البيانات المنظمة، التي يتم تعريفها على أنها بيانات تتبع نمطًا ثابتًا مثل المعلومات المخزنة في أعمدة داخل قواعد البيانات، والبيانات غير المنظمة، التي تفتقر إلى نموذج أو نمط محدد مثل النصوص أو الصور أو منشورات وسائل التواصل الاجتماعي، كلاهما يستمر في النمو مع إنتاجهما واستهلاكهما من قبل مختلف المنظمات. على سبيل المثال، وفقا لمؤسسة البيانات الدولية (IDC)، من المتوقع أن يتضاعف حجم البيانات العالمية عشرة أضعاف بحلول عام 2025، حيث تمثل البيانات غير المنظمة جزءا كبيرا. قد ترغب المؤسسات في إضافة بيانات تعريف مخصصة مثل أنواع المستندات (نماذج W-2 أو قسائم الدفع)، وأنواع كيانات مختلفة مثل الأسماء والمؤسسة والعنوان، بالإضافة إلى بيانات التعريف القياسية مثل نوع الملف أو تاريخ الإنشاء أو الحجم لتوسيع النطاق الذكي. البحث أثناء تناول المستندات. تساعد بيانات التعريف المخصصة المؤسسات والمؤسسات على تصنيف المعلومات بالطريقة المفضلة لديهم. على سبيل المثال، يمكن استخدام بيانات التعريف للتصفية والبحث. يمكن للعملاء إنشاء بيانات التعريف المخصصة باستخدام فهم الأمازون، وهي خدمة معالجة اللغات الطبيعية (NLP) التي تديرها AWS لاستخراج رؤى حول محتوى المستندات واستيعابها في أمازون كندرا مع بياناتهم في الفهرس. Amazon Kendra هي خدمة بحث مؤسسية دقيقة للغاية وسهلة الاستخدام ومدعومة بالتعلم الآلي (AWS). يمكن بعد ذلك استخدام البيانات التعريفية المخصصة لإثراء المحتوى للأفضل التصفية والوجه قدرات. في Amazon Kendra، الواجهات هي طرق عرض محددة النطاق لمجموعة من نتائج البحث. على سبيل المثال، يمكنك توفير نتائج بحث للمدن حول العالم، حيث تتم تصفية المستندات حسب مدينة معينة ترتبط بها. يمكنك أيضًا إنشاء واجهات لعرض النتائج بواسطة مؤلف محدد.
إن شركات التأمين مثقلة بأعداد متزايدة من المطالبات التي يتعين عليها معالجتها. بالإضافة إلى ذلك، يتزايد أيضًا تعقيد معالجة المطالبات نظرًا لتنوع أنواع مستندات التأمين المعنية والكيانات المخصصة في كل من هذه المستندات. في هذا المنشور، نصف حالة استخدام لإثراء المحتوى المخصص لمقدمي خدمات التأمين. يتلقى مزود التأمين مطالبات الدفع من محامي المستفيد لأنواع التأمين المختلفة، مثل التأمين على المنزل والسيارات والتأمين على الحياة. في حالة الاستخدام هذه، لا تحتوي المستندات التي يتلقاها مزود التأمين على أي بيانات وصفية تسمح بالبحث في المحتوى بناءً على كيانات وفئات معينة. يريد مزود التأمين تصفية محتوى Kendra استنادًا إلى الكيانات والفئات المخصصة الخاصة بمجال أعماله. يوضح هذا المنشور كيف يمكنك أتمتة عملية إنشاء بيانات التعريف وتبسيطها باستخدام نماذج مخصصة بواسطة Amazon Comprehend. يمكن تخصيص البيانات التعريفية التي تم إنشاؤها أثناء عملية الاستيعاب مع Amazon Kendra إثراء المستندات المخصصة (CDE) منطق مخصص.
دعونا نلقي نظرة على بعض الأمثلة على بحث Amazon Kendra مع أو بدون إمكانيات التصفية والجوانب.
في لقطة الشاشة التالية، توفر Amazon Kendra نتيجة بحث ولكن لا يوجد خيار لتضييق نتائج البحث بشكل أكبر باستخدام أي مرشحات.
توضح لقطة الشاشة التالية أنه يمكن تصفية نتائج بحث Amazon Kendra باستخدام جوانب مختلفة مثل شركة المحاماة وأرقام السياسة، التي تم إنشاؤها بواسطة بيانات تعريف مخصصة لتضييق نطاق نتائج البحث.
