Αυτή η σειρά τριών μερών δείχνει πώς να χρησιμοποιείτε νευρωνικά δίκτυα γραφημάτων (GNN) και Amazon Ποσειδώνας για τη δημιουργία προτάσεων ταινιών χρησιμοποιώντας το IMDb και Box Office Mojo Movies/TV/OTT Πακέτο δεδομένων με άδεια χρήσης, το οποίο παρέχει ένα ευρύ φάσμα μεταδεδομένων ψυχαγωγίας, συμπεριλαμβανομένων πάνω από 1 δισεκατομμύριο αξιολογήσεις χρηστών. πιστώσεις για περισσότερα από 11 εκατομμύρια μέλη του καστ και του πληρώματος· 9 εκατομμύρια τίτλοι ταινιών, τηλεόρασης και ψυχαγωγίας. και παγκόσμιες αναφορές στο box office από περισσότερες από 60 χώρες. Πολλοί πελάτες πολυμέσων και ψυχαγωγίας AWS αδειοδοτούν δεδομένα IMDb μέσω Ανταλλαγή δεδομένων AWS για τη βελτίωση της ανακάλυψης περιεχομένου και την αύξηση της αφοσίωσης και της διατήρησης των πελατών.
Το παρακάτω διάγραμμα απεικονίζει την πλήρη αρχιτεκτονική που εφαρμόζεται ως μέρος αυτής της σειράς.
In Μέρος 1, συζητήσαμε τις εφαρμογές των GNN και τον τρόπο μετατροπής και προετοιμασίας των δεδομένων μας IMDb σε ένα γράφημα γνώσης (KG). Κατεβάσαμε τα δεδομένα από το AWS Data Exchange και τα επεξεργαστήκαμε Κόλλα AWS για τη δημιουργία αρχείων KG. Τα αρχεία KG αποθηκεύτηκαν στο Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) και στη συνέχεια φορτώθηκε Amazon Ποσειδώνας.
In Μέρος 2, δείξαμε τον τρόπο χρήσης Amazon Neptune ML (σε Amazon Sage Maker) για να εκπαιδεύσετε το KG και να δημιουργήσετε ενσωματώσεις KG.
Σε αυτήν την ανάρτηση, σας καθοδηγούμε πώς να εφαρμόσετε τις εκπαιδευμένες ενσωματώσεις KG στο Amazon S3 σε περιπτώσεις χρήσης αναζήτησης εκτός καταλόγου χρησιμοποιώντας Amazon OpenSearch Service και AWS Lambda. Μπορείτε επίσης να αναπτύξετε μια τοπική εφαρμογή Ιστού για μια διαδραστική εμπειρία αναζήτησης. Όλοι οι πόροι που χρησιμοποιούνται σε αυτήν την ανάρτηση μπορούν να δημιουργηθούν χρησιμοποιώντας έναν μόνο Κιτ ανάπτυξης AWS Cloud (AWS CDK) εντολή όπως περιγράφεται παρακάτω στην ανάρτηση.
Ιστορικό
Έχετε ποτέ ψάξει κατά λάθος έναν τίτλο περιεχομένου που δεν ήταν διαθέσιμος σε μια πλατφόρμα ροής βίντεο; Εάν ναι, θα διαπιστώσετε ότι αντί να αντιμετωπίζετε μια κενή σελίδα αποτελεσμάτων αναζήτησης, θα βρείτε μια λίστα ταινιών του ίδιου είδους, με καστ ή μέλη του συνεργείου. Αυτή είναι μια εμπειρία αναζήτησης εκτός καταλόγου!
Αναζήτηση εκτός καταλόγου (OOC) είναι όταν εισάγετε ένα ερώτημα αναζήτησης που δεν έχει άμεση αντιστοίχιση σε έναν κατάλογο. Αυτό το συμβάν εμφανίζεται συχνά σε πλατφόρμες ροής βίντεο που αγοράζουν συνεχώς μια ποικιλία περιεχομένου από πολλούς προμηθευτές και εταιρείες παραγωγής για περιορισμένο χρονικό διάστημα. Η απουσία συνάφειας ή αντιστοίχισης από τον κατάλογο μιας εταιρείας ροής σε μεγάλες βάσεις γνώσεων ταινιών και εκπομπών μπορεί να έχει ως αποτέλεσμα μια υποβαθμισμένη εμπειρία αναζήτησης για πελάτες που ζητούν περιεχόμενο OOC, μειώνοντας έτσι τον χρόνο αλληλεπίδρασης με την πλατφόρμα. Αυτή η αντιστοίχιση μπορεί να γίνει με μη αυτόματη αντιστοίχιση συχνών ερωτημάτων OOC σε περιεχόμενο καταλόγου ή μπορεί να αυτοματοποιηθεί χρησιμοποιώντας μηχανική εκμάθηση (ML).
