Αυτή η ανάρτηση συντάσσεται με τους Santosh Waddi και Nanda Kishore Thatikonda από το BigBasket.
BigBasket είναι το μεγαλύτερο ηλεκτρονικό κατάστημα τροφίμων και παντοπωλείων της Ινδίας. Λειτουργούν σε πολλαπλά κανάλια ηλεκτρονικού εμπορίου, όπως γρήγορο εμπόριο, παράδοση με αυλακώσεις και ημερήσιες συνδρομές. Μπορείτε επίσης να αγοράσετε από τα φυσικά τους καταστήματα και τους αυτόματους πωλητές. Προσφέρουν μια μεγάλη ποικιλία από περισσότερα από 50,000 προϊόντα σε 1,000 μάρκες και δραστηριοποιούνται σε περισσότερες από 500 πόλεις και κωμοπόλεις. Το BigBasket εξυπηρετεί πάνω από 10 εκατομμύρια πελάτες.
Σε αυτήν την ανάρτηση, συζητάμε τον τρόπο χρήσης του BigBasket Amazon Sage Maker να εκπαιδεύσουν το μοντέλο υπολογιστικής τους όρασης για την αναγνώριση προϊόντων Fast-Moving Consumer Goods (FMCG), το οποίο τους βοήθησε να μειώσουν τον χρόνο εκπαίδευσης κατά περίπου 50% και να εξοικονομήσουν κόστος κατά 20%.
Προκλήσεις πελατών
Σήμερα, τα περισσότερα σούπερ μάρκετ και φυσικά καταστήματα στην Ινδία παρέχουν χειροκίνητο ταμείο στο ταμείο. Αυτό έχει δύο ζητήματα:
- Απαιτεί επιπλέον ανθρώπινο δυναμικό, αυτοκόλλητα βάρους και επαναλαμβανόμενη εκπαίδευση για την επιχειρησιακή ομάδα του καταστήματος καθώς κλιμακώνεται.
- Στα περισσότερα καταστήματα, ο μετρητής ταμείου είναι διαφορετικός από τους μετρητές ζύγισης, γεγονός που αυξάνει την τριβή στο ταξίδι αγοράς του πελάτη. Οι πελάτες συχνά χάνουν το αυτοκόλλητο βάρους και πρέπει να επιστρέψουν στα γκισέ ζύγισης για να παραλάβουν ξανά ένα πριν προχωρήσουν στη διαδικασία ταμείου.
Διαδικασία αυτο-checkout
Το BigBasket εισήγαγε ένα σύστημα αγορών με τεχνητή νοημοσύνη στα φυσικά του καταστήματά του που χρησιμοποιεί κάμερες για να διακρίνει μοναδικά τα αντικείμενα. Το παρακάτω σχήμα παρέχει μια επισκόπηση της διαδικασίας ολοκλήρωσης αγοράς.
Η ομάδα του BigBasket εκτελούσε εσωτερικούς αλγόριθμους ML ανοιχτού κώδικα για την αναγνώριση αντικειμένων όρασης υπολογιστή για να ενεργοποιήσει το checkout με δυνατότητα AI στο φρέσκο (φυσικά) καταστήματα. Αντιμετωπίσαμε τις ακόλουθες προκλήσεις για να λειτουργήσουμε την υπάρχουσα εγκατάσταση τους:
- Με τη συνεχή εισαγωγή νέων προϊόντων, το μοντέλο υπολογιστικής όρασης χρειαζόταν να ενσωματώνει συνεχώς νέες πληροφορίες προϊόντων. Το σύστημα χρειαζόταν να χειριστεί έναν μεγάλο κατάλογο με περισσότερες από 12,000 μονάδες διατήρησης αποθεμάτων (SKU), με νέες SKU να προστίθενται συνεχώς με ρυθμό άνω των 600 το μήνα.
- Για να συμβαδίσει με τα νέα προϊόντα, ένα νέο μοντέλο παρήχθη κάθε μήνα χρησιμοποιώντας τα πιο πρόσφατα δεδομένα εκπαίδευσης. Ήταν δαπανηρό και χρονοβόρο να εκπαιδεύονται συχνά τα μοντέλα ώστε να προσαρμόζονται σε νέα προϊόντα.
- Το BigBasket ήθελε επίσης να μειώσει τον χρόνο του κύκλου εκπαίδευσης για να βελτιώσει τον χρόνο για την αγορά. Λόγω των αυξήσεων στις SKU, ο χρόνος που χρειαζόταν το μοντέλο αυξανόταν γραμμικά, γεγονός που επηρέασε το χρόνο τους στην αγορά επειδή η συχνότητα εκπαίδευσης ήταν πολύ υψηλή και χρειαζόταν πολύ χρόνο.