يمكن بسهولة تطبيق الحل الذي تمت مناقشته في هذا المنشور على الأعمال/حالات الاستخدام الأخرى أيضًا، مثل الرعاية الصحية والتصنيع والبحث.
حل نظرة عامة
في هذا الحل المقترح، سنقوم 1) بتصنيف طلبات مطالبات التأمين إلى فئات مختلفة، و2) استرداد الكيانات الخاصة بالتأمين من هذه المستندات. عند اكتمال ذلك، يمكن توجيه المستند إلى القسم المناسب أو العملية النهائية.
يوضح الرسم البياني التالي بنية الحل المقترح.
فهم الأمازون تصنيف مخصص يتم استخدام واجهة برمجة التطبيقات (API) لتنظيم مستنداتك في فئات (فئات) تحددها. التصنيف المخصص هو عملية من خطوتين. أولاً، عليك تدريب نموذج تصنيف مخصص (يُسمى أيضًا المُصنف) للتعرف على الفئات التي تهمك. بعد ذلك، يمكنك استخدام النموذج الخاص بك لتصنيف أي عدد من مجموعات المستندات.
فهم الأمازون التعرف على الكيانات المخصصة تُستخدم الميزة لتحديد أنواع كيانات محددة (أسماء شركات التأمين، أسماء شركات التأمين، رقم البوليصة) بما يتجاوز ما هو متاح في أنواع الكيانات العامة بشكل افتراضي. يعد إنشاء نموذج مخصص للتعرف على الكيانات أسلوبًا أكثر فعالية من استخدام مطابقة السلسلة أو التعبيرات العادية لاستخراج الكيانات من المستندات. يمكن لنموذج التعرف على الكيانات المخصص التعرف على السياق الذي من المحتمل أن تظهر فيه هذه الأسماء. بالإضافة إلى ذلك، لن تكتشف مطابقة السلسلة الكيانات التي تحتوي على أخطاء إملائية أو تتبع اصطلاحات تسمية جديدة، بينما يكون ذلك ممكنًا باستخدام نموذج مخصص.
قبل التعمق أكثر، دعونا نتوقف لحظة لاستكشاف أمازون كيندرا. Amazon Kendra هي خدمة بحث مؤسسية دقيقة للغاية وسهلة الاستخدام ومدعومة بالتعلم الآلي. فهو يسمح للمستخدمين بالعثور على المعلومات التي يحتاجون إليها ضمن الكم الهائل من المحتوى المنتشر عبر مؤسستهم، بدءًا من مواقع الويب وقواعد البيانات إلى مواقع الإنترانت. سنقوم أولاً بإنشاء فهرس Amazon Kendra لاستيعاب المستندات. أثناء استيعاب البيانات، من الضروري مراعاة مفهوم إثراء البيانات المخصصة (CDE). يمكّنك CDE من تحسين إمكانية البحث من خلال دمج المعرفة الخارجية في فهرس البحث. لمزيد من المعلومات، راجع إثراء مستنداتك أثناء الابتلاع. في هذا المنشور، يستدعي منطق CDE واجهات برمجة التطبيقات المخصصة لـ Amazon Comprehend لإثراء المستندات بالفئات والكيانات المحددة. وأخيرًا، نستخدم صفحة بحث Amazon Kendra لإظهار كيف عززت البيانات التعريفية إمكانية البحث عن طريق إضافة إمكانيات تحديد الوجه والتصفية.
الخطوات عالية المستوى لتنفيذ هذا الحل هي كما يلي:
- تدريب المصنف المخصص Amazon Comprehend باستخدام بيانات التدريب
- تدريب التعرف على الكيانات المخصصة في Amazon Comprehend باستخدام بيانات التدريب
- قم بإنشاء مصنف Amazon Comprehend المخصص ونقاط نهاية التعرف على الكيانات المخصصة
- إنشاء ونشر وظيفة Lambda لإثراء ما بعد الاستخراج
- قم بإنشاء وملء فهرس Amazon Kendra
- استخدم الكيانات المستخرجة لتصفية عمليات البحث في Amazon Kendra
لقد قدمنا أيضًا نموذجًا للتطبيق في جيثب ريبو كمرجع.
