Store sprogmodeller (LLM'er) revolutionerer områder som søgemaskiner, naturlig sprogbehandling (NLP), sundhedspleje, robotteknologi og kodegenerering. Applikationerne strækker sig også til detailhandlen, hvor de kan forbedre kundeoplevelsen gennem dynamiske chatbots og AI-assistenter, og til digital markedsføring, hvor de kan organisere kundefeedback og anbefale produkter baseret på beskrivelser og købsadfærd.
Personaliseringen af LLM-applikationer kan opnås ved at inkorporere opdaterede brugeroplysninger, hvilket typisk involverer integration af flere komponenter. En sådan komponent er en funktionsbutik, et værktøj, der gemmer, deler og administrerer funktioner til maskinlæringsmodeller (ML). Funktioner er de input, der bruges under træning og konklusioner af ML-modeller. For eksempel, i et program, der anbefaler film, kan funktioner omfatte tidligere vurderinger, præferencekategorier og demografi. Amazon SageMaker Feature Store er et fuldt administreret lager designet specifikt til lagring, deling og styring af ML-modelfunktioner. En anden væsentlig komponent er et orkestreringsværktøj, der er egnet til hurtig konstruktion og styring af forskellige typer underopgaver. Generative AI-udviklere kan bruge rammer som f.eks Langkæde, som tilbyder moduler til integration med LLM'er og orkestreringsværktøjer til opgavestyring og prompt engineering.
Med udgangspunkt i konceptet med dynamisk at hente opdaterede data for at producere personligt indhold, har brugen af LLM'er fået betydelig opmærksomhed i nyere forskning for anbefalingssystemer. Det underliggende princip for disse tilgange involverer konstruktionen af prompter, der indkapsler anbefalingsopgaven, brugerprofiler, vareattributter og interaktioner mellem brugere. Disse opgavespecifikke prompter føres derefter ind i LLM, som har til opgave at forudsige sandsynligheden for interaktion mellem en bestemt bruger og et element. Som der står i avisen Personlig anbefaling via prompte store sprogmodeller, anbefalingsdrevne og engagement-guidede promptkomponenter spiller en afgørende rolle i at gøre det muligt for LLM'er at fokusere på relevant kontekst og tilpasse sig brugernes præferencer.
I dette indlæg belyser vi den enkle, men kraftfulde idé med at kombinere brugerprofiler og vareattributter for at generere personlige indholdsanbefalinger ved hjælp af LLM'er. Som vist i hele indlægget rummer disse modeller et enormt potentiale i at generere kontekstbevidst inputtekst af høj kvalitet, hvilket fører til forbedrede anbefalinger. For at illustrere dette guider vi dig gennem processen med at integrere en feature store (der repræsenterer brugerprofiler) med en LLM for at generere disse personlige anbefalinger.
Løsningsoversigt
Lad os forestille os et scenarie, hvor et filmunderholdningsfirma promoverer film til forskellige brugere via en e-mail-kampagne. Kampagnen indeholder 25 kendte film, og vi ønsker at vælge de tre bedste anbefalinger for hver bruger baseret på deres interesser og tidligere vurderingsadfærd.
For eksempel, givet en brugers interesse for forskellige filmgenrer som action, romantik og sci-fi, kunne vi have et AI-system til at bestemme de tre bedste anbefalede film for den pågældende bruger. Derudover kan systemet generere personlige beskeder til hver bruger i en tone, der er skræddersyet til deres præferencer. Vi inkluderer nogle eksempler på personlige beskeder senere i dette indlæg.
Denne AI-applikation vil omfatte flere komponenter, der arbejder sammen, som illustreret i følgende diagram:
- En brugerprofileringsmaskine tager en brugers tidligere adfærd ind og udsender en brugerprofil, der afspejler deres interesser.
- Et funktionslager vedligeholder brugerprofildata.
- En medie-metadatabutik holder listen med reklamefilm opdateret.
- En sprogmodel tager den aktuelle filmliste og brugerprofildata og udsender de tre bedste anbefalede film for hver bruger, skrevet i deres foretrukne tone.
- En orkestrerende agent koordinerer de forskellige komponenter.
Sammenfattende kunne intelligente agenter konstruere prompter ved hjælp af bruger- og varerelaterede data og levere tilpassede naturlige sprogsvar til brugerne. Dette ville repræsentere et typisk indholdsbaseret anbefalingssystem, som anbefaler varer til brugere baseret på deres profiler. Brugerens profil gemmes og vedligeholdes i feature store og kredser om deres præferencer og smag. Det er almindeligvis afledt baseret på deres tidligere adfærd, såsom vurderinger.