- Η αύξηση δεδομένων για την εκπαίδευση μοντέλων και η μη αυτόματη διαχείριση του πλήρους κύκλου εκπαίδευσης από άκρο σε άκρο πρόσθεταν σημαντικά έξοδα. Το BigBasket το εκτελούσε σε μια πλατφόρμα τρίτων, η οποία είχε σημαντικό κόστος.
Επισκόπηση λύσεων
Συνιστούσαμε στο BigBasket να ανακατασκευάσει την υπάρχουσα λύση ανίχνευσης και ταξινόμησης προϊόντων FMCG χρησιμοποιώντας το SageMaker για να αντιμετωπίσει αυτές τις προκλήσεις. Πριν προχωρήσει στην παραγωγή πλήρους κλίμακας, το BigBasket δοκίμασε ένα πιλοτικό πρόγραμμα στο SageMaker για να αξιολογήσει μετρήσεις απόδοσης, κόστους και ευκολίας.
Ο στόχος τους ήταν να τελειοποιήσουν ένα υπάρχον μοντέλο μηχανικής εκμάθησης όρασης υπολογιστή (ML) για ανίχνευση SKU. Χρησιμοποιήσαμε μια αρχιτεκτονική συνελικτικού νευρωνικού δικτύου (CNN) με ResNet152 για ταξινόμηση εικόνων. Ένα μεγάλο σύνολο δεδομένων περίπου 300 εικόνων ανά SKU υπολογίστηκε για εκπαίδευση μοντέλων, με αποτέλεσμα πάνω από 4 εκατομμύρια συνολικά εικόνες εκπαίδευσης. Για ορισμένες SKU, αυξήσαμε τα δεδομένα για να συμπεριλάβουμε ένα ευρύτερο φάσμα περιβαλλοντικών συνθηκών.
Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική λύσεων.
Η πλήρης διαδικασία μπορεί να συνοψιστεί στα ακόλουθα βήματα υψηλού επιπέδου:
- Εκτελέστε καθαρισμό δεδομένων, σχολιασμό και επαύξηση.
- Αποθήκευση δεδομένων σε ένα Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) κάδος.
- Χρησιμοποιήστε το SageMaker και Amazon FSx για λάμψη για αποτελεσματική αύξηση δεδομένων.
- Διαχωρίστε τα δεδομένα σε σετ αμαξοστοιχίας, επικύρωσης και δοκιμών. Χρησιμοποιήσαμε το FSx για το Luster και Υπηρεσία σχεσιακής βάσης δεδομένων Amazon (Amazon RDS) για γρήγορη παράλληλη πρόσβαση σε δεδομένα.
- Χρησιμοποιήστε ένα έθιμο PyTorch Δοχείο Docker που περιλαμβάνει άλλες βιβλιοθήκες ανοιχτού κώδικα.
- Χρήση Παραλληλισμός κατανεμημένων δεδομένων SageMaker (SMDDP) για ταχεία κατανεμημένη εκπαίδευση.
- Μετρήσεις εκπαίδευσης μοντέλου καταγραφής.
- Αντιγράψτε το τελικό μοντέλο σε έναν κάδο S3.
Μεταχειρισμένο BigBasket Σημειωματάρια SageMaker για να εκπαιδεύσουν τα μοντέλα ML τους και μπόρεσαν να μεταφέρουν εύκολα το υπάρχον PyTorch ανοιχτού κώδικα και άλλες εξαρτήσεις ανοιχτού κώδικα σε ένα κοντέινερ PyTorch του SageMaker και να τρέξουν απρόσκοπτα τον αγωγό. Αυτό ήταν το πρώτο πλεονέκτημα που είδε η ομάδα του BigBasket, επειδή δεν χρειάζονταν σχεδόν καθόλου αλλαγές στον κώδικα ώστε να είναι συμβατός για εκτέλεση σε περιβάλλον SageMaker.
Το μοντέλο δικτύου αποτελείται από μια αρχιτεκτονική ResNet 152 που ακολουθείται από πλήρως συνδεδεμένα επίπεδα. Παγώσαμε τα επίπεδα χαρακτηριστικών χαμηλού επιπέδου και διατηρήσαμε τα βάρη που αποκτήθηκαν μέσω της εκμάθησης μεταφοράς από το μοντέλο ImageNet. Οι συνολικές παράμετροι του μοντέλου ήταν 66 εκατομμύρια, αποτελούμενες από 23 εκατομμύρια εκπαιδεύσιμες παραμέτρους. Αυτή η προσέγγιση βασισμένη στη μάθηση μεταφοράς τους βοήθησε να χρησιμοποιούν λιγότερες εικόνες τη στιγμή της εκπαίδευσης και επίσης επέτρεψε την ταχύτερη σύγκλιση και μείωσε τον συνολικό χρόνο εκπαίδευσης.
