Αυτό είναι μια θέση φιλοξενίας από Επεκτάσιμο κεφάλαιο, μια κορυφαία FinTech στην Ευρώπη που προσφέρει διαχείριση ψηφιακής περιουσίας και μια πλατφόρμα μεσιτείας με σταθερό επιτόκιο συναλλαγών.
Ως ταχέως αναπτυσσόμενη εταιρεία, οι στόχοι της Scalable Capital είναι όχι μόνο να δημιουργήσει μια καινοτόμο, ισχυρή και αξιόπιστη υποδομή, αλλά και να παρέχει τις καλύτερες εμπειρίες στους πελάτες μας, ειδικά όταν πρόκειται για υπηρεσίες πελατών.
Το Scalable λαμβάνει εκατοντάδες ερωτήματα μέσω email από τους πελάτες μας σε καθημερινή βάση. Με την εφαρμογή ενός σύγχρονου μοντέλου επεξεργασίας φυσικής γλώσσας (NLP), η διαδικασία απόκρισης έχει διαμορφωθεί πολύ πιο αποτελεσματικά και ο χρόνος αναμονής για τους πελάτες έχει μειωθεί πάρα πολύ. Το μοντέλο μηχανικής εκμάθησης (ML) ταξινομεί τα νέα εισερχόμενα αιτήματα πελατών μόλις φτάνουν και τα ανακατευθύνει σε προκαθορισμένες ουρές, γεγονός που επιτρέπει στους αποκλειστικούς αντιπροσώπους επιτυχίας πελατών μας να εστιάζουν στο περιεχόμενο των μηνυμάτων ηλεκτρονικού ταχυδρομείου ανάλογα με τις δεξιότητές τους και να παρέχουν τις κατάλληλες απαντήσεις.
Σε αυτήν την ανάρτηση, παρουσιάζουμε τα τεχνικά οφέλη από τη χρήση μετασχηματιστών Hugging Face που αναπτύσσονται με Amazon Sage Maker, όπως εκπαίδευση και πειραματισμός σε κλίμακα και αυξημένη παραγωγικότητα και αποδοτικότητα κόστους.
Δήλωση προβλήματος
Το Scalable Capital είναι ένα από τα ταχύτερα αναπτυσσόμενα FinTech στην Ευρώπη. Με στόχο τον εκδημοκρατισμό των επενδύσεων, η εταιρεία παρέχει στους πελάτες της εύκολη πρόσβαση στις χρηματοπιστωτικές αγορές. Οι πελάτες του Scalable μπορούν να συμμετέχουν ενεργά στην αγορά μέσω της πλατφόρμας συναλλαγών μεσιτείας της εταιρείας ή να χρησιμοποιήσουν την Scalable Wealth Management για να επενδύσουν με έξυπνο και αυτοματοποιημένο τρόπο. Το 2021, η Scalable Capital παρουσίασε δεκαπλασιασμό της πελατειακής της βάσης, από δεκάδες χιλιάδες σε εκατοντάδες χιλιάδες.
Για να παρέχουμε στους πελάτες μας μια κορυφαία (και συνεπή) εμπειρία χρήστη σε προϊόντα και υπηρεσίες πελατών, η εταιρεία αναζητούσε αυτοματοποιημένες λύσεις για τη δημιουργία αποδοτικότητας για μια επεκτάσιμη λύση, διατηρώντας παράλληλα λειτουργική αριστεία. Οι ομάδες επιστήμης δεδομένων και εξυπηρέτησης πελατών της Scalable Capital εντόπισαν ότι ένα από τα μεγαλύτερα σημεία συμφόρησης στην εξυπηρέτηση των πελατών μας ήταν η ανταπόκριση σε ερωτήματα ηλεκτρονικού ταχυδρομείου. Συγκεκριμένα, το σημείο συμφόρησης ήταν το βήμα ταξινόμησης, στο οποίο οι εργαζόμενοι έπρεπε να διαβάζουν και να επισημαίνουν τα κείμενα αιτημάτων σε καθημερινή βάση. Αφού τα email δρομολογήθηκαν στις σωστές ουρές τους, οι αντίστοιχοι ειδικοί ασχολήθηκαν γρήγορα και έλυσαν τις υποθέσεις.