اعتبارات أمن البيانات وIAM
مع اعتبار الأمان أولوية قصوى، يتبع هذا الحل مبدأ أذونات الامتيازات الأقل للخدمات والميزات المستخدمة. يتمتع دور IAM الذي يستخدمه التصنيف المخصص والتعرف على الكيانات المخصصة من Amazon Comprehend بأذونات للوصول إلى مجموعة البيانات من مجموعة الاختبار فقط. تتمتع خدمة Amazon Kendra بإمكانية الوصول إلى مجموعة S3 محددة ووظيفة Lambda المستخدمة لاستدعاء واجهات برمجة التطبيقات (APIs). تتمتع وظيفة Lambda بأذونات للاتصال بواجهات برمجة تطبيقات Amazon Comprehend فقط. لمزيد من المعلومات، راجع القسم 1.2 و1.3 في دفتر الملاحظات.
نوصيك بالقيام بما يلي في بيئة غير إنتاجية قبل تنفيذ الحل في بيئة الإنتاج.
تدريب المصنف المخصص للفهم باستخدام بيانات التدريب
يدعم Amazon Comprehend Custom Classification نوعين من تنسيقات البيانات لملفات التعليقات التوضيحية:
نظرًا لأن بياناتنا مصنفة ومخزنة بالفعل في ملفات CSV، فسنستخدم تنسيق ملف CSV لملف التعليقات التوضيحية كمثال. يتعين علينا تقديم بيانات التدريب المُصنفة كنص مشفر بـ UTF-8 في ملف CSV. لا تقم بتضمين صف رأس في ملف CSV. قد تؤدي إضافة صف رأس في ملفك إلى حدوث أخطاء في وقت التشغيل. مثال على ملف CSV لبيانات التدريب هو كما يلي:
لإعداد بيانات تدريب المصنف، راجع إعداد بيانات التدريب المصنف. لكل صف في ملف CSV، يحتوي العمود الأول على تصنيف فئة واحد أو أكثر. يمكن أن تكون تسمية الفئة أي سلسلة UTF-8 صالحة. نوصي باستخدام أسماء فئات واضحة لا تتداخل في المعنى. يمكن أن يتضمن الاسم مسافة بيضاء، ويمكن أن يتكون من كلمات متعددة متصلة بواسطة الشرطة السفلية أو الواصلات. لا تترك أية مسافات قبل أو بعد الفواصل التي تفصل بين القيم في صف واحد.
بعد ذلك، سوف تقوم بتدريب إما باستخدام وضع متعدد الطبقات or وضع متعدد التسمية. على وجه التحديد، في الوضع متعدد الفئات، يقوم التصنيف بتعيين فئة واحدة لكل مستند، بينما في وضع التصنيفات المتعددة، تمثل الفئات الفردية فئات مختلفة لا تستبعد بعضها البعض. في حالتنا سوف نستخدم وضع Multi-Class لنماذج النص العادي.
يمكنك إعداد مجموعات بيانات منفصلة للتدريب والاختبار لتدريب المصنف المخصص في Amazon Comprehend وتقييم النموذج. أو قم بتوفير مجموعة بيانات واحدة فقط لكل من التدريب والاختبار. سيحدد Comprehend تلقائيًا 10% من مجموعة البيانات المقدمة لاستخدامها كبيانات اختبار. في هذا المثال، نقدم مجموعات بيانات منفصلة للتدريب والاختبار.
يوضح المثال التالي ملف CSV يحتوي على أسماء الفئات المرتبطة بالمستندات المختلفة.
عندما يتم تدريب نموذج التصنيف المخصص، يمكنه التقاط فئات مختلفة من التأمين على المستندات (التأمين على المنزل أو السيارة أو التأمين على الحياة).
تدريب أداة التعرف على الكيانات المخصصة (NER) من Amazon Comprehend باستخدام بيانات التدريب
يمكن إعداد مجموعة بيانات التدريب الخاصة بـ Amazon Comprehend Custom Entity Recognition (NER) بإحدى طريقتين مختلفتين:
- الشروح - يوفر مجموعة بيانات تحتوي على الكيانات المشروحة للتدريب على الوضع
- قوائم الكيانات (نص عادي فقط) - يقدم قائمة بالكيانات ونوع التسمية الخاصة بها (مثل "أسماء شركات التأمين") ومجموعة من المستندات غير المشروحة التي تحتوي على تلك الكيانات للتدريب النموذجي
لمزيد من المعلومات ، راجع إعداد بيانات التدريب الخاصة بأداة التعرف على الكيانات.
عند تدريب نموذج باستخدام قائمة الكيانات، نحتاج إلى توفير جزأين من المعلومات: قائمة بأسماء الكيانات مع أنواع الكيانات المخصصة المرتبطة بها ومجموعة من المستندات غير المشروحة التي تظهر فيها الكيانات.
