At bestemme værdien af boliger er et klassisk eksempel på brug af maskinlæring (ML). En betydelig indflydelse blev gjort af Harrison og Rubinfeld (1978), som udgav et banebrydende papir og et datasæt, der uformelt blev kendt som Boston boligdatasættet. Dette banebrydende arbejde foreslog en metode til at estimere boligpriser som en funktion af adskillige dimensioner, herunder luftkvalitet, som var det primære fokus for deres forskning. Næsten 50 år senere er estimering af boligpriser blevet et vigtigt undervisningsredskab for studerende og fagfolk, der er interesseret i at bruge data og ML i forretningsbeslutninger.
I dette indlæg diskuterer vi brugen af en open source-model, der er specielt designet til opgaven med visuel besvarelse af spørgsmål (VQA). Med VQA kan du stille et spørgsmål om et billede ved hjælp af naturligt sprog og modtage svar på dit spørgsmål – også i almindeligt sprog. Vores mål i dette indlæg er at inspirere og demonstrere, hvad der er muligt ved hjælp af denne teknologi. Vi foreslår at bruge denne funktion med Amazon SageMaker platform af tjenester til at forbedre regressionsmodellens nøjagtighed i et ML-brugstilfælde, og uafhængigt, til automatiseret tagging af visuelle billeder.
Vi giver en tilsvarende YouTube video som viser, hvad der diskuteres her. Videoafspilning starter midtvejs for at fremhæve det mest markante punkt. Vi foreslår, at du følger denne læsning med videoen for at styrke og få en rigere forståelse af konceptet.
Fundamentmodeller
Denne løsning er centreret om brugen af en fundamentmodel, der er offentliggjort til Hugging Face-modellageret. Her bruger vi udtrykket fundament model at beskrive en kunstig intelligens (AI)-kapacitet, der er blevet fortrænet på en stor og forskelligartet mængde data. Fundamentmodeller kan nogle gange være klar til brug uden byrden ved at træne en model fra nul. Nogle fundamentmodeller kan finjusteres, hvilket betyder, at du lærer dem yderligere mønstre, der er relevante for din virksomhed, men som mangler i den originale, generaliserede offentliggjorte model. Finjustering er nogle gange nødvendig for at levere korrekte svar, der er unikke for din use case eller viden.
I Knusende ansigt repository, er der flere VQA-modeller at vælge imellem. Vi valgte den model med flest downloads i skrivende stund. Selvom dette indlæg demonstrerer evnen til at bruge en model fra et open source-modellager, ville det samme koncept gælde for en model, du trænede fra nul eller brugt fra en anden betroet udbyder.
En moderne tilgang til en klassisk use case
Boligprisestimation er traditionelt sket gennem tabeldata, hvor egenskaber i ejendommen bruges til at informere om prisen. Selvom der kan være hundredvis af funktioner at overveje, er nogle grundlæggende eksempler boligens størrelse i det færdige rum, antallet af soveværelser og badeværelser og boligens placering.
Maskinlæring er i stand til at inkorporere forskellige inputkilder ud over tabeldata, såsom lyd, stillbilleder, film og naturligt sprog. I AI er udtrykket multimodalt henviser til brugen af en række forskellige medietyper, såsom billeder og tabeldata. I dette indlæg viser vi, hvordan man bruger multimodale data til at finde og frigøre skjult værdi indespærret i den rigelige digitale udstødning produceret af nutidens moderne verden.
Med denne idé i tankerne demonstrerer vi brugen af fundamentmodeller til at udtrække latente træk fra billeder af ejendommen. Ved at bruge indsigter fundet i billederne, som ikke tidligere var tilgængelige i tabeldataene, kan vi forbedre modellens nøjagtighed. Både billederne og tabeldataene diskuteret i dette indlæg blev oprindeligt gjort tilgængelige og offentliggjort til GitHub af Ahmed og Moustafa (2016).
Et billede siger mere end tusind ord
Nu hvor vi forstår VQA's muligheder, lad os overveje de to følgende billeder af køkkener. Hvordan vil du vurdere boligens værdi ud fra disse billeder? Hvilke spørgsmål vil du stille dig selv? Hvert billede kan fremkalde snesevis af spørgsmål i dit sind. Nogle af disse spørgsmål kan føre til meningsfulde svar, der forbedrer en boligvurderingsproces.