Σε αυτήν την ανάρτηση, παρουσιάζουμε τον τρόπο χειρισμού του OOC χρησιμοποιώντας τη δύναμη του συνόλου δεδομένων IMDb (η κορυφαία πηγή παγκόσμιων μεταδεδομένων ψυχαγωγίας) και των γραφημάτων γνώσης.
Υπηρεσία OpenSearch είναι μια πλήρως διαχειριζόμενη υπηρεσία που σας διευκολύνει να εκτελείτε διαδραστικές αναλύσεις αρχείων καταγραφής, παρακολούθηση εφαρμογών σε πραγματικό χρόνο, αναζήτηση ιστότοπου και πολλά άλλα. Το OpenSearch είναι μια σουίτα ανοιχτού κώδικα, κατανεμημένης αναζήτησης και αναλυτικών στοιχείων που προέρχεται από το Elasticsearch. Η Υπηρεσία OpenSearch προσφέρει τις πιο πρόσφατες εκδόσεις του OpenSearch, υποστήριξη για 19 εκδόσεις του Elasticsearch (εκδόσεις 1.5 έως 7.10), καθώς και δυνατότητες οπτικοποίησης που υποστηρίζονται από τους πίνακες ελέγχου OpenSearch και το Kibana (εκδόσεις 1.5 έως 7.10). Η Υπηρεσία OpenSearch έχει επί του παρόντος δεκάδες χιλιάδες ενεργούς πελάτες με εκατοντάδες χιλιάδες συμπλέγματα υπό διαχείριση και επεξεργάζονται τρισεκατομμύρια αιτήματα το μήνα. Η Υπηρεσία OpenSearch προσφέρει αναζήτηση kNN, η οποία μπορεί να βελτιώσει την αναζήτηση σε περιπτώσεις χρήσης, όπως συστάσεις προϊόντων, ανίχνευση απάτης και εικόνα, βίντεο και ορισμένα συγκεκριμένα σημασιολογικά σενάρια, όπως ομοιότητα εγγράφων και ερωτημάτων. Για περισσότερες πληροφορίες σχετικά με τις λειτουργίες αναζήτησης της υπηρεσίας OpenSearch που υποστηρίζονται από φυσική γλώσσα, ανατρέξτε στο Δημιουργία μιας εφαρμογής αναζήτησης που υποστηρίζεται από NLU με το Amazon SageMaker και τη δυνατότητα Amazon OpenSearch Service KNN.
Επισκόπηση λύσεων
Σε αυτήν την ανάρτηση, παρουσιάζουμε μια λύση για τον χειρισμό καταστάσεων OOC μέσω αναζήτησης ενσωμάτωσης βάσει γραφημάτων γνώσης, χρησιμοποιώντας τις δυνατότητες αναζήτησης k-πλησιέστερου γείτονα (kNN) της Υπηρεσίας OpenSearch. Οι βασικές υπηρεσίες AWS που χρησιμοποιούνται για την υλοποίηση αυτής της λύσης είναι το OpenSearch Service, το SageMaker, το Lambda και το Amazon S3.
Αναχωρώ Μέρος 1 και Μέρος 2 αυτής της σειράς για να μάθετε περισσότερα σχετικά με τη δημιουργία γραφημάτων γνώσης και την ενσωμάτωση GNN χρησιμοποιώντας το Amazon Neptune ML.
Η λύση OOC μας προϋποθέτει ότι έχετε ένα συνδυασμένο KG που λαμβάνεται με τη συγχώνευση μιας εταιρείας ροής KG και IMDb KG. Αυτό μπορεί να γίνει μέσω απλών τεχνικών επεξεργασίας κειμένου που ταιριάζουν με τίτλους μαζί με τον τύπο του τίτλου (ταινία, σειρά, ντοκιμαντέρ), καστ και συνεργείο. Επιπλέον, αυτό το κοινό γράφημα γνώσης πρέπει να εκπαιδευτεί ώστε να δημιουργεί ενσωματώσεις γραφημάτων γνώσης μέσω των αγωγών που αναφέρονται στο Μέρος 1 και Μέρος 2. Το παρακάτω διάγραμμα απεικονίζει μια απλοποιημένη άποψη του συνδυασμένου KG.
