Die Wertermittlung von Wohnraum ist ein klassisches Beispiel für den Einsatz von maschinellem Lernen (ML). Einen wesentlichen Einfluss hatten Harrison und Rubinfeld (1978), die ein bahnbrechendes Papier und einen Datensatz veröffentlichten, der informell als „Boston Housing Dataset“ bekannt wurde. In dieser bahnbrechenden Arbeit wurde eine Methode zur Schätzung der Immobilienpreise als Funktion zahlreicher Dimensionen vorgeschlagen, einschließlich der Luftqualität, die den Hauptschwerpunkt ihrer Forschung bildete. Fast 50 Jahre später ist die Schätzung von Immobilienpreisen zu einem wichtigen Lehrmittel für Studenten und Fachleute geworden, die sich für die Nutzung von Daten und ML bei der Geschäftsentscheidung interessieren.
In diesem Beitrag diskutieren wir die Verwendung eines Open-Source-Modells, das speziell für die Aufgabe der visuellen Fragebeantwortung (VQA) entwickelt wurde. Mit VQA können Sie in natürlicher Sprache eine Frage zu einem Foto stellen und erhalten eine Antwort auf Ihre Frage – auch in einfacher Sprache. Unser Ziel in diesem Beitrag ist es, zu inspirieren und zu demonstrieren, was mit dieser Technologie möglich ist. Wir schlagen vor, diese Funktion mit dem zu nutzen Amazon Sage Maker Plattform von Diensten zur Verbesserung der Genauigkeit des Regressionsmodells in einem ML-Anwendungsfall und unabhängig davon für die automatisierte Kennzeichnung visueller Bilder.
Wir stellen ein entsprechendes bereit YouTube-Video Das zeigt, was hier besprochen wird. Die Videowiedergabe beginnt mittendrin, um den hervorstechendsten Punkt hervorzuheben. Wir empfehlen Ihnen, dieser Lektüre das Video anzuschließen, um das Konzept zu vertiefen und ein tieferes Verständnis dafür zu erlangen.
Gründungsmodelle
Diese Lösung konzentriert sich auf die Verwendung eines im Hugging Face-Modellrepository veröffentlichten Fundamentmodells. Hier verwenden wir den Begriff Gründungsmodell um eine Fähigkeit der künstlichen Intelligenz (KI) zu beschreiben, die anhand eines großen und vielfältigen Datenbestands vorab trainiert wurde. Foundation-Modelle können manchmal einsatzbereit sein, ohne dass ein Modell von Grund auf trainiert werden muss. Einige Grundmodelle können verfeinert werden, was bedeutet, dass ihnen zusätzliche Muster beigebracht werden, die für Ihr Unternehmen relevant sind, aber im ursprünglichen, verallgemeinerten veröffentlichten Modell fehlen. Manchmal ist eine Feinabstimmung erforderlich, um korrekte Antworten zu liefern, die speziell auf Ihren Anwendungsfall oder Wissensbestand zugeschnitten sind.
Im Gesicht umarmen Im Repository stehen mehrere VQA-Modelle zur Auswahl. Wir haben zum Zeitpunkt des Verfassens dieses Artikels das Modell mit den meisten Downloads ausgewählt. Obwohl dieser Beitrag die Möglichkeit demonstriert, ein Modell aus einem Open-Source-Modell-Repository zu verwenden, würde das gleiche Konzept auch für ein Modell gelten, das Sie von Grund auf trainiert oder von einem anderen vertrauenswürdigen Anbieter verwendet haben.
Ein moderner Ansatz für einen klassischen Anwendungsfall
Die Schätzung des Immobilienpreises erfolgt traditionell anhand tabellarischer Daten, bei denen Merkmale der Immobilie als Preisinformationen herangezogen werden. Obwohl Hunderte von Merkmalen zu berücksichtigen sind, sind einige grundlegende Beispiele die Größe des Hauses im fertigen Raum, die Anzahl der Schlafzimmer und Badezimmer sowie die Lage des Wohnsitzes.
Maschinelles Lernen ist in der Lage, über tabellarische Daten hinaus verschiedene Eingabequellen zu integrieren, beispielsweise Audio, Standbilder, bewegte Videos und natürliche Sprache. In der KI ist der Begriff multimodal bezieht sich auf die Verwendung verschiedener Medientypen, beispielsweise Bilder und Tabellendaten. In diesem Beitrag zeigen wir, wie man multimodale Daten nutzen kann, um verborgene Werte zu finden und freizusetzen, die im reichlich vorhandenen digitalen Abgas der heutigen modernen Welt stecken.