Fotos krediteres Francesca Tosolini (L) og Sidekix Media (R) på Unsplash
Følgende tabel giver anekdotiske eksempler på VQA-interaktioner ved at vise spørgsmål ved siden af deres tilsvarende svar. Svar kan komme i form af kategoriske, kontinuerlige værdier eller binære svar.
Eksempel spørgsmål | Eksempel svar fra Foundation Model |
Hvad er bordpladerne lavet af? | granit, fliser, marmor, laminat osv. |
Er det et dyrt køkken? | Ja Nej |
Hvor mange adskilte vaske er der? | 0, 1, 2 |
Referencearkitektur
I dette indlæg bruger vi Amazon SageMaker Data Wrangler at stille et ensartet sæt visuelle spørgsmål til tusindvis af billeder i datasættet. SageMaker Data Wrangler er specialbygget til at forenkle processen med dataforberedelse og funktionsudvikling. Ved at levere mere end 300 indbyggede transformationer hjælper SageMaker Data Wrangler med at reducere den tid, det tager at forberede tabel- og billeddata til ML fra uger til minutter. Her kombinerer SageMaker Data Wrangler datafunktioner fra det originale tabelsæt med fotofødte funktioner fra grundmodellen til modeltræning.
Dernæst bygger vi en regressionsmodel med brug af Amazon SageMaker lærred. SageMaker Canvas kan bygge en model uden at skrive nogen kode og levere foreløbige resultater på så lidt som 2-15 minutter. I det følgende afsnit giver vi en referencearkitektur, der bruges til at gøre denne løsningsvejledning mulig.
Mange populære modeller fra Hugging Face og andre udbydere kan implementeres med et enkelt klik Amazon SageMaker JumpStart. Der er hundredtusindvis af modeller tilgængelige i disse lagre. Til dette indlæg vælger vi en model, der ikke er tilgængelig i SageMaker JumpStart, hvilket kræver en kundeimplementering. Som vist i den følgende figur implementerer vi en Hugging Face-model til inferens ved hjælp af en Amazon SageMaker Studio notesbog. Notebook'en bruges til at implementere et slutpunkt til realtidsslutning. Notebook'en bruger aktiver, der inkluderer den binære model Hugging Face, en pegepind til et containerbillede og et specialbygget inference.py-script, der matcher modellens forventede input og output. Mens du læser dette, kan blandingen af tilgængelige VQA-modeller ændre sig. Det vigtige er at gennemgå tilgængelige VQA-modeller på det tidspunkt, du læser dette, og være forberedt på at implementere den model, du vælger, som vil have sin egen API-anmodnings- og svarkontrakt.
Efter at VQA-modellen er tjent med SageMaker-endepunktet, bruger vi SageMaker Data Wrangler til at orkestrere pipelinen, der i sidste ende kombinerer tabelformede data og funktioner udtrukket fra de digitale billeder og omformer dataene til modeltræning. Den næste figur giver et overblik over, hvordan fuldskala datatransformationsjob udføres.
I den følgende figur bruger vi SageMaker Data Wrangler til at orkestrere dataforberedelsesopgaver og SageMaker Canvas til modeltræning. For det første bruger SageMaker Data Wrangler Amazon Location Service at konvertere postnumre, der er tilgængelige i rådataene, til bredde- og længdegradsfunktioner. For det andet er SageMaker Data Wrangler i stand til at koordinere afsendelse af tusindvis af billeder til et SageMaker-hostet slutpunkt til realtidsslutning ved at stille et ensartet sæt spørgsmål pr. scene. Dette resulterer i en bred vifte af funktioner, der beskriver egenskaber observeret i køkkener, badeværelser, hjemmets ydre og mere. Efter data er blevet udarbejdet af SageMaker Data Wrangler, er et træningsdatasæt tilgængeligt i Amazon Simple Storage Service (Amazon S3). Ved at bruge S3-dataene som input er SageMaker Canvas i stand til at træne en model på så lidt som 2-15 minutter uden at skrive nogen kode.