Για να δείξουμε τη λειτουργικότητα αναζήτησης OOC με ένα απλό παράδειγμα, χωρίζουμε το γράφημα γνώσης του IMDb σε κατάλογο πελατών και κατάλογο εκτός πελατών. Επισημαίνουμε τους τίτλους που περιέχουν το "Toy Story" ως πόρο καταλόγου εκτός πελάτη και το υπόλοιπο γράφημα γνώσεων IMDb ως κατάλογο πελατών. Σε ένα σενάριο όπου ο κατάλογος πελατών δεν βελτιώνεται ή συγχωνεύεται με εξωτερικές βάσεις δεδομένων, η αναζήτηση για "toy story" θα επέστρεφε οποιονδήποτε τίτλο έχει τις λέξεις "toy" ή "story" στα μεταδεδομένα του, με την αναζήτηση κειμένου OpenSearch. Εάν ο κατάλογος πελατών είχε αντιστοιχιστεί στο IMDb, θα ήταν ευκολότερο να καταλάβουμε ότι το ερώτημα "toy story" δεν υπάρχει στον κατάλογο και ότι οι κορυφαίες αντιστοιχίσεις στο IMDb είναι "Toy Story", "Toy Story 2", "Toy Story 3", "Toy Story 4" και "Charlie: Toy Story" με φθίνουσα σειρά συνάφειας με την αντιστοίχιση κειμένου. Για να λάβουμε αποτελέσματα εντός καταλόγου για καθεμία από αυτές τις αντιστοιχίσεις, μπορούμε να δημιουργήσουμε πέντε κοντινότερες ταινίες σε ομοιότητα ενσωμάτωσης kNN βάσει καταλόγου πελατών (της κοινής KG) μέσω της Υπηρεσίας OpenSearch.
Μια τυπική εμπειρία OOC ακολουθεί τη ροή που απεικονίζεται στο παρακάτω σχήμα.
Το παρακάτω βίντεο δείχνει τα κορυφαία πέντε (αριθμός επισκέψεων) αποτελέσματα OOC για το ερώτημα "toy story" και σχετικές αντιστοιχίσεις στον κατάλογο πελατών (αριθμός προτάσεων).
Εδώ, το ερώτημα αντιστοιχίζεται στο γράφημα γνώσης χρησιμοποιώντας την αναζήτηση κειμένου στην Υπηρεσία OpenSearch. Στη συνέχεια, αντιστοιχίζουμε τις ενσωματώσεις της αντιστοίχισης κειμένου με τους τίτλους καταλόγου πελατών χρησιμοποιώντας το ευρετήριο OpenSearch Service kNN. Επειδή το ερώτημα χρήστη δεν μπορεί να αντιστοιχιστεί απευθείας στις οντότητες του γραφήματος γνώσης, χρησιμοποιούμε μια προσέγγιση δύο βημάτων για να βρούμε πρώτα ομοιότητες ερωτημάτων βάσει τίτλου και, στη συνέχεια, στοιχεία παρόμοια με τον τίτλο χρησιμοποιώντας ενσωματώσεις γραφημάτων γνώσης. Στις επόμενες ενότητες, προχωράμε στη διαδικασία δημιουργίας ενός συμπλέγματος Υπηρεσιών OpenSearch, δημιουργίας και μεταφόρτωσης ευρετηρίων γραφημάτων γνώσης και ανάπτυξης της λύσης ως εφαρμογή Ιστού.
Προϋποθέσεις
Για να εφαρμόσετε αυτήν τη λύση, θα πρέπει να έχετε ένα Λογαριασμός AWS, εξοικείωση με το OpenSearch Service, το SageMaker, το Lambda και AWS CloudFormation, και έχουν ολοκληρώσει τα βήματα Μέρος 1 και Μέρος 2 της σειράς αυτής.
Εκκίνηση πόρων λύσης
Το παρακάτω διάγραμμα αρχιτεκτονικής δείχνει τη ροή εργασιών εκτός καταλόγου.
Θα χρησιμοποιήσετε το AWS Cloud Development Kit (CDK) για την παροχή των πόρων που απαιτούνται για τις εφαρμογές αναζήτησης OOC. Ο κώδικας για την εκκίνηση αυτών των πόρων εκτελεί τις ακόλουθες λειτουργίες:
- Δημιουργεί ένα VPC για τους πόρους.
- Δημιουργεί έναν τομέα OpenSearch Service για την εφαρμογή αναζήτησης.
- Δημιουργεί μια συνάρτηση Lambda για επεξεργασία και φόρτωση μεταδεδομένων ταινιών και ενσωματώσεων σε ευρετήρια της υπηρεσίας OpenSearch (
**-ReadFromOpenSearchLambda-**
). - Δημιουργεί μια συνάρτηση Lambda που λαμβάνει ως είσοδο το ερώτημα χρήστη από μια εφαρμογή web και επιστρέφει σχετικούς τίτλους από το OpenSearch (
**-LoadDataIntoOpenSearchLambda-**
). - Δημιουργεί μια πύλη API που προσθέτει ένα επιπλέον επίπεδο ασφάλειας μεταξύ της διεπαφής χρήστη της εφαρμογής Ιστού και του Lambda.
