Οι πελάτες της AWS στον τομέα της υγείας, των χρηματοοικονομικών υπηρεσιών, του δημόσιου τομέα και άλλων βιομηχανιών αποθηκεύουν δισεκατομμύρια έγγραφα ως εικόνες ή PDF σε Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3). Ωστόσο, δεν μπορούν να αποκτήσουν πληροφορίες όπως η χρήση των πληροφοριών που είναι κλειδωμένες στα έγγραφα για μεγάλα γλωσσικά μοντέλα (LLM) ή η αναζήτηση μέχρι να εξαγάγουν το κείμενο, τις φόρμες, τους πίνακες και άλλα δομημένα δεδομένα. Με AWS έξυπνη επεξεργασία εγγράφων (IDP) με χρήση υπηρεσιών τεχνητής νοημοσύνης όπως π.χ Textract Amazon, μπορείτε να επωφεληθείτε από την κορυφαία στον κλάδο τεχνολογία μηχανικής εκμάθησης (ML) για γρήγορη και ακριβή επεξεργασία δεδομένων από αρχεία PDF ή εικόνες εγγράφων (TIFF, JPEG, PNG). Αφού εξαχθεί το κείμενο από τα έγγραφα, μπορείτε να το χρησιμοποιήσετε για να τελειοποιήσετε ένα μοντέλο θεμελίωσης, συνοψίστε τα δεδομένα χρησιμοποιώντας ένα μοντέλο θεμελίωσηςή στείλτε το σε μια βάση δεδομένων.
Σε αυτήν την ανάρτηση, εστιάζουμε στην επεξεργασία μιας μεγάλης συλλογής εγγράφων σε αρχεία ακατέργαστου κειμένου και στην αποθήκευση τους στο Amazon S3. Σας παρέχουμε δύο διαφορετικές λύσεις για αυτήν την περίπτωση χρήσης. Το πρώτο σάς επιτρέπει να εκτελέσετε ένα σενάριο Python από οποιονδήποτε διακομιστή ή παράδειγμα, συμπεριλαμβανομένου ενός σημειωματάριου Jupyter. αυτός είναι ο πιο γρήγορος τρόπος για να ξεκινήσετε. Η δεύτερη προσέγγιση είναι μια ανάπτυξη με το κλειδί στο χέρι διαφόρων στοιχείων υποδομής χρησιμοποιώντας Κιτ ανάπτυξης AWS Cloud (AWS CDK) κατασκευές. Η κατασκευή AWS CDK παρέχει ένα ανθεκτικό και ευέλικτο πλαίσιο για την επεξεργασία των εγγράφων σας και τη δημιουργία ενός αγωγού IDP από άκρο σε άκρο. Μέσω της χρήσης του AWS CDK, μπορείτε να επεκτείνετε τη λειτουργικότητά του για να συμπεριλάβετε τη σύνταξη, αποθηκεύστε το αποτέλεσμα στο Amazon OpenSearchή προσθέστε ένα προσαρμοσμένο AWS Lambda λειτουργούν με τη δική σας επιχειρηματική λογική.
Και οι δύο αυτές λύσεις σάς επιτρέπουν να επεξεργάζεστε γρήγορα πολλά εκατομμύρια σελίδες. Προτού εκτελέσετε οποιαδήποτε από αυτές τις λύσεις σε κλίμακα, συνιστούμε να κάνετε δοκιμή με ένα υποσύνολο των εγγράφων σας για να βεβαιωθείτε ότι τα αποτελέσματα ανταποκρίνονται στις προσδοκίες σας. Στις επόμενες ενότητες, περιγράφουμε πρώτα τη λύση σεναρίου, ακολουθούμενη από τη λύση κατασκευής AWS CDK.
Λύση 1: Χρησιμοποιήστε ένα σενάριο Python
Αυτή η λύση επεξεργάζεται έγγραφα για ακατέργαστο κείμενο μέσω του Amazon Textract τόσο γρήγορα όσο θα το επιτρέψει η υπηρεσία, με την προσδοκία ότι εάν υπάρξει αποτυχία στο σενάριο, η διαδικασία θα συνεχιστεί από εκεί που σταμάτησε. Η λύση χρησιμοποιεί τρεις διαφορετικές υπηρεσίες: Amazon S3, Amazon DynamoDB, και Amazon Textract.
Το παρακάτω διάγραμμα απεικονίζει τη σειρά των γεγονότων μέσα στο σενάριο. Όταν τελειώσει το σενάριο, μια κατάσταση ολοκλήρωσης μαζί με τον χρόνο που απαιτείται θα επιστραφούν στην κονσόλα στούντιο SageMaker.