Følgende diagram illustrerer, hvordan det fungerer.
Applikationen følger disse trin for at give svar på en brugers anbefaling:
- Brugerprofileringsmotoren, der tager en brugers historiske filmvurdering som input, udsender brugerinteresse og gemmer funktionen i SageMaker Feature Store. Denne proces kan opdateres på en planlægningsmåde.
- Agenten tager bruger-id'et som input, søger efter brugerinteressen og udfylder promptskabelonen efter brugerens interesser.
- Agenten tager listen over kampagneelementer (filmnavn, beskrivelse, genre) fra en mediemetadatabutik.
- Interessepromptskabelonen og listen over kampagneelementer føres ind i en LLM til e-mail-kampagnebeskeder.
- Agenten sender den personlige e-mail-kampagne til slutbrugeren.
Brugerprofileringsmotoren opbygger en profil for hver bruger, der fanger deres præferencer og interesser. Denne profil kan repræsenteres som en vektor med elementer, der er knyttet til funktioner som filmgenrer, med værdier, der angiver brugerens interesseniveau. Brugerprofilerne i feature store giver systemet mulighed for at foreslå personlige anbefalinger, der matcher deres interesser. Brugerprofilering er et velundersøgt domæne inden for anbefalingssystemer. For at forenkle kan du bygge en regressionsalgoritme ved at bruge en brugers tidligere vurderinger på tværs af forskellige kategorier for at udlede deres overordnede præferencer. Dette kan gøres med algoritmer som f.eks XGBoost.
Kodegennemgang
I dette afsnit giver vi eksempler på koden. Den fulde kodegennemgang er tilgængelig i GitHub repo.
Efter at have fået funktionen brugerinteresser fra brugerprofileringsmotoren, kan vi gemme resultaterne i funktionslageret. SageMaker Feature Store understøtter indtagelse af batchfunktioner og onlinelagring til realtidsslutning. Til indtagelse kan data opdateres i offline-tilstand, hvorimod inferens skal ske i millisekunder. SageMaker Feature Store sikrer, at offline- og onlinedatasæt forbliver synkroniserede.
Til dataindtagelse bruger vi følgende kode:
Til onlinelagring i realtid kunne vi bruge følgende kode til at udtrække brugerprofilen baseret på bruger-id'et:
Derefter rangerer vi de tre mest interesserede filmkategorier for at fodre downstream-anbefalingsmotoren:
Bruger-ID: 42
Top 3 kategorier: ['Animation', 'Thriller', 'Adventure']
Vores applikation anvender to primære komponenter. Den første komponent henter data fra et featurelager, og den anden komponent henter en liste over filmpromoveringer fra metadatalageret. Koordineringen mellem disse komponenter varetages af Kæder fra LangChain, som repræsenterer en sekvens af kald til komponenter.
Det er værd at nævne, at i komplekse scenarier kan applikationen have brug for mere end en fast sekvens af opkald til LLM'er eller andre værktøjer. Agenter, udstyret med en række værktøjer, brug en LLM til at bestemme rækkefølgen af handlinger, der skal udføres. Mens Chains koder for en hårdkodet sekvens af handlinger, bruger agenter ræsonnementet i en sprogmodel til at diktere rækkefølgen og arten af handlinger.
Forbindelsen mellem forskellige datakilder, inklusive SageMaker Feature Store, er demonstreret i følgende kode. Alle de hentede data konsolideres for at konstruere en omfattende prompt, der tjener som input til LLM. Vi dykker dybt ned i detaljerne ved hurtig design i det efterfølgende afsnit. Følgende er en prompt skabelondefinition, der har grænseflader med flere datakilder:
Derudover bruger vi Amazon SageMaker at være vært for vores LLM-model og afsløre den som LangChain SageMaker slutpunkt. Til at implementere LLM bruger vi Amazon SageMaker JumpStart (for flere detaljer, se Llama 2 foundation-modeller fra Meta er nu tilgængelige i Amazon SageMaker JumpStart). Efter modellen er implementeret, kan vi oprette LLM-modulet:
I forbindelse med vores applikation kører agenten en sekvens af trin, kaldet en LLMChain. Den integrerer en promptskabelon, model og autoværn for at formatere brugerinputtet, videregive det til modellen, få et svar og derefter validere (og om nødvendigt rette) modeloutputtet.