Datatransformation ved hjælp af SageMaker Data Wrangler
Følgende skærmbillede viser en SageMaker Data Wrangler-arbejdsgang. Arbejdsgangen begynder med tusindvis af billeder af hjem gemt i Amazon S3. Dernæst bestemmer en scenedetektor scenen, såsom køkken eller badeværelse. Til sidst stilles et scenespecifikt sæt spørgsmål til billederne, hvilket resulterer i et rigere, tabelformet datasæt tilgængeligt til træning.
Det følgende er et eksempel på SageMaker Data Wrangler-tilpassede transformationskode, der bruges til at interagere med fundamentmodellen og få information om billeder af køkkener. I det foregående skærmbillede, hvis du skulle vælge køkkenfunktionsknuden, ville følgende kode blive vist:
Som en sikkerhedsovervejelse skal du først aktivere SageMaker Data Wrangler til at ringe til dit SageMaker realtidsslutpunkt via AWS identitets- og adgangsstyring (JEG ER). Tilsvarende vil alle AWS-ressourcer, du påberåber dig gennem SageMaker Data Wrangler, have brug for lignende tilladelser.
Datastrukturer før og efter SageMaker Data Wrangler
I dette afsnit diskuterer vi strukturen af de oprindelige tabeldata og de forbedrede data. De forbedrede data indeholder nye datafunktioner i forhold til dette eksempel på brug. I din ansøgning skal du tage dig tid til at forestille dig det forskellige sæt af spørgsmål, der er tilgængelige i dine billeder, for at hjælpe din klassificerings- eller regressionsopgave. Ideen er at forestille sig så mange spørgsmål som muligt og derefter teste dem for at sikre, at de giver værditilvækst.
Struktur af originale tabeldata
Som beskrevet i kilden GitHub repo, indeholder prøvedatasættet 535 tabelformede poster inklusive fire billeder pr. ejendom. Følgende tabel illustrerer strukturen af de oprindelige tabeldata.
Feature | Kommentar |
Antal soveværelser | . |
Antal badeværelser | . |
Område (kvadratfod) | . |
Postnummer | . |
Pris | Dette er den målvariabel, der skal forudsiges. |
Struktur af forbedrede data
Følgende tabel illustrerer den forbedrede datastruktur, som indeholder flere nye funktioner, der er afledt af billederne.
Feature | Kommentar |
Antal soveværelser | . |
Antal badeværelser | . |
Område (kvadratfod) | . |
Breddegrad | Beregnet ved at overføre det originale postnummer til Amazon Location Service. Dette er tyngdepunktsværdien for ZIP. |
Længdegrad | Beregnet ved at overføre det originale postnummer til Amazon Location Service. Dette er tyngdepunktsværdien for ZIP. |
Indeholder soveværelset et hvælvet loft? | 0 = nej; 1 = ja |
Er badeværelset dyrt? | 0 = nej; 1 = ja |
Er køkkenet dyrt? | 0 = nej; 1 = ja |
Pris | Dette er den målvariabel, der skal forudsiges. |
Modeltræning med SageMaker Canvas
Et SageMaker Data Wrangler-behandlingsjob forbereder og gør hele det tabelformede træningsdatasæt tilgængeligt i Amazon S3. Dernæst behandler SageMaker Canvas modelbygningsfasen af ML-livscyklussen. Canvas begynder med at åbne S3 træningssættet. At kunne forstå en model er ofte et centralt kundekrav. Uden at skrive kode og inden for få klik giver SageMaker Canvas rig, visuel feedback om modellens ydeevne. Som det ses på skærmbilledet i det følgende afsnit, viser SageMaker Canvas, hvordan enkelte funktioner informerer modellen.
Model trænet med originale tabeldata og funktioner afledt af ejendomsbilleder
Vi kan se fra følgende skærmbillede, at funktioner udviklet fra billeder af ejendommen var vigtige. Baseret på disse resultater var spørgsmålet "Er dette køkken dyrt" fra billedet mere betydningsfuldt end "antal soveværelser" i det originale tabelsæt, med funktionsvigtighedsværdier på henholdsvis 7.08 og 5.498.
