Εξηγήστε τις προβλέψεις μοντέλων ταξινόμησης κειμένου χρησιμοποιώντας το Amazon SageMaker Clarify

Η επεξήγηση του μοντέλου αναφέρεται στη διαδικασία συσχέτισης της πρόβλεψης ενός μοντέλου μηχανικής μάθησης (ML) με τις τιμές των χαρακτηριστικών εισόδου ενός στιγμιότυπου με ανθρωπίνως κατανοητούς όρους. Αυτό το πεδίο αναφέρεται συχνά ως εξηγήσιμη τεχνητή νοημοσύνη (XII). Amazon SageMaker Clerify είναι ένα χαρακτηριστικό του Amazon Sage Maker που επιτρέπει σε επιστήμονες δεδομένων και μηχανικούς ML να εξηγήσουν τις προβλέψεις των μοντέλων ML τους. Χρησιμοποιεί αγνωστικές μεθόδους μοντέλου όπως SHapely Προσθετικές Επεξηγήσεις (SHAP) για απόδοση χαρακτηριστικών. Εκτός από την υποστήριξη επεξηγήσεων για δεδομένα σε πίνακα, το Clarify υποστηρίζει επίσης επεξήγηση τόσο για την όραση υπολογιστή (CV) όσο και για την επεξεργασία φυσικής γλώσσας (NLP) χρησιμοποιώντας τον ίδιο αλγόριθμο SHAP.

Σε αυτήν την ανάρτηση, παρουσιάζουμε τη χρήση του Clarify για την εξήγηση των μοντέλων NLP. Συγκεκριμένα, δείχνουμε πώς μπορείτε να εξηγήσετε τις προβλέψεις ενός μοντέλου ταξινόμησης κειμένου που έχει εκπαιδευτεί χρησιμοποιώντας το SageMaker BlazingText αλγόριθμος. Αυτό σας βοηθά να κατανοήσετε ποια μέρη ή λέξεις του κειμένου είναι πιο σημαντικά για τις προβλέψεις που κάνει το μοντέλο. Μεταξύ άλλων, αυτές οι παρατηρήσεις μπορούν στη συνέχεια να χρησιμοποιηθούν για τη βελτίωση διαφόρων διαδικασιών όπως η απόκτηση δεδομένων που μειώνει την προκατάληψη στο σύνολο δεδομένων και την επικύρωση του μοντέλου για να διασφαλιστεί ότι τα μοντέλα αποδίδουν όπως προβλέπεται και να κερδίσουν την εμπιστοσύνη με όλους τους ενδιαφερόμενους όταν το μοντέλο αναπτύσσεται. Αυτό μπορεί να είναι μια βασική απαίτηση σε πολλούς τομείς εφαρμογών, όπως η ανάλυση συναισθήματος, οι νομικές αναθεωρήσεις, η ιατρική διάγνωση και άλλα.

Παρέχουμε επίσης ένα γενικό μοτίβο σχεδίασης που μπορείτε να χρησιμοποιήσετε ενώ χρησιμοποιείτε το Clarify με οποιοδήποτε από τα Αλγόριθμοι SageMaker.

Επισκόπηση λύσεων

Οι αλγόριθμοι SageMaker έχουν σταθερές μορφές δεδομένων εισόδου και εξόδου. Για παράδειγμα, το κοντέινερ αλγορίθμου BlazingText δέχεται εισόδους σε μορφή JSON. Ωστόσο, οι πελάτες συχνά απαιτούν συγκεκριμένες μορφές που είναι συμβατές με τους αγωγούς δεδομένων τους. Παρουσιάζουμε μερικές επιλογές που μπορείτε να ακολουθήσετε για να χρησιμοποιήσετε το Clarify.

Επιλογή Α

Σε αυτήν την επιλογή, χρησιμοποιούμε τη δυνατότητα διοχέτευσης συμπερασμάτων της φιλοξενίας SageMaker. Μια διοχέτευση συμπερασμάτων είναι ένα μοντέλο SageMaker που αποτελεί μια ακολουθία κοντέινερ που επεξεργάζεται αιτήματα συμπερασμάτων. Το παρακάτω διάγραμμα απεικονίζει ένα παράδειγμα.