يتطلب التدريب التلقائي وجود نوعين من المعلومات: نماذج المستندات وقائمة الكيانات أو التعليقات التوضيحية. بمجرد تدريب أداة التعرف، يمكنك استخدامها للكشف عن الكيانات المخصصة في مستنداتك. يمكنك تحليل جزء صغير من النص بسرعة في الوقت الفعلي، أو يمكنك تحليل مجموعة كبيرة من المستندات باستخدام مهمة غير متزامنة.
يمكنك إعداد مجموعات بيانات منفصلة للتدريب والاختبار لتدريب أداة التعرف على الكيانات المخصصة في Amazon Comprehend وتقييم النموذج. أو قم بتوفير مجموعة بيانات واحدة فقط لكل من التدريب والاختبار. ستقوم Amazon Comprehend تلقائيًا بتحديد 10% من مجموعة البيانات المقدمة لاستخدامها كبيانات اختبار. في المثال أدناه، حددنا مجموعة بيانات التدريب على أنها Documents.S3Uri
مع InputDataConfig
.
يوضح المثال التالي ملف CSV يحتوي على الكيانات:
بمجرد تدريب نموذج الكيانات المخصصة (NER)، سيكون قادرًا على استخراج الكيانات المختلفة مثل "PAYOUT
"،"INSURANCE_COMPANY
"،"LAW_FIRM
"،"POLICY_HOLDER_NAME
"،"POLICY_NUMBER
".
قم بإنشاء مصنف Amazon Comprehend المخصص ونقاط نهاية الكيانات المخصصة (NER).
تجعل نقاط نهاية Amazon Comprehend نماذجك المخصصة متاحة للتصنيف في الوقت الفعلي. بعد إنشاء نقطة نهاية، يمكنك إجراء تغييرات عليها مع تطور احتياجات عملك. على سبيل المثال، يمكنك مراقبة استخدام نقطة النهاية لديك وتطبيق القياس التلقائي لتعيين توفير نقطة النهاية تلقائيًا ليناسب احتياجات السعة لديك. يمكنك إدارة جميع نقاط النهاية الخاصة بك من عرض واحد، وعندما لم تعد بحاجة إلى نقطة نهاية، يمكنك حذفها لتوفير التكاليف. يدعم Amazon Comprehend كلاً من الخيارات المتزامنة وغير المتزامنة، إذا لم يكن التصنيف في الوقت الفعلي مطلوبًا لحالة الاستخدام الخاصة بك، فيمكنك إرسال مهمة مجمعة إلى Amazon Comprehend لتصنيف البيانات غير المتزامنة.
بالنسبة لحالة الاستخدام هذه، يمكنك إنشاء نقطة نهاية لجعل النموذج المخصص الخاص بك متاحًا للتحليل في الوقت الفعلي.
لتلبية احتياجات معالجة النص الخاصة بك، يمكنك تعيين وحدات الاستدلال لنقطة النهاية، وتسمح كل وحدة بإنتاجية تبلغ 100 حرف في الثانية. يمكنك بعد ذلك ضبط الإنتاجية لأعلى أو لأسفل.
إنشاء ونشر وظيفة Lambda لإثراء ما بعد الاستخراج
تتيح لك وظيفة Lambda بعد الاستخراج تنفيذ المنطق لمعالجة النص المستخرج بواسطة Amazon Kendra من المستند الذي تم استيعابه. تقوم وظيفة ما بعد الاستخراج التي قمنا بتكوينها بتنفيذ التعليمات البرمجية لاستدعاء Amazon Comprehend لاكتشاف الكيانات المخصصة والتصنيف المخصص للمستندات من النص المستخرج بواسطة Amazon Kendra، وتستخدمها لتحديث بيانات تعريف المستند، والتي يتم تقديمها كجوانب في بحث Amazon Kendra . رمز الوظيفة مضمن في دفتر الملاحظات. ال PostExtractionLambda
يعمل الكود على النحو التالي:
- يقسم نص الصفحة إلى أقسام لا تتجاوز الحد الأقصى لطول البايت للفهم
detect_entities
API. (يرى حدود ).