Έχουμε συσκευάσει αυτή τη λύση σε α Σενάριο .ipynb και Σενάριο .py. Μπορείτε να χρησιμοποιήσετε οποιαδήποτε από τις αναπτυσσόμενες λύσεις σύμφωνα με τις απαιτήσεις σας.
Προϋποθέσεις
Για να εκτελέσετε αυτό το σενάριο από ένα σημειωματάριο Jupyter, το Διαχείριση ταυτότητας και πρόσβασης AWS Ο ρόλος (IAM) που έχει εκχωρηθεί στο σημειωματάριο πρέπει να έχει δικαιώματα που του επιτρέπουν να αλληλεπιδρά με το DynamoDB, το Amazon S3 και το Amazon Textract. Η γενική καθοδήγηση είναι να παρέχετε δικαιώματα ελάχιστων προνομίων για καθεμία από αυτές τις υπηρεσίες σε εσάς AmazonSageMaker-ExecutionRole
ρόλος. Για να μάθετε περισσότερα, ανατρέξτε στο Ξεκινήστε με τις διαχειριζόμενες πολιτικές AWS και προχωρήστε προς τα δικαιώματα ελάχιστων προνομίων.
Εναλλακτικά, μπορείτε να εκτελέσετε αυτήν τη δέσμη ενεργειών από άλλα περιβάλλοντα, όπως ένα Amazon Elastic Compute Cloud (Amazon EC2) στιγμιότυπο ή κοντέινερ που θα διαχειρίζεστε, υπό την προϋπόθεση ότι τα Python, Pip3 και AWS SDK για Python (Boto3) εγκαθίστανται. Και πάλι, πρέπει να εφαρμοστούν οι ίδιες πολιτικές IAM που επιτρέπουν στο σενάριο να αλληλεπιδρά με τις διάφορες διαχειριζόμενες υπηρεσίες.
Walkthrough
Για να εφαρμόσετε αυτήν τη λύση, πρέπει πρώτα να κλωνοποιήσετε το αποθετήριο GitHub.
Πρέπει να ορίσετε τις ακόλουθες μεταβλητές στο σενάριο για να μπορέσετε να το εκτελέσετε:
- tracking_table – Αυτό είναι το όνομα του πίνακα DynamoDB που θα δημιουργηθεί.
- input_bucket – Αυτή είναι η τοποθεσία πηγής σας στο Amazon S3 που περιέχει τα έγγραφα που θέλετε να στείλετε στο Amazon Textract για ανίχνευση κειμένου. Για αυτήν τη μεταβλητή, δώστε το όνομα του κάδου, όπως π.χ
mybucket
. - output_bucket – Αυτό είναι για την αποθήκευση της τοποθεσίας όπου θέλετε το Amazon Texttract να γράφει τα αποτελέσματα. Για αυτήν τη μεταβλητή, δώστε το όνομα του κάδου, όπως π.χ
myoutputbucket
. - _input_prefix (προαιρετικό) – Εάν θέλετε να επιλέξετε συγκεκριμένα αρχεία από έναν φάκελο στον κάδο S3, μπορείτε να καθορίσετε αυτό το όνομα φακέλου ως πρόθεμα εισαγωγής. Διαφορετικά, αφήστε την προεπιλογή ως κενή για να επιλέξετε όλα.
Το σενάριο έχει ως εξής:
Το ακόλουθο σχήμα πίνακα DynamoDB δημιουργείται όταν εκτελείται το σενάριο:
Όταν το σενάριο εκτελείται για πρώτη φορά, θα ελέγξει αν υπάρχει ο πίνακας DynamoDB και θα το δημιουργήσει αυτόματα εάν χρειαστεί. Αφού δημιουργηθεί ο πίνακας, πρέπει να τον συμπληρώσουμε με μια λίστα αναφορών αντικειμένων εγγράφων από το Amazon S3 που θέλουμε να επεξεργαστούμε. Το σενάριο βάσει σχεδίου θα απαριθμήσει πάνω από αντικείμενα στο καθορισμένο input_bucket
και συμπληρώνουμε αυτόματα τον πίνακα μας με τα ονόματά τους όταν εκτελείται. Χρειάζονται περίπου 10 λεπτά για να απαριθμήσετε περισσότερα από 100,000 έγγραφα και να συμπληρώσετε αυτά τα ονόματα στον πίνακα DynamoDB από το σενάριο. Εάν έχετε εκατομμύρια αντικείμενα σε έναν κάδο, μπορείτε εναλλακτικά να χρησιμοποιήσετε τη δυνατότητα αποθέματος του Amazon S3 που δημιουργεί ένα αρχείο CSV ονομάτων, στη συνέχεια να συμπληρώσετε τον πίνακα DynamoDB από αυτήν τη λίστα με το δικό σας σενάριο εκ των προτέρων και να μην χρησιμοποιήσετε τη συνάρτηση που ονομάζεται fetchAllObjectsInBucketandStoreName
σχολιάζοντάς το. Για να μάθετε περισσότερα, ανατρέξτε στο Διαμόρφωση αποθέματος Amazon S3.