Følgende skærmbillede giver vigtige oplysninger om modellen. For det første viser restgrafen de fleste punkter i sættet klynge rundt om den lilla skraverede zone. Her blev to outliers manuelt kommenteret uden for SageMaker Canvas til denne illustration. Disse outliers repræsenterer betydelige kløfter mellem den sande boligværdi og den forudsagte værdi. Derudover er R2 værdi, som har et muligt interval på 0–100 %, vises ved 76 %. Dette indikerer, at modellen er ufuldkommen og ikke har nok informationspunkter til fuldt ud at tage højde for al sorten til fuldt ud at estimere boligværdier.
Vi kan bruge outliers til at finde og foreslå yderligere signaler for at bygge en mere omfattende model. For eksempel kan disse yderejendomme omfatte en swimmingpool eller være placeret på store grunde. Datasættet indeholdt ikke disse funktioner; dog kan du muligvis finde disse data og træne en ny model med "har swimmingpool" inkluderet som en ekstra funktion. Ideelt set, på dit næste forsøg, vil R2 værdien ville stige, og MAE- og RMSE-værdierne ville falde.
Model trænet uden funktioner afledt af ejendomsbilleder
Til sidst, før vi går videre til næste afsnit, lad os undersøge, om funktionerne fra billederne var nyttige. Følgende skærmbillede giver en anden SageMaker Canvas-trænet model uden funktionerne fra VQA-modellen. Vi ser, at modelfejlfrekvensen er steget, fra en RMSE på 282K til en RMSE på 352K. Ud fra dette kan vi konkludere, at tre simple spørgsmål fra billederne forbedrede modellens nøjagtighed med omkring 20%. Ikke vist, men for at være fuldstændig, R2 værdien for den følgende model forværredes også og faldt til en værdi på 62 % fra en værdi på 76 % med de medfølgende VQA-funktioner. Dette er et eksempel på, hvordan SageMaker Canvas gør det ligetil hurtigt at eksperimentere og bruge en datadrevet tilgang, der giver en model, der opfylder din virksomheds behov.
Fremadrettet
Mange organisationer bliver mere og mere interesserede i fundamentmodeller, især siden generelle fortrænede transformatorer (GPT'er) officielt blev et mainstream-emne af interesse i december 2022. En stor del af interessen for fundamentmodeller er centreret om opgaver med store sprogmodeller (LLM). ; der er dog andre forskellige anvendelsesmuligheder tilgængelige, såsom computervision og mere snævert den specialiserede VQA-opgave, der er beskrevet her.
Dette indlæg er et eksempel til at inspirere brugen af multimodale data til at løse branchebrugssager. Selvom vi demonstrerede brugen og fordelen ved VQA i en regressionsmodel, kan den også bruges til at mærke og tagge billeder til efterfølgende søgning eller forretnings-workflow-routing. Forestil dig at kunne søge efter ejendomme, der er opført til salg eller leje. Antag, at du vil finde en ejendom med klinkegulve eller marmorbordplader. I dag skal du muligvis få en lang liste over kandidatejendomme og filtrere dig selv efter syn, mens du gennemser hver kandidat. Forestil dig i stedet at være i stand til at filtrere fortegnelser, der indeholder disse funktioner – også selvom en person ikke eksplicit har tagget dem. Forestil dig i forsikringsbranchen evnen til at estimere erstatningskrav eller rute næste handlinger i en virksomheds arbejdsgang fra billeder. På sociale medieplatforme kunne billeder automatisk tagges til efterfølgende brug.
Resumé
Dette indlæg demonstrerede, hvordan man bruger computersyn aktiveret af en fundamentmodel til at forbedre en klassisk ML use case ved hjælp af SageMaker-platformen. Som en del af den foreslåede løsning fandt vi en populær VQA-model tilgængelig på et offentligt modelregister og implementerede den ved hjælp af et SageMaker-slutpunkt til realtidsslutning.
Dernæst brugte vi SageMaker Data Wrangler til at orkestrere en arbejdsgang, hvor der blev stillet ensartede spørgsmål til billederne for at generere et rigt sæt tabeldata. Til sidst brugte vi SageMaker Canvas til at træne en regressionsmodel. Det er vigtigt at bemærke, at prøvedatasættet var meget enkelt og derfor ufuldkomment. Alligevel gør SageMaker Canvas det nemt at forstå modellens nøjagtighed og opsøge yderligere signaler for at forbedre nøjagtigheden af en basismodel.