I næste afsnit gennemgår vi den hurtige konstruktion for LLM for at udskrive forventede resultater.
LLM anbefaling tilskyndelse og resultater
Efter højniveaukonceptet med engagement-guidet tilskyndelse som beskrevet i forskningsstudiet Personlig anbefaling via prompte store sprogmodeller, er det grundlæggende princip i vores promptstrategi at integrere brugerpræferencer ved oprettelse af prompter. Disse prompter er designet til at guide LLM til mere effektivt at identificere attributter i indholdsbeskrivelsen, der stemmer overens med brugernes præferencer. For at uddybe yderligere, består vores prompt af flere komponenter:
- Kontekstuel relevans – Den indledende del af vores promptskabelon inkorporerer medie-metadata såsom elementnavn (filmtitel), beskrivelse (filmsynopsis) og attribut (filmgenre). Ved at inkorporere disse oplysninger giver prompten LLM en bredere kontekst og en mere omfattende forståelse af indholdet. Denne kontekstuelle information hjælper LLM med at forstå genstanden bedre gennem dens beskrivelse og attributter og forbedrer derved dens anvendelighed i scenarier med indholdsanbefaling.
- Justering af brugerpræferencer – Ved at tage højde for en brugerprofil, der angiver brugerpræferencer, er potentielle anbefalinger bedre positioneret til at identificere indholdskarakteristika og -funktioner, der giver genlyd hos målbrugere. Denne justering øger nytten af varebeskrivelserne, fordi den øger effektiviteten af at anbefale varer, der er relevante og i overensstemmelse med brugernes præferencer.
- Forbedret anbefalingskvalitet – Den engagement-guidede prompt bruger brugerpræferencer til at identificere relevante salgsfremmende varer. Vi kan også bruge brugerpræference til at justere tonen i LLM til det endelige output. Dette kan resultere i en nøjagtig, informativ og personlig oplevelse og derved forbedre den overordnede ydeevne af indholdsanbefalingssystemet.
Følgende kode viser et eksempel på en promptskabelon:
prompt_template = """
Our company, "Classic Cinema" frequently promotes movies that we aim to recommend to our customers. This month, we have several popular movies on promotion.
As an AI agent, you are tasked to assist "Classic Cinema" in crafting an email campaign to recommend relevant movies to users. The recommendations should adhere to several guidelines, including contextual relevance, ensuring the recommendations are strictly from our promotional movie list. Additionally, the recommendations should align with user preferences, suggesting items that are relevant and in harmony with the user's preferred categories. You are to provide precisely three top recommended movies. Finally, please draft the email to reflect the tone of the user's preferred categories. The email should not exceed 100 words.
The recommended movies should be sourced from this contextual relevance movie list:
{promotion_movie_list}.
The user has expressed interest in {user_preference}.
Please ensure the recommendations are relevant, and the tone of the email reflects the tastes of those interested in the {user_preference} movie category.
Ensure the letter appeals to those interested in the {user_preference} movie category, and keep the email campaign within a 100-word limit. """
Følgende er et eksempelresultat med brugerpræferencer for sci-fi, eventyr og krigsgenrer:
Emne: Udforsk grænsen for klassisk biograf med vores Sci-Fi-, eventyr- og krigsfilm!
Kære [Navn],
Er du klar til at tage på en rejse gennem tid og rum, opleve hjertepumpende action og være vidne til heltenes tapperhed på slagmarken? Stop med at lede! Classic Cinema præsenterer stolt vores nøje sammensatte udvalg af film, skræddersyet specifikt til dine interesser inden for Sci-Fi, eventyr og krig.Først og fremmest har vi den ikoniske "Star Wars: Episode V - The Empire Strikes Back" (1980). Dette klassiske afsnit i Star Wars-sagaen følger Luke Skywalkers rejse til at blive en Jedi-mester, mens hans venner står over for det onde imperium. Med sine banebrydende specialeffekter og mindeværdige karakterer er denne film et must-see for enhver fan af genren.
Dernæst anbefaler vi "Interstellar" (2014), en tankevækkende og visuelt fantastisk film, der dykker ned i tidens og rummets mysterier. Mens en gruppe opdagelsesrejsende begiver sig ud på en søgen efter at redde menneskeheden, møder de betagende landskaber og afslører universets hemmeligheder.