Για να ξεκινήσετε, ακολουθήστε τα παρακάτω βήματα:
- Εκτελέστε τον κώδικα και τα σημειωματάρια από Μέρος 1 και Μέρος 2.
- Πλοηγηθείτε με το
part3-out-of-catalog
φάκελο στο αποθετήριο κώδικα.
- Εκκινήστε το AWS CDK από το τερματικό με την εντολή
bash launch_stack.sh
. - Δώστε τις δύο διαδρομές αρχείου S3 που δημιουργήθηκαν στο Μέρος 2 ως είσοδο:
- Η διαδρομή S3 προς το αρχείο CSV ενσωματώσεων ταινίας.
- Η διαδρομή S3 προς το αρχείο κόμβου ταινίας.
- Περιμένετε μέχρι το σενάριο να παρέχει όλους τους απαιτούμενους πόρους και να ολοκληρωθεί η εκτέλεση.
- Αντιγράψτε τη διεύθυνση URL της πύλης API που εκτυπώνει η δέσμη ενεργειών AWS CDK και αποθηκεύστε την. (Το χρησιμοποιούμε για την εφαρμογή Streamlit αργότερα).
Δημιουργήστε έναν τομέα υπηρεσίας OpenSearch
Για λόγους επεξήγησης, δημιουργείτε έναν τομέα αναζήτησης σε μια Ζώνη Διαθεσιμότητας σε μια παρουσία r6g.large.search μέσα σε ένα ασφαλές VPC και υποδίκτυο. Σημειώστε ότι η βέλτιστη πρακτική θα ήταν να ρυθμίσετε τρεις Ζώνες Διαθεσιμότητας με μία κύρια και δύο αντίγραφα.
Δημιουργήστε ένα ευρετήριο OpenSearch Service και μεταφορτώστε δεδομένα
Χρησιμοποιείτε συναρτήσεις Lambda (δημιουργήθηκαν χρησιμοποιώντας την εντολή εκκίνησης στοίβας AWS CDK) για να δημιουργήσετε τα ευρετήρια της υπηρεσίας OpenSearch. Για να ξεκινήσετε τη δημιουργία ευρετηρίου, ολοκληρώστε τα παρακάτω βήματα:
- Στην κονσόλα Lambda, ανοίξτε το
LoadDataIntoOpenSearchLambda
Λειτουργία λάμδα. - Στις Δοκιμή καρτέλα, επιλέξτε Δοκιμή για τη δημιουργία και την απορρόφηση δεδομένων στο ευρετήριο της υπηρεσίας OpenSearch.
Μπορείτε να βρείτε τον παρακάτω κώδικα αυτής της συνάρτησης Lambda part3-out-of-catalog/cdk/ooc/lambdas/LoadDataIntoOpenSearchLambda/lambda_handler.py
:
Η συνάρτηση εκτελεί τις ακόλουθες εργασίες:
- Φορτώνει το αρχείο κόμβου ταινίας IMDB KG που περιέχει τα μεταδεδομένα ταινίας και τις σχετικές ενσωματώσεις από τις διαδρομές αρχείου S3 που μεταβιβάστηκαν στο αρχείο δημιουργίας στοίβας
launch_stack.sh
. - Συγχωνεύει τα δύο αρχεία εισόδου για να δημιουργήσει ένα ενιαίο πλαίσιο δεδομένων για δημιουργία ευρετηρίου.
- Εκκινεί τον πελάτη OpenSearch Service χρησιμοποιώντας τη βιβλιοθήκη Boto3 Python.
- Δημιουργεί δύο ευρετήρια για κείμενο (
ooc_text
) και αναζήτηση ενσωμάτωσης kNN (ooc_knn
) και μεταφορτώνει μαζικά δεδομένα από το συνδυασμένο πλαίσιο δεδομένων μέσω τουingest_data_into_ops
λειτουργία.
Αυτή η διαδικασία απορρόφησης δεδομένων διαρκεί 5–10 λεπτά και μπορεί να παρακολουθηθεί μέσω του amazoncloudwatch κούτσουρα στο παρακολούθηση καρτέλα της συνάρτησης Λάμδα.