Για τον εξορθολογισμό αυτής της διαδικασίας ταξινόμησης, η ομάδα επιστήμης δεδομένων στο Scalable κατασκεύασε και ανέπτυξε ένα μοντέλο NLP πολλαπλών εργασιών χρησιμοποιώντας αρχιτεκτονική μετασχηματιστή αιχμής, βασισμένη σε προεκπαιδευμένο distilbert-βάση-γερμανική-περίβλημα μοντέλο που δημοσιεύτηκε από το Hugging Face. distilbert-βάση-γερμανική-περίβλημα χρησιμοποιεί το απόσταξη γνώσης μέθοδος προεκπαίδευσης ενός μικρότερου μοντέλου αναπαράστασης γλώσσας γενικής χρήσης από το αρχικό βασικό μοντέλο BERT. Η αποσταγμένη έκδοση επιτυγχάνει συγκρίσιμες επιδόσεις με την αρχική έκδοση, ενώ είναι μικρότερη και ταχύτερη. Για να διευκολύνουμε τη διαδικασία του κύκλου ζωής ML, αποφασίσαμε να υιοθετήσουμε το SageMaker για την κατασκευή, την ανάπτυξη, την εξυπηρέτηση και την παρακολούθηση των μοντέλων μας. Στην επόμενη ενότητα, παρουσιάζουμε τον σχεδιασμό της αρχιτεκτονικής του έργου μας.
Επισκόπηση λύσεων
Η υποδομή ML της Scalable Capital αποτελείται από δύο λογαριασμούς AWS: έναν ως περιβάλλον για το στάδιο ανάπτυξης και τον άλλο για το στάδιο παραγωγής.
Το παρακάτω διάγραμμα δείχνει τη ροή εργασιών για το έργο ταξινομητή email μας, αλλά μπορεί επίσης να γενικευτεί σε άλλα έργα επιστήμης δεδομένων.
Η ροή εργασίας αποτελείται από τα ακόλουθα στοιχεία:
- Πειραματισμός μοντέλου - Οι επιστήμονες δεδομένων χρησιμοποιούν Στούντιο Amazon SageMaker να πραγματοποιήσει τα πρώτα βήματα στον κύκλο ζωής της επιστήμης δεδομένων: διερευνητική ανάλυση δεδομένων (EDA), καθαρισμός και προετοιμασία δεδομένων και κατασκευή πρωτοτύπων μοντέλων. Όταν ολοκληρωθεί η φάση διερεύνησης, στραφούμε στο VSCode που φιλοξενείται από ένα φορητό υπολογιστή SageMaker ως το εργαλείο απομακρυσμένης ανάπτυξης για να διαμορφώσουμε και να παράγουμε τη βάση του κώδικά μας. Για να εξερευνήσουμε διαφορετικούς τύπους μοντέλων και διαμορφώσεων μοντέλων και ταυτόχρονα για να παρακολουθούμε τους πειραματισμούς μας, χρησιμοποιούμε το SageMaker Training και το SageMaker Experiments.
- Κατασκευή μοντέλου – Αφού αποφασίσουμε για ένα μοντέλο για την περίπτωση χρήσης της παραγωγής μας, σε αυτήν την περίπτωση πολλαπλών εργασιών distilbert-βάση-γερμανική-περίβλημα μοντέλο, τελειοποιημένο από το προεκπαιδευμένο μοντέλο από το Hugging Face, δεσμεύουμε και προωθούμε τον κώδικά μας στον κλάδο ανάπτυξης Github. Το συμβάν συγχώνευσης Github ενεργοποιεί τη διοχέτευση Jenkins CI, η οποία με τη σειρά της ξεκινά μια εργασία SageMaker Pipelines με δεδομένα δοκιμής. Αυτό λειτουργεί ως δοκιμή για να βεβαιωθείτε ότι οι κωδικοί εκτελούνται όπως αναμένεται. Ένα τελικό σημείο δοκιμής αναπτύσσεται για σκοπούς δοκιμής.
- Ανάπτυξη μοντέλου – Αφού βεβαιωθούν ότι όλα εκτελούνται όπως αναμένεται, οι επιστήμονες δεδομένων συγχωνεύουν τον κλάδο ανάπτυξης στον κύριο κλάδο. Αυτό το συμβάν συγχώνευσης ενεργοποιεί τώρα μια εργασία SageMaker Pipelines χρησιμοποιώντας δεδομένα παραγωγής για εκπαιδευτικούς σκοπούς. Στη συνέχεια, παράγονται τεχνουργήματα μοντέλων και αποθηκεύονται σε μια έξοδο Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) και μια νέα έκδοση μοντέλου καταγράφεται στο μητρώο μοντέλων του SageMaker. Οι επιστήμονες δεδομένων εξετάζουν την απόδοση του νέου μοντέλου και στη συνέχεια εγκρίνουν εάν είναι σύμφωνο με τις προσδοκίες. Το συμβάν έγκρισης μοντέλου καταγράφεται από Amazon EventBridge, το οποίο στη συνέχεια αναπτύσσει το μοντέλο σε ένα τελικό σημείο του SageMaker στο περιβάλλον παραγωγής.