Til sidst har vi "Saving Private Ryan" (1998), et gribende og intenst krigsdrama, der følger en gruppe soldater på en farlig mission for at finde og redde en faldskærmssoldat, hvis brødre er blevet dræbt i aktion. Denne anmelderroste film er en kraftfuld hyldest til heltene fra Anden Verdenskrig.
Gå ikke glip af disse filmiske mesterværker! Se dem nu, og oplev spændingen ved eventyr, vidunderet ved sci-fi og krigsheltenes tapperhed.
God visning, og må kraften være med dig!Med venlig hilsen
Klassisk biografhold
Følgende er et andet eksempelresultat med en brugerpræference for dokumentar, musical og drama:
Emne: Klassisk biografs anbefalinger til dokumentar-, musical- og dramaelskere
Kære [Navn],
Vi håber, at denne e-mail finder dig godt, og at du nyder de mange forskellige film, der er tilgængelige på vores platform. Hos Classic Cinema sætter vi en ære i at tilgodese vores kunders forskelligartede smag, og vi har udvalgt tre enestående film, som vi mener vil give genlyd med din interesse for dokumentar, musical og drama.
For det første har vi "The Shawshank Redemption" (1994), et kraftfuldt og opløftende drama, der følger to fangers rejse, mens de finder håb og forløsning i et korrupt og uforsonligt fængselssystem. Med sin gribende historie, enestående præstationer og tidløse temaer er denne film et must-see for alle, der elsker et gennemarbejdet drama.
Dernæst anbefaler vi "The Lord of the Rings: The Fellowship of the Ring" (2001), et episk eventyr, der kombinerer betagende billeder, mindeværdige karakterer og en rigt detaljeret verden. Denne film er en mesterklasse i historiefortælling, med en dyb følelse af historie og kultur, der vil transportere dig til Midgård og give dig lyst til mere.
Til sidst foreslår vi "Pianisten" (2002), en dybtgående og bevægende dokumentar, der fortæller den sande historie om Władysław Szpilman, en polsk jødisk pianist, der kæmpede for at overleve ødelæggelsen af Warszawas ghetto under Anden Verdenskrig. Denne film er en kraftfuld påmindelse om den menneskelige ånds evne til modstandskraft og håb, selv i lyset af en ufattelig tragedie.
Vi håber, at disse anbefalinger stemmer overens med dine interesser og giver dig en fornøjelig og berigende filmoplevelse. Gå ikke glip af disse tidløse klassikere – se dem nu, og oplev magien ved Classic Cinema!
Med venlig hilsen
The Classic Cinema Team
Vi har udført test med både Llama 2 7B-Chat (se følgende kodeeksempel) og Llama 70B til sammenligning. Begge modeller klarede sig godt og gav konsistente konklusioner. Ved at bruge en promptskabelon fyldt med opdaterede data, fandt vi det nemmere at teste vilkårlige LLM'er, hvilket hjalp os med at vælge den rigtige balance mellem ydeevne og omkostninger. Vi har også gjort flere fælles observationer, som er værd at bemærke.
For det første kan vi se, at anbefalingerne reelt stemmer overens med brugernes præferencer. Filmanbefalingerne er styret af forskellige komponenter i vores applikation, især brugerprofilen, der er gemt i feature-butikken.
Derudover svarer tonen i e-mails til brugernes præferencer. Takket være LLMs avancerede sprogforståelsesevner kan vi tilpasse filmbeskrivelserne og e-mail-indholdet, skræddersy dem til hver enkelt bruger.
Desuden kan det endelige outputformat designes til prompten. For eksempel, i vores tilfælde skal hilsenen "Kære [navn]" udfyldes af e-mail-tjenesten. Det er vigtigt at bemærke, at selvom vi undgår at afsløre personligt identificerbare oplysninger (PII) i vores generative AI-applikation, er der mulighed for at genindføre disse oplysninger under efterbehandling, forudsat at det rigtige niveau af tilladelser er givet.
Ryd op
For at undgå unødvendige omkostninger skal du slette de ressourcer, du har oprettet som en del af denne løsning, inklusive feature store og LLM inference endpoint implementeret med SageMaker JumpStart.