Μπορείτε να χρησιμοποιήσετε αγωγούς συμπερασμάτων για να αναπτύξετε έναν συνδυασμό των δικών σας προσαρμοσμένων μοντέλων και των ενσωματωμένων αλγορίθμων του SageMaker που είναι συσκευασμένοι σε διαφορετικά κοντέινερ. Για περισσότερες πληροφορίες, ανατρέξτε στο Φιλοξενία μοντέλων μαζί με λογική προεπεξεργασίας ως σειριακός αγωγός συμπερασμάτων πίσω από ένα τελικό σημείο. Επειδή το Clarify υποστηρίζει μόνο γραμμές CSV και JSON ως είσοδο, πρέπει να ολοκληρώσετε τα ακόλουθα βήματα:

1. Δημιουργήστε ένα μοντέλο και ένα κοντέινερ για να μετατρέψετε τα δεδομένα από CSV (ή JSON Lines) σε JSON.
2. Μετά το βήμα εκπαίδευσης μοντέλου με τον αλγόριθμο BlazingText, απευθείας αναπτύξτε το μοντέλο. Αυτό θα αναπτύξει το μοντέλο χρησιμοποιώντας το κοντέινερ BlazingText, το οποίο δέχεται JSON ως είσοδο. Όταν χρησιμοποιείτε διαφορετικό αλγόριθμο, το SageMaker δημιουργεί το μοντέλο χρησιμοποιώντας το κοντέινερ αυτού του αλγορίθμου.
3. Χρησιμοποιήστε τα δύο προηγούμενα μοντέλα για να δημιουργήσετε ένα Μοντέλο Pipeline. Αυτό συνδέει τα δύο μοντέλα σε μια γραμμική ακολουθία και δημιουργεί ένα ενιαίο μοντέλο. Για παράδειγμα, ανατρέξτε στο Διοχέτευση συμπερασμάτων με Scikit-learn και Linear Learner.

Με αυτήν τη λύση, δημιουργήσαμε με επιτυχία ένα ενιαίο μοντέλο του οποίου η είσοδος είναι συμβατή με το Clarify και μπορεί να χρησιμοποιηθεί από αυτό για τη δημιουργία επεξηγήσεων.

Επιλογή Β

Αυτή η επιλογή δείχνει πώς μπορείτε να ενσωματώσετε τη χρήση διαφορετικών μορφών δεδομένων μεταξύ των αλγορίθμων Clarify και SageMaker, φέρνοντας το δικό σας κοντέινερ για τη φιλοξενία του μοντέλου SageMaker. Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική και τα βήματα που εμπλέκονται στη λύση:

Τα βήματα είναι τα εξής:

1. Χρησιμοποιήστε τον αλγόριθμο BlazingText μέσω του SageMaker Estimator για να εκπαιδεύσετε ένα μοντέλο ταξινόμησης κειμένου.
2. Αφού εκπαιδευτεί το μοντέλο, δημιουργήστε ένα προσαρμοσμένο κοντέινερ Docker που μπορεί να χρησιμοποιηθεί για τη δημιουργία ενός μοντέλου SageMaker και προαιρετικά αναπτύξτε το μοντέλο ως τελικό σημείο μοντέλου SageMaker.
3. Διαμορφώστε και δημιουργήστε μια εργασία διευκρίνισης για να χρησιμοποιήσετε το κοντέινερ φιλοξενίας για τη δημιουργία μιας αναφοράς επεξήγησης.
4. Το προσαρμοσμένο κοντέινερ δέχεται το αίτημα συμπερασμάτων ως CSV και επιτρέπει στο Clarify να δημιουργεί επεξηγήσεις.

Θα πρέπει να σημειωθεί ότι αυτή η λύση δείχνει την ιδέα της απόκτησης επεξηγήσεων εκτός σύνδεσης χρησιμοποιώντας το Clarify για ένα μοντέλο BlazingText. Για περισσότερες πληροφορίες σχετικά με τη διαδικτυακή επεξήγηση, ανατρέξτε στο Επεξήγηση στο Διαδίκτυο με το SageMaker Clarify.

Το υπόλοιπο αυτής της ανάρτησης εξηγεί καθένα από τα βήματα στη δεύτερη επιλογή.