- MLOps – Επειδή το τελικό σημείο του SageMaker είναι ιδιωτικό και δεν είναι προσβάσιμο από υπηρεσίες εκτός του VPC, α AWS Lambda τη λειτουργία και Amazon API Gateway Το δημόσιο τελικό σημείο απαιτείται για την επικοινωνία με το CRM. Κάθε φορά που φτάνουν νέα μηνύματα ηλεκτρονικού ταχυδρομείου στα εισερχόμενα του CRM, το CRM καλεί το δημόσιο τελικό σημείο της πύλης API, το οποίο με τη σειρά του ενεργοποιεί τη λειτουργία Lambda για να καλέσει το ιδιωτικό τελικό σημείο του SageMaker. Στη συνέχεια, η συνάρτηση αναμεταδίδει την ταξινόμηση πίσω στο CRM μέσω του δημόσιου τελικού σημείου της πύλης API. Για να παρακολουθήσουμε την απόδοση του αναπτυσσόμενου μοντέλου μας, εφαρμόζουμε έναν βρόχο ανάδρασης μεταξύ του CRM και των επιστημόνων δεδομένων για να παρακολουθούμε τις μετρήσεις πρόβλεψης από το μοντέλο. Σε μηνιαία βάση, το CRM ενημερώνει τα ιστορικά δεδομένα που χρησιμοποιούνται για πειραματισμούς και εκπαίδευση μοντέλων. Χρησιμοποιούμε Ροές εργασίας που διαχειρίζεται η Amazon για ροή αέρα Apache (Amazon MWAA) ως προγραμματιστής για τη μηνιαία επανεκπαίδευσή μας.
Στις επόμενες ενότητες, αναλύουμε τα βήματα προετοιμασίας δεδομένων, πειραματισμού μοντέλων και ανάπτυξης μοντέλου με περισσότερες λεπτομέρειες.
Προετοιμασία δεδομένων
Το Scalable Capital χρησιμοποιεί ένα εργαλείο CRM για τη διαχείριση και την αποθήκευση δεδομένων email. Το σχετικό περιεχόμενο ηλεκτρονικού ταχυδρομείου αποτελείται από το θέμα, το σώμα και τις τράπεζες θεματοφύλακα. Υπάρχουν τρεις ετικέτες που πρέπει να αντιστοιχίσετε σε κάθε email: από ποια επιχειρηματική γραμμή προέρχεται το email, ποια ουρά είναι κατάλληλη και το συγκεκριμένο θέμα του μηνύματος.
Πριν ξεκινήσουμε την εκπαίδευση οποιωνδήποτε μοντέλων NLP, διασφαλίζουμε ότι τα δεδομένα εισόδου είναι καθαρά και ότι οι ετικέτες έχουν εκχωρηθεί σύμφωνα με τις προσδοκίες.
Για να ανακτήσουμε καθαρά περιεχόμενα ερωτημάτων από Scalable πελάτες, αφαιρούμε από τα ανεπεξέργαστα δεδομένα email και επιπλέον κείμενο και σύμβολα, όπως υπογραφές email, impressums, εισαγωγικά προηγούμενων μηνυμάτων σε αλυσίδες email, σύμβολα CSS κ.λπ. Διαφορετικά, τα μελλοντικά εκπαιδευμένα μοντέλα μας ενδέχεται να παρουσιάσουν υποβαθμισμένη απόδοση.
Οι ετικέτες για τα μηνύματα ηλεκτρονικού ταχυδρομείου εξελίσσονται με την πάροδο του χρόνου, καθώς οι ομάδες εξυπηρέτησης πελατών με δυνατότητα κλιμάκωσης προσθέτουν νέες και βελτιώνουν ή αφαιρούν τις υπάρχουσες για να καλύψουν τις επιχειρηματικές ανάγκες. Για να διασφαλιστεί ότι οι ετικέτες για τα δεδομένα εκπαίδευσης καθώς και οι αναμενόμενες ταξινομήσεις για την πρόβλεψη είναι ενημερωμένες, η ομάδα επιστήμης δεδομένων συνεργάζεται στενά με την ομάδα εξυπηρέτησης πελατών για να διασφαλίσει την ορθότητα των ετικετών.