Όπως αναφέρθηκε προηγουμένως, υπάρχει και έκδοση notebook και έκδοση σεναρίου Python. Το σημειωματάριο είναι ο πιο απλός τρόπος για να ξεκινήσετε. απλά εκτελέστε κάθε κελί από την αρχή μέχρι το τέλος.
Εάν αποφασίσετε να εκτελέσετε το σενάριο Python από ένα CLI, συνιστάται να χρησιμοποιήσετε έναν τερματικό πολυπλέκτη όπως το tmux. Αυτό γίνεται για να αποτραπεί η διακοπή του σεναρίου σε περίπτωση που ολοκληρωθεί η συνεδρία SSH. Για παράδειγμα: tmux new -d ‘python3 textractFeeder.py’
.
Το παρακάτω είναι το σημείο εισόδου του σεναρίου; από εδώ μπορείτε να σχολιάσετε μεθόδους που δεν χρειάζονται:
Τα ακόλουθα πεδία ορίζονται όταν το σενάριο συμπληρώνει τον πίνακα DynamoDB:
- Όνομα αντικειμένου – Το όνομα του εγγράφου που βρίσκεται στο Amazon S3 που θα σταλεί στο Amazon Texttract
- bucketName – Ο κάδος όπου είναι αποθηκευμένο το αντικείμενο εγγράφου
Αυτά τα δύο πεδία πρέπει να συμπληρωθούν εάν αποφασίσετε να χρησιμοποιήσετε ένα αρχείο CSV από την αναφορά αποθέματος S3 και να παραλείψετε την αυτόματη συμπλήρωση που συμβαίνει μέσα στο σενάριο.
Τώρα που ο πίνακας έχει δημιουργηθεί και συμπληρώνεται με τις αναφορές αντικειμένων εγγράφου, το σενάριο είναι έτοιμο να ξεκινήσει να καλεί το Amazon Textract StartDocumentTextDetection
API. Το Amazon Textract, παρόμοιο με άλλες διαχειριζόμενες υπηρεσίες, έχει α προεπιλεγμένο όριο στα API που ονομάζονται συναλλαγές ανά δευτερόλεπτο (TPS). Εάν απαιτείται, μπορείτε να ζητήσετε αύξηση ποσόστωσης από την κονσόλα Amazon Textract. Ο κώδικας έχει σχεδιαστεί για να χρησιμοποιεί πολλαπλά νήματα ταυτόχρονα κατά την κλήση του Amazon Textract για να μεγιστοποιήσει την απόδοση της υπηρεσίας. Μπορείτε να το αλλάξετε μέσα στον κώδικα τροποποιώντας το threadCountforTextractAPICall
μεταβλητός. Από προεπιλογή, αυτό έχει οριστεί σε 20 νήματα. Το σενάριο θα διαβάσει αρχικά 200 σειρές από τον πίνακα DynamoDB και θα τις αποθηκεύσει σε μια λίστα στη μνήμη που είναι τυλιγμένη με μια κλάση για ασφάλεια νημάτων. Στη συνέχεια, κάθε νήμα καλούντος ξεκινά και τρέχει μέσα στη δική του λωρίδα κολύμβησης. Βασικά, το νήμα καλούντος Amazon Textract θα ανακτήσει ένα στοιχείο από τη λίστα στη μνήμη που περιέχει την αναφορά του αντικειμένου μας. Στη συνέχεια θα καλέσει το ασύγχρονο start_document_text_detection
API και περιμένετε την επιβεβαίωση με το αναγνωριστικό εργασίας. Στη συνέχεια, το αναγνωριστικό εργασίας ενημερώνεται ξανά στη σειρά DynamoDB για αυτό το αντικείμενο και το νήμα θα επαναληφθεί ανακτώντας το επόμενο στοιχείο από τη λίστα.
