- مليار
- المليارات
- حظر
- مجلس
- العاب طاولة
- على حد سواء
- الحدود
- نساعدك في بناء
- الأعمال
- لكن
- by
- الاسترجاعات
- تسمى
- CAN
- قدرة
- أسر
- حذر
- حقيبة
- الحالات
- تحدى
- التحديات
- باب
- الرسوم البيانية
- شطرنج
- فئة
- واضح
- الكود
- مصدر برنامج
- مجموعة شتاء XNUMX
- مجموعات
- دمج
- الجمع بين
- يجمع بين
- الجمع بين
- الشركات
- قارن
- مقارنة
- تنافسي
- مجمع
- تعقيد
- عنصر
- مكونات
- حساب
- الحسابية
- الكمبيوتر
- رؤية الكمبيوتر
- الشروط
- النظر
- محتوى
- انشاء محتوى
- باستمرار
- متواصل
- جوهر
- التكلفة
- استطاع
- مغطى
- يغطي
- خلق
- خلق
- خلق
- الإبداع
- حاليا
- على
- زبون
- دعم العملاء
- العملاء
- التخصيص
- تصميم
- المتطور والحديث
- البيانات
- علم البيانات
- قواعد البيانات
- عميق
- التعلم العميق
- أعمق
- الترتيب
- من
- نقل
- دلتا
- شرح
- دنفر
- نشر
- نشر
- نشر
- نشر
- تصميم
- تفاصيل
- المطور
- تطوير
- التطوير التجاري
- مختلف
- صعبة
- مباشرة
- العرض
- نشر
- توزيع
- غطس
- نطاق
- المجالات
- بإمكانك تحميله
- عيوب
- قيادة
- أثناء
- كل
- أسهل
- بسهولة
- حافة
- فعال
- بكفاءة
- آخر
- الناشئة
- تمكن
- شجع
- النهائي إلى نهاية
- نقطة النهاية
- الهندسة
- مشروع
- كيان
- البيئة
- عصر
- عصر
- إلخ
- تقييم
- تقييم
- مثال
- أمثلة
- استثنائي
- القائمة
- ذو تكلفة باهظة
- الخبره في مجال الغطس
- تجربة
- تجارب
- خبرة
- أضعافا مضاعفة
- الوجه
- فشل
- للعائلات
- أسرع
- الميزات
- المميزات
- قم بتقديم
- ملفات
- نهاية
- الاسم الأول
- ثابت
- مرونة
- ويركز
- التركيز
- متابعيك
- في حالة
- وجدت
- دورة تأسيسية
- مجانا
- الاصدقاء
- تبدأ من
- بالإضافة إلى
- وظيفة
- إضافي
- مستقبل
- ربح
- اكتسبت
- ألعاب
- بوابة
- توليد
- توليدي
- الذكاء الاصطناعي التوليدي
- Go
- الذهاب
- خير
- وحدة معالجة الرسوميات:
- منح
- رسم بياني
- الرسوم البيانية
- تجمع
- مجموعات
- يد
- مقبض
- يملك
- وجود
- he
- مساعدة
- مساعدة
- يساعد
- لها
- تسلسل
- جدا
- له
- مضيف
- سخونة
- كيفية
- كيفية
- لكن
- HTML
- HTTPS
- تعانق الوجه
- يوضح
- صورة
- تنفيذ
- التنفيذ
- استيراد
- أهمية
- الأهم
- واردات
- تحسن
- in
- شامل
- يشمل
- بما فيه
- القيمة الاسمية
- الزيادات
- في ازدياد
- مستقل
- بشكل مستقل
- الصناعات
- العالمية
- عدم الكفاءة
- ينفخ
- معلومات
- الابتكار
- إدخال
- مثل
- بدلًا من ذلك
- تعليمات
- دمج
- المتكاملة
- مصلحة
- Internet
- إلى
- يدخل
- IT
- انها
- جيمس
- جافا
- وظيفة
- المشــاريــع
- انضمام
- JPG
- احتفظ
- حفظ
- القفل
- ركلة
- المعرفة
- لغة
- كبير
- أكبر
- آخر
- زعيم
- يؤدي
- تعلم
- يتيح
- مستوى
- المكتبة
- حقوق الملكية الفكرية
- يكمن
- مثل
- الإعجابات
- LINK
- مرتبط
- المدرج
- LLM
- تحميل
- جار التحميل
- محلي
- موقع
- سجل
- تسجيل
- منطق
- بحث
- يبدو مثل
- أبحث
- خسارة
- آلة
- آلة التعلم
- الرئيسية
- يصنع
- القيام ب
- إدارة
- تمكن
- إدارة
- إدارة
- كثير
- التسويق
- اعلان و تسويق
- هائل
- مايو..
- مكبر الصوت : يدعم، مع دعم ميكروفون مدمج لمنع الضوضاء
- دمج
- دمج
- البيانات الوصفية
- طريقة
- طرق
- المقاييس
- الهجرة
- ML
- MLOps
- موضة
- نموذج
- عارضات ازياء
- الوحدات
- الأكثر من ذلك
- متعدد
- الاسم
- طبيعي
- معالجة اللغات الطبيعية
- ضروري
- حاجة
- الحاجة
- إحتياجات
- جديد
- البرمجة اللغوية العصبية
- مفكرة
- الآن
- عدد
- of
- خصم
- عروض
- غالبا
- on
- مرة
- ONE
- فقط
- تشغيل
- عمليات
- التحسين
- الأمثل
- الأمثل
- تحسين
- or
- منظمة
- المنظمات
- أصلي
- أخرى
- لنا
- النتائج
- الناتج
- على مدى
- تغلب
- ساحق
- الخاصة
- صفقة
- المعلمة
- المعلمات
- جزء
- شغف
- محاكاة الصوم
- مسار
- فى المائة
- أداء
- أذونات
- قطعة
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- لعب
- المزيد
- سياسة
- الرائج
- شعبية
- جزء
- ممكن
- منشور
- قوة
- قوي
- عملية
- الممارسات
- الشروط
- الهدايا
- الحفاظ على
- منع
- سابقا
- ابتدائي
- رئيسي
- قبل
- عملية المعالجة
- العمليات
- معالجة
- التقدّم
- بصورة صحيحة
- HAS
- ويوفر
- دفع
- بايثون
- pytorch
- سؤال
- بسرعة
- نطاق
- بسرعة
- في الوقت الحقيقي
- سبب
- الأسباب
- مؤخرا
- تخفيض
- عقار مخفض
- يقلل
- تقليص
- الرجوع
- يعكس
- تسجيل جديد
- مسجل
- سجل
- ذات صلة
- العلاقات
- ذات الصلة
- لافت للنظر
- التقارير
- مستودع
- تطلب
- مطلوب
- المتطلبات الأساسية
- الموارد
- REST
- نتيجة
- إعادة استخدام
- حق
- النوع
- الأدوار
- يجري
- تشغيل
- يدير
- وقت التشغيل
- sagemaker
- حفظ
- تم الحفظ
- إنقاذ
- مدخرات
- حجم
- التحجيم
- علوم
- العلماء
- الإستراحة
- بحث
- الثاني
- القسم
- أقسام
- تسعى
- أشباه الموصلات
- كبير
- مستقل
- فصل
- الخدمة
- خدماتنا
- خدمة
- عدة
- مشاركة
- مشاركة
- هي
- ينبغي
- أظهرت
- يظهر
- مماثل
- الاشارات
- منذ
- عزباء
- المقاس
- بطيء
- صغير
- الأصغر
- قصاصة
- حل
- الحلول
- بعض
- مصدر
- الفضاء
- توتر
- متخصص
- متخصص
- محدد
- على وجه التحديد
- أنفق
- انقسم
- أصحاب المصلحة
- بداية
- الولايه او المحافظه
- دولة من بين الفن
- الحالة
- خطوة
- خطوات
- لا يزال
- تخزين
- متجر
- تخزين
- ستوديو
- هذه
- الدعم
- TAG
- مع الأخذ
- مهمة
- المهام
- تقنية
- تقنيات
- التكنولوجيا
- تكنولوجيا
- اتصالات
- سياسة الحجب وتقييد الوصول
- اختبار
- نص
- أن
- •
- من مشاركة
- منهم
- then
- هناك.
- تشبه
- هم
- عبر
- الوقت
- إلى
- سويا
- أداة
- شعلة
- مسار
- تقليدي
- قطار
- قادة الإيمان
- تحويل
- محول
- محولات
- السفر
- صحيح
- محاولة
- لحن
- ضبطها
- ضبط
- اثنان
- نوع
- أنواع
- مع
- فهم
- تحديث
- تحديث
- تم التحميل
- URL
- تستخدم
- حالة الاستخدام
- مستعمل
- مستخدم
- المستخدمين
- استخدام
- التحقق من صحة
- القيمة
- قيمنا
- تشكيلة
- مختلف
- كبير
- الإصدار
- الإصدارات
- جدا
- بواسطة
- المزيد
- رؤيتنا
- بصري
- سير
- مشى
- تريد
- وكان
- طريق..
- طرق
- we
- الويب
- خدمات ويب
- متى
- التي
- في حين
- لماذا
- واسع
- مدى واسع
- سوف
- مع
- في غضون
- بدون
- نسائي
- للعمل
- عمل
- سير العمل
- أعمال
- سنوات
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- نفسك
- زفيرنت