Πειραματισμός μοντέλου
Ξεκινάμε το πείραμά μας με τα άμεσα διαθέσιμα προεκπαιδευμένα distilbert-βάση-γερμανική-περίβλημα μοντέλο που δημοσιεύτηκε από το Hugging Face. Επειδή το προεκπαιδευμένο μοντέλο είναι ένα μοντέλο αναπαράστασης γλώσσας γενικής χρήσης, μπορούμε να προσαρμόσουμε την αρχιτεκτονική για να εκτελέσουμε συγκεκριμένες εργασίες κατάντη - όπως ταξινόμηση και απάντηση ερωτήσεων - συνδέοντας κατάλληλες κεφαλές στο νευρωνικό δίκτυο. Στην περίπτωση χρήσης μας, η κατάντη εργασία που μας ενδιαφέρει είναι η ταξινόμηση ακολουθιών. Χωρίς τροποποίηση του υπάρχουσα αρχιτεκτονική, αποφασίζουμε να τελειοποιήσουμε τρία ξεχωριστά προεκπαιδευμένα μοντέλα για κάθε μία από τις απαιτούμενες κατηγορίες μας. Με την SageMaker Hugging Face Deep Learning Containers (DLC), η έναρξη και η διαχείριση πειραμάτων NLP γίνονται απλά με τα κοντέινερ Hugging Face και το SageMaker Experiments API.
Το παρακάτω είναι ένα απόσπασμα κώδικα του train.py
:
Ο παρακάτω κώδικας είναι ο εκτιμητής Hugging Face:
Για την επικύρωση των βελτιστοποιημένων μοντέλων, χρησιμοποιούμε το F1-σκορ λόγω της μη ισορροπημένης φύσης του συνόλου δεδομένων ηλεκτρονικού ταχυδρομείου μας, αλλά και για τον υπολογισμό άλλων μετρήσεων όπως η ακρίβεια, η ακρίβεια και η ανάκληση. Για να καταγράψει το SageMaker Experiments API τις μετρήσεις της εργασίας εκπαίδευσης, πρέπει πρώτα να καταγράψουμε τις μετρήσεις στην τοπική κονσόλα εργασίας εκπαίδευσης, οι οποίες λαμβάνονται από amazoncloudwatch. Στη συνέχεια, ορίζουμε τη σωστή μορφή regex για την καταγραφή των αρχείων καταγραφής του CloudWatch. Οι ορισμοί μετρήσεων περιλαμβάνουν το όνομα των μετρήσεων και την επικύρωση regex για την εξαγωγή των μετρήσεων από την εργασία εκπαίδευσης:
Ως μέρος της επανάληψης εκπαίδευσης για το μοντέλο ταξινομητή, χρησιμοποιούμε έναν πίνακα σύγχυσης και μια αναφορά ταξινόμησης για να αξιολογήσουμε το αποτέλεσμα. Το παρακάτω σχήμα δείχνει τον πίνακα σύγχυσης για την πρόβλεψη της γραμμής της επιχείρησης.
Το ακόλουθο στιγμιότυπο οθόνης δείχνει ένα παράδειγμα της αναφοράς ταξινόμησης για πρόβλεψη γραμμής επιχείρησης.
Ως επόμενη επανάληψη του πειράματός μας, θα το εκμεταλλευτούμε εκμάθηση πολλαπλών εργασιών να βελτιώσουμε το μοντέλο μας. Η μάθηση πολλαπλών εργασιών είναι μια μορφή εκπαίδευσης όπου ένα μοντέλο μαθαίνει να επιλύει πολλαπλές εργασίες ταυτόχρονα, επειδή οι κοινές πληροφορίες μεταξύ των εργασιών μπορούν να βελτιώσουν την αποτελεσματικότητα της μάθησης. Προσθέτοντας δύο ακόμη κεφαλές ταξινόμησης στην αρχική αρχιτεκτονική του αποστακτήρα, μπορούμε να πραγματοποιήσουμε λεπτομέρεια πολλαπλών εργασιών, η οποία επιτυγχάνει λογικές μετρήσεις για την ομάδα εξυπηρέτησης πελατών μας.
Ανάπτυξη μοντέλου
Στην περίπτωση χρήσης μας, ο ταξινομητής email πρόκειται να αναπτυχθεί σε ένα τελικό σημείο, στο οποίο η διοχέτευση CRM μπορεί να στείλει μια παρτίδα μη ταξινομημένων μηνυμάτων ηλεκτρονικού ταχυδρομείου και να λάβει πίσω προβλέψεις. Επειδή έχουμε και άλλες λογικές —όπως καθαρισμό δεδομένων εισόδου και προβλέψεις πολλαπλών εργασιών— εκτός από το συμπέρασμα μοντέλου Hugging Face, πρέπει να γράψουμε ένα προσαρμοσμένο σενάριο συμπερασμάτων που να τηρεί Πρότυπο SageMaker.