Vi håber, at dette indlæg har opmuntret dig til at bruge de multimodale data, din organisation måtte besidde. Derudover håber vi, at indlægget har inspireret dig til at overveje modeltræning som en iterativ proces. En fantastisk model kan opnås med lidt tålmodighed. Modeller, der er næsten perfekte, kan være for gode til at være sande, måske resultatet af mållækage eller overfitting. Et ideelt scenario ville begynde med en model, der er god, men ikke perfekt. Ved at bruge fejl, tab og resterende plots kan du opnå yderligere datasignaler for at øge nøjagtigheden fra dit oprindelige basisestimat.
AWS tilbyder det bredeste og dybeste sæt af ML-tjenester og understøttende cloud-infrastruktur, hvilket sætter ML i hænderne på enhver udvikler, dataforsker og ekspertudøver. Hvis du er nysgerrig efter at lære mere om SageMaker-platformen, inklusive SageMaker Data Wrangler og SageMaker Canvas, bedes du kontakte dit AWS-kontoteam og starte en samtale. Overvej også at læse mere om SageMaker Data Wrangler tilpassede transformationer.
Referencer
Ahmed, EH, & Moustafa, M. (2016). Husprisestimering ud fra visuelle og tekstmæssige funktioner. IJCCI 2016-Proceedings of the 8th International Joint Conference on Computational Intelligence, 3, 62-68.
Harrison Jr, D., & Rubinfeld, DL (1978). Hedoniske boligpriser og efterspørgsel efter ren luft. Tidsskrift for miljøøkonomi og ledelse, 5(1), 81-102.
Kim, W., Son, B. & Kim, I.. (2021). ViLT: Vision-and-Language Transformer Uden Convolution eller Region Supervision. Proceedings of the 38th International Conference on Machine Learning, in Proceedings of Machine Learning Research. 139:5583-5594.
Om forfatteren
Charles Laughlin er Principal AI/ML Specialist Solution Architect og arbejder i Amazon SageMaker-serviceteamet hos AWS. Han hjælper med at forme servicekøreplanen og samarbejder dagligt med forskellige AWS-kunder for at hjælpe med at transformere deres virksomheder ved hjælp af avancerede AWS-teknologier og tankelederskab. Charles har en MS i Supply Chain Management og en Ph.D. i datavidenskab.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/use-foundation-models-to-improve-model-accuracy-with-amazon-sagemaker/
- :har
- :er
- :ikke
- :hvor
- $OP
- 08
- 1
- 100
- 2016
- 2021
- 2022
- 32
- 49
- 50
- 50 Years
- 7
- 8
- 8.
- a
- evne
- I stand
- Om
- rigelig
- adgang
- Konto
- nøjagtighed
- opnået
- aktioner
- Yderligere
- Derudover
- adresser
- Efter
- ahmed
- AI
- AI / ML
- LUFT
- Alle
- tillade
- næsten
- langs med
- også
- Skønt
- Amazon
- Amazon SageMaker
- Amazon Web Services
- amp
- an
- ,
- En anden
- besvare
- svar
- enhver
- api
- vises
- Anvendelse
- Indløs
- tilgang
- arkitektur
- ER
- omkring
- Array
- kunstig
- kunstig intelligens
- Kunstig intelligens (AI)
- AS
- spørg
- spørge
- vurdere
- Aktiver
- At
- forsøg
- lyd
- Automatiseret
- til rådighed
- AWS
- baseret
- Baseline
- BE
- blev
- bliver
- blive
- været
- før
- begynde
- være
- gavner det dig
- mellem
- Beyond
- krop
- boston
- både
- bygge
- Bygning
- indbygget
- byrde
- virksomhed
- virksomheder
- men
- by
- ringe
- CAN
- kandidat
- canvas
- kapaciteter
- kapacitet
- stand
- tilfælde
- tilfælde
- loft
- centreret
- Centers
- kæde
- lave om
- karakteristika
- Charles
- Vælg
- krav
- Classic
- klassificering
- ren
- Cloud
- sky infrastruktur
- klyngedannelse
- kode
- koder
- samarbejder
- farve
- kombinerer
- Kom
- fuldføre
- omfattende
- beregningsmæssige
- computer
- Computer Vision
- Konceptet
- konkluderer
- Konference
- Overvej
- overvejelse
- indeholder
- Container
- indeholder
- kontinuerlig
- kontrakt
- Samtale
- konvertere
- koordinere
- korrigere
- Tilsvarende
- kunne
- kredit
- nysgerrig
- skik
- kunde
- Kunder
- banebrydende
- dagligt
- data
- Dataforberedelse
- datalogi
- dataforsker
- datasæt
- Datastruktur
- datastyret
- december
- Beslutningstagning
- falde
- dybeste
- levere
- Efterspørgsel
- demonstrere
- demonstreret
- demonstrerer
- indsætte
- indsat
- implementering
- Afledt
- beskrive
- beskrevet
- Design
- konstrueret
- bestemmer
- udviklet
- Udvikler
- digital
- størrelse
- diskutere
- drøftet
- forskelligartede
- do
- gør
- Er ikke
- downloads
- snesevis
- Dropper
- e
- hver
- let
- Økonomi
- muliggøre
- aktiveret
- tilskyndes
- Endpoint
- Engineering
- forbedret
- nok
- Hele
- miljømæssige
- fejl
- fejl
- især
- skøn
- etc.
- Endog
- Hver
- eksempel
- eksempler
- forventet
- dyrt
- eksperiment
- ekspert
- udtrykkeligt
- udforske
- ekstrakt
- Ansigtet
- Feature
- Funktionalitet
- tilbagemeldinger
- Feet
- få
- Figur
- filtrere
- Endelig
- Finde
- Fornavn
- Gulvlampe
- Fokus
- følger
- efter
- følger
- Til
- formular
- fundet
- Foundation
- fire
- fra
- fuld skala
- fuldt ud
- funktion
- funktioner
- fundamental
- Gevinst
- huller
- Generelt
- generere
- få
- mål
- godt
- graf
- stor
- banebrydende
- vejledning
- hænder
- Have
- he
- hjælpe
- hjælpsom
- hjælper
- link.
- Skjult
- Fremhæv
- besidder
- Home
- Homes
- håber
- hostede
- hus
- boliger
- Hvordan
- How To
- Men
- http
- HTTPS
- Hundreder
- i
- idé
- ideal
- ideelt
- Identity
- if
- illustrerer
- billede
- billeder
- billede
- importere
- betydning
- vigtigt
- Forbedre
- forbedret
- in
- omfatter
- medtaget
- Herunder
- inkorporering
- Forøg
- øget
- stigende
- uafhængigt
- angiver
- industrien
- indflydelse
- informere
- oplysninger
- Infrastruktur
- initial
- indgang
- indsigt
- inspirere
- inspirerede
- i stedet
- forsikring
- Intelligens
- interagere
- interaktioner
- interesse
- interesseret
- internationalt
- ind
- IT
- ITS
- Job
- fælles
- jpg
- json
- Nøgle
- Kim
- viden
- kendt
- etiket
- Land
- Sprog
- stor
- senere
- føre
- Leadership" (virkelig menneskelig ledelse)
- LÆR
- læring
- livscyklus
- Liste
- Børsnoterede
- Listings
- lidt
- LLM
- placeret
- placering
- låst
- Lang
- tab
- maskine
- machine learning
- lavet
- Mainstream
- lave
- maerker
- ledelse
- manuelt
- mange
- tændstikker
- Kan..
- meningsfuld
- midler
- Medier
- metode
- Midtvejs
- måske
- tankerne
- minutter
- mangler
- blande
- ML
- model
- modeller
- Moderne
- mere
- mest
- bevægelse
- flytning
- skal
- Natural
- Behov
- behov
- Ny
- Nye funktioner
- næste
- ingen
- node
- notesbog
- nummer
- talrige
- opnå
- forekom
- of
- Tilbud
- Officielt
- tit
- on
- kun
- open source
- åbning
- or
- ordrer
- organisation
- organisationer
- original
- oprindeligt
- Andet
- vores
- ud
- outlier
- output
- uden for
- egen
- Papir
- del
- Passing
- Tålmodighed
- mønstre
- per
- perfekt
- ydeevne
- måske
- Tilladelser
- person,
- fase
- foto
- pics
- billede
- Billeder
- pipeline
- Almindeligt
- perron
- Platforme
- plato
- Platon Data Intelligence
- PlatoData
- Vær venlig
- Punkt
- punkter
- pool
- Populær
- del
- have
- mulig
- Indlæg
- forudsagde
- indledende
- forberedelse
- Forbered
- forberedt
- Forbereder
- tidligere
- pris
- Priser
- Main
- Proceedings
- behandle
- forarbejdning
- produceret
- professionelle partnere
- egenskaber
- ejendom
- foreslå
- foreslog
- give
- forudsat
- udbyder
- udbydere
- giver
- leverer
- offentlige
- offentliggjort
- Sætte
- kvalitet
- spørgsmål
- Spørgsmål
- hurtigt
- R
- rækkevidde
- Sats
- Raw
- nå
- Læs
- Læsning
- klar
- realtid
- modtage
- optegnelser
- reducere
- henvisningen
- refererer
- region
- register
- styrke
- relative
- relevant
- Lej
- Repository
- repræsentere
- anmode
- krav
- Kræver
- forskning
- omforme
- Bopæl
- Ressourcer
- henholdsvis
- svar
- reaktioner
- resultere
- resulterer
- Resultater
- afkast
- gennemgå
- Rich
- rigere
- køreplan
- R
- routing
- Kør
- runtime
- s
- sagemaker
- salg
- samme
- Eksempeldatasæt
- scenarie
- scene
- Videnskab
- Videnskabsmand
- scott
- script
- Søg
- Anden
- Sektion
- sikkerhed
- se
- Søg
- set
- valgt
- afsendelse
- tjener
- serveret
- tjeneste
- Tjenester
- sæt
- flere
- Shape
- Vis
- vist
- Shows
- Syn
- signaler
- signifikant
- lignende
- Tilsvarende
- Simpelt
- forenkle
- siden
- enkelt
- Størrelse
- So
- Social
- sociale medier
- sociale medieplatforme
- løsninger
- SOLVE
- nogle
- sommetider
- dens
- Kilde
- Kilder
- Space
- specialist
- specialiserede
- specifikt
- firkant
- starte
- Stadig
- opbevaring
- opbevaret
- ligetil
- struktur
- strukturer
- Studerende
- efterfølgende
- sådan
- tyder
- tilsyn
- forsyne
- forsyningskæde
- supply chain management
- Støtte
- sikker
- bord
- TAG
- Tag
- tager
- mål
- Opgaver
- opgaver
- Undervisning
- hold
- Teknologier
- Teknologier
- semester
- prøve
- tekstmæssige
- end
- at
- The Source
- deres
- Them
- derefter
- Der.
- derfor
- Disse
- de
- ting
- denne
- dem
- tænkte
- tænkt lederskab
- tusinde
- tusinder
- tre
- Gennem
- tid
- til
- i dag
- nutidens
- også
- værktøj
- emne
- traditionelt
- Tog
- uddannet
- Kurser
- Transform
- Transformation
- transformationer
- transformer
- transformers
- sand
- betroet
- to
- typen
- typer
- Ultimativt
- forstå
- forståelse
- enestående
- Unsplash
- brug
- brug tilfælde
- anvendte
- bruger
- ved brug af
- Ved hjælp af
- Værdiansættelse
- værdi
- værdi-add
- Værdier
- variabel
- række
- meget
- video
- Specifikation
- synlig
- vision
- visuel
- W
- ønsker
- var
- we
- web
- webservices
- uger
- GODT
- var
- Hvad
- Hvad er
- som
- WHO
- vilje
- vinduer
- med
- inden for
- uden
- træ
- Arbejde
- workflow
- virker
- world
- værd
- ville
- skrivning
- år
- udbytter
- Du
- Din
- dig selv
- youtube
- zephyrnet
- nul
- Zip