Κατασκευή και εκπαίδευση του μοντέλου μέσα Στούντιο Amazon SageMaker παρείχε ένα ολοκληρωμένο περιβάλλον ανάπτυξης (IDE) με όλα όσα χρειάζονται για την προετοιμασία, την κατασκευή, την εκπαίδευση και τον συντονισμό μοντέλων. Η αύξηση των δεδομένων εκπαίδευσης χρησιμοποιώντας τεχνικές όπως η περικοπή, η περιστροφή και η ανατροπή εικόνων βοήθησε στη βελτίωση των δεδομένων εκπαίδευσης του μοντέλου και της ακρίβειας του μοντέλου.
Η εκπαίδευση μοντέλων επιταχύνθηκε κατά 50% μέσω της χρήσης της βιβλιοθήκης SMDDP, η οποία περιλαμβάνει βελτιστοποιημένους αλγόριθμους επικοινωνίας σχεδιασμένους ειδικά για την υποδομή AWS. Για να βελτιώσουμε την απόδοση ανάγνωσης/εγγραφής δεδομένων κατά την εκπαίδευση μοντέλων και την αύξηση δεδομένων, χρησιμοποιήσαμε το FSx for Luster για απόδοση υψηλής απόδοσης.
Το μέγεθος των αρχικών δεδομένων εκπαίδευσής τους ήταν πάνω από 1.5 TB. Χρησιμοποιήσαμε δύο Amazon Elastic Compute Cloud (Amazon EC2) p4d.24 μεγάλες περιπτώσεις με 8 GPU και 40 GB μνήμη GPU. Για την κατανεμημένη εκπαίδευση του SageMaker, οι παρουσίες πρέπει να βρίσκονται στην ίδια Περιοχή AWS και Ζώνη Διαθεσιμότητας. Επίσης, τα δεδομένα εκπαίδευσης που είναι αποθηκευμένα σε έναν κάδο S3 πρέπει να βρίσκονται στην ίδια Ζώνη Διαθεσιμότητας. Αυτή η αρχιτεκτονική επιτρέπει επίσης στο BigBasket να αλλάξει σε άλλους τύπους παρουσιών ή να προσθέσει περισσότερες παρουσίες στην τρέχουσα αρχιτεκτονική για να καλύψει οποιαδήποτε σημαντική ανάπτυξη δεδομένων ή να επιτύχει περαιτέρω μείωση του χρόνου εκπαίδευσης.
Πώς η βιβλιοθήκη SMDDP βοήθησε στη μείωση του χρόνου εκπαίδευσης, του κόστους και της πολυπλοκότητας
Στην παραδοσιακή εκπαίδευση κατανεμημένων δεδομένων, το εκπαιδευτικό πλαίσιο εκχωρεί τάξεις σε GPU (εργάτες) και δημιουργεί ένα αντίγραφο του μοντέλου σας σε κάθε GPU. Κατά τη διάρκεια κάθε επανάληψης εκπαίδευσης, η συνολική παρτίδα δεδομένων χωρίζεται σε κομμάτια (shards παρτίδας) και ένα κομμάτι διανέμεται σε κάθε εργαζόμενο. Στη συνέχεια, κάθε εργαζόμενος προχωρά με το πάσο προς τα εμπρός και προς τα πίσω που ορίζονται στο σενάριο εκπαίδευσης σε κάθε GPU. Τέλος, τα βάρη και οι διαβαθμίσεις μοντέλων από τα διαφορετικά αντίγραφα μοντέλων συγχρονίζονται στο τέλος της επανάληψης μέσω μιας λειτουργίας συλλογικής επικοινωνίας που ονομάζεται AllReduce. Αφού κάθε εργαζόμενος και GPU έχουν ένα συγχρονισμένο αντίγραφο του μοντέλου, ξεκινά η επόμενη επανάληψη.