Το παρακάτω είναι ένα απόσπασμα κώδικα του inference.py
:
Όταν όλα είναι έτοιμα και έτοιμα, χρησιμοποιούμε το SageMaker Pipelines για να διαχειριστούμε τον αγωγό εκπαίδευσης και να τον συνδέσουμε στην υποδομή μας για να ολοκληρώσουμε τη ρύθμιση των MLOps.
Για την παρακολούθηση της απόδοσης του αναπτυγμένου μοντέλου, δημιουργούμε έναν βρόχο ανατροφοδότησης για να επιτρέψουμε στο CRM να μας παρέχει την κατάσταση των διαβαθμισμένων μηνυμάτων ηλεκτρονικού ταχυδρομείου όταν οι υποθέσεις κλείνουν. Με βάση αυτές τις πληροφορίες, πραγματοποιούμε προσαρμογές για τη βελτίωση του αναπτυγμένου μοντέλου.
Συμπέρασμα
Σε αυτήν την ανάρτηση, μοιραστήκαμε τον τρόπο με τον οποίο το SageMaker διευκολύνει την ομάδα επιστήμης δεδομένων στο Scalable για τη διαχείριση του κύκλου ζωής ενός έργου επιστήμης δεδομένων αποτελεσματικά, δηλαδή του έργου ταξινομητή email. Ο κύκλος ζωής ξεκινά με την αρχική φάση της ανάλυσης δεδομένων και της εξερεύνησης με το SageMaker Studio. προχωρά στον πειραματισμό και την ανάπτυξη μοντέλων με την εκπαίδευση, τα συμπεράσματα και τα DLC του Hugging Face του SageMaker. και ολοκληρώνεται με έναν αγωγό εκπαίδευσης με το SageMaker Pipelines ενσωματωμένο με άλλες υπηρεσίες AWS. Χάρη σε αυτήν την υποδομή, είμαστε σε θέση να επαναλαμβάνουμε και να αναπτύσσουμε νέα μοντέλα πιο αποτελεσματικά, και επομένως είμαστε σε θέση να βελτιώσουμε τις υπάρχουσες διαδικασίες στο Scalable καθώς και τις εμπειρίες των πελατών μας.
Για να μάθετε περισσότερα σχετικά με το Hugging Face και το SageMaker, ανατρέξτε στους ακόλουθους πόρους:
Σχετικά με τους Συγγραφείς
Δρ Sandra Schmid είναι επικεφαλής του Data Analytics στην Scalable GmbH. Είναι υπεύθυνη για προσεγγίσεις που βασίζονται σε δεδομένα και περιπτώσεις χρήσης στην εταιρεία μαζί με τις ομάδες της. Η κύρια εστίασή της είναι να βρει τον καλύτερο συνδυασμό μοντέλων μηχανικής μάθησης και επιστήμης δεδομένων και επιχειρηματικών στόχων, προκειμένου να κερδίσει όσο το δυνατόν περισσότερη επιχειρηματική αξία και αποτελεσματικότητα από τα δεδομένα.
Huy Dang Επιστήμονας Δεδομένων στην Scalable GmbH. Οι αρμοδιότητές του περιλαμβάνουν ανάλυση δεδομένων, δημιουργία και ανάπτυξη μοντέλων μηχανικής μάθησης, καθώς και ανάπτυξη και συντήρηση υποδομής για την ομάδα επιστήμης δεδομένων. Στον ελεύθερο χρόνο του, του αρέσει το διάβασμα, η πεζοπορία, η αναρρίχηση και να ενημερώνεται για τις τελευταίες εξελίξεις της μηχανικής εκμάθησης.
Μία Τσανγκ είναι Αρχιτέκτονας ML Specialist Solutions για τις Υπηρεσίες Ιστού της Amazon. Συνεργάζεται με πελάτες στην EMEA και μοιράζεται τις βέλτιστες πρακτικές για την εκτέλεση φόρτου εργασίας AI/ML στο cloud με το υπόβαθρό της στα εφαρμοσμένα μαθηματικά, την επιστήμη των υπολογιστών και την AI/ML. Επικεντρώνεται σε συγκεκριμένους φόρτους εργασίας για το NLP και μοιράζεται την εμπειρία της ως ομιλήτρια συνεδρίων και συγγραφέας βιβλίων. Στον ελεύθερο χρόνο της, της αρέσει η γιόγκα, τα επιτραπέζια παιχνίδια και η παρασκευή καφέ.