ملحوظة يستخدم البرنامج النصي خوارزمية تقسيم طول الحرف الساذجة من أجل البساطة - يجب أن تنفذ حالات استخدام الإنتاج تقسيمات متداخلة أو حدود الجملة، بناءً على طول بايت UTF8. - بالنسبة لكل قسم من النص، يتم استدعاء نقاط النهاية للفهم في الوقت الفعلي للكيانات المخصصة والمصنف المخصص لاكتشاف أنواع الكيانات التالية: ["
PAYOUT
"،"INSURANCE_COMPANY
"،"LAW_FIRM
"،"POLICY_HOLDER_NAME
"،"POLICY_NUMBER
"،"INSURANCE_TYPE
"]. - يقوم بتصفية الكيانات المكتشفة التي تكون أقل من حد درجة الثقة. نحن نستخدم عتبة 0.50 مما يعني أنه سيتم استخدام الكيانات التي لديها ثقة بنسبة 50% وأكثر. يمكن ضبط ذلك بناءً على حالة الاستخدام والمتطلبات.
- يتتبع عدد الترددات لكل كيان.
- يحدد فقط أعلى N (10) كيانات فريدة لكل صفحة، بناءً على تكرار حدوثها.
- بالنسبة لتصنيف المستندات، يقوم المصنف متعدد الفئات بتعيين فئة واحدة فقط لكل مستند. في وظيفة Lambda هذه، سيتم تصنيف المستندات على أنها تأمين على السيارات أو تأمين على المنزل أو تأمين على الحياة.
لاحظ أنه حتى كتابة هذه السطور، يدعم CDE فقط المكالمات المتزامنة أو إذا كان يجب أن يكون غير متزامن، فستكون هناك حاجة إلى حلقة انتظار صريحة. لمرحلة ما بعد الاستخراج لامدا الحد الأقصى لوقت التنفيذ هي 1 دقيقة. يمكن تغيير منطق Lambda المخصص بناءً على المتطلبات التي تناسب حالة الاستخدام الخاصة بك.
قم بإنشاء وملء فهرس Amazon Kendra
في هذه الخطوة، سنقوم بإدخال البيانات إلى فهرس Amazon Kendra ونجعلها قابلة للبحث بالنسبة للمستخدمين. أثناء العرض، سوف نستخدم وظيفة Lambda التي تم إنشاؤها في الخطوة السابقة كخطوة ما بعد الاستخراج وستستدعي وظيفة Lambda التصنيف المخصص ونقاط نهاية التعرف على الكيانات المخصصة (NER) لإنشاء حقول بيانات التعريف المخصصة.
الخطوات عالية المستوى لتنفيذ هذا الحل هي كما يلي:
- إنشاء مؤشر أمازون كندرا.
- إنشاء مصدر بيانات أمازون كندرا - هناك مصادر بيانات مختلفة يمكن استخدامها لاستيعاب مجموعة البيانات. في هذا المنشور نستخدم دلو S3.
- إنشاء الأوجه
Law_Firm
,Payout
,Insurance_Company
,Policy_Number
,Policy_Holder_Name
,Insurance_Type
مع نوع السلسلة كـ "STRING_LIST_VALUE
'. - قم بإنشاء Kendra CDE وقم بتوجيهه إلى وظيفة Lambda بعد الاستخراج التي تم إنشاؤها مسبقًا.
- قم بإجراء عملية المزامنة لاستيعاب مجموعة البيانات.
بمجرد الانتهاء، يمكنك ملء الفهرس ببيانات التأمين، باستخدام Kendra CDE مع استخراج لامدا اللاحق، ويمكنك تصفية عمليات البحث بناءً على أنواع الكيانات المخصصة والتصنيف المخصص كحقول بيانات وصفية مخصصة.
استخدم الكيانات المستخرجة لتصفية عمليات البحث في Kendra
الآن تم ملء الفهرس وجاهز للاستخدام. في وحدة تحكم Amazon Kendra، اختر ابحث في المحتوى المفهرس ضمن إدارة البيانات وقم بما يلي.
الاستعلام عما يلي: قائمة التأمين فشلت بسبب التأخر في التقديم؟
تظهر النتائج إجابة من نوع السياسة - HOME INSURANCE
ويجلب text_18
و text_14
كأعلى النتائج.
اختر "تصفية نتائج البحث" على اليسار. الآن سترى جميع أنواع الكيانات وقيم التصنيف المستخرجة باستخدام Comprehend، ولكل قيمة وتصنيف كيان سترى عدد المستندات المطابقة.
تحت INSURANCE_TYPE
اختر "التأمين على السيارات"، ومن ثم ستصلك الإجابة text_25
ملف.
لاحظ أن نتائجك قد تختلف قليلاً عن النتائج الموضحة في لقطة الشاشة.
حاول البحث باستخدام استعلاماتك الخاصة، ولاحظ كيف أن الكيانات وتصنيف المستندات المحدد بواسطة Amazon Comprehend يسمح لك بسرعة بما يلي:
- تعرف على كيفية توزيع نتائج البحث عبر الفئات.