Η βιβλιοθήκη SMDDP είναι μια συλλογική βιβλιοθήκη επικοινωνίας που βελτιώνει την απόδοση αυτής της διαδικασίας παράλληλης εκπαίδευσης κατανεμημένων δεδομένων. Η βιβλιοθήκη SMDDP μειώνει το κόστος επικοινωνίας των βασικών λειτουργιών συλλογικής επικοινωνίας, όπως το AllReduce. Η εφαρμογή του AllReduce έχει σχεδιαστεί για την υποδομή AWS και μπορεί να επιταχύνει την εκπαίδευση επικαλύπτοντας τη λειτουργία AllReduce με το πέρασμα προς τα πίσω. Αυτή η προσέγγιση επιτυγχάνει σχεδόν γραμμική απόδοση κλιμάκωσης και μεγαλύτερη ταχύτητα εκπαίδευσης βελτιστοποιώντας τις λειτουργίες του πυρήνα μεταξύ των CPU και των GPU.
Σημειώστε τους ακόλουθους υπολογισμούς:
- Το μέγεθος της καθολικής παρτίδας είναι (αριθμός κόμβων σε ένα σύμπλεγμα) * (αριθμός GPU ανά κόμβο) * (ανά θραύσμα παρτίδας)
- Ένα θραύσμα παρτίδας (μικρή παρτίδα) είναι ένα υποσύνολο του συνόλου δεδομένων που εκχωρείται σε κάθε GPU (εργαζόμενος) ανά επανάληψη
Το BigBasket χρησιμοποίησε τη βιβλιοθήκη SMDDP για να μειώσει τον συνολικό χρόνο εκπαίδευσής τους. Με το FSx for Lustre, μειώσαμε την απόδοση ανάγνωσης/εγγραφής δεδομένων κατά την εκπαίδευση του μοντέλου και την αύξηση δεδομένων. Με τον παραλληλισμό δεδομένων, το BigBasket κατάφερε να επιτύχει σχεδόν 50% ταχύτερη και 20% φθηνότερη εκπαίδευση σε σύγκριση με άλλες εναλλακτικές λύσεις, παρέχοντας την καλύτερη απόδοση στο AWS. Το SageMaker κλείνει αυτόματα τη γραμμή εκπαίδευσης μετά την ολοκλήρωση. Το έργο ολοκληρώθηκε με επιτυχία με 50% ταχύτερο χρόνο εκπαίδευσης στο AWS (4.5 ημέρες στο AWS έναντι 9 ημερών στην πλατφόρμα παλαιού τύπου).
Τη στιγμή της συγγραφής αυτής της ανάρτησης, το BigBasket εκτελούσε την ολοκληρωμένη λύση στην παραγωγή για περισσότερους από 6 μήνες και κλιμάκωσε το σύστημα τροφοδοτώντας νέες πόλεις και προσθέτουμε νέα καταστήματα κάθε μήνα.
«Η συνεργασία μας με την AWS για τη μετάβαση στην κατανεμημένη εκπαίδευση με χρήση της προσφοράς SMDDP ήταν μια μεγάλη νίκη. Όχι μόνο μείωσε τους χρόνους προπόνησής μας κατά 50%, ήταν επίσης 20% φθηνότερος. Σε ολόκληρη τη συνεργασία μας, η AWS έχει θέσει τον πήχη στην εμμονή των πελατών και στην παροχή αποτελεσμάτων – συνεργαζόμενος μαζί μας σε όλη τη διαδρομή για να πραγματοποιήσουμε τα υποσχεμένα οφέλη».
– Keshav Kumar, Επικεφαλής Μηχανικών στο BigBasket.
Συμπέρασμα
Σε αυτήν την ανάρτηση, συζητήσαμε τον τρόπο με τον οποίο η BigBasket χρησιμοποίησε το SageMaker για να εκπαιδεύσει το μοντέλο όρασης υπολογιστή για την αναγνώριση προϊόντων FMCG. Η εφαρμογή ενός αυτοματοποιημένου συστήματος αυτόματης ολοκλήρωσης αγοράς με τεχνητή νοημοσύνη προσφέρει βελτιωμένη εμπειρία πελατών λιανικής μέσω της καινοτομίας, ενώ εξαλείφει τα ανθρώπινα λάθη στη διαδικασία ολοκλήρωσης αγοράς. Η επιτάχυνση της ενσωμάτωσης νέου προϊόντος με τη χρήση της κατανεμημένης εκπαίδευσης του SageMaker μειώνει τον χρόνο και το κόστος ενσωμάτωσης του SKU. Η ενσωμάτωση του FSx for Luster επιτρέπει τη γρήγορη παράλληλη πρόσβαση σε δεδομένα για αποτελεσματική επανεκπαίδευση μοντέλων με εκατοντάδες νέα SKU κάθε μήνα. Συνολικά, αυτή η λύση αυτόματης ολοκλήρωσης αγοράς που βασίζεται σε τεχνητή νοημοσύνη παρέχει μια βελτιωμένη εμπειρία αγορών χωρίς σφάλματα ολοκλήρωσης αγοράς. Ο αυτοματισμός και η καινοτομία έχουν μεταμορφώσει τις λειτουργίες λιανικής ολοκλήρωσης αγοράς και επιβίβασης.