Konklusion
LLM'ernes magt til at generere personlige anbefalinger er enorm og transformerende, især når de kombineres med de rigtige værktøjer. Ved at integrere SageMaker Feature Store og LangChain for hurtig udvikling, kan udviklere konstruere og administrere meget skræddersyede brugerprofiler. Dette resulterer i kontekstbevidste input af høj kvalitet, der markant forbedrer anbefalingernes ydeevne. I vores illustrative scenarie så vi, hvordan dette kan anvendes til at skræddersy filmanbefalinger til individuelle brugerpræferencer, hvilket resulterer i en meget personlig oplevelse.
Efterhånden som LLM-landskabet fortsætter med at udvikle sig, forventer vi at se flere innovative applikationer, der bruger disse modeller til at levere endnu mere engagerende, personlige oplevelser. Mulighederne er uendelige, og vi er spændte på at se, hvad du vil skabe med disse værktøjer. Med ressourcer som SageMaker JumpStart og Amazonas grundfjeld nu tilgængelig for at accelerere udviklingen af generative AI-applikationer, anbefaler vi kraftigt at undersøge konstruktionen af anbefalingsløsninger ved hjælp af LLM'er på AWS.
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.
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.
Michelle Hong, PhD, arbejder som Prototyping Solutions Architect hos Amazon Web Services, hvor hun hjælper kunder med at bygge innovative applikationer ved hjælp af en række AWS-komponenter. Hun demonstrerede sin ekspertise inden for maskinlæring, især i naturlig sprogbehandling, for at udvikle datadrevne løsninger, der optimerer forretningsprocesser og forbedrer kundeoplevelser.
Bin Wang, PhD, er en Senior Analytic Specialist Solutions Architect hos AWS, der kan prale af over 12 års erfaring i ML-industrien med særligt fokus på annoncering. Han besidder ekspertise i naturlig sprogbehandling (NLP), anbefalingssystemer, forskellige ML-algoritmer og ML-operationer. Han er dybt passioneret omkring at anvende ML/DL og big data-teknikker til at løse problemer i den virkelige verden. Uden for sit professionelle liv nyder han musik, læsning og at rejse.
- 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/personalize-your-generative-ai-applications-with-amazon-sagemaker-feature-store/
- :har
- :er
- :ikke
- :hvor
- $OP
- 100
- 12
- 14
- 15 %
- 19
- 1994
- 1998
- 2001
- 2014
- 25
- 30
- 7
- 9
- a
- Om
- fremskynde
- anmelderroste
- Konto
- præcis
- opnået
- Overtager
- tværs
- Handling
- aktioner
- Desuden
- Derudover
- klæbe
- fremskreden
- Eventyr
- Reklame
- Efter
- mod
- Agent
- midler
- AI
- AI-drevne
- AI / ML
- hjælpemidler
- sigte
- algoritme
- algoritmer
- tilpasse
- tilpasning
- Alle
- tillade
- også
- Skønt
- Amazon
- Amazon SageMaker
- Amazon Web Services
- an
- Analytisk
- ,
- En anden
- foregribe
- enhver
- nogen
- appellerer
- Anvendelse
- applikationer
- anvendt
- Anvendelse
- tilgange
- ER
- omkring
- AS
- hjælpe
- assistenter
- At
- opmærksomhed
- attributter
- til rådighed
- undgå
- AWS
- Balance
- baseret
- Battlefield
- BE
- fordi
- blive
- været
- adfærd
- adfærd
- Tro
- BEDSTE
- bedste praksis
- Bedre
- mellem
- Big
- Big data
- pral
- både
- grænseløs
- betagende
- bredere
- brødre
- bygge
- Bygning
- bygger
- virksomhed
- by
- kaldet
- Opkald
- Kampagne
- CAN
- kapaciteter
- Kapacitet
- Optagelse
- omhyggeligt
- gennemføres