Ακολουθεί ο κύριος κώδικας ενορχήστρωσης γραφή:
Τα νήματα καλούντος θα συνεχίσουν να επαναλαμβάνονται έως ότου δεν υπάρχουν πλέον στοιχεία στη λίστα, οπότε και τα νήματα θα σταματήσουν το καθένα. Όταν σταματήσουν όλα τα νήματα που λειτουργούν στις λωρίδες κολύμβησης τους, ανακτώνται οι επόμενες 200 σειρές από το DynamoDB και ξεκινά ένα νέο σύνολο 20 νημάτων και η όλη διαδικασία επαναλαμβάνεται έως ότου ανακτηθεί από το DynamoDB κάθε σειρά που δεν περιέχει αναγνωριστικό εργασίας και ΕΠΙΚΑΙΡΟΠΟΙΗΜΕΝΟ. Εάν το σενάριο καταρρεύσει λόγω κάποιου απροσδόκητου προβλήματος, τότε το σενάριο μπορεί να εκτελεστεί ξανά από το orchestrate()
μέθοδος. Αυτό διασφαλίζει ότι τα νήματα θα συνεχίσουν να επεξεργάζονται σειρές που περιέχουν κενά αναγνωριστικά εργασιών. Σημειώστε ότι κατά την επανάληψη του orchestrate()
Μετά τη διακοπή του σεναρίου, υπάρχει πιθανότητα μερικά έγγραφα να αποσταλούν ξανά στο Amazon Textract. Αυτός ο αριθμός θα είναι ίσος ή μικρότερος από τον αριθμό των νημάτων που εκτελούνταν τη στιγμή της συντριβής.
Όταν δεν υπάρχουν άλλες σειρές που να περιέχουν ένα κενό αναγνωριστικό εργασίας στον πίνακα DynamoDB, το σενάριο θα σταματήσει. Όλη η έξοδος JSON από το Amazon Textract για όλα τα αντικείμενα θα βρίσκεται στο output_bucket
από προεπιλογή κάτω από το textract_output
ντοσιέ. Κάθε υποφάκελος μέσα textract_output
θα ονομαστεί με το αναγνωριστικό εργασίας που αντιστοιχεί στο αναγνωριστικό εργασίας που ήταν αποθηκευμένο στον πίνακα DynamoDB για αυτό το αντικείμενο. Μέσα στο φάκελο αναγνωριστικού εργασίας, θα βρείτε το JSON, το οποίο θα ονομαστεί αριθμητικά από το 1 και μπορεί ενδεχομένως να εκτείνεται σε πρόσθετα αρχεία JSON που θα ονομάζονται 2, 3 και ούτω καθεξής. Τα αρχεία JSON που εκτείνονται είναι αποτέλεσμα πυκνών ή πολυσέλιδων εγγράφων, όπου η ποσότητα του περιεχομένου που εξάγεται υπερβαίνει το προεπιλεγμένο μέγεθος JSON του Amazon Textract των 1,000 μπλοκ. Αναφέρομαι σε Αποκλεισμός για περισσότερες πληροφορίες σχετικά με τα μπλοκ. Αυτά τα αρχεία JSON θα περιέχουν όλα τα μεταδεδομένα Amazon Textract, συμπεριλαμβανομένου του κειμένου που εξήχθη από τα έγγραφα.
Μπορείτε να βρείτε την έκδοση και το σενάριο του σημειωματάριου κώδικα Python για αυτήν τη λύση GitHub.
εκκαθάριση
Όταν ολοκληρωθεί το σενάριο Python, μπορείτε να εξοικονομήσετε κόστος τερματίζοντας ή σταματώντας το Στούντιο Amazon SageMaker σημειωματάριο ή δοχείο που περιστρέψατε.
Τώρα στη δεύτερη λύση μας για έγγραφα σε κλίμακα.
Λύση 2: Χρησιμοποιήστε μια κατασκευή AWS CDK χωρίς διακομιστή
Αυτή η λύση χρησιμοποιεί Λειτουργίες βημάτων AWS και λειτουργεί Lambda για να ενορχηστρώσει τον αγωγό IDP. Χρησιμοποιούμε το Κατασκευές CDK AWS IDP, που καθιστούν εύκολη την εργασία με το Amazon Textract σε κλίμακα. Επιπλέον, χρησιμοποιούμε α Βήμα Λειτουργίες κατανεμημένο χάρτη για να επαναλάβετε όλα τα αρχεία στον κάδο S3 και να ξεκινήσετε την επεξεργασία. Η πρώτη συνάρτηση Lambda καθορίζει πόσες σελίδες έχουν τα έγγραφά σας. Αυτό επιτρέπει στον αγωγό να χρησιμοποιεί αυτόματα είτε το σύγχρονο (για έγγραφα μιας σελίδας) είτε το ασύγχρονο (για έγγραφα πολλών σελίδων). Όταν χρησιμοποιείτε το ασύγχρονο API, μια πρόσθετη συνάρτηση Lambda καλείται σε όλα τα αρχεία JSON που το Amazon Textract θα παράγει για όλες τις σελίδες σας σε ένα αρχείο JSON για να διευκολύνει τις μεταγενέστερες εφαρμογές σας να λειτουργούν με τις πληροφορίες.
Αυτή η λύση περιέχει επίσης δύο επιπλέον λειτουργίες λάμδα. Η πρώτη συνάρτηση αναλύει το κείμενο από το JSON και το αποθηκεύει ως αρχείο κειμένου στο Amazon S3. Η δεύτερη συνάρτηση αναλύει το JSON και το αποθηκεύει για μετρήσεις στο φόρτο εργασίας.
Το παρακάτω διάγραμμα απεικονίζει τη ροή εργασίας Βήμα Λειτουργίες.
Προϋποθέσεις
Αυτή η βάση κώδικα χρησιμοποιεί το AWS CDK και απαιτεί Docker. Μπορείτε να το αναπτύξετε από ένα AWS Cloud9 παράδειγμα, το οποίο έχει ήδη ρυθμίσει το AWS CDK και το Docker.
Walkthrough
Για να εφαρμόσετε αυτήν τη λύση, πρέπει πρώτα να κλωνοποιήσετε το αποθήκη.
Αφού κλωνοποιήσετε το αποθετήριο, εγκαταστήστε τις εξαρτήσεις:
Στη συνέχεια, χρησιμοποιήστε τον ακόλουθο κώδικα για να αναπτύξετε τη στοίβα AWS CDK:
Πρέπει να παρέχετε τόσο τον κάδο προέλευσης όσο και το πρόθεμα προέλευσης (τη θέση των αρχείων που θέλετε να επεξεργαστείτε) για αυτήν τη λύση.
Όταν ολοκληρωθεί η ανάπτυξη, μεταβείτε στην κονσόλα Step Functions, όπου θα δείτε το μηχάνημα κατάστασης ServerlessIDPArchivePipeline
.
Ανοίξτε τη σελίδα λεπτομερειών μηχανής κατάστασης και στο Εκτελέσεις καρτέλα, επιλέξτε Ξεκινήστε την εκτέλεση.
Επιλέξτε Ξεκινήστε την εκτέλεση πάλι για να λειτουργήσει η κρατική μηχανή.
Αφού εκκινήσετε το μηχάνημα κατάστασης, μπορείτε να παρακολουθήσετε τον αγωγό κοιτάζοντας την εκτέλεση του χάρτη. Θα δείτε ένα Κατάσταση επεξεργασίας στοιχείου ενότητα όπως το παρακάτω στιγμιότυπο οθόνης. Όπως μπορείτε να δείτε, αυτό έχει δημιουργηθεί για να τρέχει και να παρακολουθεί τι ήταν επιτυχές και τι απέτυχε. Αυτή η διαδικασία θα συνεχίσει να εκτελείται μέχρι να διαβαστούν όλα τα έγγραφα.
Με αυτήν τη λύση, θα πρέπει να μπορείτε να επεξεργάζεστε εκατομμύρια αρχεία στον λογαριασμό σας AWS χωρίς να ανησυχείτε για το πώς να προσδιορίσετε σωστά ποια αρχεία θα στείλετε σε ποιο API ή κατεστραμμένα αρχεία που αποτυγχάνουν στο pipeline σας. Μέσω της κονσόλας Step Functions, θα μπορείτε να παρακολουθείτε και να παρακολουθείτε τα αρχεία σας σε πραγματικό χρόνο.
εκκαθάριση
Αφού ολοκληρωθεί η λειτουργία του αγωγού σας, για καθαρισμό, μπορείτε να επιστρέψετε στο έργο σας και να εισαγάγετε την ακόλουθη εντολή:
Αυτό θα διαγράψει όλες τις υπηρεσίες που αναπτύχθηκαν για αυτό το έργο.
Συμπέρασμα
Σε αυτήν την ανάρτηση, παρουσιάσαμε μια λύση που καθιστά εύκολη τη μετατροπή των εικόνων εγγράφων και των αρχείων PDF σε αρχεία κειμένου. Αυτή είναι μια βασική προϋπόθεση για τη χρήση των εγγράφων σας για τεχνητή νοημοσύνη και αναζήτηση. Για να μάθετε περισσότερα σχετικά με τη χρήση κειμένου για την εκπαίδευση ή τη βελτίωση των μοντέλων της βάσης σας, ανατρέξτε στο Βελτιστοποιήστε το Llama 2 για δημιουργία κειμένου στο Amazon SageMaker JumpStart. Για χρήση με την αναζήτηση, ανατρέξτε στο Εφαρμόστε ευρετήριο έξυπνης αναζήτησης εγγράφων με το Amazon Textract και το Amazon OpenSearch. Για να μάθετε περισσότερα σχετικά με τις προηγμένες δυνατότητες επεξεργασίας εγγράφων που προσφέρονται από τις υπηρεσίες AWS AI, ανατρέξτε στο Οδηγίες για την Έξυπνη Επεξεργασία Εγγράφων στο AWS.
Σχετικά με τους Συγγραφείς
Τιμ Κοντέλλο είναι ανώτερος αρχιτέκτονας λύσεων τεχνητής νοημοσύνης (AI) και μηχανικής μάθησης (ML) στην Amazon Web Services (AWS). Η εστίασή του είναι η επεξεργασία φυσικής γλώσσας και η όραση υπολογιστή. Ο Tim απολαμβάνει να δέχεται ιδέες πελατών και να τις μετατρέπει σε επεκτάσιμες λύσεις.
David Girling είναι ανώτερος αρχιτέκτονας λύσεων AI/ML με πάνω από είκοσι χρόνια εμπειρία στο σχεδιασμό, την ηγεσία και την ανάπτυξη εταιρικών συστημάτων. Ο David είναι μέρος μιας εξειδικευμένης ομάδας που επικεντρώνεται στο να βοηθά τους πελάτες να μάθουν, να καινοτομήσουν και να χρησιμοποιήσουν αυτές τις εξαιρετικά ικανές υπηρεσίες με τα δεδομένα τους για τις περιπτώσεις χρήσης τους.
- 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. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/create-a-document-lake-using-large-scale-text-extraction-from-documents-with-amazon-textract/
- :έχει
- :είναι
- :δεν
- :που
- $UP
- 000
- 1
- 10
- 100
- 12
- 20
- 200
- 7
- 710
- 8
- a
- Ικανός
- ΠΛΗΡΟΦΟΡΙΕΣ
- πρόσβαση
- Λογαριασμός
- με ακρίβεια
- προσθέτω
- Πρόσθετος
- Επιπλέον
- εκ των προτέρων
- προηγμένες
- Πλεονέκτημα
- Μετά το
- πάλι
- AI
- Υπηρεσίες AI
- AI / ML
- Όλα
- επιτρέπουν
- επιτρέπει
- κατά μήκος
- ήδη
- Επίσης
- Amazon
- Amazon EC2
- Amazon Sage Maker
- Textract Amazon
- Amazon υπηρεσίες Web
- Amazon Web Services (AWS)
- ποσό
- an
- αναλύσεις
- και
- κάθε
- api
- APIs
- εφαρμογές
- εφαρμοσμένος
- πλησιάζω
- περίπου
- ΕΙΝΑΙ
- τεχνητός
- τεχνητή νοημοσύνη
- Τεχνητή νοημοσύνη (AI)
- AS
- ανατεθεί
- At
- αυτόματη
- αυτομάτως
- AWS
- πίσω
- βάση
- Βασικα
- BE
- ήταν
- πριν
- δισεκατομμύρια
- Μπλοκ
- Bootstrap
- και οι δύο
- χτίζω
- χτισμένο
- επιχείρηση
- by
- κλήση
- που ονομάζεται
- επισκέπτης
- κλήση
- CAN
- δυνατότητες
- ικανός
- περίπτωση
- περιπτώσεις
- κύτταρο
- ορισμένες
- αλλαγή
- έλεγχος
- Επιλέξτε