Το SageMaker παρέχει δυνατότητες ανάπτυξης, ανάπτυξης και παρακολούθησης ML από άκρο σε άκρο, όπως ένα περιβάλλον φορητού υπολογιστή SageMaker Studio για τη σύνταξη κώδικα, τη λήψη δεδομένων, την προσθήκη ετικετών δεδομένων, την εκπαίδευση μοντέλων, τον συντονισμό μοντέλων, την ανάπτυξη, την παρακολούθηση και πολλά άλλα. Εάν η επιχείρησή σας αντιμετωπίζει κάποια από τις προκλήσεις που περιγράφονται σε αυτήν την ανάρτηση και θέλει να εξοικονομήσει χρόνο στην αγορά και να βελτιώσει το κόστος, απευθυνθείτε στην ομάδα λογαριασμού AWS στην περιοχή σας και ξεκινήστε με το SageMaker.
Σχετικά με τους Συγγραφείς
Santosh Waddi είναι Κύριος Μηχανικός στο BigBasket, φέρνει πάνω από μια δεκαετία τεχνογνωσίας στην επίλυση προκλήσεων τεχνητής νοημοσύνης. Με ισχυρό υπόβαθρο στην όραση υπολογιστών, την επιστήμη δεδομένων και τη βαθιά μάθηση, είναι κάτοχος μεταπτυχιακού τίτλου σπουδών από το IIT Bombay. Ο Santosh έχει συγγράψει αξιόλογες εκδόσεις IEEE και, ως έμπειρος συγγραφέας τεχνολογικών ιστολογίων, έχει επίσης συνεισφέρει σημαντικά στην ανάπτυξη λύσεων υπολογιστικής όρασης κατά τη διάρκεια της θητείας του στη Samsung.
Nanda Kishore Thatikonda είναι Διευθυντής Μηχανικών που ηγείται της Μηχανικής Δεδομένων και της Ανάλυσης στο BigBasket. Η Nanda έχει δημιουργήσει πολλαπλές εφαρμογές για την ανίχνευση ανωμαλιών και έχει ένα δίπλωμα ευρεσιτεχνίας που έχει κατατεθεί σε παρόμοιο χώρο. Έχει εργαστεί στη δημιουργία εφαρμογών εταιρικού επιπέδου, στη δημιουργία πλατφορμών δεδομένων σε πολλούς οργανισμούς και σε πλατφόρμες αναφοράς για τον εξορθολογισμό των αποφάσεων που υποστηρίζονται από δεδομένα. Η Nanda έχει πάνω από 18 χρόνια εμπειρία εργασίας σε Java/J2EE, τεχνολογίες Spring και μεγάλα πλαίσια δεδομένων χρησιμοποιώντας Hadoop και Apache Spark.
Μίσος Σουντάνσου είναι Κύριος Ειδικός AI & ML με το AWS και συνεργάζεται με πελάτες για να τους συμβουλεύσει σχετικά με τα MLOps και το δημιουργικό ταξίδι AI. Στον προηγούμενο ρόλο του, σχεδίασε, δημιούργησε και οδήγησε ομάδες για να δημιουργήσουν μια πρωτοποριακή πλατφόρμα τεχνητής νοημοσύνης και παιχνιδιών που βασίζεται σε ανοιχτό κώδικα και την εμπορευματοποίησε με επιτυχία με περισσότερους από 100 πελάτες. Ο Sudhanshu έχει στο ενεργητικό του μερικά διπλώματα ευρεσιτεχνίας. έχει γράψει 2 βιβλία, αρκετές εργασίες και ιστολόγια. και έχει παρουσιάσει την άποψή του σε διάφορα φόρουμ. Υπήρξε ηγέτης της σκέψης και ομιλητής, και ήταν στη βιομηχανία για σχεδόν 25 χρόνια. Έχει συνεργαστεί με πελάτες του Fortune 1000 σε όλο τον κόσμο και πιο πρόσφατα εργάζεται με ψηφιακούς εγγενείς πελάτες στην Ινδία.
Αγιούς Κουμάρ είναι Solutions Architect στην AWS. Συνεργάζεται με μια μεγάλη ποικιλία πελατών AWS, βοηθώντας τους να υιοθετήσουν τις πιο πρόσφατες σύγχρονες εφαρμογές και να καινοτομούν πιο γρήγορα με τις εγγενείς τεχνολογίες του cloud. Θα τον βρείτε να πειραματίζεται στην κουζίνα στον ελεύθερο χρόνο του.
- 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/how-bigbasket-improved-ai-enabled-checkout-at-their-physical-stores-using-amazon-sagemaker/
- :έχει
- :είναι
- :δεν
- $ 10 εκατομμύρια
- $UP
- 000
- 1
- 10
- 100
- 12
- 120
- 13
- 152
- 23
- 24
- 25
- 300
- 40
- 50
- 500
- 600
- 66
- 7
- 8
- 80
- 9
- 98
- a
- Ικανός
- επιτάχυνση
- επιταχύνοντας
- πρόσβαση
- Λογαριασμός
- ακρίβεια
- Κατορθώνω
- Επιτυγχάνει
- αποκτήθηκαν
- απόκτηση
- απέναντι
- προσαρμόσει
- προσθέτω
- προστιθέμενη
- προσθήκη
- Πρόσθετος
- διεύθυνση
- Προσθέτει
- ενστερνίζομαι
- συμβουλεύουν
- Μετά το
- πάλι
- AI
- Τροφοδοτείται από AI
- αλγόριθμοι
- επιτρέπει
- σχεδόν
- Επίσης
- εναλλακτικές λύσεις
- Amazon
- Amazon EC2
- Amazon RDS
- Amazon Sage Maker
- Amazon υπηρεσίες Web
- an
- analytics
- και
- ανίχνευση ανωμαλιών
- κάθε
- Apache
- εφαρμογές
- πλησιάζω
- περίπου
- αρχιτεκτονική
- ΕΙΝΑΙ
- γύρω
- AS
- ανατεθεί
- συλλογή
- At
- επαυξημένης
- συγγραφέας
- συγγραφέας
- Αυτοματοποιημένη
- αυτομάτως
- Αυτοματοποίηση
- διαθεσιμότητα
- AWS
- πίσω
- υποστηρίζεται
- φόντο
- μπαρ
- BE
- επειδή
- ήταν
- πριν
- αρχίζει
- είναι
- όφελος
- οφέλη
- ΚΑΛΎΤΕΡΟΣ
- μεταξύ
- Μεγάλος
- Big Data
- Μπλοκ
- ιστολόγια
- Βιβλία
- μάρκες
- Φέρνει
- ευρύτερη
- χτίζω
- Κτίριο
- χτισμένο
- επιχείρηση
- αγορά
- by
- υπολογισμοί
- που ονομάζεται
- φωτογραφικές μηχανές
- CAN
- δυνατότητες
- κατάλογος
- προμηθεύω
- τροφοδοσία
- ορισμένες
- προκλήσεις
- αλλαγή
- Αλλαγές
- κανάλια
- φτηνότερος
- Ολοκλήρωση Αγοράς
- Πόλεις
- ταξινόμηση
- πελάτες
- συστάδα
- CNN
- κωδικός
- συλλέγουν
- Συλλογική
- Εμπόριο
- Επικοινωνία
- σύγκριση
- σύμφωνος
- πλήρης
- Ολοκληρώθηκε το
- Υπολογίστε
- υπολογιστή
- Computer Vision
- Συνθήκες
- συνδεδεμένος
- Αποτελείται από
- αποτελείται
- καταναλωτής
- καταναλώνουν
- Δοχείο
- συνεχώς
- συνεχής
- συνεχώς
- συνεισφορές
- ευκολία
- Σύγκλιση
- Κόστος
- δαπανηρός
- Δικαστικά έξοδα
- μετρητής
- μετρητές
- Ζευγάρι
- δημιουργήθηκε
- δημιουργεί
- μονάδες
- Ρεύμα
- έθιμο
- πελάτης
- εμπειρία του πελάτη
- Πελάτες
- Τομή
- κύκλος
- καθημερινά
- ημερομηνία
- πρόσβαση δεδομένων
- επιστημονικά δεδομένα
- βάση δεδομένων
- Ημ.
- δεκαετία
- αποφάσεις
- βαθύς
- βαθιά μάθηση
- ορίζεται
- Πτυχίο
- παράδοση
- παραδίδει
- διανομή
- εξαρτήσεις
- ανάπτυξη
- περιγράφεται
- σχεδιασμένα
- Ανίχνευση
- Ανάπτυξη
- διάγραμμα
- DID
- διαφορετικές
- ψηφιακό
- συζητήσουν
- συζήτηση
- διακρίνω
- διανέμονται
- κατανεμημένη εκπαίδευση
- διαιρούμενο
- Λιμενεργάτης
- κάτω
- δυο
- κατά την διάρκεια
- κάθε
- εύκολα
- ηλεκτρονικού εμπορίου
- αποδοτικότητα
- αποτελεσματικός
- εξάλειψη
- ενεργοποιημένη
- δίνει τη δυνατότητα
- περικυκλώ
- τέλος
- από άκρη σε άκρη
- μηχανικός
- Μηχανική
- ενισχυμένη
- εταιρικού βαθμού
- Ολόκληρος
- Περιβάλλον
- περιβάλλοντος
- λάθη
- αναμενόμενη
- αξιολογήσει
- Κάθε
- πάντα
- υφιστάμενα
- εμπειρία
- πειραματίζονται
- εξειδίκευση
- αντιμέτωπος
- FAST
- ταχυκίνητος
- γρηγορότερα
- Χαρακτηριστικό
- λιγότερα
- Εικόνα
- κατατεθεί
- τελικός
- Τελικά
- Εύρεση
- Όνομα
- fmcg
- ακολουθείται
- Εξής
- τροφή
- Για
- Τύχη
- φόρουμ
- Προς τα εμπρός
- Πλαίσιο
- πλαισίων
- Συχνότητα
- συχνά
- τριβή
- από
- frontend
- πλήρους κλίμακας
- πλήρως
- περαιτέρω
- Gamification
- γενετική
- Παραγωγική τεχνητή νοημοσύνη
- παίρνω
- Παγκόσμιο
- σφαίρα
- Go
- εμπορεύματα
- GPU
- GPU
- κλίσεις
- εξαιρετική
- Ανάπτυξη
- λαβή
- Έχω
- he
- κεφάλι
- βοήθησε
- βοήθεια
- Ψηλά
- υψηλού επιπέδου
- υψηλή απόδοση
- αυτόν
- του
- κατέχει
- Πως
- HTML
- http
- HTTPS
- ανθρώπινος
- Εκατοντάδες
- Αναγνώριση
- IEEE
- if
- απεικονίζει
- εικόνα
- Ταξινόμηση εικόνας
- εικόνες
- επηρεάζονται
- εκτέλεση
- βελτίωση
- βελτιωθεί
- βελτιώνει
- in
- στο κατάστημα
- περιλαμβάνει
- Συμπεριλαμβανομένου
- ενσωματώνω
- Αυξήσεις
- αύξηση
- πραγματοποιήθηκε
- Ινδία
- βιομηχανία
- πληροφορίες
- Υποδομή
- νεωτερίζω
- Καινοτομία
- παράδειγμα
- ενσωματωθεί
- Ενσωμάτωση
- σε
- εισήγαγε
- Εισαγωγή
- θέματα
- IT
- αντικειμένων
- επανάληψη
- ΤΟΥ
- ταξίδι
- jpg
- Διατήρηση
- τήρηση
- Κλειδί
- Kumar
- large
- μεγαλύτερη
- αργότερο
- στρώματα
- ηγέτης
- που οδηγεί
- μάθηση
- Led
- Κληροδότημα
- βιβλιοθήκες
- Βιβλιοθήκη
- Μου αρέσει
- Μακριά
- πολύς καιρός
- χάνουν
- μηχανή
- μάθηση μηχανής
- μηχανήματα
- που
- κάνω
- διευθυντής
- διαχείριση
- Ταχύτητες
- χειροκίνητα
- αγορά
- Μνήμη
- Metrics
- μετανάστευση
- εκατομμύριο
- ML
- MLOps
- μοντέλο
- μοντέλα
- ΜΟΝΤΕΡΝΑ
- παρακολούθηση
- Μηνας
- μηνιαίος
- μήνες
- περισσότερο
- πλέον
- κίνηση
- πολύ
- πολλαπλούς
- ντόπιος
- σχεδόν
- Ανάγκη
- που απαιτούνται
- ανάγκες
- δίκτυο
- νευρικός
- νευρικό σύστημα
- Νέα
- καινούργιο προϊόν
- νέα προϊόντα
- επόμενη
- κόμβος
- κόμβων
- αξιοσημείωτο
- σημειωματάριο