- قم بتضييق نطاق البحث عن طريق التصفية على أي من قيم الكيان/التصنيف.
تنظيف
بعد تجربة البحث وتجربة دفتر الملاحظات المتوفر في مستودع Github، احذف البنية الأساسية التي قمت بتوفيرها في حساب AWS الخاص بك لتجنب أي رسوم غير مرغوب فيها. يمكنك تشغيل خلايا التنظيف في دفتر الملاحظات. وبدلاً من ذلك، يمكنك حذف الموارد يدويًا من خلال وحدة تحكم AWS:
- مؤشر أمازون كندرا
- فهم المصنف المخصص ونقاط نهاية التعرف على الكيانات المخصصة (NER).
- فهم التصنيف المخصص والنماذج المخصصة للتعرف على الكيانات المخصصة (NER).
- وظيفة لامدا
- دلو S3
- أدوار وسياسات IAM
وفي الختام
في هذا المنشور، أظهرنا كيف تمكن Amazon Comprehend الكيانات المخصصة والمصنف المخصص بحث Amazon Kendra المدعوم بميزة CDE لمساعدة المستخدمين النهائيين على إجراء عمليات بحث أفضل على البيانات المنظمة/غير المنظمة. الكيانات المخصصة لـ Amazon Comprehend والمصنف المخصص تجعلها مفيدة جدًا لحالات الاستخدام المختلفة والبيانات المختلفة الخاصة بالمجال. لمزيد من المعلومات حول كيفية استخدام Amazon Comprehend، راجع Amazon Comprehend موارد المطورين وبالنسبة لأمازون كندرا، راجع موارد مطوري أمازون كيندرا.
قم بتجربة هذا الحل لحالة الاستخدام الخاصة بك. نحن ندعوك لترك ملاحظاتك في أقسام التعليقات.
حول المؤلف
أميت تشودري هو مهندس حلول أول في Amazon Web Services. مجال تركيزه هو الذكاء الاصطناعي/التعلم الآلي، ويساعد العملاء في الذكاء الاصطناعي التوليدي ونماذج اللغات الكبيرة والهندسة السريعة. خارج العمل، يستمتع أميت بقضاء الوقت مع عائلته.
يانيان تشانغ هو أحد كبار علماء البيانات في فريق توصيل الطاقة لدى AWS Professional Services. إنها متحمسة لمساعدة العملاء على حل المشكلات الحقيقية باستخدام معرفة الذكاء الاصطناعي/تعلم الآلة. في الآونة الأخيرة، كان تركيزها منصبًا على استكشاف إمكانات الذكاء الاصطناعي التوليدي وماجستير إدارة الأعمال. خارج العمل، تحب السفر وممارسة الرياضة واستكشاف أشياء جديدة.
نيخيل جها هو مدير الحساب الفني الأول في Amazon Web Services. تشمل مجالات تركيزه الذكاء الاصطناعي / تعلم الآلة والتحليلات. في أوقات فراغه ، يستمتع بلعب تنس الريشة مع ابنته واستكشاف الأماكن الخارجية.
- 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/use-custom-metadata-created-by-amazon-comprehend-to-intelligently-process-insurance-claims-using-amazon-kendra/
- :لديها
- :يكون
- :ليس
- :أين
- $ UP
- 1
- 1.3
- 10
- 100
- 19
- 2025
- 33
- 50
- 500
- 7
- 9
- a
- ماهرون
- حول المستشفى
- الوصول
- وفقا
- حسابي
- المحاسبة
- دقيق
- في
- تضيف
- مضيفا
- إضافة
- وبالإضافة إلى ذلك
- العنوان
- بعد
- AI
- AI / ML
- خوارزمية
- الكل
- يسمح
- على طول
- سابقا
- أيضا
- أمازون
- فهم الأمازون
- أمازون كندرا
- أمازون ويب سيرفيسز
- كمية
- an
- تحليل
- تحليلات
- تحليل
- و
- إجابة
- أي وقت
- API
- واجهات برمجة التطبيقات
- تظهر
- تطبيق
- تطبيقي
- التقديم
- نهج
- مناسب
- هندسة معمارية
- هي
- المنطقة
- المناطق
- AS
