Efterhånden som vi dykker dybere ned i den digitale æra, har udviklingen af multimodalitetsmodeller været afgørende for at forbedre maskinforståelsen. Disse modeller behandler og genererer indhold på tværs af forskellige dataformer, såsom tekst og billeder. Et nøgletræk ved disse modeller er deres billed-til-tekst-funktioner, som har vist bemærkelsesværdige færdigheder i opgaver som billedtekstning og visuel besvarelse af spørgsmål.
Ved at oversætte billeder til tekst låser vi op og udnytter rigdommen af information indeholdt i visuelle data. Inden for e-handel kan billede-til-tekst for eksempel automatisere produktkategorisering baseret på billeder, hvilket øger søgeeffektiviteten og nøjagtigheden. På samme måde kan det hjælpe med at generere automatiske fotobeskrivelser, give oplysninger, der muligvis ikke er inkluderet i produkttitler eller beskrivelser, og derved forbedre brugeroplevelsen.
I dette indlæg giver vi et overblik over populære multimodalitetsmodeller. Vi viser også, hvordan man implementerer disse fortrænede modeller på Amazon SageMaker. Desuden diskuterer vi de forskellige anvendelser af disse modeller, og fokuserer især på adskillige scenarier i den virkelige verden, såsom nul-shot-tag og tilskrivningsgenerering til e-handel og automatisk promptgenerering fra billeder.
Baggrund for multimodalitetsmodeller
Maskinlæringsmodeller (ML) har opnået betydelige fremskridt inden for områder som naturlig sprogbehandling (NLP) og computersyn, hvor modeller kan udvise menneskelignende ydeevne ved at analysere og generere indhold fra en enkelt datakilde. På det seneste har der været stigende opmærksomhed i udviklingen af multimodalitetsmodeller, som er i stand til at behandle og generere indhold på tværs af forskellige modaliteter. Disse modeller, såsom sammensmeltningen af syns- og sprognetværk, har vundet fremtræden på grund af deres evne til at integrere information fra forskellige kilder og modaliteter og derved forbedre deres forståelses- og udtryksevner.
I dette afsnit giver vi et overblik over to populære multimodalitetsmodeller: CLIP (Kontrastiv sprog-billede fortræning) og BLIP (Bootstrapping Language-Image Pre-training).
CLIP model
CLIP er en multimodal vision og sprogmodel, som kan bruges til billed-tekst-lighed og til nul-shot-billedklassificering. CLIP er trænet på et datasæt med 400 millioner billed-tekst-par indsamlet fra en række offentligt tilgængelige kilder på internettet. Modelarkitekturen består af en billedkoder og en tekstkoder, som vist i det følgende diagram.
Under træning føres et billede og tilhørende tekststykke gennem indkoderne for at få en billedtrækvektor og teksttrækvektor. Målet er at få billed- og tekstfunktionerne til et matchet par til at have en høj cosinus-lighed, mens funktioner for ikke-matchede par har lav lighed. Dette gøres gennem et kontrastivt tab. Denne kontrastive fortræning resulterer i indkodere, der kortlægger billeder og tekst til et fælles indlejringsrum, hvor semantikken er justeret.
Koderne kan derefter bruges til nul-skuds overførselslæring til downstream-opgaver. På inferenstidspunktet behandler den forudtrænede billed- og tekstkoder sit respektive input og transformerer det til en højdimensionel vektorrepræsentation eller en indlejring. Indlejringerne af billedet og teksten sammenlignes derefter for at bestemme deres lighed, såsom cosinus-lighed. Tekstprompten (billedklasser, kategorier eller tags), hvis indlejring ligner mest (f.eks. har den mindste afstand) til billedindlejringen, anses for at være den mest relevante, og billedet klassificeres i overensstemmelse hermed.