Μόριτζ Γκέρτλερ είναι στέλεχος λογαριασμού στο τμήμα Digital Native Businesses στο AWS. Επικεντρώνεται στους πελάτες στον χώρο του FinTech και τους υποστηρίζει στην επιτάχυνση της καινοτομίας μέσω της ασφαλούς και επεκτάσιμης υποδομής cloud.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- PlatoESG. Αυτοκίνητο / EVs, Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- ChartPrime. Ανεβάστε το Trading Game σας με το ChartPrime. Πρόσβαση εδώ.
- BlockOffsets. Εκσυγχρονισμός της περιβαλλοντικής αντιστάθμισης ιδιοκτησίας. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/accelerate-client-success-management-through-email-classification-with-hugging-face-on-amazon-sagemaker/
- :έχει
- :είναι
- :δεν
- :που
- $UP
- 1
- 100
- 13
- 15%
- 17
- 2021
- 26%
- 32
- 500
- 7
- a
- Ικανός
- ΠΛΗΡΟΦΟΡΙΕΣ
- πάνω από
- επιταχύνουν
- επιταχύνοντας
- Αποδέχομαι
- πρόσβαση
- φιλοξενώ
- Σύμφωνα με
- Λογαριασμός
- Λογαριασμοί
- ακρίβεια
- Επιτυγχάνει
- απέναντι
- δραστήρια
- πράξεις
- προσαρμόσει
- προσθέτω
- Επιπλέον
- προσαρμογές
- ενστερνίζομαι
- Πλεονέκτημα
- Μετά το
- κατόπιν
- παράγοντες
- AI / ML
- στοχεύουν
- επιτρέπει
- Επίσης
- Amazon
- Amazon Sage Maker
- Amazon υπηρεσίες Web
- μεταξύ των
- an
- ανάλυση
- analytics
- και
- κάθε
- Apache
- api
- εφαρμοσμένος
- προσεγγίσεις
- κατάλληλος
- έγκριση
- εγκρίνω
- αρχιτεκτονική
- ΕΙΝΑΙ
- επιχειρήματα
- AS
- ανατεθεί
- At
- αποδίδουν
- συγγραφέας
- Αυτοματοποιημένη
- διαθέσιμος
- AWS
- πίσω
- φόντο
- Τράπεζες
- βάση
- βασίζονται
- βάση
- BE
- επειδή
- ήταν
- είναι
- οφέλη
- ΚΑΛΎΤΕΡΟΣ
- βέλτιστες πρακτικές
- μεταξύ
- επιτροπή
- Επιτραπέζια παιχνίδια
- σώμα
- βιβλίο
- Υποκατάστημα
- Διακοπή
- μεσιτεία
- χτίζω
- Κτίριο
- χτισμένο
- επιχείρηση
- επιχειρήσεις
- αλλά
- by
- CAN
- κεφάλαιο
- του κεφαλαίου
- πιάνω
- συλλαμβάνονται
- κουβαλάω
- περίπτωση
- περιπτώσεις
- κατηγορίες
- αλυσίδες
- ταξινόμηση
- ταξινομούνται
- Καθάρισμα
- πελάτης
- πελάτες
- Ορειβασία
- Κλεισιμο
- κλειστό
- Backup
- cloud infrastructure
- κωδικός
- βάση κώδικα
- κώδικες
- Καφές
- συνεργασία
- συνδυασμός
- έρχεται
- διαπράττουν
- επικοινωνούν
- εταίρα
- Εταιρεία
- συγκρίσιμος
- πλήρης
- Ολοκληρώνει
- εξαρτήματα
- Υπολογίστε
- υπολογιστή
- Πληροφορική
- Διάσκεψη
- σύγχυση
- συνεπής
- αποτελείται
- πρόξενος
- Εμπορευματοκιβώτια
- περιεχόμενο
- περιεχόμενα
- διορθώσει
- CRM
- CSS
- φύλακας
- έθιμο
- πελάτης
- Πελάτες
- καθημερινά
- ημερομηνία
- ανάλυση δεδομένων
- Δεδομένα Analytics
- Προετοιμασία δεδομένων
- επιστημονικά δεδομένα
- επιστήμονας δεδομένων
- βασίζονται σε δεδομένα
- Ημερομηνία
- αποφασίζει
- αποφάσισε
- αφιερωμένο
- βαθύς
- βαθιά μάθηση
- Προεπιλογή
- ορίζεται
- ορίζεται
- ορισμοί
- εκδημοκρατίζω
- αποδεικνύουν
- παρατάσσω
- αναπτυχθεί
- ανάπτυξη
- ανάπτυξη
- αναπτύσσεται
- Υπηρεσίες
- λεπτομέρεια
- ανάπτυξη
- ανάπτυξη
- Ανάπτυξη
- εξελίξεις
- διαφορετικές
- ψηφιακό
- διαχείριση ψηφιακού πλούτου
- κάτω
- δυο
- κάθε
- εύκολος
- αποτελεσματικότητας
- αποτελεσματικά
- αλλιώς
- ΗΛΕΚΤΡΟΝΙΚΗ ΔΙΕΥΘΥΝΣΗ
- ΕΜΕΑ
- υπαλλήλους
- ενεργοποιήσετε
- Τελικό σημείο
- ασχολούνται
- εξασφαλίζω
- Περιβάλλον
- εποχή
- ειδικά
- Ευρώπη
- αξιολογήσει
- εκτίμηση
- Συμβάν
- πάντα
- εξελίσσονται
- εξετάζω
- παράδειγμα
- Υπεροχή
- εκτελεστικός
- υφιστάμενα
- προσδοκία
- προσδοκίες
- αναμένεται
- εμπειρία
- έμπειρος
- Δραστηριοτητες
- πείραμα
- πειράματα
- εξερεύνηση
- Διερευνητική Ανάλυση Δεδομένων
- διερευνήσει
- επιπλέον
- f1
- Πρόσωπο
- διευκολύνω
- διευκολύνει
- Μόδα
- γρηγορότερα
- ταχύτερα
- ταχύτερα αναπτυσσόμενη
- ανατροφοδότηση
- Εικόνα
- οικονομικός
- εύρεση
- fintech
- fintechs
- Όνομα
- πρώτα βήματα
- ίσια
- Συγκέντρωση
- εστιάζει
- Εξής
- Για
- μορφή
- μορφή
- Δωρεάν
- από
- λειτουργία
- μελλοντικός
- Κέρδος
- Games
- πύλη
- γενικού σκοπού
- παράγουν
- παίρνω
- GitHub
- GmBH
- Στόχοι
- Μεγαλώνοντας
- Επισκέπτης
- Κείμενο
- είχε
- Έχω
- he
- κεφάλι
- κεφαλές
- αυτήν
- του
- ιστορικών
- φιλοξενείται
- Πως
- HTML
- http
- HTTPS
- Εκατοντάδες
- προσδιορίζονται
- if
- εφαρμογή
- εκτελεστικών
- βελτίωση
- in
- περιλαμβάνουν
- Εισερχόμενος
- Αυξάνουν
- αυξημένη
- πληροφορίες
- Υποδομή
- αρχικός
- Καινοτομία
- καινοτόμες
- εισαγωγή
- Ερωτήσεις
- έρευνα
- ενσωματωθεί
- Έξυπνος
- ενδιαφερόμενος
- σε
- εισαγάγει
- Επενδύστε
- επένδυση
- επικαλείται
- IT
- επανάληψη
- ΤΟΥ
- Δουλειά
- json
- Διατήρηση
- Κλειδί
- επιγραφή
- Ετικέτες
- Γλώσσα
- μεγαλύτερη
- αργότερο
- που οδηγεί
- ΜΑΘΑΊΝΩ
- μάθηση
- κύκλος ζωής
- γραμμή
- φορτίο
- τοπικός
- κούτσουρο
- καταγραφεί
- κοιτάζοντας
- off
- μηχανή
- μάθηση μηχανής
- που
- Η διατήρηση
- κάνω
- Κατασκευή
- διαχείριση
- διαχειρίζεται
- διαχείριση
- διαχείριση
- αγορά
- αγορές
- μαθηματικά
- Μήτρα
- πηγαίνω
- συμβάν συγχώνευσης
- μηνύματα
- μέθοδος
- μετρικός
- Metrics
- ενδέχεται να
- ML
- MLOps
- μοντέλο
- μοντέλα
- ΜΟΝΤΕΡΝΑ
- Παρακολούθηση
- μηνιαίος
- περισσότερο
- κινήσεις
- πολύ
- πολλαπλούς
- όνομα
- και συγκεκριμένα
- ντόπιος
- Φυσικό
- Επεξεργασία φυσικής γλώσσας
- Φύση
- Ανάγκη
- ανάγκες
- δίκτυο
- νευρικός
- νευρικό σύστημα
- Νέα
- επόμενη
- nlp
- σημειωματάριο
- τώρα
- αριθμός
- of
- προσφορές
- on
- ONE
- αυτά
- αποκλειστικά
- επιχειρήσεων
- or
- τάξη
- πρωτότυπο
- ΑΛΛΑ
- αλλιώς
- δικός μας
- έξω
- παραγωγή
- εκτός
- επί
- μέρος
- συμμετέχω
- Εκτελέστε
- επίδοση
- φάση
- εκλεκτός
- αγωγού
- πλατφόρμες
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- δυνατός
- Θέση
- πρακτικές
- Ακρίβεια
- πρόβλεψη
- Προβλέψεις
- προετοιμασία
- προηγούμενος
- πρωταρχικός
- ιδιωτικός
- διαδικασια μας
- Διεργασίες
- μεταποίηση
- Παράγεται
- παραγωγή
- παραγωγικότητα
- Προϊόντα
- σχέδιο
- έργα
- κατάλληλος
- πρωτότυπο
- παρέχουν
- παρέχει
- δημόσιο
- δημοσιεύθηκε
- σκοποί
- Σπρώξτε
- ερώτηση
- γρήγορα
- εισαγωγικά
- αύξηση
- Τιμή
- Ακατέργαστος
- φθάσει
- Διάβασε
- Ανάγνωση
- έτοιμος
- λογικός
- λαμβάνει
- αρχεία
- Μειωμένος
- παραπέμπω
- τελειοποίηση
- ρεγεξ
- κάντε ΕΓΓΡΑΦΗ
- μητρώου
- αξιόπιστος
- μακρινός
- αφαιρέστε
- αναφέρουν
- αντιπροσώπευση
- ζητήσει
- αιτήματα
- απαιτείται
- επιλυθεί
- Υποστηρικτικό υλικό
- εκείνοι
- απαντώντας
- απάντησης
- απαντήσεις
- ευθυνών
- υπεύθυνος
- αποτέλεσμα
- απόδοση
- εύρωστος
- βράχος
- τρέξιμο
- σοφός
- Αγωγοί SageMaker
- ίδιο
- επεκτάσιμη
- Κλίμακα
- Επιστήμη
- Επιστήμονας
- επιστήμονες
- γραφή
- Τμήμα
- τμήματα
- προστατευμένο περιβάλλον
- τμήμα
- στείλετε
- ξεχωριστό
- Ακολουθία
- εξυπηρετούν
- υπηρεσία
- Υπηρεσίες
- setup
- σχήματος
- Shared
- Μερίδια
- αυτή
- Δείχνει
- Υπογραφές
- Απλούς
- ταυτοχρόνως
- δεξιότητες
- μικρότερος
- Απόσπασμα
- So
- λύση
- Λύσεις
- SOLVE
- σύντομα
- Χώρος
- Ομιλητής
- ειδικός
- ειδικούς
- συγκεκριμένες
- ειδικά
- Στάδιο
- Εκκίνηση
- Ξεκινήστε
- ξεκινά
- state-of-the-art
- Κατάσταση
- διαμονή
- Βήμα
- Βήματα
- χώρος στο δίσκο
- αποθηκεύονται
- εναποθήκευση
- εξορθολογισμό
- στούντιο
- θέμα
- επιτυχία
- τέτοιος
- Υποστηρίζει
- βέβαιος
- Πάρτε
- Έργο
- εργασίες
- ομάδες
- Τεχνικός
- δεκάδες
- δοκιμή
- Δοκιμές
- κείμενο
- από
- Ευχαριστώ
- ότι
- Η
- τους
- Τους
- τότε
- Εκεί.
- επομένως
- αυτοί
- αυτό
- χιλιάδες
- τρία
- Μέσω
- ώρα
- προς την
- μαζι
- εργαλείο
- τοπικός
- δάδα
- τροχιά
- Διαπραγμάτευσης
- Πλατφόρμα Διαπραγμάτευσης
- Τρένο
- εκπαιδευμένο
- Εκπαίδευση
- μετασχηματιστής
- μετασχηματιστές
- τρομερά
- ΣΤΡΟΦΗ
- δύο
- τύπος
- τύποι
- ενημερώσεις
- us
- χρήση
- περίπτωση χρήσης
- μεταχειρισμένος
- Χρήστες
- Η εμπειρία χρήστη
- χρησιμοποιεί
- χρησιμοποιώντας
- ΕΠΙΚΥΡΩΝΩ
- επικύρωση
- αξία
- εκδοχή
- Αναμονή
- ήταν
- we
- Πλούτος
- διαχείριση περιουσίας
- ιστός
- διαδικτυακές υπηρεσίες
- ΛΟΙΠΌΝ
- ήταν
- πότε
- οποτεδήποτε
- Ποιό
- ενώ
- με
- εντός
- χωρίς
- ροής εργασίας
- ροές εργασίας
- λειτουργεί
- γράφω
- Yoga
- zephyrnet