- τάξη
- καθαρός
- Backup
- κωδικός
- βάση κώδικα
- συλλογή
- σχόλιο
- σχολιάζοντας
- πλήρης
- ολοκλήρωση
- εξαρτήματα
- Υπολογίστε
- υπολογιστή
- Computer Vision
- πρόξενος
- κατασκευάσει
- περιέχουν
- Δοχείο
- Περιέχει
- περιεχόμενο
- ΣΥΝΕΧΕΙΑ
- μετατρέψετε
- αντιστοιχεί
- Δικαστικά έξοδα
- θα μπορούσε να
- Crash
- δημιουργία
- δημιουργήθηκε
- έθιμο
- πελάτης
- Πελάτες
- ημερομηνία
- βάση δεδομένων
- Δαβίδ
- αποφασίζει
- Προεπιλογή
- εξαρτήσεις
- παρατάσσω
- αναπτυχθεί
- ανάπτυξη
- περιγράφουν
- Υπηρεσίες
- σχεδιασμένα
- σχέδιο
- καθέκαστα
- Ανίχνευση
- Προσδιορίστε
- καθορίζει
- ανάπτυξη
- Ανάπτυξη
- διαφορετικές
- διανέμονται
- Λιμενεργάτης
- έγγραφο
- έγγραφα
- Όχι
- κάτω
- δυο
- κάθε
- Νωρίτερα
- είτε
- δίνει τη δυνατότητα
- από άκρη σε άκρη
- τελειώνει
- εισάγετε
- Εταιρεία
- καταχώριση
- περιβάλλοντα
- ίσος
- εκδηλώσεις
- Κάθε
- παράδειγμα
- υπερβαίνει
- εκτέλεση
- υπάρχει
- προσδοκία
- προσδοκίες
- εμπειρία
- επεκτείνουν
- εκχύλισμα
- εξαγωγή
- Απέτυχε
- παραλείποντας
- Αποτυχία
- Χαρακτηριστικό
- λίγοι
- Πεδία
- Αρχεία
- Αρχεία
- οικονομικός
- των χρηματοπιστωτικών υπηρεσιών
- Εύρεση
- φινίρισμα
- Όνομα
- πρώτη φορά
- εύκαμπτος
- Συγκέντρωση
- εστιάζει
- ακολουθείται
- Εξής
- εξής
- Για
- μορφές
- Βρέθηκαν
- Θεμέλιο
- Πλαίσιο
- από
- λειτουργία
- λειτουργικότητα
- λειτουργίες
- Κέρδος
- General
- δημιουργεί
- γενεά
- γενετική
- Παραγωγική τεχνητή νοημοσύνη
- παίρνω
- Go
- καθοδήγηση
- συμβαίνει
- Έχω
- υγειονομική περίθαλψη
- βοήθεια
- εδώ
- υψηλά
- του
- Πως
- Πώς να
- Ωστόσο
- HTML
- http
- HTTPS
- i
- ID
- ιδεών
- Ταυτότητα
- ids
- if
- απεικονίζει
- εικόνες
- εφαρμογή
- in
- περιλαμβάνουν
- Συμπεριλαμβανομένου
- Αυξάνουν
- ευρετήριο
- βιομηχανίες
- κορυφαία στον κλάδο
- πληροφορίες
- Υποδομή
- αρχικά
- κινήσει
- νεωτερίζω
- εισαγωγή
- ιδέες
- εγκαθιστώ
- εγκατασταθεί
- παράδειγμα
- Νοημοσύνη
- Έξυπνος
- Έξυπνη επεξεργασία εγγράφων
- αλληλεπιδρούν
- σε
- απογραφή
- IT
- αντικειμένων
- ΤΟΥ
- Δουλειά
- jpg
- json
- Κλειδί
- λίμνη
- Lane
- Γλώσσα
- large
- μεγάλης κλίμακας
- που οδηγεί
- ΜΑΘΑΊΝΩ
- μάθηση
- Άδεια
- αριστερά
- μείον
- Μου αρέσει
- Λιστα
- Είδος μικρής καμήλας
- που βρίσκεται
- τοποθεσία
- κλειδωμένη
- λογική
- πλέον
- κοιτάζοντας
- μηχανή
- μάθηση μηχανής
- Κυρίως
- κάνω
- ΚΑΝΕΙ
- διαχείριση
- διαχειρίζεται
- πολοί
- χάρτη
- Αυξάνω στον ανώτατο βαθμό
- Γνωρίστε
- που αναφέρθηκαν
- Μεταδεδομένα
- μέθοδος
- μέθοδοι
- Metrics
- εκατομμύρια
- Λεπτ.
- ML
- μοντέλο
- μοντέλα
- Παρακολούθηση
- περισσότερο
- πλέον
- μετακινήσετε
- πολλαπλούς
- πρέπει
- όνομα
- Ονομάστηκε
- ονόματα
- Φυσικό
- Επεξεργασία φυσικής γλώσσας
- Πλοηγηθείτε
- Ανάγκη
- που απαιτούνται
- Νέα
- επόμενη
- Όχι.