Vor diesem Hintergrund demonstrieren wir die Verwendung von Fundamentmodellen, um latente Merkmale aus Bildern der Immobilie zu extrahieren. Durch die Nutzung von Erkenntnissen aus den Bildern, die bisher in den Tabellendaten nicht verfügbar waren, können wir die Genauigkeit des Modells verbessern. Sowohl die in diesem Beitrag besprochenen Bilder als auch die tabellarischen Daten wurden ursprünglich zur Verfügung gestellt und veröffentlicht GitHub von Ahmed und Moustafa (2016).
Ein Bild sagt mehr als tausend Worte
Nachdem wir nun die Möglichkeiten von VQA verstanden haben, betrachten wir die beiden folgenden Bilder von Küchen. Wie würden Sie den Wert des Hauses anhand dieser Bilder beurteilen? Welche Fragen würden Sie sich stellen? Jedes Bild kann Dutzende Fragen in Ihrem Kopf hervorrufen. Einige dieser Fragen können zu aussagekräftigen Antworten führen, die den Prozess der Hausbewertung verbessern.
Bildnachweis: Francesca Tosolini (links) und Sidekix Media (rechts) auf Unsplash
Die folgende Tabelle enthält anekdotische Beispiele für VQA-Interaktionen, indem Fragen zusammen mit den entsprechenden Antworten angezeigt werden. Antworten können in Form von kategorialen, kontinuierlichen Werten oder binären Antworten vorliegen.
Beispielfrage | Beispielantwort aus dem Foundation Model |
Woraus bestehen die Arbeitsplatten? | Granit, Fliesen, Marmor, Laminat usw. |
Ist das eine teure Küche? | ja Nein |
Wie viele getrennte Waschbecken gibt es? | 0, 1, 2 |
Referenzarchitektur
In diesem Beitrag verwenden wir Amazon SageMaker Data Wrangler um einen einheitlichen Satz visueller Fragen für Tausende von Fotos im Datensatz zu stellen. SageMaker Data Wrangler wurde speziell entwickelt, um den Prozess der Datenvorbereitung und Feature-Entwicklung zu vereinfachen. Durch die Bereitstellung von mehr als 300 integrierten Transformationen trägt SageMaker Data Wrangler dazu bei, den Zeitaufwand für die Vorbereitung von Tabellen- und Bilddaten für ML von Wochen auf Minuten zu reduzieren. Hier kombiniert SageMaker Data Wrangler Datenfunktionen aus dem ursprünglichen Tabellensatz mit fotogenen Funktionen aus dem Basismodell für das Modelltraining.
Als nächstes erstellen wir ein Regressionsmodell unter Verwendung von Amazon SageMaker-Leinwand. SageMaker Canvas kann ein Modell erstellen, ohne Code schreiben zu müssen, und in nur 2–15 Minuten vorläufige Ergebnisse liefern. Im folgenden Abschnitt stellen wir eine Referenzarchitektur bereit, die diese Lösungsanleitung ermöglicht.
Viele beliebte Modelle von Hugging Face und anderen Anbietern sind mit einem Klick einsetzbar Amazon SageMaker-JumpStart. In diesen Repositories sind Hunderttausende Modelle verfügbar. Für diesen Beitrag wählen wir ein Modell, das in SageMaker JumpStart nicht verfügbar ist und eine Kundenbereitstellung erfordert. Wie in der folgenden Abbildung gezeigt, stellen wir ein Hugging-Face-Modell für die Inferenz mithilfe eines bereit Amazon SageMaker-Studio Notizbuch. Das Notebook wird verwendet, um einen Endpunkt für Echtzeit-Inferenz bereitzustellen. Das Notebook verwendet Assets, zu denen das Binärmodell Hugging Face, ein Zeiger auf ein Containerbild und ein speziell entwickeltes inference.py-Skript gehören, das der erwarteten Eingabe und Ausgabe des Modells entspricht. Während Sie dies lesen, kann sich der Mix der verfügbaren VQA-Modelle ändern. Wichtig ist, dass Sie zum Zeitpunkt der Lektüre die verfügbaren VQA-Modelle überprüfen und darauf vorbereitet sind, das von Ihnen gewählte Modell bereitzustellen, das über einen eigenen API-Anfrage- und Antwortvertrag verfügt.
Nachdem das VQA-Modell vom SageMaker-Endpunkt bereitgestellt wurde, verwenden wir SageMaker Data Wrangler, um die Pipeline zu orchestrieren, die letztendlich Tabellendaten und aus den digitalen Bildern extrahierte Funktionen kombiniert und die Daten für das Modelltraining umformt. Die nächste Abbildung bietet einen Überblick darüber, wie der vollständige Datentransformationsauftrag ausgeführt wird.
In der folgenden Abbildung verwenden wir SageMaker Data Wrangler zur Orchestrierung von Datenvorbereitungsaufgaben und SageMaker Canvas für das Modelltraining. Erstens verwendet SageMaker Data Wrangler Amazon-Standortservice um in den Rohdaten verfügbare Postleitzahlen in Breiten- und Längengrade umzuwandeln. Zweitens ist SageMaker Data Wrangler in der Lage, das Senden Tausender Fotos an einen von SageMaker gehosteten Endpunkt für Echtzeit-Inferenzen zu koordinieren und dabei einen einheitlichen Satz von Fragen pro Szene zu stellen. Daraus ergibt sich ein reichhaltiges Spektrum an Merkmalen, die Merkmale beschreiben, die in Küchen, Badezimmern, im Außenbereich von Häusern und mehr beobachtet werden. Nachdem die Daten von SageMaker Data Wrangler aufbereitet wurden, steht ein Trainingsdatensatz in zur Verfügung Amazon Simple Storage-Service (Amazon S3). Mithilfe der S3-Daten als Eingabe ist SageMaker Canvas in der Lage, ein Modell in nur 2–15 Minuten zu trainieren, ohne Code schreiben zu müssen.
Datentransformation mit SageMaker Data Wrangler
Der folgende Screenshot zeigt einen SageMaker Data Wrangler-Workflow. Der Workflow beginnt mit Tausenden von Fotos von Häusern, die in Amazon S3 gespeichert sind. Anschließend ermittelt ein Szenendetektor den Tatort, beispielsweise Küche oder Badezimmer. Abschließend wird den Bildern eine Reihe szenenspezifischer Fragen gestellt, wodurch ein umfangreicherer, tabellarischer Datensatz für das Training zur Verfügung steht.
Im Folgenden finden Sie ein Beispiel für den benutzerdefinierten Transformationscode von SageMaker Data Wrangler, der zur Interaktion mit dem Fundamentmodell und zum Abrufen von Informationen über Bilder von Küchen verwendet wird. Wenn Sie im vorherigen Screenshot den Knoten „Küchenfunktionen“ auswählen würden, würde der folgende Code angezeigt:
Aus Sicherheitsgründen müssen Sie zunächst SageMaker Data Wrangler aktivieren, um Ihren SageMaker-Echtzeitendpunkt aufzurufen AWS Identity and Access Management and (ICH BIN). Ebenso benötigen alle AWS-Ressourcen, die Sie über SageMaker Data Wrangler aufrufen, ähnliche Zulassungsberechtigungen.
Datenstrukturen vor und nach SageMaker Data Wrangler
In diesem Abschnitt diskutieren wir die Struktur der ursprünglichen Tabellendaten und der erweiterten Daten. Die erweiterten Daten enthalten neue Datenfunktionen in Bezug auf diesen Beispielanwendungsfall. Nehmen Sie sich in Ihrer Bewerbung Zeit, sich die vielfältigen Fragen vorzustellen, die in Ihren Bildern zur Verfügung stehen und Ihre Klassifizierungs- oder Regressionsaufgabe unterstützen. Die Idee besteht darin, sich möglichst viele Fragen vorzustellen und sie dann zu testen, um sicherzustellen, dass sie einen Mehrwert bieten.
Struktur der ursprünglichen Tabellendaten
Wie in der Quelle beschrieben GitHub RepoDer Beispieldatensatz enthält 535 tabellarische Datensätze, darunter vier Bilder pro Objekt. Die folgende Tabelle veranschaulicht die Struktur der ursprünglichen Tabellendaten.
Merkmal | Kommentar |
Anzahl der Schlafzimmer | . |
Anzahl der Badezimmer | . |
Fläche (Quadratfuß) | . |
Postleitzahl (USA) | . |
PREISLISTE | Dies ist die vorherzusagende Zielvariable. |
Struktur erweiterter Daten
Die folgende Tabelle veranschaulicht die erweiterte Datenstruktur, die mehrere aus den Bildern abgeleitete neue Funktionen enthält.
Merkmal | Kommentar |
Anzahl der Schlafzimmer | . |
Anzahl der Badezimmer | . |
Fläche (Quadratfuß) | . |
Breite | Berechnet durch Übergabe der ursprünglichen Postleitzahl an den Amazon Location Service. Dies ist der Schwerpunktwert für die Postleitzahl. |
Länge | Berechnet durch Übergabe der ursprünglichen Postleitzahl an den Amazon Location Service. Dies ist der Schwerpunktwert für die Postleitzahl. |
Hat das Schlafzimmer eine gewölbte Decke? | 0 = nein; 1 = ja |
Ist das Badezimmer teuer? | 0 = nein; 1 = ja |
Ist die Küche teuer? | 0 = nein; 1 = ja |
PREISLISTE | Dies ist die vorherzusagende Zielvariable. |
Modellschulung mit SageMaker Canvas
Ein SageMaker Data Wrangler-Verarbeitungsauftrag bereitet den gesamten tabellarischen Trainingsdatensatz vollständig vor und stellt ihn in Amazon S3 zur Verfügung. Als nächstes befasst sich SageMaker Canvas mit der Modellerstellungsphase des ML-Lebenszyklus. Canvas beginnt mit dem Öffnen des S3-Trainingssatzes. Ein Modell verstehen zu können, ist oft eine zentrale Kundenanforderung. Ohne Code schreiben zu müssen und mit wenigen Klicks liefert SageMaker Canvas umfassendes, visuelles Feedback zur Modellleistung. Wie im Screenshot im folgenden Abschnitt zu sehen ist, zeigt SageMaker Canvas, wie einzelne Funktionen das Modell beeinflussen.
Modell trainiert mit originalen Tabellendaten und Merkmalen, die aus Immobilienbildern abgeleitet wurden
Aus dem folgenden Screenshot können wir ersehen, dass Merkmale, die aus Bildern der Immobilie entwickelt wurden, wichtig waren. Basierend auf diesen Ergebnissen war die Frage „Ist diese Küche teuer?“ aus dem Foto mit Werten von 7.08 bzw. 5.498 aussagekräftiger als die „Anzahl der Schlafzimmer“ im ursprünglichen Tabellensatz.
Der folgende Screenshot liefert wichtige Informationen zum Modell. Erstens zeigt das Restdiagramm, dass sich die meisten Punkte in der Menge um die violett schattierte Zone gruppieren. Hier wurden für diese Veranschaulichung zwei Ausreißer außerhalb von SageMaker Canvas manuell mit Anmerkungen versehen. Diese Ausreißer stellen erhebliche Lücken zwischen dem wahren Hauswert und dem vorhergesagten Wert dar. Darüber hinaus ist der R2 Der Wert, der einen möglichen Bereich von 0–100 % hat, wird bei 76 % angezeigt. Dies weist darauf hin, dass das Modell unvollkommen ist und nicht über genügend Informationspunkte verfügt, um die gesamte Vielfalt vollständig zu berücksichtigen und den Hauswert vollständig abzuschätzen.
Wir können Ausreißer verwenden, um zusätzliche Signale zu finden und vorzuschlagen, um ein umfassenderes Modell zu erstellen. Zu diesen Ausreißergrundstücken kann es sich beispielsweise um ein Schwimmbad oder große Grundstücke handeln. Der Datensatz enthielt diese Funktionen nicht; Möglicherweise können Sie diese Daten jedoch finden und ein neues Modell mit der zusätzlichen Funktion „Hat Schwimmbad“ trainieren. Idealerweise ist bei Ihrem nächsten Versuch das R2 Der Wert würde steigen und die MAE- und RMSE-Werte würden sinken.
Modell ohne aus Immobilienbildern abgeleitete Merkmale trainiert
Bevor wir zum nächsten Abschnitt übergehen, wollen wir abschließend untersuchen, ob die Funktionen der Bilder hilfreich waren. Der folgende Screenshot zeigt ein weiteres von SageMaker Canvas trainiertes Modell ohne die Funktionen des VQA-Modells. Wir sehen, dass die Modellfehlerrate von einem RMSE von 282 auf einen RMSE von 352 gestiegen ist. Daraus können wir schließen, dass drei einfache Fragen aus den Bildern die Modellgenauigkeit um etwa 20 % verbesserten. Nicht abgebildet, aber der Vollständigkeit halber das R2 Der Wert für das folgende Modell verschlechterte sich ebenfalls und fiel von einem Wert von 62 % mit den bereitgestellten VQA-Funktionen auf einen Wert von 76 %. Dies ist ein Beispiel dafür, wie SageMaker Canvas es einfach macht, schnell zu experimentieren und einen datengesteuerten Ansatz zu verwenden, der ein Modell ergibt, das Ihren Geschäftsanforderungen entspricht.
Blick in die Zukunft
Viele Organisationen interessieren sich zunehmend für Foundation-Modelle, insbesondere seit General Pre-Trained Transformers (GPTs) im Dezember 2022 offiziell zu einem Mainstream-Thema geworden sind. Ein großer Teil des Interesses an Foundation-Modellen konzentriert sich auf Aufgaben von Large Language Models (LLM). ; Es stehen jedoch auch andere, vielfältige Anwendungsfälle zur Verfügung, beispielsweise Computer Vision und im engeren Sinne die hier beschriebene spezielle VQA-Aufgabe.
Dieser Beitrag ist ein Beispiel, um die Nutzung multimodaler Daten zur Lösung von Branchenanwendungsfällen zu inspirieren. Obwohl wir die Verwendung und den Nutzen von VQA in einem Regressionsmodell demonstriert haben, kann es auch zum Beschriften und Markieren von Bildern für die anschließende Suche oder das Weiterleiten von Geschäftsabläufen verwendet werden. Stellen Sie sich vor, Sie könnten nach Immobilien suchen, die zum Verkauf oder zur Miete angeboten werden. Angenommen, Sie möchten eine Immobilie mit Fliesenböden oder Marmorarbeitsplatten finden. Heutzutage müssen Sie möglicherweise eine lange Liste von Kandidatenobjekten zusammenstellen und sich beim Durchsuchen der einzelnen Kandidaten nach Sicht filtern. Stellen Sie sich stattdessen vor, Sie könnten Einträge filtern, die diese Funktionen enthalten – auch wenn eine Person sie nicht explizit markiert hat. Stellen Sie sich in der Versicherungsbranche die Möglichkeit vor, Schadensersatzansprüche abzuschätzen oder die nächsten Aktionen in einem Geschäftsablauf anhand von Bildern zu planen. Auf Social-Media-Plattformen könnten Fotos für die spätere Verwendung automatisch mit Tags versehen werden.
Zusammenfassung
In diesem Beitrag wurde gezeigt, wie Computer Vision mithilfe eines Basismodells genutzt werden kann, um einen klassischen ML-Anwendungsfall mithilfe der SageMaker-Plattform zu verbessern. Als Teil der vorgeschlagenen Lösung haben wir ein beliebtes VQA-Modell gefunden, das in einer öffentlichen Modellregistrierung verfügbar ist, und es mithilfe eines SageMaker-Endpunkts für Echtzeit-Inferenz bereitgestellt.
Als nächstes verwendeten wir SageMaker Data Wrangler, um einen Workflow zu orchestrieren, in dem den Bildern einheitliche Fragen gestellt wurden, um einen umfangreichen Satz tabellarischer Daten zu generieren. Schließlich haben wir SageMaker Canvas verwendet, um ein Regressionsmodell zu trainieren. Es ist wichtig zu beachten, dass der Beispieldatensatz sehr einfach und daher vom Design her unvollkommen war. Dennoch erleichtert SageMaker Canvas das Verständnis der Modellgenauigkeit und die Suche nach zusätzlichen Signalen, um die Genauigkeit eines Basismodells zu verbessern.
Wir hoffen, dass dieser Beitrag Sie dazu ermutigt hat, die multimodalen Daten zu nutzen, über die Ihr Unternehmen möglicherweise verfügt. Darüber hinaus hoffen wir, dass der Beitrag Sie dazu inspiriert hat, das Modelltraining als iterativen Prozess zu betrachten. Mit etwas Geduld kann ein tolles Modell entstehen. Modelle, die nahezu perfekt sind, sind möglicherweise zu gut, um wahr zu sein, möglicherweise das Ergebnis einer Zielleckage oder einer Überanpassung. Ein ideales Szenario würde mit einem Modell beginnen, das gut, aber nicht perfekt ist. Mithilfe von Fehlern, Verlusten und Residuendiagrammen können Sie zusätzliche Datensignale erhalten, um die Genauigkeit Ihrer anfänglichen Basisschätzung zu erhöhen.
AWS bietet das umfassendste und umfassendste Angebot an ML-Diensten und unterstützender Cloud-Infrastruktur und legt ML in die Hände jedes Entwicklers, Datenwissenschaftlers und erfahrenen Praktikers. Wenn Sie mehr über die SageMaker-Plattform, einschließlich SageMaker Data Wrangler und SageMaker Canvas, erfahren möchten, wenden Sie sich bitte an Ihr AWS-Account-Team und beginnen Sie ein Gespräch. Lesen Sie auch mehr über SageMaker Data Wrangler benutzerdefinierte Transformationen.
Bibliographie
Ahmed, EH, & Moustafa, M. (2016). Schätzung des Hauspreises anhand visueller und textlicher Merkmale. IJCCI 2016 – Tagungsband der 8. Internationalen Gemeinsamen Konferenz über Computational Intelligence, 3, 62–68.
Harrison Jr, D. & Rubinfeld, DL (1978). Hedonische Immobilienpreise und die Nachfrage nach sauberer Luft. Zeitschrift für Umweltökonomie und -management, 5(1), 81-102.
Kim, W., Son, B. & Kim, I.. (2021). ViLT: Vision-and-Language Transformer ohne Faltung oder Regionsüberwachung. Vorträge der 38. Internationalen Konferenz über maschinelles Lernen, in Proceedings of Machine Learning Research. 139:5583-5594.
Über den Autor
Charles Laughlin ist Principal AI/ML Specialist Solution Architect und arbeitet im Amazon SageMaker-Serviceteam bei AWS. Er hilft bei der Gestaltung der Service-Roadmap und arbeitet täglich mit verschiedenen AWS-Kunden zusammen, um deren Unternehmen mithilfe modernster AWS-Technologien und Vordenkern bei der Transformation zu unterstützen. Charles hat einen MS in Supply Chain Management und einen Ph.D. in Datenwissenschaft.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
- PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
- PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/use-foundation-models-to-improve-model-accuracy-with-amazon-sagemaker/
- :hast
- :Ist
- :nicht
- :Wo
- $UP
- 08
- 1
- 100
- 2016
- 2021
- 2022
- 32
- 49
- 50
- 50 Jahre
- 7
- 8
- 8.
- a
- Fähigkeit
- Fähig
- LiveBuzz
- reichlich
- Zugang
- Konto
- Genauigkeit
- erreicht
- Aktionen
- Zusätzliche
- zusätzlich
- Adressen
- Nach der
- ahmed
- AI
- AI / ML
- LUFT
- Alle
- erlauben
- fast
- neben
- ebenfalls
- Obwohl
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- amp
- an
- und
- Ein anderer
- beantworten
- Antworten
- jedem
- Bienen
- erscheinen
- Anwendung
- Bewerben
- Ansatz
- Architektur
- SIND
- um
- Feld
- künstlich
- künstliche Intelligenz
- Künstliche Intelligenz (AI)
- AS
- fragen
- fragen
- beurteilen
- Details
- At
- Versuch
- Audio-
- Automatisiert
- verfügbar
- AWS
- basierend
- Baseline
- BE
- wurde
- werden
- Werden
- war
- Bevor
- beginnen
- Sein
- Nutzen
- zwischen
- Beyond
- Körper
- Boston
- beide
- bauen
- Building
- eingebaut
- Last
- Geschäft
- Unternehmen
- aber
- by
- rufen Sie uns an!
- CAN
- Kandidat
- Leinwand
- Fähigkeiten
- capability
- fähig
- Häuser
- Fälle
- Decke
- zentriert
- Centers
- Kette
- Übernehmen
- Charakteristik
- Frank
- Auswählen
- Anspruch
- klassisch
- Einstufung
- reinigen
- Cloud
- Cloud-Infrastruktur
- Clustering
- Code
- Codes
- zusammenarbeitet
- Farbe
- vereint
- wie die
- abschließen
- umfassend
- rechnerisch
- Computer
- Computer Vision
- konzept
- Schluss
- Konferenz
- Geht davon
- Berücksichtigung
- enthalten
- Container
- enthält
- kontinuierlich
- Vertrag
- Gespräch
- verkaufen
- Koordinate
- und beseitigen Muskelschwäche
- Dazugehörigen
- könnte
- Kredit
- neugierig
- Original
- Kunde
- Kunden
- innovativ, auf dem neuesten Stand
- Unterricht
- technische Daten
- Datenaufbereitung
- Datenwissenschaft
- Datenwissenschaftler
- Datensatz
- Datenstruktur
- datengesteuerte
- Dezember
- Decision Making
- verringern
- tiefsten
- Übergeben
- Demand
- zeigen
- Synergie
- zeigt
- einsetzen
- Einsatz
- Einsatz
- Abgeleitet
- beschreiben
- beschrieben
- Design
- entworfen
- entschlossen
- entwickelt
- Entwickler:in / Unternehmen
- digital
- Größe
- diskutieren
- diskutiert
- verschieden
- do
- die
- Tut nicht
- Downloads
- Dutzende
- Abwurf
- e
- jeder
- Einfache
- Wirtschaftskunde
- ermöglichen
- freigegeben
- ermutigt
- Endpunkt
- Entwicklung
- verbesserte
- genug
- Ganz
- Umwelt-
- Fehler
- Fehler
- insbesondere
- schätzen
- etc
- Sogar
- Jedes
- Beispiel
- Beispiele
- erwartet
- teuer
- Experiment
- Experte
- explizit
- ERKUNDEN
- Extrakt
- Gesicht
- Merkmal
- Eigenschaften
- Feedback
- Feet
- wenige
- Abbildung
- Filter
- Endlich
- Finden Sie
- Vorname
- Boden
- Setzen Sie mit Achtsamkeit
- folgen
- Folgende
- folgt
- Aussichten für
- unten stehende Formular
- gefunden
- Foundation
- vier
- für
- volle Skala
- voll
- Funktion
- Funktionen
- fundamental
- Gewinnen
- Lücken
- Allgemeines
- erzeugen
- bekommen
- Kundenziele
- gut
- Graph
- groß
- bahnbrechend
- die Vermittlung von Kompetenzen,
- Hände
- Haben
- he
- Hilfe
- hilfreich
- hilft
- hier
- versteckt
- Hervorheben
- hält
- Startseite
- Eigenheime
- ein Geschenk
- gehostet
- Häuser
- Gehäuse
- Ultraschall
- Hilfe
- aber
- http
- HTTPS
- hunderte
- i
- Idee
- ideal
- im Idealfall
- Identitätsschutz
- if
- zeigt
- Image
- Bilder
- Bild
- importieren
- Bedeutung
- wichtig
- zu unterstützen,
- verbessert
- in
- das
- inklusive
- Einschließlich
- einarbeiten
- Erhöhung
- hat
- zunehmend
- unabhängig
- zeigt
- Energiegewinnung
- beeinflussen
- informieren
- Information
- Infrastruktur
- Anfangs-
- Varianten des Eingangssignals:
- Einblicke
- inspirieren
- inspirierte
- beantragen müssen
- Versicherung
- Intelligenz
- interagieren
- Interaktionen
- Interesse
- interessiert
- International
- in
- IT
- SEINE
- Job
- dank
- jpg
- JSON
- Wesentliche
- Kim
- Wissen
- bekannt
- Label
- Land
- Sprache
- grosse
- später
- führen
- Leadership
- LERNEN
- lernen
- Lebenszyklus
- Liste
- Gelistet
- Liste
- wenig
- LLM
- located
- Standorte
- verschlossen
- Lang
- Verluste
- Maschine
- Maschinelles Lernen
- gemacht
- Mainstream
- um
- MACHT
- Management
- manuell
- viele
- Streichhölzer
- Kann..
- sinnvoll
- Mittel
- Medien
- Methode
- Mittelweg
- könnte
- Geist / Bewusstsein
- Minuten
- Kommt demnächst...
- mischen
- ML
- Modell
- für
- modern
- mehr
- vor allem warme
- Bewegung
- ziehen um
- sollen
- Natürliche
- Need
- erforderlich
- Neu
- Neue Funktionen
- weiter
- nicht
- Knoten
- Notizbuch
- Anzahl
- und viele
- erhalten
- aufgetreten
- of
- Angebote
- Offiziell
- vorgenommen,
- on
- einzige
- Open-Source-
- Eröffnung
- or
- Auftrag
- Organisation
- Organisationen
- Original
- ursprünglich
- Andere
- UNSERE
- Ausreißer
- Möglichkeiten für das Ausgangssignal:
- aussen
- besitzen
- Papier
- Teil
- Bestehen
- Geduld ist eine Tugend
- Muster
- für
- perfekt
- Leistung
- vielleicht
- Berechtigungen
- person
- Phase
- für Ihre privaten Foto
- Fotos
- ein Bild
- Fotos
- Pipeline
- Ebene
- Plattform
- Plattformen
- Plato
- Datenintelligenz von Plato
- PlatoData
- Bitte
- Points
- Punkte
- Pool
- Beliebt
- Teil
- besitzen
- möglich
- Post
- vorhergesagt
- vorläufig
- Vorbereitung
- Danach
- bereit
- Bereitet sich vor
- vorher
- Preis
- Preise
- Principal
- Verfahren
- Prozessdefinierung
- Verarbeitung
- Produziert
- Profis
- immobilien
- Resorts
- bietet
- vorgeschlage
- die
- vorausgesetzt
- Versorger
- Anbieter
- bietet
- Bereitstellung
- Öffentlichkeit
- veröffentlicht
- Putting
- Qualität
- Frage
- Fragen
- schnell
- R
- Angebot
- Bewerten
- Roh
- erreichen
- Lesen Sie mehr
- Lesebrillen
- bereit
- Echtzeit
- erhalten
- Aufzeichnungen
- Veteran
- Referenz
- bezieht sich
- Region
- Registratur
- verstärken
- relativ
- relevant
- Mieten
- Quelle
- vertreten
- Anforderung
- Anforderung
- erfordert
- Forschungsprojekte
- umformen
- Unterkunft
- Downloads
- beziehungsweise
- Antwort
- Antworten
- Folge
- was zu
- Die Ergebnisse
- Rückkehr
- Überprüfen
- Reiches
- reicheren
- Fahrplan
- Straße
- Routing
- Führen Sie
- Laufzeit
- s
- sagemaker
- Salz
- gleich
- Beispieldatensatz
- Szenario
- Szene
- Wissenschaft
- Wissenschaftler
- scott
- Skript
- Suche
- Zweite
- Abschnitt
- Sicherheitdienst
- sehen
- Suchen
- gesehen
- ausgewählt
- Sendung
- brauchen
- serviert
- Lösungen
- kompensieren
- mehrere
- Form
- erklären
- gezeigt
- Konzerte
- Sehenswürdigkeit
- Signale
- signifikant
- ähnlich
- Ähnlich
- Einfacher
- vereinfachen
- da
- Single
- Größe
- So
- Social Media
- Social Media
- Social-Media-Plattformen
- Lösung
- LÖSEN
- einige
- manchmal
- sie sind
- Quelle
- Quellen
- Raumfahrt
- Spezialist
- spezialisiert
- speziell
- quadratisch
- Anfang
- Immer noch
- Lagerung
- gelagert
- einfach
- Struktur
- Strukturen
- Die Kursteilnehmer
- Folge
- so
- vorschlagen
- Aufsicht
- liefern
- Supply Chain
- Leitung der Lieferkette
- Unterstützung
- sicher
- Tabelle
- TAG
- Nehmen
- nimmt
- Target
- Aufgabe
- und Aufgaben
- Einführungen
- Team
- Technologies
- Technologie
- Begriff
- Test
- textuell
- als
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- Die Quelle
- ihr
- Sie
- dann
- Dort.
- deswegen
- Diese
- vom Nutzer definierten
- Ding
- fehlen uns die Worte.
- diejenigen
- dachte
- Gedankenführung
- tausend
- Tausende
- nach drei
- Durch
- Zeit
- zu
- heute
- heutigen
- auch
- Werkzeug
- Thema
- traditionell
- Training
- trainiert
- Ausbildung
- Transformieren
- Transformation
- Transformationen
- Transformator
- Transformer
- was immer dies auch sein sollte.
- vertraut
- XNUMX
- tippe
- Typen
- Letztlich
- verstehen
- Verständnis
- einzigartiges
- Unsplash
- -
- Anwendungsfall
- benutzt
- verwendet
- Verwendung von
- Verwendung
- Bewertungstag
- Wert
- Wert-Hinzufügen
- Werte
- Variable
- Vielfalt
- sehr
- Video
- Anzeigen
- sichtbar
- Seh-
- visuell
- W
- wollen
- wurde
- we
- Netz
- Web-Services
- Wochen
- GUT
- waren
- Was
- Was ist
- welche
- WHO
- werden wir
- Fenster
- mit
- .
- ohne
- wood
- Arbeiten
- Arbeitsablauf.
- Werk
- weltweit wie ausgehandelt und gekauft ausgeführt wird.
- wert
- würde
- Schreiben
- Jahr
- Erträge
- Du
- Ihr
- sich selbst
- Youtube
- Zephyrnet
- Null
- PLZ