Εκπαιδεύστε ένα μοντέλο BlazingText

Αρχικά εκπαιδεύουμε ένα μοντέλο ταξινόμησης κειμένου χρησιμοποιώντας τον αλγόριθμο BlazingText. Σε αυτό το παράδειγμα, χρησιμοποιούμε το Σύνολο δεδομένων οντολογίας DBpedia. Το DBpedia είναι μια πρωτοβουλία που προέρχεται από το πλήθος για την εξαγωγή δομημένου περιεχομένου χρησιμοποιώντας πληροφορίες από διάφορα έργα του Wikimedia, όπως η Wikipedia. Συγκεκριμένα, χρησιμοποιούμε το σύνολο δεδομένων οντολογίας DBpedia όπως δημιουργήθηκε από Οι Zhang et al. Κατασκευάζεται επιλέγοντας 14 μη επικαλυπτόμενες κλάσεις από το DBpedia 2014. Τα πεδία περιέχουν μια περίληψη ενός άρθρου της Wikipedia και την αντίστοιχη κλάση. Ο στόχος ενός μοντέλου ταξινόμησης κειμένου είναι να προβλέψει την κατηγορία ενός άρθρου με βάση την περίληψή του.

Μια λεπτομερής διαδικασία βήμα προς βήμα για την εκπαίδευση του μοντέλου είναι διαθέσιμη παρακάτω σημειωματάριο. Αφού εκπαιδεύσετε το μοντέλο, σημειώστε το Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) Διαδρομή URI όπου αποθηκεύονται τα τεχνουργήματα του μοντέλου. Για έναν οδηγό βήμα προς βήμα, ανατρέξτε στο Ταξινόμηση κειμένου χρησιμοποιώντας το SageMaker BlazingText.

Αναπτύξτε το εκπαιδευμένο μοντέλο BlazingText χρησιμοποιώντας το δικό σας κοντέινερ στο SageMaker

Με το Clarify, υπάρχουν δύο επιλογές για την παροχή των πληροφοριών μοντέλου:

• Δημιουργήστε ένα μοντέλο SageMaker χωρίς να το αναπτύξετε σε τελικό σημείο – Όταν ένα μοντέλο SageMaker παρέχεται στο Clarify, δημιουργεί ένα εφήμερο τελικό σημείο χρησιμοποιώντας το μοντέλο.
• Δημιουργήστε ένα μοντέλο SageMaker και αναπτύξτε το σε ένα τελικό σημείο – Όταν ένα τελικό σημείο διατίθεται στο Clarify, χρησιμοποιεί το τελικό σημείο για τη λήψη επεξηγήσεων. Αυτό αποφεύγει τη δημιουργία ενός εφήμερου τερματικού σημείου και μπορεί να μειώσει το χρόνο εκτέλεσης μιας εργασίας Clarify.

Σε αυτήν την ανάρτηση, χρησιμοποιούμε την πρώτη επιλογή με το Clarify. Χρησιμοποιούμε το SDK SageMaker Python για το σκοπό αυτό. Για άλλες επιλογές και περισσότερες λεπτομέρειες, ανατρέξτε στο Δημιουργήστε το τελικό σημείο σας και αναπτύξτε το μοντέλο σας.

Φέρτε το δικό σας κοντέινερ (BYOC)

Κατασκευάζουμε πρώτα μια προσαρμοσμένη εικόνα Docker που χρησιμοποιείται για τη δημιουργία του Μοντέλο SageMaker. Μπορείτε να χρησιμοποιήσετε τα αρχεία και τον κώδικα στο κατάλογος πηγής του αποθετηρίου μας GitHub.

Το Dockerfile περιγράφει την εικόνα που θέλουμε να δημιουργήσουμε. Ξεκινάμε με μια τυπική εγκατάσταση του Ubuntu και στη συνέχεια εγκαθιστούμε το Scikit-learn. Κλωνοποιούμε επίσης γρήγορο κείμενο και εγκαταστήστε το πακέτο. Χρησιμοποιείται για τη φόρτωση του μοντέλου BlazingText για την πραγματοποίηση προβλέψεων. Τέλος, προσθέτουμε τον κώδικα που υλοποιεί τον αλγόριθμό μας με τη μορφή των προηγούμενων αρχείων και ρυθμίζουμε το περιβάλλον στο κοντέινερ. Το σύνολο Dockerfile παρέχεται στο αποθετήριο μας και μπορείτε να το χρησιμοποιήσετε ως έχει. Αναφέρομαι σε Χρησιμοποιήστε τον δικό σας κώδικα συμπερασμάτων με τις υπηρεσίες φιλοξενίας για περισσότερες λεπτομέρειες σχετικά με τον τρόπο αλληλεπίδρασης του SageMaker με το κοντέινερ Docker και τις απαιτήσεις του.