BLIP model
En anden populær multimodalitetsmodel er BLIP. Den introducerer en ny modelarkitektur, der er i stand til at tilpasse sig forskellige visionsprogopgaver og anvender en unik datasæt bootstrapping-teknik til at lære af støjende webdata. BLIP-arkitekturen inkluderer en billedkoder og tekstkoder: den billedjordede tekstkoder indsætter visuel information i tekstkoderens transformerblok, og den billedjordede tekstdekoder inkorporerer visuel information i transformatordekoderblokken. Med denne arkitektur demonstrerer BLIP enestående ydeevne på tværs af et spektrum af vision-sprogopgaver, der involverer sammensmeltning af visuel og sproglig information, fra billedbaseret søgning og indholdsgenerering til interaktive visuelle dialogsystemer. I et tidligere indlæg foreslog vi en indholdsmodereringsløsning baseret på BLIP-modellen der adresserede flere udfordringer ved at bruge computervision unimodale ML-tilgange.
Use case 1: Zero-shot tag eller attributgenerering for en e-handelsplatform
E-handelsplatforme fungerer som dynamiske markedspladser, der vrimler med ideer, produkter og tjenester. Med millioner af produkter på listen udgør effektiv sortering og kategorisering en betydelig udfordring. Det er her, hvor kraften ved automatisk tagging og generering af attributter kommer til sin ret. Ved at udnytte avancerede teknologier som ML og NLP kan disse automatiserede processer revolutionere driften af e-handelsplatforme.
En af de vigtigste fordele ved automatisk tagging eller attributgenerering ligger i dens evne til at forbedre søgbarheden. Produkter, der er mærket nøjagtigt, kan findes af kunder hurtigt og effektivt. Hvis en kunde f.eks. søger efter en "t-shirt med rund hals i bomuld med et logo foran", gør automatisk tagging og generering af attributter søgemaskinen i stand til at lokalisere produkter, der ikke kun matcher den bredere "t-shirt"-kategori, men også de specifikke egenskaber ved "bomuld" og "crew neck". Denne præcise matchning kan lette en mere personlig shoppingoplevelse og øge kundetilfredsheden. Desuden kan autogenererede tags eller attributter væsentligt forbedre produktanbefalingsalgoritmer. Med en dyb forståelse af produktegenskaber kan systemet foreslå mere relevante produkter til kunderne og derved øge sandsynligheden for køb og øge kundetilfredsheden.
CLIP tilbyder en lovende løsning til automatisering af processen med tag- eller attributgenerering. Det tager et produktbillede og en liste over beskrivelser eller tags som input, genererer en vektorrepræsentation eller indlejring for hvert tag. Disse indlejringer eksisterer i et højdimensionelt rum, hvor deres relative afstande og retninger afspejler de semantiske relationer mellem inputs. CLIP er fortrænet i en stor skala af billed-tekst-par til at indkapsle disse meningsfulde indlejringer. Hvis et tag eller en attribut nøjagtigt beskriver et billede, bør deres indlejringer være relativt tæt på dette sted. For at generere tilsvarende tags eller attributter kan en liste over potentielle tags indtastes i tekstdelen af CLIP-modellen og de resulterende indlejringer gemmes. Ideelt set bør denne liste være udtømmende og dække alle potentielle kategorier og attributter, der er relevante for produkterne på e-handelsplatformen. Følgende figur viser nogle eksempler.
For at implementere CLIP-modellen på SageMaker kan du følge notesbogen i det følgende GitHub repo. Vi bruger den forudbyggede SageMaker store modelinferens (LMI) containere at implementere modellen. LMI containerne bruger DJL servering at tjene din model til slutning. For at lære mere om hosting af store modeller på SageMaker, se Implementer store modeller på Amazon SageMaker ved hjælp af DJLServing og DeepSpeed model parallel inferens , Implementer store modeller med høj ydeevne ved hjælp af FasterTransformer på Amazon SageMaker.