- أسوشيتد
- At
- محامي
- المؤلفة
- السيارات
- أتمتة
- تلقائيا
- متاح
- تجنب
- AWS
- الخدمات المهنية AWS
- على أساس
- BE
- كان
- قبل
- أقل من
- أفضل
- Beyond
- الجسدي
- على حد سواء
- حدود
- يجلب
- ابني
- الأعمال
- لكن
- by
- دعوة
- تسمى
- دعوات
- CAN
- قدرات
- قدرة
- الطاقة الإنتاجية
- أسر
- حقيبة
- الحالات
- الفئات
- سبب
- خلايا
- معين
- غير
- التغييرات
- حرف
- الأحرف
- اسعارنا محددة من قبل وزارة العمل
- اختار
- مدن
- المدينة
- مطالبات
- فئة
- فصول
- تصنيف
- مبوب
- صنف
- واضح
- الكود
- مجموعة شتاء XNUMX
- عمود
- الأعمدة
- تعليقات
- الشركات
- حول الشركة
- إكمال
- الطلب مكتمل
- تعقيد
- فهم
- مفهوم
- الثقة
- تكوين
- متصل
- نظر
- كنسولات
- مستهلك
- تحتوي على
- يحتوي
- محتوى
- سياق الكلام
- استمر
- الاتفاقيات
- مؤسسة
- التكاليف
- استطاع
- خلق
- خلق
- على
- العملاء
- حسب الطلب
- البيانات
- إثراء البيانات
- إدارة البيانات
- عالم البيانات
- مجموعة البيانات
- قواعد البيانات
- قواعد البيانات
- التاريخ
- أعمق
- الترتيب
- حدد
- تعريف
- التوصيل
- القسم
- نشر
- وصف
- بكشف أو
- الكشف عن
- المطور
- مختلف
- بشكل مختلف
- ناقش
- العرض
- وزعت
- عدة
- غوص
- do
- وثيقة
- وثائق
- نطاق
- دون
- لا
- إلى أسفل
- اثنان
- أثناء
- e
- E & T
- كل
- بسهولة
- سهلة الاستخدام
- الطُرق الفعّالة
- إما
- el
- جزءا لا يتجزأ من
- تمكن
- نقطة النهاية
- طاقة
- الهندسة
- تعزيز
- تعزيز
- إثراء
- تخصيب
- مشروع
- الشركات
- الكيانات
- كيان
- البيئة
- أخطاء
- أساسي
- تقييم
- يتطور
- مثال
- أمثلة
- تجاوز
- إلا
- استثناء
- حصري
- الخروج
- متوقع
- اكتشف
- استكشاف
- التعبيرات
- مد
- خارجي
- استخراج
- استخلاص
- جوانب
- فشل
- للعائلات
- الميزات
- المميزات
- ردود الفعل
- قليل
- مجال
- قم بتقديم
- ملفات
- إيداع
- تصفية
- تصفية
- مرشحات
- أخيرا
- شركة
- الاسم الأول
- تناسب
- ثابت
- تركز
- اتباع
- متابعيك
- متابعات
- في حالة
- النموذج المرفق
- شكل
- أشكال
- تردد
- تبدأ من
- وظيفة
- إضافي
- ولدت
- جيل
- توليدي
- الذكاء الاصطناعي التوليدي
- دولار فقط واحصل على خصم XNUMX% على جميع
- GitHub جيثب:
- النمو
- يملك
- وجود
- he
- الرعاية الصحية
- مساعدة
- مساعدة
- يساعد
- لها
- رفيع المستوى
- أعلى
- أعلى
- جدا
- له
- الصفحة الرئيسية
- كيفية
- كيفية
- HTML
- HTTPS
- i
- IDC
- محدد
- تحديد
- if
- يوضح
- صور
- تنفيذ
- تحقيق
- الأدوات
- in
- تتضمن
- دمج
- القيمة الاسمية
- في ازدياد
- مؤشر
- مفهرس
- فرد
- معلومات
- البنية التحتية
- إدخال
- رؤى
- مثل
- التأمين
- ذكي
- مصلحة
- عالميا
- مؤسسة البيانات الدولية (IDC)
- إلى
- دعا
- يتضرع
- المشاركة
- IT
- وظيفة
- جسون
- المعرفة
- تُشير
- ملصقات
- لغة
- كبير
- متأخر
- القانون
- محاماة
- تعلم
- تعلم
- الأقل
- يترك
- اليسار
- الطول
- الحياة
- مثل
- على الأرجح
- مما سيحدث
- قائمة
- قوائم
- LLM
- منطق
- يعد
- بحث
- يحب
- آلة
- آلة التعلم
- جعل
- يصنع
- إدارة
- تمكن
- إدارة
- مدير
- يدويا
- تصنيع
- مطابقة
- ماكس
- مايو..