Επιπλέον, predictor.py περιέχει τον κώδικα για τη φόρτωση του μοντέλου και την πραγματοποίηση των προβλέψεων. Δέχεται δεδομένα εισόδου ως CSV, γεγονός που το καθιστά συμβατό με το Clarify.

Αφού έχετε το Dockerfile, δημιουργήστε το κοντέινερ Docker και ανεβάστε το σε Μητρώο εμπορευματοκιβωτίων Amazon Elastic (Amazon ECR). Μπορείτε να βρείτε τη διαδικασία βήμα προς βήμα με τη μορφή α shell script στο αποθετήριο GitHub, το οποίο μπορείτε να χρησιμοποιήσετε για να δημιουργήσετε και να ανεβάσετε την εικόνα Docker στο Amazon ECR.

Δημιουργήστε το μοντέλο BlazingText

Το επόμενο βήμα είναι να δημιουργήσετε ένα αντικείμενο μοντέλου από το SageMaker Python SDK Κατηγορία μοντέλου που μπορεί να αναπτυχθεί σε ένα τελικό σημείο HTTPS. Ρυθμίζουμε το Clarify ώστε να χρησιμοποιεί αυτό το μοντέλο για τη δημιουργία επεξηγήσεων. Για τον κωδικό και άλλες απαιτήσεις για αυτό το βήμα, ανατρέξτε στο Αναπτύξτε το εκπαιδευμένο σας μοντέλο SageMaker BlazingText χρησιμοποιώντας το δικό σας κοντέινερ στο Amazon SageMaker.

Ρύθμιση παραμέτρων Διασαφήνιση

Το Clarify NLP είναι συμβατό με μοντέλα παλινδρόμησης και ταξινόμησης. Σας βοηθά να κατανοήσετε ποια μέρη του κειμένου εισαγωγής επηρεάζουν τις προβλέψεις του μοντέλου σας. Το Clarify υποστηρίζει 62 γλώσσες και μπορεί να χειριστεί κείμενο με πολλές γλώσσες. Χρησιμοποιούμε το SageMaker Python SDK για να ορίσουμε τις τρεις διαμορφώσεις που χρησιμοποιούνται από το Clarify για τη δημιουργία της αναφοράς επεξήγησης.

Αρχικά, πρέπει να δημιουργήσουμε το αντικείμενο του επεξεργαστή και επίσης να καθορίσουμε τη θέση του συνόλου δεδομένων εισόδου που θα χρησιμοποιηθεί για τις προβλέψεις και την απόδοση χαρακτηριστικών:

import sagemaker
sagemaker_session = sagemaker.Session()
from sagemaker import clarify
clarify_processor = clarify.SageMakerClarifyProcessor(
role=role,
instance_count=1,
instance_type="ml.m5.xlarge",
sagemaker_session=sagemaker_session,
)
file_path = "<location of the input dataset>"

DataConfig

Εδώ, θα πρέπει να διαμορφώσετε τη θέση των δεδομένων εισόδου, τη στήλη χαρακτηριστικών και το σημείο όπου θέλετε η εργασία Διασαφήνιση να αποθηκεύει την έξοδο. Αυτό γίνεται μεταβιβάζοντας τα σχετικά ορίσματα κατά τη δημιουργία ενός αντικειμένου DataConfig:

explainability_output_path = "s3://{}/{}/clarify-text-explainability".format(
sagemaker_session.default_bucket(), "explainability"
) explainability_data_config = clarify.DataConfig(
s3_data_input_path=file_path,
s3_output_path=explainability_output_path,
headers=["Review Text"],
dataset_type="text/csv",
)

ModelConfig

Με το ModelConfig, θα πρέπει να καθορίσετε πληροφορίες για το εκπαιδευμένο μοντέλο σας. Εδώ, καθορίζουμε το όνομα του μοντέλου BlazingText SageMaker που δημιουργήσαμε σε προηγούμενο βήμα και ορίζουμε επίσης άλλες παραμέτρους όπως η Amazon Elastic Compute Cloud Τύπος παρουσίας (Amazon EC2) και μορφή περιεχομένου:

model_config = clarify.ModelConfig(
model_name=model_name,
instance_type="ml.m5.xlarge",
instance_count=1,
accept_type="application/jsonlines",
content_type="text/csv",
endpoint_name_prefix=None,
)