I dette eksempel leverer vi filerne serving.properties
, model.py
og requirements.txt
at forberede modelartefakter og gemme dem i en tarball-fil.
serving.properties
er konfigurationsfilen, der kan bruges til at angive over for DJL Serving, hvilke modelparalleliserings- og inferensoptimeringsbiblioteker du gerne vil bruge. Afhængigt af dit behov kan du indstille den passende konfiguration. For flere detaljer om konfigurationsmulighederne og en udtømmende liste, se Konfigurationer og indstillinger.model.py
er det script, der håndterer eventuelle anmodninger om visning.requirements.txt
er tekstfilen, der indeholder eventuelle yderligere pip-hjul, der skal installeres.
Hvis du vil downloade modellen fra Knusende ansigt direkte, kan du indstille option.model_id
parameter i serving.properties
fil som model-id for en forudtrænet model, der er hostet inde i et modellager på huggingface.co. Containeren bruger dette model-id til at downloade den tilsvarende model under implementeringstiden. Hvis du indstiller model_id
til en Amazon Simple Storage Service (Amazon S3) URL, vil DJL'en downloade modelartefakterne fra Amazon S3 og udskifte model_id
til den faktiske placering af modelartefakterne. I dit script kan du pege på denne værdi for at indlæse den forudtrænede model. I vores eksempel bruger vi den sidste mulighed, fordi LMI-beholderen bruger s5cmd at downloade data fra Amazon S3, hvilket reducerer hastigheden markant ved indlæsning af modeller under udrulning. Se følgende kode:
I model.py script, indlæser vi modelstien ved hjælp af model-id'et, der er angivet i egenskabsfilen:
Efter at modelartefakterne er forberedt og uploadet til Amazon S3, kan du implementere CLIP-modellen til SageMaker-hosting med et par linjer kode:
Når endepunktet er i brug, kan du kalde endepunktet med et inputbillede og en liste over etiketter som inputprompt for at generere etiketsandsynligheder:
Use case 2: Automatisk promptgenerering fra billeder
En innovativ applikation, der bruger multimodalitetsmodellerne, er at generere informative prompter fra et billede. I generativ AI, en prompt refererer til input til en sprogmodel eller anden generativ model for at instruere den om, hvilken type indhold eller respons der ønskes. Prompten er i det væsentlige et udgangspunkt eller et sæt instruktioner, der guider modellens generationsproces. Det kan have form af en sætning, et spørgsmål, en deltekst eller ethvert input, der formidler konteksten eller det ønskede output til modellen. Valget af en gennemarbejdet prompt er afgørende for at generere billeder af høj kvalitet med præcision og relevans. Hurtig ingeniørarbejde er processen med at optimere eller udforme et tekstinput for at opnå ønskede svar fra en sprogmodel, der ofte involverer formuleringer, format eller kontekstjusteringer.
Hurtig konstruktion til billedgenerering giver flere udfordringer, herunder følgende:
- At definere visuelle begreber nøjagtigt – At beskrive visuelle begreber i ord kan nogle gange være upræcis eller tvetydig, hvilket gør det vanskeligt at formidle det nøjagtige billede, der ønskes. Det er måske ikke ligetil at fange indviklede detaljer eller komplekse scener gennem tekstuelle prompter.
- Angivelse af ønskede stilarter effektivt – At kommunikere specifikke stilistiske præferencer, såsom stemning, farvepalet eller kunstnerisk stil, kan være udfordrende gennem tekst alene. Det kan være vanskeligt at oversætte abstrakte æstetiske begreber til konkrete instruktioner til modellen.
- Afbalancerer kompleksitet for at forhindre overbelastning af modellen – Uddybende prompter kan forvirre modellen eller føre til overbelastning af den med information, hvilket påvirker det genererede output. Det er vigtigt at finde den rette balance mellem at give tilstrækkelig vejledning og undgå overvældende kompleksitet.
Derfor er det tidskrævende at lave effektive instrukser til billedgenerering, hvilket kræver iterativ eksperimentering og raffinering for at finde den rette balance mellem præcision og kreativitet, hvilket gør det til en ressourcekrævende opgave, der er stærkt afhængig af menneskelig ekspertise.
CLIP Interrogator er et automatisk prompt-teknikværktøj til billeder, der kombinerer CLIP og BLIP for at optimere tekstprompter, så de matcher et givet billede. Du kan bruge de resulterende prompter med tekst-til-billede-modeller som f.eks Stabil diffusion at skabe cool kunst. Prompterne skabt af CLIP Interrogator tilbyder en omfattende beskrivelse af billedet, der ikke kun dækker dets grundlæggende elementer, men også den kunstneriske stil, den potentielle inspiration bag billedet, mediet, hvor billedet kunne have været eller kunne blive brugt, og videre. Du kan nemt implementere CLIP Interrogator-løsningen på SageMaker for at strømline implementeringsprocessen og drage fordel af skalerbarheden, omkostningseffektiviteten og robuste sikkerhed leveret af den fuldt administrerede tjeneste. Følgende diagram viser flowlogikken for denne løsning.
Du kan bruge følgende notesbog at implementere CLIP Interrogator-løsningen på SageMaker. Tilsvarende bruger vi SageMaker LMI-beholderen til CLIP-modelhosting til at hoste løsningen på SageMaker ved hjælp af DJL-servering. I dette eksempel leverede vi en ekstra inputfil med modelartefakter, der specificerer de modeller, der er implementeret til SageMaker-slutpunktet. Du kan vælge forskellige CLIP- eller BLIP-modeller ved at føre billedtekstmodellens navn og clipsmodellens navn gennem model_name.json
fil oprettet med følgende kode:
Inferensskriftet model.py
indeholder en håndtagsfunktion, som DJL Serving vil køre din anmodning ved at påkalde denne funktion. For at forberede dette indgangsskriftsscript overtog vi koden fra originalen clip_interrogator.py fil og ændrede den til at fungere med DJL Servering på SageMaker-hosting. En opdatering er indlæsningen af BLIP-modellen. BLIP- og CLIP-modellerne indlæses via load_caption_model()
, load_clip_model()
funktion under initialiseringen af Interrogator-objektet. For at indlæse BLIP-modellen downloadede vi først modelartefakterne fra Hugging Face og uploadede dem til Amazon S3 som målværdien for model_id
i egenskabsfilen. Dette skyldes, at BLIP-modellen kan være en stor fil, som f.eks blip2-opt-2.7b model, som er mere end 15 GB i størrelse. At downloade modellen fra Hugging Face under modelimplementering vil kræve mere tid til oprettelse af slutpunkter. Derfor peger vi på model_id
til Amazon S3-placeringen for BLIP2-modellen og indlæs modellen fra modelstien, der er angivet i egenskabsfilen. Bemærk, at modelstien under implementeringen vil blive byttet til den lokale containersti, hvor modelartefakterne blev downloadet til af DJL Serving fra Amazon S3-lokationen. Se følgende kode:
Fordi CLIP-modellen ikke er særlig stor i størrelsen, bruger vi open_clip
at indlæse modellen direkte fra Hugging Face, som er den samme som originalen clip_interrogator
implementering:
Vi bruger lignende kode til at implementere CLIP Interrogator-løsningen til et SageMaker-slutpunkt og kalder slutpunktet med et inputbillede for at få de prompter, der kan bruges til at generere lignende billeder.
Lad os tage følgende billede som et eksempel. Ved at bruge det implementerede CLIP Interrogator-slutpunkt på SageMaker genererer det følgende tekstbeskrivelse: croissant on a plate, pexels contest winner, aspect ratio 16:9, cgsocietywlop, 8 h, golden cracks, the artist has used bright, picture of a loft in morning, object features, stylized border, pastry, french emperor.
Vi kan yderligere kombinere CLIP Interrogator-løsningen med stabil diffusion og hurtige ingeniørteknikker – en helt ny dimension af kreative muligheder dukker op. Denne integration giver os mulighed for ikke kun at beskrive billeder med tekst, men også manipulere og generere forskellige variationer af de originale billeder. Stabil diffusion sikrer kontrolleret billedsyntese ved iterativt at forfine det genererede output, og strategisk prompt engineering guider genereringsprocessen mod de ønskede resultater.
I anden del af notesbogen, detaljerer vi trinene til at bruge prompt engineering til at restyle billeder med stabil diffusionsmodellen (Stabil Diffusion XL 1.0). Vi bruger Stabilitet AI SDK at implementere denne model fra SageMaker JumpStart efter at have abonneret på denne model på AWS markedsplads. Fordi dette er en nyere og bedre version til billedgenerering leveret af Stabilitet AI, kan vi få billeder i høj kvalitet baseret på det originale inputbillede. Derudover, hvis vi præfikser den foregående beskrivelse og tilføjer en ekstra prompt, der nævner en kendt kunstner og et af hans værker, får vi fantastiske resultater med restyling. Følgende billede bruger prompten: This scene is a Van Gogh painting with The Starry Night style, croissant on a plate, pexels contest winner, aspect ratio 16:9, cgsocietywlop, 8 h, golden cracks, the artist has used bright, picture of a loft in morning, object features, stylized border, pastry, french emperor.
Følgende billede bruger prompten: This scene is a Hokusai painting with The Great Wave off Kanagawa style, croissant on a plate, pexels contest winner, aspect ratio 16:9, cgsocietywlop, 8 h, golden cracks, the artist has used bright, picture of a loft in morning, object features, stylized border, pastry, french emperor.
Konklusion
Fremkomsten af multimodalitetsmodeller som CLIP og BLIP og deres applikationer transformerer hurtigt landskabet af billed-til-tekst-konvertering. De bygger bro mellem visuel og semantisk information og giver os værktøjerne til at frigøre det enorme potentiale af visuelle data og udnytte dem på måder, som tidligere var utænkelige.
I dette indlæg illustrerede vi forskellige anvendelser af multimodalitetsmodellerne. Disse spænder fra at forbedre effektiviteten og nøjagtigheden af søgning i e-handelsplatforme gennem automatisk tagging og kategorisering til generering af prompter for tekst-til-billede-modeller som Stable Diffusion. Disse applikationer åbner nye horisonter for at skabe unikt og engagerende indhold. Vi opfordrer dig til at lære mere ved at udforske de forskellige multimodalitetsmodeller på SageMaker og bygge en løsning, der er innovativ for din virksomhed.
Om forfatterne
Yanwei Cui, PhD, er Senior Machine Learning Specialist Solutions Architect hos AWS. Han startede maskinlæringsforskning på IRISA (Research Institute of Computer Science and Random Systems), og har flere års erfaring med at bygge AI-drevne industrielle applikationer inden for computersyn, naturlig sprogbehandling og online brugeradfærdsforudsigelse. Hos AWS deler han sin domæneekspertise og hjælper kunder med at frigøre forretningspotentialer og skabe handlingsrettede resultater med maskinlæring i stor skala. Uden for arbejdet holder han af at læse og rejse.
Raghu Ramesha er senior ML Solutions Architect hos Amazon SageMaker Service-teamet. Han fokuserer på at hjælpe kunder med at opbygge, implementere og migrere ML-produktionsarbejdsbelastninger til SageMaker i stor skala. Han har specialiseret sig i maskinlæring, kunstig intelligens og computersyn og har en mastergrad i datalogi fra UT Dallas. I sin fritid nyder han at rejse og fotografere.
Sam Edwards, er en Cloud Engineer (AI/ML) hos AWS Sydney med speciale i maskinlæring og Amazon SageMaker. Han brænder for at hjælpe kunder med at løse problemer relateret til maskinlæringsarbejdsgange og skabe nye løsninger til dem. Uden for arbejdet nyder han at dyrke ketsjersport og at rejse.
Melanie Li, PhD, er en Senior AI/ML Specialist TAM hos AWS med base i Sydney, Australien. Hun hjælper virksomhedskunder med at bygge løsninger ved hjælp af state-of-the-art AI/ML-værktøjer på AWS og giver vejledning om arkitektur og implementering af ML-løsninger med bedste praksis. I sin fritid elsker hun at udforske naturen og tilbringe tid med familie og venner.
Gordon Wang er en Senior AI/ML Specialist TAM hos AWS. Han støtter strategiske kunder med AI/ML bedste praksis på tværs af mange brancher. Han brænder for computersyn, NLP, generativ AI og MLOps. I sin fritid elsker han at løbe og vandre.
Dhawal Patel er Principal Machine Learning Architect hos AWS. Han har arbejdet med organisationer lige fra store virksomheder til mellemstore startups om problemer relateret til distribueret computing og kunstig intelligens. Han fokuserer på Deep learning, herunder NLP og Computer Vision domæner. Han hjælper kunder med at opnå højtydende modelslutning på SageMaker.
- 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/build-an-image-to-text-generative-ai-application-using-multimodality-models-on-amazon-sagemaker/
- :har
- :er
- :ikke
- :hvor
- 1
- 10
- 100
- 12
- 15 %
- 16
- 400
- 7
- 8
- 9
- 97
- a
- evne
- Om
- ABSTRACT
- derfor
- nøjagtighed
- præcist
- opnå
- opnået
- tværs
- faktiske
- tilføje
- Yderligere
- Derudover
- rettet
- justeringer
- vedtaget
- fremskreden
- fremskridt
- Fordel
- påvirker
- Efter
- AI
- AI-drevne
- AI / ML
- algoritmer
- justeret
- Alle
- tillader
- alene
- også
- forbløffende
- Amazon
- Amazon SageMaker
- Amazon Web Services
- an
- analysere
- ,
- enhver
- Anvendelse
- applikationer
- tilgange
- passende
- arkitektur
- ER
- Kunst
- kunstig
- kunstig intelligens
- kunstner
- kunstnerisk
- AS
- udseende
- hjælpe
- At
- opmærksomhed
- attributter
- Australien
- automatisere
- Automatiseret
- Automatisk Ur
- Automatisering
- til rådighed
- undgå
- AWS
- Balance
- baseret
- BE
- fordi
- været
- adfærd
- bag
- fordele
- BEDSTE
- bedste praksis
- Bedre
- mellem
- Beyond
- Big
- Bloker
- krop
- boost
- grænse
- brodannelse
- Bright
- bredere
- bygge
- Bygning
- virksomhed
- men
- by
- CAN
- Kan få
- kapaciteter
- stand
- Optagelse
- tilfælde
- KAT
- kategorier
- Boligtype
- Katte
- udfordre
- udfordringer
- udfordrende
- valg
- Vælg
- klasser
- klassificering
- klassificeret
- Luk
- Cloud
- kode
- farve
- kombinerer
- kombinerer
- kommer
- Fælles
- kommunikere
- sammenlignet
- komplekse
- kompleksitet
- omfattende
- computer
- Datalogi
- Computer Vision
- computing
- begreber
- Konfiguration
- betragtes
- består
- indeholdt
- Container
- Beholdere
- indeholder
- indhold
- Indholdsgenerering
- sammenhæng
- kontrolleret
- Konvertering
- Cool
- Tilsvarende
- kunne
- dækker
- skabe
- oprettet
- Oprettelse af
- skabelse
- Kreativ
- kreativitet
- kritisk
- Cross
- kunde
- Kundetilfredshed
- Kunder
- Dallas
- data
- dyb
- dyb læring
- dybere
- Degree
- dykke
- demonstrere
- demonstrerer
- Afhængigt
- indsætte
- indsat
- implementering
- beskrive
- beskrivelse
- ønskes
- detail
- detaljer
- Bestem
- Udvikling
- enhed
- dialog
- forskellige
- svært
- Broadcasting
- digital
- Dimension
- direkte
- diskutere
- afstand
- distribueret
- distribueret computing
- forskelligartede
- domæne
- Domæner
- færdig
- downloade
- køre
- grund
- i løbet af
- dynamisk
- hver
- nemt
- ecommerce
- Effektiv
- effektivitet
- effektivt
- Uddybe
- elementer
- andet
- indlejring
- fremkomsten
- fremgår
- beskæftiger
- muliggøre
- tilskynde
- Endpoint
- engagerende
- Engine (Motor)
- ingeniør
- Engineering
- forbedre
- styrke
- sikrer
- Enterprise
- virksomheder
- indrejse
- Era
- væsentlig
- væsentlige
- eksempel
- eksempler
- udstille
- eksisterer
- erfaring
- ekspertise
- udforske
- Udforskning
- udtryk
- Ansigtet
- lette
- familie
- Feature
- Funktionalitet
- Fed
- få
- Fields
- Figur
- File (Felt)
- Filer
- Fornavn
- flow
- fokuserer
- fokusering
- følger
- efter
- Til
- formular
- format
- formularer
- fundet
- Gratis
- Fransk
- venner
- fra
- forsiden
- fuldt ud
- funktion
- fundamental
- yderligere
- Endvidere
- fusion
- vundet
- kløft
- generere
- genereret
- genererer
- generere
- generation
- generative
- Generativ AI
- få
- given
- mål
- Golden
- stor
- vejledning
- Guides
- håndtere
- Håndterer
- seletøj
- udnyttelse
- Have
- he
- stærkt
- hjælpe
- hjælper
- hende
- Høj
- høj kvalitet
- hans
- besidder
- Horizons
- host
- hostede
- Hosting
- Hvordan
- How To
- HTML
- http
- HTTPS
- menneskelig
- ID
- ideelt
- ideer
- if
- billede
- Billedklassificering
- billeder
- implementering
- gennemføre
- importere
- Forbedre
- forbedring
- in
- medtaget
- omfatter
- Herunder
- stigende
- angiver
- industrielle
- industrier
- oplysninger
- informative
- innovativ
- indgang
- indgange
- indvendig
- Inspiration
- installere
- instans
- Institut
- anvisninger
- integrere
- integration
- Intelligens
- interaktiv
- Internet
- ind
- Introducerer
- involvere
- involverer
- spørgsmål
- IT
- ITS
- jpg
- json
- Nøgle
- kendt
- etiket
- Etiketter
- landskab
- Sprog
- stor
- Store virksomheder
- føre
- LÆR
- læring
- Li
- biblioteker
- ligger
- ligesom
- sandsynlighed
- linjer
- Liste
- Børsnoterede
- belastning
- lastning
- lokale
- placering
- logik
- logo
- off
- elsker
- Lav
- maskine
- machine learning
- lave
- Making
- lykkedes
- mange
- kort
- markedspladser
- herres
- Match
- matchede
- matchende
- meningsfuld
- medium
- blot
- måske
- migrere
- million
- millioner
- ML
- MLOps
- model
- modeller
- mådehold
- modificeret
- mere
- Desuden
- Morgen
- mest
- flere
- navn
- Natural
- Natural Language Processing
- Natur
- Behov
- net
- Ny
- nye horisonter
- nat
- NLP
- Ingen
- notesbog
- roman
- objekt
- of
- off
- tilbyde
- Tilbud
- tit
- on
- ONE
- online
- kun
- åbent
- Produktion
- optimering
- Optimer
- optimering
- Option
- Indstillinger
- or
- organisationer
- original
- OS