- معنى
- يعني
- الوسائط
- تعرف علي
- البيانات الوصفية
- دقيقة
- موضة
- نموذج
- عارضات ازياء
- لحظة
- مراقبة
- الأكثر من ذلك
- أكثر
- متعدد
- يجب
- متبادل
- الاسم
- أسماء
- تسمية
- ضيق
- حاجة
- بحاجة
- إحتياجات
- جديد
- البرمجة اللغوية العصبية
- لا
- مفكرة
- الآن
- عدد
- أرقام
- موضوع
- الأجسام
- رصد
- ظهور
- of
- on
- مرة
- ONE
- فقط
- خيار
- مزيد من الخيارات
- or
- منظمة
- المنظمات
- أخرى
- لنا
- خارج
- في الهواء الطلق
- حدود
- في الخارج
- الخاصة
- صفحة
- زوج
- عاطفي
- نمط
- إلى
- نفذ
- أذونات
- قطعة
- عادي
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- لعب
- البوينت
- سياسة
- مأهول
- جزء
- ممكن
- منشور
- المنشورات
- محتمل
- مدعوم
- المفضل
- إعداد
- أعدت
- قدم
- سابق
- سابقا
- مبدأ
- قبل
- الأولوية
- امتياز
- مشاكل
- عملية المعالجة
- معالجة
- أنتج
- الإنتــاج
- محترف
- المقترح
- تزود
- المقدمة
- مزود
- مقدمي
- ويوفر
- توفير
- الاستفسارات
- بسرعة
- يقتبس
- تتراوح
- عرض
- استعداد
- حقيقي
- في الوقت الحقيقي
- تلقى
- يتلقى
- مؤخرا
- اعتراف
- الاعتراف
- المعترف بها
- نوصي
- الرجوع
- مرجع
- منتظم
- مستودع
- مثل
- مطلوب
- المتطلبات الأساسية
- يتطلب
- بحث
- الموارد
- نتيجة
- النتائج
- عائد أعلى
- مراجعة
- النوع
- الأدوار
- صف
- يجري
- وقت التشغيل
- نفسه
- حفظ
- التحجيم
- عالم
- أحرز هدفاً
- سيناريو
- بحث
- البحث
- البحث
- الثاني
- القسم
- أقسام
- أمن
- انظر تعريف
- حدد
- كبير
- عقوبة
- مستقل
- الخدمة
- خدماتنا
- طقم
- باكجات
- هي
- ينبغي
- إظهار
- أظهرت
- أظهرت
- يظهر
- هام
- بساطة
- تبسيط
- عزباء
- المواقع
- المقاس
- صغير
- So
- العدالة
- وسائل التواصل الاجتماعي
- منشورات مواقع التواصل الاجتماعي
- حل
- الحلول
- حل
- مصادر
- الفضاء
- محدد
- على وجه التحديد
- محدد
- الإنفاق
- الإنشقاقات
- انتشار
- معيار
- خطوة
- خطوات
- متجر
- تخزين
- خيط
- التقديمات
- تقدم
- هذه
- الدعم
- الدعم
- المزامنة.
- أخذ
- فريق
- تقني
- تجربه بالعربي
- الاختبار
- نص
- من
- أن
- •
- المعلومات
- العالم
- من مشاركة
- منهم
- then
- هناك.
- تشبه
- هم
- الأشياء
- هؤلاء
- عتبة
- عبر
- الإنتاجية
- الوقت
- إلى
- تيشرت
- مسار
- قطار
- متدرب
- قادة الإيمان
- السفر
- علاج
- حاول
- محاولة
- ضبطها
- اثنان
- نوع
- أنواع
- مع
- يؤكد
- فريد من نوعه
- وحدة
- الوحدات
- غير مرغوب فيه
- تحديث
- تستخدم
- حالة الاستخدام
- مستعمل
- المستخدمين
- يستخدم
- استخدام
- صالح
- قيمنا
- القيم
- مختلف
- كبير
- جدا
- المزيد
- الرؤى
- حجم
- انتظر
- تريد
- يريد
- طريق..
- طرق
- we
- الويب
- خدمات ويب
- المواقع
- حسن
- ابحث عن
- ما هي تفاصيل
- متى
- التي
- في حين
- أبيض
- سوف
- مع
- في غضون
- بدون
- كلمات
- للعمل
- عامل
- العمل بها
- أعمال
- العالم
- العالم
- جاري الكتابة
- مكتوب
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت