Η ικανότητα αποτελεσματικού χειρισμού και επεξεργασίας τεράστιων ποσοτήτων εγγράφων έχει καταστεί απαραίτητη για τις επιχειρήσεις στον σύγχρονο κόσμο. Λόγω της συνεχούς εισροής πληροφοριών με τις οποίες ασχολούνται όλες οι επιχειρήσεις, η μη αυτόματη ταξινόμηση εγγράφων δεν είναι πλέον βιώσιμη επιλογή. Τα μοντέλα ταξινόμησης εγγράφων μπορούν να αυτοματοποιήσουν τη διαδικασία και να βοηθήσουν τους οργανισμούς να εξοικονομήσουν χρόνο και πόρους. Οι παραδοσιακές τεχνικές κατηγοριοποίησης, όπως η μη αυτόματη επεξεργασία και οι αναζητήσεις βάσει λέξεων-κλειδιών, γίνονται λιγότερο αποτελεσματικές και χρονοβόρες όσο αυξάνεται ο όγκος των εγγράφων. Αυτή η αναποτελεσματικότητα προκαλεί χαμηλότερη παραγωγικότητα και υψηλότερα λειτουργικά έξοδα. Επιπλέον, μπορεί να αποτρέψει την πρόσβαση σε κρίσιμες πληροφορίες όταν χρειάζεται, κάτι που θα μπορούσε να οδηγήσει σε κακή εμπειρία πελάτη και να επηρεάσει τη λήψη αποφάσεων. Στο AWS re:Invent 2022, Κατανοήστε το Amazon, μια υπηρεσία επεξεργασίας φυσικής γλώσσας (NLP) που χρησιμοποιεί μηχανική εκμάθηση (ML) για να ανακαλύψει πληροφορίες από κείμενο, ξεκίνησε υποστήριξη για εγγενείς τύπους εγγράφων. Αυτή η νέα δυνατότητα σάς έδωσε τη δυνατότητα να ταξινομείτε έγγραφα σε εγγενείς μορφές (PDF, TIFF, JPG, PNG, DOCX) χρησιμοποιώντας το Amazon Comprehend.
Σήμερα, είμαστε ενθουσιασμένοι που ανακοινώνουμε ότι το Amazon Comprehend υποστηρίζει πλέον εκπαίδευση μοντέλων προσαρμοσμένης ταξινόμησης με έγγραφα όπως PDF, Word και μορφές εικόνας. Τώρα μπορείτε να εκπαιδεύσετε προσαρμοσμένα μοντέλα ταξινόμησης εγγράφων σε εγγενή έγγραφα που υποστηρίζουν τη διάταξη εκτός από το κείμενο, αυξάνοντας την ακρίβεια των αποτελεσμάτων.
Σε αυτήν την ανάρτηση, παρέχουμε μια επισκόπηση του πώς μπορείτε να ξεκινήσετε με την εκπαίδευση ενός προσαρμοσμένου μοντέλου ταξινόμησης εγγράφων Amazon Comprehend.
Επισκόπηση
Η ικανότητα κατανόησης των σχετικών τοποθετήσεων αντικειμένων μέσα σε έναν καθορισμένο χώρο αναφέρεται ως ευαισθητοποίηση διάταξης. Σε αυτήν την περίπτωση, βοηθά το μοντέλο να κατανοήσει πώς οι κεφαλίδες, οι υποκεφαλίδες, οι πίνακες και τα γραφικά σχετίζονται μεταξύ τους μέσα σε ένα έγγραφο. Το μοντέλο μπορεί να κατηγοριοποιήσει πιο αποτελεσματικά ένα έγγραφο με βάση το περιεχόμενό του, όταν γνωρίζει τη δομή και τη διάταξη του κειμένου.
Σε αυτήν την ανάρτηση, θα ακολουθήσουμε τα βήματα προετοιμασίας δεδομένων, θα παρουσιάσουμε τη διαδικασία εκπαίδευσης του μοντέλου και θα συζητήσουμε τα οφέλη από τη χρήση του νέου προσαρμοσμένου μοντέλου ταξινόμησης εγγράφων στο Amazon Comprehend. Ως βέλτιστη πρακτική, θα πρέπει να λάβετε υπόψη τα ακόλουθα σημεία προτού ξεκινήσετε την εκπαίδευση του προσαρμοσμένου μοντέλου ταξινόμησης εγγράφων.
Αξιολογήστε τις ανάγκες ταξινόμησης εγγράφων σας
Προσδιορίστε τους διάφορους τύπους εγγράφων που μπορεί να χρειαστεί να ταξινομήσετε, μαζί με τις διάφορες κατηγορίες ή κατηγορίες για να υποστηρίξετε την περίπτωση χρήσης σας. Προσδιορίστε την κατάλληλη δομή ταξινόμησης ή ταξινόμηση αφού αξιολογήσετε την ποσότητα και τους τύπους των εγγράφων που πρέπει να κατηγοριοποιηθούν. Οι τύποι εγγράφων μπορεί να διαφέρουν από PDF, Word, εικόνες και ούτω καθεξής. Βεβαιωθείτε ότι έχετε εξουσιοδοτημένη πρόσβαση σε ένα διαφορετικό σύνολο εγγράφων με ετικέτα είτε μέσω συστήματος διαχείρισης εγγράφων είτε μέσω άλλων μηχανισμών αποθήκευσης.
Προετοιμάστε τα δεδομένα σας
Βεβαιωθείτε ότι τα αρχεία εγγράφων που σκοπεύετε να χρησιμοποιήσετε για εκπαίδευση μοντέλων δεν είναι κρυπτογραφημένα ή κλειδωμένα—για παράδειγμα, βεβαιωθείτε ότι τα αρχεία PDF σας δεν είναι κρυπτογραφημένα και κλειδωμένα με κωδικό πρόσβασης. Πρέπει να αποκρυπτογραφήσετε τέτοια αρχεία για να μπορέσετε να τα χρησιμοποιήσετε για εκπαιδευτικούς σκοπούς. Επισημάνετε ένα δείγμα των εγγράφων σας με τις κατάλληλες κατηγορίες ή ετικέτες (τάξεις). Προσδιορίστε εάν η ταξινόμηση μιας ετικέτας (λειτουργία πολλαπλών τάξεων) ή ταξινόμηση πολλαπλών ετικετών είναι κατάλληλο για την περίπτωση χρήσης σας. Η λειτουργία πολλαπλών κλάσεων συσχετίζει μόνο μία κλάση με κάθε έγγραφο, ενώ η λειτουργία πολλαπλών ετικετών συσχετίζει μία ή περισσότερες κλάσεις με ένα έγγραφο.
Εξετάστε την αξιολόγηση του μοντέλου
Χρησιμοποιήστε το επισημασμένο σύνολο δεδομένων για να εκπαιδεύσετε το μοντέλο, ώστε να μπορεί να μάθει να ταξινομεί νέα έγγραφα με ακρίβεια και να αξιολογεί την απόδοση της νέας εκπαιδευμένης έκδοσης μοντέλου, κατανοώντας τις μετρήσεις του μοντέλου. Για να κατανοήσετε τις μετρήσεις που παρέχονται από την εκπαίδευση μετά το μοντέλο του Amazon Comprehend, ανατρέξτε στο Προσαρμοσμένες μετρήσεις ταξινομητή. Αφού ολοκληρωθεί η διαδικασία εκπαίδευσης, μπορείτε να ξεκινήσετε την ταξινόμηση εγγράφων ασύγχρονα ή σε πραγματικό χρόνο. Αναλύουμε τον τρόπο εκπαίδευσης ενός προσαρμοσμένου μοντέλου ταξινόμησης στις ακόλουθες ενότητες.
Προετοιμάστε τα δεδομένα εκπαίδευσης
Πριν εκπαιδεύσουμε το προσαρμοσμένο μοντέλο ταξινόμησης, πρέπει να προετοιμάσουμε τα δεδομένα εκπαίδευσης. Τα δεδομένα εκπαίδευσης αποτελούνται από ένα σύνολο εγγράφων με ετικέτα, τα οποία μπορούν να είναι προ-προσδιορισμένα έγγραφα από ένα χώρο αποθήκευσης εγγράφων στον οποίο έχετε ήδη πρόσβαση. Για το παράδειγμά μας, εκπαιδεύσαμε ένα προσαρμοσμένο μοντέλο ταξινόμησης με μερικούς διαφορετικούς τύπους εγγράφων που απαντώνται συνήθως σε μια διαδικασία εκδίκασης αξιώσεων ασφάλισης υγείας: περίληψη εξιτηρίου ασθενούς, τιμολόγια, αποδείξεις κ.λπ. Πρέπει επίσης να ετοιμάσουμε ένα αρχείο σχολιασμών σε μορφή CSV. Ακολουθεί ένα παράδειγμα δεδομένων CSV αρχείου σχολιασμών που απαιτούνται για την εκπαίδευση:
Το αρχείο CSV σχολιασμών πρέπει να περιέχει τρεις στήλες. Η πρώτη στήλη περιέχει την επιθυμητή κλάση (ετικέτα) για το έγγραφο, η δεύτερη στήλη είναι το όνομα του εγγράφου (όνομα αρχείου) και η τελευταία στήλη είναι ο αριθμός σελίδας του εγγράφου που θέλετε να συμπεριλάβετε στο σύνολο δεδομένων εκπαίδευσης. Επειδή η εκπαιδευτική διαδικασία υποστηρίζει εγγενή πολυσέλιδα αρχεία PDF και DOCX, πρέπει να καθορίσετε τον αριθμό σελίδας σε περίπτωση που το έγγραφο είναι πολυσέλιδο έγγραφο. Εάν θέλετε να συμπεριλάβετε όλες τις σελίδες ενός πολυσέλιδου εγγράφου στο σύνολο δεδομένων εκπαίδευσης, πρέπει να καθορίσετε κάθε σελίδα ως ξεχωριστή γραμμή στο αρχείο σχολιασμών CSV. Για παράδειγμα, στο προηγούμενο αρχείο σχολιασμών, invoice-1.pdf
είναι ένα έγγραφο δύο σελίδων και θέλουμε να συμπεριλάβουμε και τις δύο σελίδες στο σύνολο δεδομένων ταξινόμησης. Επειδή αρχεία όπως το PDF, το PNG και το TIFF είναι μορφές εικόνας, η τιμή του αριθμού σελίδας (τρίτη στήλη) πρέπει πάντα να είναι 1. Εάν το σύνολο δεδομένων σας περιέχει αρχεία TIF πολλαπλών καρέ (πολλαπλών σελίδων), πρέπει να τα χωρίσετε σε ξεχωριστά αρχεία TIF στο προκειμένου να τα χρησιμοποιήσουν στην εκπαιδευτική διαδικασία.
Ετοιμάσαμε ένα αρχείο σχολιασμών που ονομάζεται test.csv
με τα κατάλληλα δεδομένα για την εκπαίδευση ενός προσαρμοσμένου μοντέλου ταξινόμησης. Για κάθε δείγμα εγγράφου, το αρχείο CSV περιέχει την κλάση στην οποία ανήκει το έγγραφο, τη θέση του εγγράφου μέσα Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3), όπως π.χ path/to/prefix/document.pdf
και τον αριθμό σελίδας (αν υπάρχει). Επειδή τα περισσότερα από τα έγγραφά μας είναι αρχεία DOCX μιας σελίδας, αρχεία PDF ή αρχεία TIF, JPG ή PNG, ο αριθμός σελίδας που έχει εκχωρηθεί είναι 1. Επειδή οι σχολιασμοί μας CSV και δείγματα εγγράφων βρίσκονται όλα κάτω από το ίδιο πρόθεμα Amazon S3, δεν Δεν χρειάζεται να προσδιορίσετε ρητά το πρόθεμα στη δεύτερη στήλη. Ετοιμάζουμε επίσης τουλάχιστον 10 δείγματα εγγράφων ή περισσότερα για κάθε τάξη και χρησιμοποιήσαμε έναν συνδυασμό αρχείων JPG, PNG, DOCX, PDF και TIF για την εκπαίδευση του μοντέλου. Λάβετε υπόψη ότι συνήθως συνιστάται να έχετε ένα διαφορετικό σύνολο δειγμάτων εγγράφων για εκπαίδευση μοντέλων, ώστε να αποφευχθεί η υπερβολική προσαρμογή του μοντέλου, γεγονός που επηρεάζει την ικανότητά του να αναγνωρίζει νέα έγγραφα. Συνιστάται επίσης να είναι ισορροπημένος ο αριθμός των δειγμάτων ανά κατηγορία, αν και δεν απαιτείται να υπάρχει ακριβώς ο ίδιος αριθμός δειγμάτων ανά κατηγορία. Στη συνέχεια, ανεβάζουμε το test.csv
αρχείο σχολιασμών και όλα τα έγγραφα στο Amazon S3. Η παρακάτω εικόνα δείχνει μέρος του αρχείου CSV των σχολιασμών μας.
Εκπαιδεύστε ένα προσαρμοσμένο μοντέλο ταξινόμησης
Τώρα που έχουμε έτοιμο το αρχείο σχολιασμών και όλα τα δείγματα εγγράφων μας, ρυθμίζουμε ένα προσαρμοσμένο μοντέλο ταξινόμησης και το εκπαιδεύουμε. Πριν ξεκινήσετε τη ρύθμιση της εκπαίδευσης μοντέλων προσαρμοσμένης ταξινόμησης, βεβαιωθείτε ότι οι σχολιασμοί CSV και τα δείγματα εγγράφων υπάρχουν σε μια τοποθεσία Amazon S3.
- Στην κονσόλα Amazon Comprehend, επιλέξτε Προσαρμοσμένη ταξινόμηση στο παράθυρο πλοήγησης.
- Επιλέξτε Δημιουργία νέου μοντέλου.
- Για Ονομα μοντέλου, εισαγάγετε ένα μοναδικό όνομα.
- Για Όνομα έκδοσης, εισαγάγετε ένα μοναδικό όνομα έκδοσης.
- Για Τύπος μοντέλου εκπαίδευσης, Επιλέξτε Εγγενή έγγραφα.
Αυτό λέει στο Amazon Comprehend ότι σκοπεύετε να χρησιμοποιήσετε εγγενείς τύπους εγγράφων για να εκπαιδεύσετε το μοντέλο αντί για σειριακό κείμενο.
- Για Λειτουργία ταξινομητή, Επιλέξτε Χρήση της λειτουργίας μιας ετικέτας.
Αυτή η λειτουργία λέει στον ταξινομητή ότι σκοπεύουμε να ταξινομήσουμε έγγραφα σε μία κλάση. Εάν χρειάζεται να εκπαιδεύσετε ένα μοντέλο με λειτουργία πολλαπλών ετικετών, που σημαίνει ότι ένα έγγραφο μπορεί να ανήκει σε μία ή περισσότερες από μία κλάσεις, πρέπει να ρυθμίσετε κατάλληλα το αρχείο σχολιασμών, καθορίζοντας τις κατηγορίες του εγγράφου που χωρίζονται με έναν ειδικό χαρακτήρα στους σχολιασμούς CSV αρχείο. Σε αυτήν την περίπτωση, θα επιλέξετε το Χρήση λειτουργίας πολλαπλών ετικετών επιλογή.
- Για Θέση σχολιασμού στο S3, εισαγάγετε τη διαδρομή του αρχείου CSV σχολιασμών.
- Για Τοποθεσία δεδομένων εκπαίδευσης στο S3, εισαγάγετε την τοποθεσία Amazon S3 όπου βρίσκονται τα έγγραφά σας.
- Αφήστε όλες τις άλλες επιλογές ως προεπιλογές σε αυτήν την ενότητα.
- Στο Δεδομένα εξόδου ενότητα, καθορίστε μια τοποθεσία Amazon S3 για την έξοδο σας.
Αυτό είναι προαιρετικό, αλλά είναι καλή πρακτική να παρέχετε μια τοποθεσία εξόδου, επειδή το Amazon Comprehend θα δημιουργήσει τις μετρήσεις αξιολόγησης εκπαίδευσης μετά το μοντέλο σε αυτήν την τοποθεσία. Αυτά τα δεδομένα είναι χρήσιμα για την αξιολόγηση της απόδοσης του μοντέλου, την επανάληψη και τη βελτίωση της ακρίβειας του μοντέλου σας.
- Στο IAM ρόλο ενότητα, επιλέξτε ένα κατάλληλο Διαχείριση ταυτότητας και πρόσβασης AWS (IAM) ρόλος που επιτρέπει στο Amazon Comprehend να έχει πρόσβαση στην τοποθεσία του Amazon S3 και να γράφει και να διαβάζει από αυτήν.
- Επιλέξτε Δημιουργία για να ξεκινήσει η πρότυπη εκπαίδευση.
Η εκπαίδευση του μοντέλου μπορεί να διαρκέσει αρκετά λεπτά, ανάλογα με τον αριθμό των κλάσεων και το μέγεθος δεδομένων. Μπορείτε να ελέγξετε την κατάσταση της εκπαίδευσης στο Προσαρμοσμένη ταξινόμηση σελίδα. Η εκπαιδευτική διαδικασία θα εμφανίσει α Υποβλήθηκε κατάσταση αμέσως μετά την έναρξη της εκπαιδευτικής διαδικασίας και θα αλλάξει σε Εκπαίδευση κατάσταση κατά την έναρξη της εκπαιδευτικής διαδικασίας. Αφού το μοντέλο σας εκπαιδευτεί, το Κατάσταση έκδοσης θα αλλάξει σε Εκπαιδευμένοι. Εάν το Amazon Comprehend εντοπίσει ασυνέπειες στα δεδομένα προπόνησής σας, θα εμφανιστεί η κατάσταση Σε λάθος μαζί με μια ειδοποίηση που δείχνει το κατάλληλο μήνυμα σφάλματος, ώστε να μπορείτε να προβείτε σε διορθωτικές ενέργειες και να επανεκκινήσετε τη διαδικασία εκπαίδευσης με τα διορθωμένα δεδομένα.
Σε αυτήν την ανάρτηση, παρουσιάσαμε τα βήματα για την εκπαίδευση ενός προσαρμοσμένου μοντέλου ταξινομητή χρησιμοποιώντας την κονσόλα Amazon Comprehend. Μπορείτε επίσης να χρησιμοποιήσετε το AWS SDK σε οποιαδήποτε γλώσσα (για παράδειγμα, Boto3 για Python) ή το Διεπαφή γραμμής εντολών AWS (AWS CLI) για να ξεκινήσει μια εκπαίδευση μοντέλου προσαρμοσμένης ταξινόμησης. Με το SDK ή το AWS CLI, μπορείτε να χρησιμοποιήσετε το CreateDocumentClassifier API για να ξεκινήσει η εκπαίδευση του μοντέλου και στη συνέχεια να χρησιμοποιήσει το ΠεριγράψτεDocumentClassifier API για έλεγχο της κατάστασης του μοντέλου.
Αφού εκπαιδευτεί το μοντέλο, μπορείτε να εκτελέσετε ένα από τα δύο ανάλυση σε πραγματικό χρόνο or εργασίες ανάλυσης ασύγχρονης (παρτίδας). σε νέα έγγραφα. Για να εκτελέσετε ταξινόμηση σε πραγματικό χρόνο σε έγγραφα, πρέπει να αναπτύξετε ένα τελικό σημείο Amazon Comprehend σε πραγματικό χρόνο με το εκπαιδευμένο μοντέλο προσαρμοσμένης ταξινόμησης. Τα τελικά σημεία σε πραγματικό χρόνο είναι τα καλύτερα κατάλληλα για περιπτώσεις χρήσης που απαιτούν αποτελέσματα συμπερασμάτων σε πραγματικό χρόνο χαμηλής καθυστέρησης, ενώ για την ταξινόμηση ενός μεγάλου συνόλου εγγράφων, μια εργασία ασύγχρονης ανάλυσης είναι πιο κατάλληλη. Για να μάθετε πώς μπορείτε να εκτελέσετε ασύγχρονα συμπεράσματα σε νέα έγγραφα χρησιμοποιώντας ένα εκπαιδευμένο μοντέλο ταξινόμησης, ανατρέξτε στο Εισαγωγή της ταξινόμησης σε ένα βήμα και της αναγνώρισης οντοτήτων με το Amazon Comprehend για έξυπνη επεξεργασία εγγράφων.
Πλεονεκτήματα του μοντέλου προσαρμοσμένης ταξινόμησης με γνώση της διάταξης
Το νέο μοντέλο ταξινομητή προσφέρει μια σειρά από βελτιώσεις. Δεν είναι μόνο πιο εύκολο να εκπαιδεύσετε το νέο μοντέλο, αλλά μπορείτε επίσης να εκπαιδεύσετε ένα νέο μοντέλο με λίγα μόνο δείγματα για κάθε κατηγορία. Επιπλέον, δεν χρειάζεται πλέον να εξάγετε σειριακό απλό κείμενο από σαρωμένα ή ψηφιακά έγγραφα, όπως εικόνες ή PDF για να προετοιμάσετε το σύνολο δεδομένων εκπαίδευσης. Ακολουθούν ορισμένες πρόσθετες αξιοσημείωτες βελτιώσεις που μπορείτε να περιμένετε από το νέο μοντέλο ταξινόμησης:
- Βελτιωμένη ακρίβεια – Το μοντέλο λαμβάνει πλέον υπόψη τη διάταξη και τη δομή των εγγράφων, γεγονός που οδηγεί σε καλύτερη κατανόηση της δομής και του περιεχομένου των εγγράφων. Αυτό βοηθά στη διάκριση μεταξύ εγγράφων με παρόμοιο κείμενο αλλά διαφορετική διάταξη ή δομές, με αποτέλεσμα αυξημένη ακρίβεια ταξινόμησης.
- Ευρωστία – Το μοντέλο χειρίζεται πλέον παραλλαγές στη δομή και τη μορφοποίηση του εγγράφου. Αυτό το καθιστά πιο κατάλληλο για την ταξινόμηση εγγράφων από διαφορετικές πηγές με διαφορετικές διατάξεις ή στυλ μορφοποίησης, κάτι που είναι μια κοινή πρόκληση στις εργασίες ταξινόμησης εγγράφων του πραγματικού κόσμου. Είναι συμβατό με πολλούς τύπους εγγράφων εγγενώς, καθιστώντας το ευέλικτο και εφαρμόσιμο σε διαφορετικές βιομηχανίες και περιπτώσεις χρήσης.
- Μειωμένη χειρωνακτική παρέμβαση – Η υψηλότερη ακρίβεια οδηγεί σε λιγότερη χειροκίνητη παρέμβαση στη διαδικασία ταξινόμησης. Αυτό μπορεί να εξοικονομήσει χρόνο και πόρους και να αυξήσει τη λειτουργική αποτελεσματικότητα του φόρτου εργασίας επεξεργασίας των εγγράφων σας.
Συμπέρασμα
Το νέο μοντέλο ταξινόμησης εγγράφων Amazon Comprehend, το οποίο ενσωματώνει την επίγνωση της διάταξης, αλλάζει το παιχνίδι για τις επιχειρήσεις που ασχολούνται με μεγάλους όγκους εγγράφων. Κατανοώντας τη δομή και τη διάταξη των εγγράφων, αυτό το μοντέλο προσφέρει βελτιωμένη ακρίβεια και αποτελεσματικότητα ταξινόμησης. Η εφαρμογή μιας ισχυρής και ακριβούς λύσης ταξινόμησης εγγράφων χρησιμοποιώντας ένα μοντέλο με επίγνωση της διάταξης μπορεί να βοηθήσει την επιχείρησή σας να εξοικονομήσει χρόνο, να μειώσει το λειτουργικό κόστος και να βελτιώσει τις διαδικασίες λήψης αποφάσεων.
Ως επόμενο βήμα, σας ενθαρρύνουμε να δοκιμάσετε το νέο μοντέλο προσαρμοσμένης ταξινόμησης Amazon Comprehend μέσω του Amazon Comprehend κονσόλα. Συνιστούμε επίσης να επισκεφθείτε ξανά τις ανακοινώσεις βελτίωσης του μοντέλου προσαρμοσμένης ταξινόμησης από πέρυσι και να επισκεφθείτε το Αποθετήριο GitHub για δείγματα κώδικα.
Σχετικά με τους συγγραφείς
Anjan Biswas είναι Ανώτερος Αρχιτέκτονας Λύσεων Υπηρεσιών AI με έμφαση στο AI/ML και την ανάλυση δεδομένων. Ο Anjan είναι μέρος της παγκόσμιας ομάδας υπηρεσιών AI και συνεργάζεται με πελάτες για να τους βοηθήσει να κατανοήσουν και να αναπτύξουν λύσεις σε επιχειρηματικά προβλήματα με AI και ML. Η Anjan έχει πάνω από 14 χρόνια εμπειρίας σε συνεργασία με παγκόσμιους οργανισμούς εφοδιαστικής αλυσίδας, κατασκευής και λιανικής και βοηθά ενεργά τους πελάτες να ξεκινήσουν και να επεκτείνουν τις υπηρεσίες AWS AI.
Godwin Sahayaraj Vincent είναι Αρχιτέκτονας Enterprise Solutions στην AWS που είναι παθιασμένος με τη Μηχανική Μάθηση και την παροχή καθοδήγησης στους πελάτες για το σχεδιασμό, την ανάπτυξη και τη διαχείριση του φόρτου εργασίας και των αρχιτεκτονικών τους AWS. Στον ελεύθερο χρόνο του, του αρέσει να παίζει κρίκετ με τους φίλους του και τένις με τα τρία του παιδιά.
Γράφω Talukdar είναι Senior Architect με την ομάδα Amazon Comprehend Service. Συνεργάζεται με πελάτες AWS για να τους βοηθήσει να υιοθετήσουν τη μηχανική εκμάθηση σε μεγάλη κλίμακα. Εκτός δουλειάς, του αρέσει το διάβασμα και η φωτογραφία.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- Minting the Future με την Adryenn Ashley. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/amazon-comprehend-document-classifier-adds-layout-support-for-higher-accuracy/
- :έχει
- :είναι
- $UP
- 1
- 10
- 100
- 11
- 2022
- 7
- a
- ικανότητα
- Σχετικα
- πρόσβαση
- προσιτός
- Λογαριασμός
- ακρίβεια
- ακριβής
- με ακρίβεια
- Ενέργειες
- δραστήρια
- Επιπλέον
- Πρόσθετος
- Επιπλέον
- Προσθέτει
- ενστερνίζομαι
- Μετά το
- AI
- Υπηρεσίες AI
- AI / ML
- ενισχύσεων
- Ειδοποίηση
- Όλα
- επιτρέπει
- κατά μήκος
- ήδη
- Αν και
- πάντοτε
- Amazon
- Κατανοήστε το Amazon
- ποσό
- Ποσά
- ανάλυση
- analytics
- και
- Ανακοινώστε
- Ανακοινώσεις
- Άλλος
- κάθε
- api
- εφαρμόσιμος
- κατάλληλος
- κατάλληλα
- ΕΙΝΑΙ
- AS
- ανατεθεί
- At
- αυτοματοποίηση
- επίγνωση
- AWS
- AWS re: Εφευρέστε
- βασίζονται
- BE
- επειδή
- γίνονται
- πριν
- αρχίζουν
- είναι
- οφέλη
- ΚΑΛΎΤΕΡΟΣ
- Καλύτερα
- μεταξύ
- επιχείρηση
- επιχειρήσεις
- by
- που ονομάζεται
- CAN
- Μπορεί να πάρει
- Χωρητικότητα
- περίπτωση
- περιπτώσεις
- κατηγορίες
- αίτια
- αλυσίδα
- πρόκληση
- αλλαγή
- χαρακτήρας
- έλεγχος
- Επιλέξτε
- ισχυρισμός
- τάξη
- τάξεις
- ταξινόμηση
- Ταξινόμηση
- κωδικός
- Στήλη
- Στήλες
- Κοινός
- σύμφωνος
- πλήρης
- κατανοώ
- Αποτελείται
- Εξετάστε
- πρόξενος
- περιέχουν
- Περιέχει
- περιεχόμενο
- συνεχής
- Διορθώθηκε
- Δικαστικά έξοδα
- θα μπορούσε να
- κρίκετ
- κρίσιμος
- έθιμο
- πελάτης
- εμπειρία του πελάτη
- Πελάτες
- ημερομηνία
- Δεδομένα Analytics
- Προετοιμασία δεδομένων
- συμφωνία
- μοιρασιά
- Λήψη Αποφάσεων
- Αποκρυπτογράφηση
- Προεπιλογή
- ορίζεται
- αποδεικνύουν
- κατέδειξε
- Σε συνάρτηση
- παρατάσσω
- Υπηρεσίες
- επιθυμητή
- Προσδιορίστε
- ανάπτυξη
- διαφορετικές
- ψηφιακό
- ανακαλύπτουν
- συζητήσουν
- Display
- διακρίνω
- διάφορα
- έγγραφο
- διαχείρηση αρχείων
- έγγραφα
- Μην
- κάθε
- ευκολότερη
- αποτελεσματικά
- αποδοτικότητα
- αποτελεσματικός
- είτε
- ενθαρρύνει
- κρυπτογραφημένα
- Τελικό σημείο
- τεράστιος
- εξασφαλίζω
- εισάγετε
- Εταιρεία
- επιχειρήσεις
- οντότητα
- σφάλμα
- ουσιώδης
- αξιολογήσει
- αξιολογώντας
- εκτίμηση
- παράδειγμα
- ενθουσιασμένοι
- αναμένω
- έξοδα
- εμπειρία
- εκχύλισμα
- Χαρακτηριστικό
- λίγοι
- Αρχεία
- Αρχεία
- ευρήματα
- Όνομα
- Συγκέντρωση
- Εξής
- Για
- μορφή
- Βρέθηκαν
- φίλους
- από
- παιχνίδι changer
- παράγουν
- παίρνω
- Παγκόσμιο
- καλός
- γραφικών
- καθοδήγηση
- λαβή
- Handles
- Έχω
- he
- κεφαλίδες
- Υγεία
- ασφάλεια υγείας
- βοήθεια
- βοήθεια
- βοηθά
- υψηλότερο
- Πως
- Πώς να
- HTML
- http
- HTTPS
- Ταυτότητα
- εικόνα
- εικόνες
- Επίπτωση
- Επιπτώσεις
- εκτελεστικών
- βελτίωση
- βελτιωθεί
- βελτίωση
- βελτιώσεις
- in
- περιλαμβάνουν
- Αυξάνουν
- αυξημένη
- Αυξήσεις
- αύξηση
- βιομηχανίες
- εισροή
- πληροφορίες
- κινήσει
- ιδέες
- αντί
- ασφάλιση
- Έξυπνος
- σκοπεύω
- παρέμβαση
- συμμετέχουν
- IT
- ΤΟΥ
- Δουλειά
- jpg
- παιδιά
- επιγραφή
- Ετικέτες
- Γλώσσα
- large
- Επίθετο
- σχέδιο
- οδηγήσει
- Οδηγεί
- ΜΑΘΑΊΝΩ
- μάθηση
- Μου αρέσει
- γραμμή
- τοποθεσία
- κλειδωμένη
- πλέον
- μηχανή
- μάθηση μηχανής
- κάνω
- ΚΑΝΕΙ
- Κατασκευή
- διαχείριση
- διαχείριση
- Ταχύτητες
- χειροκίνητα
- κατασκευής
- Ενδέχεται..
- νόημα
- μήνυμα
- Metrics
- Λεπτ.
- ML
- Τρόπος
- μοντέλο
- μοντέλα
- ΜΟΝΤΕΡΝΑ
- περισσότερο
- πλέον
- όνομα
- ντόπιος
- Φυσικό
- Επεξεργασία φυσικής γλώσσας
- Πλοήγηση
- Ανάγκη
- Νέα
- επόμενη
- nlp
- αξιοσημείωτος
- αριθμός
- αντικειμένων
- of
- προσφορές
- on
- ONE
- λειτουργίας
- επιχειρήσεων
- Επιλογή
- Επιλογές
- τάξη
- οργανώσεις
- ΑΛΛΑ
- δικός μας
- παραγωγή
- εκτός
- επί
- επισκόπηση
- σελίδα
- παράθυρο
- μέρος
- παθιασμένος
- Κωδικός Πρόσβασης
- μονοπάτι
- ασθενής
- Εκτελέστε
- επίδοση
- εκτελεί
- φωτογραφία
- επενδύσεις
- Σκέτη
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- Δοκιμάστε να παίξετε
- σημεία
- φτωχός
- Θέση
- πρακτική
- Προετοιμάστε
- έτοιμος
- πρόληψη
- προβλήματα
- διαδικασια μας
- Διεργασίες
- μεταποίηση
- παραγωγικότητα
- παρέχουν
- παρέχεται
- χορήγηση
- σκοποί
- RE
- Διάβασε
- Ανάγνωση
- έτοιμος
- πραγματικός
- πραγματικό κόσμο
- σε πραγματικό χρόνο
- ΑΠΟΔΕΙΞΗ ΕΙΣΠΡΑΞΗΣ
- αναγνώριση
- αναγνωρίζω
- συνιστώ
- συνιστάται
- μείωση
- αναφέρεται
- Αποθήκη
- απαιτούν
- απαιτείται
- Υποστηρικτικό υλικό
- με αποτέλεσμα
- Αποτελέσματα
- λιανική πώληση
- ανασκόπηση
- εύρωστος
- Ρόλος
- ίδιο
- Αποθήκευση
- Κλίμακα
- SDK
- Δεύτερος
- Τμήμα
- τμήματα
- αρχαιότερος
- ξεχωριστό
- υπηρεσία
- Υπηρεσίες
- σειρά
- τον καθορισμό
- διάφοροι
- θα πρέπει να
- δείχνουν
- Δείχνει
- παρόμοιες
- Απλούς
- ενιαίας
- Μέγεθος
- So
- λύση
- Λύσεις
- μερικοί
- Πηγές
- Χώρος
- ειδική
- διαίρεση
- ξεκίνησε
- ξεκινά
- Κατάσταση
- Βήμα
- Βήματα
- χώρος στο δίσκο
- δομή
- Ακολούθως
- τέτοιος
- κατάλληλος
- ΠΕΡΙΛΗΨΗ
- προμήθεια
- αλυσίδας εφοδιασμού
- υποστήριξη
- Υποστηρίζει
- σύστημα
- Πάρτε
- παίρνει
- εργασίες
- ταξινόμηση
- τεχνικές
- λέει
- ότι
- Η
- τους
- Τους
- Τρίτος
- τρία
- Μέσω
- ώρα
- χρονοβόρος
- προς την
- παραδοσιακός
- Τρένο
- εκπαιδευμένο
- Εκπαίδευση
- τύποι
- συνήθως
- υπό
- καταλαβαίνω
- κατανόηση
- μοναδικός
- χρήση
- περίπτωση χρήσης
- μεταχειρισμένος
- συνήθως
- αξία
- διάφορα
- πολύπλευρος
- εκδοχή
- μέσω
- βιώσιμος
- Επίσκεψη
- τόμος
- όγκους
- αν
- Ποιό
- Ο ΟΠΟΊΟΣ
- θα
- με
- εντός
- λέξη
- Εργασία
- εργαζόμενος
- λειτουργεί
- κόσμος
- θα
- γράφω
- χρόνια
- Εσείς
- Σας
- zephyrnet