- Andet
- vores
- udfald
- output
- uden for
- udestående
- oversigt
- overvældende
- egen
- maleri
- par
- par
- paletten
- Parallel
- parameter
- del
- især
- Passing
- lidenskabelige
- sti
- ydeevne
- Personlig
- phd
- foto
- fotografering
- billede
- afgørende
- perron
- Platforme
- plato
- Platon Data Intelligence
- PlatoData
- spiller
- stik
- Punkt
- Populær
- udgør
- muligheder
- Indlæg
- potentiale
- potentialer
- magt
- praksis
- brug
- Precision
- forudsigelse
- præferencer
- Forbered
- forberedt
- forhindre
- tidligere
- tidligere
- Main
- problemer
- behandle
- Processer
- forarbejdning
- Produkt
- produktion
- Produkter
- fremtrædende
- lovende
- egenskaber
- ejendom
- foreslog
- give
- forudsat
- giver
- leverer
- offentligt
- indkøb
- spørgsmål
- tilfældig
- rækkevidde
- spænder
- hurtigt
- forholdet
- Læsning
- virkelige verden
- for nylig
- Anbefaling
- reducerer
- henvise
- refererer
- raffinering
- afspejler
- region
- relaterede
- Relationer
- relative
- relativt
- relevans
- relevant
- bemærkelsesværdig
- Repository
- repræsentation
- anmode
- anmodninger
- kræver
- Kræver
- forskning
- ressourceintensive
- dem
- svar
- reaktioner
- resulterer
- Resultater
- afkast
- revolutionere
- højre
- robust
- Kør
- kører
- sagemaker
- samme
- tilfredshed
- Skalerbarhed
- Scale
- scenarier
- scene
- scener
- Videnskab
- script
- Søg
- søgemaskine
- søgning
- Sektion
- sikkerhed
- se
- SELV
- semantik
- senior
- dømme
- tjener
- tjeneste
- Tjenester
- servering
- sæt
- flere
- Aktier
- hun
- Shopping
- bør
- vist
- Shows
- signifikant
- betydeligt
- lignende
- Tilsvarende
- Simpelt
- enkelt
- Størrelse
- uddrag
- løsninger
- Løsninger
- SOLVE
- nogle
- sommetider
- Kilde
- Kilder
- Space
- specialist
- specialiserede
- specialiseret
- specifikke
- specificeret
- Spectrum
- hastighed
- tilbringe
- Sport
- stabil
- stjerneklar
- påbegyndt
- Starter
- Nystartede
- state-of-the-art
- Steps
- opbevaring
- butik
- opbevaret
- ligetil
- Strategisk
- strømline
- strejke
- stil
- væsentligt
- sådan
- tilstrækkeligt
- tyder
- Understøtter
- bytte
- hurtigt
- sydney
- systemet
- Systemer
- TAG
- Tag
- tager
- mål
- Opgaver
- opgaver
- hold
- teknik
- Teknologier
- skabelon
- tekst
- tekstmæssige
- end
- at
- Landskabet
- deres
- Them
- derefter
- Der.
- derved
- derfor
- Disse
- de
- denne
- Gennem
- tid
- titler
- til
- værktøj
- værktøjer
- mod
- uddannet
- Kurser
- overførsel
- transformer
- omdanne
- transformationer
- Traveling
- to
- typen
- forståelse
- utænkelig
- enestående
- låse
- Opdatering
- uploadet
- URL
- us
- brug
- anvendte
- Bruger
- Brugererfaring
- bruger
- ved brug af
- værdi
- række
- forskellige
- Vast
- udgave
- meget
- via
- vision
- W
- ønsker
- Wave
- måder
- we
- Rigdom
- web
- webservices
- var
- Hvad
- hvornår
- som
- mens
- Hele
- hvis
- vilje
- vinder
- med
- formulering
- ord
- Arbejde
- arbejdede
- arbejdsgange
- virker
- ville
- år
- Du
- Din
- zephyrnet