SHAPConfig

Αυτό χρησιμοποιείται για την ενημέρωση του Clarify σχετικά με τον τρόπο απόκτησης των αποδόσεων χαρακτηριστικών. Το TextConfig χρησιμοποιείται για τον καθορισμό της ευκρίνειας του κειμένου και της γλώσσας. Στο σύνολο δεδομένων μας, επειδή θέλουμε να αναλύσουμε το κείμενο εισαγωγής σε λέξεις και η γλώσσα είναι τα Αγγλικά, ορίσαμε αυτές τις τιμές σε token και English, αντίστοιχα. Ανάλογα με τη φύση του συνόλου δεδομένων σας, μπορείτε να ορίσετε την ευαισθησία σε πρόταση ή παράγραφο. Η γραμμή βάσης ορίζεται σε ένα ειδικό διακριτικό. Αυτό σημαίνει ότι το Clarify θα απορρίψει υποσύνολα του κειμένου εισόδου και θα τα αντικαταστήσει με τιμές από τη γραμμή βάσης, ενώ θα λαμβάνει προβλέψεις για τον υπολογισμό των τιμών SHAP. Αυτός είναι ο τρόπος με τον οποίο καθορίζει την επίδραση των διακριτικών στις προβλέψεις του μοντέλου και με τη σειρά του προσδιορίζει τη σημασία τους. Ο αριθμός των δειγμάτων που πρόκειται να χρησιμοποιηθούν στον αλγόριθμο Kernel SHAP καθορίζεται από την τιμή του num_samples διαφωνία. Οι υψηλότερες τιμές οδηγούν σε πιο ισχυρές αποδόσεις χαρακτηριστικών, αλλά αυτό μπορεί επίσης να αυξήσει τον χρόνο εκτέλεσης της εργασίας. Επομένως, πρέπει να κάνετε μια αντιστάθμιση μεταξύ των δύο. Δείτε τον παρακάτω κώδικα:

shap_config = clarify.SHAPConfig(
baseline=[["<UNK>"]],
num_samples=1000,
agg_method="mean_abs",
save_local_shap_values=True,
text_config=clarify.TextConfig(granularity="token", language="english"),
)

Για περισσότερες πληροφορίες, δείτε Χαρακτηριστικά γνωρίσματα που χρησιμοποιούν τιμές Shapley και Λευκή Βίβλος AI Fairness and Explainability Amazon AI.

ModelPredictedLabelConfig

Προκειμένου το Clarify να εξαγάγει μια προβλεπόμενη ετικέτα ή προβλεπόμενες βαθμολογίες ή πιθανότητες, αυτό το αντικείμενο διαμόρφωσης πρέπει να οριστεί. Δείτε τον παρακάτω κώδικα:

from sagemaker.clarify import ModelPredictedLabelConfig
modellabel_config = ModelPredictedLabelConfig(probability="prob", label="label")

Για περισσότερες λεπτομέρειες, ανατρέξτε στο τεκμηρίωση στο SDK.

Εκτελέστε μια εργασία διευκρίνισης

Αφού δημιουργήσετε τις διαφορετικές διαμορφώσεις, είστε πλέον έτοιμοι να ενεργοποιήσετε την εργασία επεξεργασίας Clarify. Η εργασία επεξεργασίας επικυρώνει την είσοδο και τις παραμέτρους, δημιουργεί το εφήμερο τελικό σημείο και υπολογίζει τις τοπικές και καθολικές αποδόσεις χαρακτηριστικών χρησιμοποιώντας τον αλγόριθμο SHAP. Όταν αυτό ολοκληρωθεί, διαγράφει το εφήμερο τελικό σημείο και δημιουργεί τα αρχεία εξόδου. Δείτε τον παρακάτω κώδικα:

clarify_processor.run_explainability(
data_config=explainability_data_config,
model_config=model_config,
explainability_config=shap_config,
model_scores=modellabel_config,
)

Ο χρόνος εκτέλεσης αυτού του βήματος εξαρτάται από το μέγεθος του συνόλου δεδομένων και τον αριθμό των δειγμάτων που δημιουργούνται από το SHAP.