- σημείωση
- σημειωματάριο
- τώρα
- αριθμός
- αντικείμενο
- αντικειμένων
- of
- off
- προσφέρονται
- on
- ONE
- λειτουργίας
- or
- ενορχήστρωση
- ΑΛΛΑ
- αλλιώς
- δικός μας
- έξω
- παραγωγή
- επί
- δική
- συσκευάζονται
- σελίδα
- σελίδες
- μέρος
- για
- δικαιώματα
- επιλέξτε
- αγωγού
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- Σημείο
- Πολιτικές
- κατοικημένη περιοχή
- Θέση
- δυναμικού
- ενδεχομένως
- παρουσιάζονται
- πρόληψη
- Πρόβλημα
- διαδικασια μας
- Διεργασίες
- μεταποίηση
- παράγει
- σχέδιο
- δεόντως
- παρέχουν
- παρέχεται
- παρέχει
- δημόσιο
- βάζω
- Python
- Πιο γρήγορα
- γρήγορα
- Ακατέργαστος
- Διάβασε
- έτοιμος
- πραγματικός
- σε πραγματικό χρόνο
- συνιστώ
- συνιστάται
- ρεκόρ
- αρχεία
- παραπέμπω
- αναφορά
- αναφορές
- επαναλαμβάνω
- αναφέρουν
- Αποθήκη
- ζητήσει
- απαιτείται
- απαιτήσεις
- Απαιτεί
- ελαστικός
- αποτέλεσμα
- Αποτελέσματα
- Ρόλος
- ΣΕΙΡΑ
- τρέξιμο
- τρέξιμο
- τρέχει
- ένα ασφαλές
- Ασφάλεια
- σοφός
- ίδιο
- Αποθήκευση
- επεκτάσιμη
- Κλίμακα
- γραφή
- SDK
- Αναζήτηση
- Δεύτερος
- Τμήμα
- τμήματα
- τομέας
- δείτε
- επιλέξτε
- στείλετε
- αρχαιότερος
- αποστέλλονται
- Ακολουθία
- διακομιστής
- Χωρίς διακομιστή
- υπηρεσία
- Υπηρεσίες
- Συνεδρίαση
- σειρά
- θα πρέπει να
- κλείσιμο
- παρόμοιες
- Απλούς
- απλά
- Μέγεθος
- έξυπνος
- So
- λύση
- Λύσεις
- μερικοί
- Πηγή
- σπιθαμή
- ένταση
- ειδικός
- καθορίζεται
- περιστρέφεται
- σωρός
- Εκκίνηση
- ξεκίνησε
- Ξεκινήστε
- Κατάσταση
- Κατάσταση
- Βήμα
- στάση
- σταμάτησε
- στάθμευση
- χώρος στο δίσκο
- κατάστημα
- αποθηκεύονται
- καταστήματα
- εναποθήκευση
- ειλικρινής
- Σπάγγος
- δομημένος
- στούντιο
- επιτυχής
- τέτοιος
- βέβαιος
- συστήματα
- τραπέζι
- Πάρτε
- λαμβάνεται
- παίρνει
- λήψη
- Τεχνολογία
- τερματικό
- Δοκιμές
- κείμενο
- από
- ότι
- Η
- οι πληροφορίες
- Η Πηγη
- Το κράτος
- τους
- Τους
- τότε
- Εκεί.
- Αυτοί
- αυτοί
- αυτό
- εκείνοι
- τρία
- Μέσω
- διακίνηση
- Tim
- ώρα
- προς την
- προς
- Tps
- τροχιά
- Τρένο
- Συναλλαγές
- Στροφή
- δεσμοφύλαξ
- δύο
- ανίκανος
- υπό
- Απροσδόκητος
- μέχρι
- ενημερώθηκε
- χρήση
- περίπτωση χρήσης
- χρησιμοποιεί
- χρησιμοποιώντας
- χρησιμοποιώ
- χρησιμοποιεί
- μεταβλητή
- διάφορα
- εκδοχή
- όραμα
- περιμένετε
- θέλω
- ήταν
- Δες
- Τρόπος..
- we
- ιστός
- διαδικτυακές υπηρεσίες
- ήταν
- Τι
- πότε
- Ποιό
- ολόκληρο
- θα
- με
- εντός
- χωρίς
- Εργασία
- ροής εργασίας
- ανησυχητικό
- θα
- Τυλιγμένο
- γράφω
- χρόνια
- Εσείς
- Σας
- zephyrnet