- tilfælde
- kategorier
- Boligtype
- kæder
- karakteristika
- tegn
- chatbots
- Vælg
- Biograf
- filmisk
- klasse
- Classic
- klassikere
- kode
- kombinerer
- kombinerer
- almindeligt
- selskab
- sammenligning
- Fuldender
- komplekse
- komponent
- komponenter
- omfattende
- omfatter
- computer
- Datalogi
- Computer Vision
- Konceptet
- tilslutning
- konsekvent
- konstruere
- opbygge
- indeholder
- indhold
- sammenhæng
- kontekstuelle
- fortsætter
- koordinering
- svarer
- Koste
- Omkostninger
- kunne
- koblede
- skabe
- oprettet
- Oprettelse af
- Cross
- afgørende
- Medarbejder kultur
- kurateret
- Nuværende
- kunde
- Kunder
- tilpasse
- tilpassede
- Dangerous
- data
- datastyret
- datasæt
- Dato
- dyb
- definition
- levere
- Demografi
- demonstreret
- indsætte
- indsat
- Afledt
- beskrevet
- beskrivelse
- Design
- konstrueret
- detaljeret
- detaljer
- Bestem
- udvikle
- udviklere
- Udvikling
- DICT
- diktere
- forskellige
- digital
- digital markedsføring
- opdage
- dyk
- forskelligartede
- dokumentarfilm
- domæne
- færdig
- Dont
- udkast
- Drama
- køre
- i løbet af
- dynamisk
- dynamisk
- hver
- lettere
- effektivt
- effekter
- effektivitet
- Uddybe
- elementer
- emails
- gå i gang
- Empire
- beskæftiger
- muliggør
- ende
- Endpoint
- engagerende
- Engine (Motor)
- Engineering
- Motorer
- forbedre
- forbedret
- Forbedrer
- styrke
- fornøjelig
- berigende
- sikre
- sikrer
- sikring
- Underholdning
- EPIC
- episode
- udstyret
- væsentlig
- Endog
- udvikle sig
- eksempel
- eksempler
- overstige
- enestående
- ophidset
- forventet
- erfaring
- Oplevelser
- ekspertise
- udforske
- Explorers
- Udforskning
- udtrykt
- udvide
- omfattende
- ekstrakt
- Ansigtet
- ventilator
- Feature
- FeatureGroup
- Funktionalitet
- Fed
- tilbagemeldinger
- Fields
- fyldt
- Film
- endelige
- Endelig
- Finde
- fund
- Fornavn
- fast
- Fokus
- efter
- følger
- Til
- Tving
- format
- fundet
- Foundation
- rammer
- hyppigt
- venner
- fra
- Frontier
- fuld
- fuldt ud
- fundamental
- yderligere
- høstet
- generere
- generere
- generation
- generative
- Generativ AI
- genre
- få
- given
- bevilget
- banebrydende
- gruppe
- vejlede
- guidet
- retningslinjer
- ske
- Harmoni
- Have
- he
- sundhedspleje
- hjælpe
- hjælper
- hende
- Heroes
- højt niveau
- høj kvalitet
- stærkt
- hans
- historisk
- historie
- hold
- håber
- host
- Hvordan
- HTTPS
- menneskelig
- Menneskelighed
- ikoniske
- ID
- idé
- identificere
- identificere
- if
- ii
- illustrere
- illustrerer
- billede
- enorme
- importere
- vigtigt
- Forbedre
- forbedring
- in
- omfatter
- Herunder
- inkorporering
- individuel
- industrielle
- industrier
- industrien
- oplysninger
- informative
- initial
- innovativ
- indgang
- indgange
- rate
- instans
- Institut
- integrere
- Integrerer
- Integration
- Intelligent
- interaktion
- interaktioner
- interesse
- interesseret
- interesser
- grænseflader
- ind
- IT
- Varer
- ITS
- rejse
- jpg
- Holde
- landskab
- Sprog
- stor
- senere
- Leads
- læring
- Forlade
- brev
- Niveau
- Livet
- ligesom
- sandsynlighed
- GRÆNSE
- Line (linje)
- Liste
- Llama
- LLM
- Se
- Lord of the Rings
- elsker
- maskine
- machine learning
- lavet
- Magic
- fastholder
- administrere
- lykkedes
- ledelse
- administrerer
- styring
- måde
- mange
- kortlægning
- Marketing
- Master
- Masterclass
- matchende
- Kan..