Οπτικοποιήστε τα αποτελέσματα

Τέλος, παρουσιάζουμε μια οπτικοποίηση των αποτελεσμάτων από την αναφορά απόδοσης τοπικών χαρακτηριστικών που δημιουργήθηκε από την εργασία επεξεργασίας Clarify. Η έξοδος είναι σε μορφή JSON Lines και με κάποια επεξεργασία. μπορείτε να σχεδιάσετε τις βαθμολογίες για τα διακριτικά στο κείμενο εισαγωγής όπως το ακόλουθο παράδειγμα. Οι υψηλότερες ράβδοι έχουν μεγαλύτερο αντίκτυπο στην ετικέτα στόχο. Επιπλέον, οι θετικές τιμές συνδέονται με υψηλότερες προβλέψεις στη μεταβλητή στόχο και οι αρνητικές τιμές με χαμηλότερες προβλέψεις. Σε αυτό το παράδειγμα, το μοντέλο κάνει μια πρόβλεψη για το κείμενο εισαγωγής "Wesebach είναι ένας ποταμός της Έσσης Γερμανίας". Η προβλεπόμενη τάξη είναι το Natural Place και οι βαθμολογίες υποδεικνύουν ότι το μοντέλο βρήκε τη λέξη «ποτάμι» ως την πιο κατατοπιστική για να κάνει αυτή την πρόβλεψη. Αυτό είναι διαισθητικό για έναν άνθρωπο και εξετάζοντας περισσότερα δείγματα, μπορείτε να προσδιορίσετε εάν το μοντέλο μαθαίνει τα σωστά χαρακτηριστικά και συμπεριφέρεται όπως αναμένεται.

Συμπέρασμα

Σε αυτήν την ανάρτηση, εξηγήσαμε πώς μπορείτε να χρησιμοποιήσετε το Clarify για να εξηγήσετε προβλέψεις από ένα μοντέλο ταξινόμησης κειμένου που εκπαιδεύτηκε χρησιμοποιώντας το SageMaker BlazingText. Ξεκινήστε να εξηγείτε τις προβλέψεις από τα μοντέλα ταξινόμησης κειμένων σας χρησιμοποιώντας το δείγμα σημειωματάριου Επεξηγησιμότητα κειμένου για το SageMaker BlazingText.

Συζητήσαμε επίσης ένα πιο γενικό μοτίβο σχεδίασης που μπορείτε να χρησιμοποιήσετε όταν χρησιμοποιείτε ενσωματωμένους αλγόριθμους Clarify with SageMaker. Για περισσότερες πληροφορίες, ανατρέξτε στο Τι είναι η δικαιοσύνη και η επεξήγηση μοντέλου για προβλέψεις μηχανικής μάθησης. Σας ενθαρρύνουμε επίσης να διαβάσετε το Λευκή Βίβλος AI Fairness and Explainability Amazon AI, το οποίο παρέχει μια επισκόπηση του θέματος και συζητά τις βέλτιστες πρακτικές και τους περιορισμούς.

Σχετικά με τους Συγγραφείς

Pinak Panigrahi συνεργάζεται με πελάτες για τη δημιουργία λύσεων με γνώμονα τη μηχανική μάθηση για την επίλυση στρατηγικών επιχειρηματικών προβλημάτων στο AWS. Όταν δεν ασχολείται με τη μηχανική μάθηση, μπορεί να βρεθεί να κάνει μια πεζοπορία, να διαβάζει ένα βιβλίο ή να πιάνει αθλήματα.

Dhawal Patel είναι Κύριος Αρχιτέκτονας Μηχανικής Μάθησης στο AWS. Έχει συνεργαστεί με οργανισμούς που κυμαίνονται από μεγάλες επιχειρήσεις έως νεοφυείς επιχειρήσεις μεσαίου μεγέθους για προβλήματα που σχετίζονται με τους κατανεμημένους υπολογιστές και την Τεχνητή Νοημοσύνη. Εστιάζεται στη Deep Learning, συμπεριλαμβανομένων των τομέων NLP και Computer Vision. Βοηθά τους πελάτες να επιτύχουν συμπεράσματα μοντέλων υψηλής απόδοσης στο SageMaker.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• πηγή: https://aws.amazon.com/blogs/machine-learning/explain-text-classification-model-predictions-using-amazon-sagemaker-clarify/