- αριθμός
- αντικείμενο
- σκοπός
- of
- προσφορά
- προσφορά
- συχνά
- on
- Επί του σκάφους
- ONE
- διαδικτυακά (online)
- αποκλειστικά
- ανοίξτε
- ανοικτού κώδικα
- λειτουργούν
- λειτουργίας
- λειτουργία
- επιχειρήσεων
- λειτουργίες
- βελτιστοποιημένη
- βελτιστοποίηση
- or
- οργανώσεις
- ΑΛΛΑ
- δικός μας
- έξω
- επί
- φόρμες
- εναέρια
- επισκόπηση
- Ειρήνη
- χαρτιά
- Παράλληλο
- παράμετροι
- Συνεταιρισμός
- passieren
- ευρεσιτεχνία
- Διπλώματα ευρεσιτεχνίας
- για
- επίδοση
- φυσικός
- κομμάτι
- κομμάτια
- πιλότος
- αγωγού
- πλατφόρμες
- Πλατφόρμες
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- Σημείο
- Απόψεις
- Θέση
- μεταπτυχιακός
- δύναμη
- Προετοιμάστε
- παρουσιάζονται
- προηγούμενος
- Κύριος
- πρόσοδοι
- διαδικασια μας
- Παράγεται
- Προϊόν
- ΠΛΗΡΟΦΟΡΙΕΣ ΓΙΑ ΤΟ ΠΡΟΙΟΝ
- παραγωγή
- Προϊόντα
- σχέδιο
- υποσχόμενος
- παρέχουν
- παρέχεται
- παρέχει
- δημοσιεύσεις
- αγορά
- pytorch
- Γρήγορα
- σειρά
- τάξεις
- Τιμή
- φθάσουν
- συνειδητοποιήσουν
- πρόσφατα
- αναγνώριση
- συνιστάται
- μείωση
- Μειωμένος
- μειώνει
- μείωση
- περιοχή
- επανειλημμένες
- απάντηση
- Αναφορά
- Απαιτεί
- με αποτέλεσμα
- λιανική πώληση
- Ρόλος
- τρέξιμο
- τρέξιμο
- σοφός
- ίδιο
- Samsung
- Αποθήκευση
- Κλίμακα
- απολέπιση
- Επιστήμη
- γραφή
- άψογα
- σκληραγωγημένος
- δει
- εξυπηρετεί
- Υπηρεσίες
- σειρά
- Σέτς
- setup
- διάφοροι
- Καταστήματα Λιανικής
- Κλείνει
- σημαντικός
- παρόμοιες
- Απλούς
- ευμεγέθης
- Μέγεθος
- small
- λύση
- Λύσεις
- Επίλυση
- Πηγή
- Χώρος
- Σπινθήρας
- Ομιλητής
- ειδικός
- ειδικά
- ταχύτητα
- άνοιξη
- ξεκίνησε
- Ξεκινήστε
- Βήματα
- αυτοκόλλητα
- στοκ
- χώρος στο δίσκο
- κατάστημα
- αποθηκεύονται
- καταστήματα
- εξορθολογισμό
- ισχυρός
- στούντιο
- συνδρομές
- Επιτυχώς
- τέτοιος
- σύστημα
- λαμβάνεται
- ομάδες
- tech
- τεχνικές
- Τεχνολογίες
- δοκιμή
- από
- ότι
- Η
- τους
- Τους
- τότε
- Εκεί.
- Αυτοί
- αυτοί
- τρίτους
- αυτό
- σκέψη
- Μέσω
- διακίνηση
- ώρα
- φορές
- προς την
- πήρε
- Σύνολο
- πόλεις
- παραδοσιακός
- Τρένο
- Εκπαίδευση
- μεταφορά
- μετασχηματίζεται
- Προσπάθησα
- αρμονία
- βραχυχρόνιων διακυμάνσεων της ρευστότητας
- δύο
- τύποι
- μοναδικώς
- μονάδες
- us
- χρήση
- μεταχειρισμένος
- χρησιμοποιεί
- χρησιμοποιώντας
- επικύρωση
- ποικιλία
- διάφορα
- πολύ
- Δες
- όραμα
- vs
- ήθελε
- θέλει
- ήταν
- Τρόπος..
- we
- ιστός
- διαδικτυακές υπηρεσίες
- ζύγισμα
- βάρος
- ήταν
- Ποιό
- ενώ
- ολόκληρο
- ευρύς
- νίκη
- με
- εντός
- εργάστηκαν
- εργάτης
- εργαζομένων
- εργαζόμενος
- λειτουργεί
- γραφή
- γραπτή
- χρόνια
- Εσείς
- Σας
- zephyrnet
- ζώνη