- Medier
- mindeværdig
- beskeder
- Meta
- Metadata
- måske
- millisekunder
- glip af
- Mission
- ML
- MLOps
- tilstand
- model
- modeller
- Moduler
- Moduler
- Måned
- mere
- mest
- film
- Film
- flytning
- flere
- Musik
- musical
- navn
- Natural
- Natural Language Processing
- Natur
- nødvendig
- Behov
- behov
- næste
- NLP
- ingen
- især
- notesbog
- bemærke
- nu
- opnå
- of
- off
- Tilbud
- offline
- on
- ONE
- online
- Produktion
- Optimer
- or
- orkestrering
- ordrer
- Andet
- vores
- ud
- udfald
- output
- udgange
- uden for
- udestående
- i løbet af
- samlet
- Papir
- parametre
- del
- særlig
- især
- passerer
- lidenskabelige
- ydeevne
- forestillinger
- udføres
- Tilladelser
- Personalisering
- Tilpas
- Personlig
- Personligt
- phd
- perron
- plato
- Platon Data Intelligence
- PlatoData
- Leg
- Vær venlig
- polsk
- Populær
- positionerede
- muligheder
- Muligheden
- Indlæg
- potentiale
- potentialer
- magt
- vigtigste
- praksis
- præcist
- forudsige
- forudsigelse
- præferencer
- foretrækkes
- gaver
- tidligere
- stolthed
- primære
- princippet
- fængsel
- fanger
- private
- problemer
- behandle
- Processer
- forarbejdning
- producere
- Produkter
- professionel
- Profil
- Profiler
- profilering
- dyb
- fremmer
- forfremmelse
- salgsfremmende
- Kampagner
- prototyping
- stolt
- give
- forudsat
- giver
- køb
- Quest
- tilfældig
- rangerer
- bedømmelse
- ratings
- Læsning
- klar
- virkelige verden
- realtid
- nylige
- anbefaler
- Anbefaling
- anbefalinger
- anbefales
- anbefale
- anbefaler
- optage
- indfrielse
- henvise
- afspejler
- afspejler
- afspejler
- hilsen
- relevans
- relevant
- forblive
- påmindelse
- Repository
- repræsentere
- repræsenteret
- repræsenterer
- redde
- forskning
- modstandskraft
- Resonator
- Ressourcer
- svar
- reaktioner
- resultere
- resulterer
- Resultater
- detail
- afkast
- Revolutionerende
- roterer
- højre
- robotteknik
- roller
- romantik
- kører
- løber
- s
- saga
- sagemaker
- Gem
- så
- Scale
- scenarie
- scenarier
- planlægning
- sci-fi
- Videnskab
- Søg
- Søgemaskiner
- søgninger
- Anden
- hemmeligheder
- Sektion
- se
- se
- valgt
- valg
- SELV
- sender
- senior
- forstand
- Sequence
- tjeneste
- Tjenester
- servering
- flere
- delt
- Aktier
- deling
- hun
- bør
- Shows
- signifikant
- betydeligt
- betegner
- Simpelt
- forenkle
- løsninger
- Løsninger
- SOLVE
- nogle
- indkøbt
- Kilder
- Space
- særligt
- specialist
- specifikt
- detaljerne
- Stjerne
- Star wars
- påbegyndt
- erklærede
- Steps
- opbevaring
- butik
- opbevaret
- forhandler
- lagring
- Story
- historiefortælling
- Strategisk
- Strategi
- Strejker
- kraftigt
- Studere
- Bedøvelse
- efterfølgende
- sådan
- tyder
- egnede
- suite
- RESUMÉ
- Understøtter
- overlever
- synopsis
- systemet
- Systemer
- skræddersyet
- skræddersy
- Tag
- taget
- tager
- tager
- mål
- Opgaver
- smag
- teknikker
- fortæller
- skabelon
- prøve
- tests
- tekst
- end
- Tak
- at
- deres
- Them
- temaer
- derefter
- Der.
- derved
- Disse
- de
- denne
- dem
- tankevækkende
- tre
- Gennem
- hele
- tid
- tidløs
- Titel
- til
- sammen
- TONE
- værktøj
- værktøjer
- top
- mod
- Kurser
- transformative
- transportere
- Traveling
- bidrage
- sand
- to
- typen
- typisk
- typisk
- afdække
- underliggende
- forståelse
- utænkelig
- Universe
- låse
- unødvendig
- up-to-date
- opdateret
- us
- brug
- anvendte
- Bruger
- brugere
- bruger
- ved brug af
- nytte
- VALIDATE
- Værdier
- række
- forskellige
- via
- visning
- vision
- visuelt
- visuals
- gå
- går igennem
- ønsker
- ønsker
- krig
- Warszawa
- Ur
- we
- web
- webservices
- GODT
- Kendt
- Hvad
- hvornår
- ud fra følgende betragtninger
- som
- mens
- WHO
- hvis
- vilje
- med
- inden for
- vidne
- spekulerer
- ord
- Arbejde
- arbejder
- virker
- world
- værd
- ville
- skriftlig
- år
- endnu
- hvilket giver
- Du
- Din
- zephyrnet