Δημιουργείτε δύο ευρετήρια για να ενεργοποιήσετε την αναζήτηση βάσει κειμένου και την αναζήτηση βάσει ενσωμάτωσης kNN. Η αναζήτηση κειμένου αντιστοιχίζει το ερώτημα ελεύθερης μορφής που εισάγει ο χρήστης στους τίτλους της ταινίας. Η αναζήτηση ενσωμάτωσης kNN βρίσκει τις k ταινίες που βρίσκονται πιο κοντά στην καλύτερη αντιστοίχιση κειμένου από τον λανθάνοντα χώρο KG για να επιστρέψουν ως έξοδοι.
Αναπτύξτε τη λύση ως τοπική εφαρμογή web
Τώρα που έχετε μια λειτουργική αναζήτηση κειμένου και ευρετήριο kNN στην Υπηρεσία OpenSearch, είστε έτοιμοι να δημιουργήσετε μια εφαρμογή ιστού με ML.
Χρησιμοποιούμε το streamlit
Πακέτο Python για τη δημιουργία μιας διεπαφής εικόνας για αυτήν την εφαρμογή. ο IMDb-Knowledge-Graph-Blog/part3-out-of-catalog/run_imdb_demo.py
Αρχείο Python στο δικό μας GitHub repo έχει τον απαιτούμενο κωδικό για την εκκίνηση μιας τοπικής εφαρμογής Ιστού για να εξερευνήσετε αυτήν τη δυνατότητα.
Για να εκτελέσετε τον κώδικα, ολοκληρώστε τα παρακάτω βήματα:
- εγκαταστήστε το
streamlit
καιaws_requests_auth
Πακέτο Python στο τοπικό εικονικό περιβάλλον Python για τις ακόλουθες εντολές στο τερματικό σας:
- Αντικαταστήστε το σύμβολο κράτησης θέσης για το URL της πύλης API στον κώδικα ως εξής με αυτό που δημιουργήθηκε από το AWS CDK:
api = '<ENTER URL OF THE API GATEWAY HERE>/opensearch-lambda?q={query_text}&numMovies={num_movies}&numRecs={num_recs}'
- Εκκινήστε την εφαρμογή Ιστού με την εντολή
streamlit run run_imdb_demo.py
από το τερματικό σας.
Αυτό το σενάριο εκκινεί μια εφαρμογή Ιστού Streamlit στην οποία μπορείτε να έχετε πρόσβαση στο πρόγραμμα περιήγησής σας. Η διεύθυνση URL της εφαρμογής Ιστού μπορεί να ανακτηθεί από την έξοδο του σεναρίου, όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης.
Η εφαρμογή δέχεται νέες συμβολοσειρές αναζήτησης, αριθμό επισκέψεων και αριθμό προτάσεων. Ο αριθμός των επισκέψεων αντιστοιχεί σε πόσους αντίστοιχους τίτλους OOC πρέπει να ανακτήσουμε από τον εξωτερικό κατάλογο (IMDb). Ο αριθμός των προτάσεων αντιστοιχεί στο πόσους πλησιέστερους γείτονες πρέπει να ανακτήσουμε από τον κατάλογο πελατών με βάση την αναζήτηση ενσωμάτωσης kNN. Δείτε τον παρακάτω κώδικα:
Αυτή η είσοδος (ερώτημα, αριθμός επισκέψεων και προτάσεις) μεταβιβάζεται στο **-ReadFromOpenSearchLambda-**
Συνάρτηση λάμδα που δημιουργήθηκε από το AWS CDK μέσω του αιτήματος API Gateway. Αυτό γίνεται στην παρακάτω λειτουργία:
Τα αποτελέσματα εξόδου της συνάρτησης Lambda από την Υπηρεσία OpenSearch μεταβιβάζονται στο API Gateway και εμφανίζονται στην εφαρμογή Streamlit.
εκκαθάριση
Μπορείτε να διαγράψετε όλους τους πόρους που δημιουργήθηκαν από το AWS CDK μέσω της εντολής npx cdk destroy –app “python3 appy.py” --all
στην ίδια περίπτωση (μέσα στο cdk
φάκελο) που χρησιμοποιήθηκε για την εκκίνηση της στοίβας (δείτε το παρακάτω στιγμιότυπο οθόνης).
Συμπέρασμα
Σε αυτήν την ανάρτηση, σας δείξαμε πώς να δημιουργήσετε μια λύση για αναζήτηση OOC χρησιμοποιώντας κείμενο και αναζήτηση που βασίζεται σε kNN χρησιμοποιώντας το SageMaker και την Υπηρεσία OpenSearch. Χρησιμοποιήσατε προσαρμοσμένες ενσωματώσεις μοντέλων γραφημάτων γνώσης για να βρείτε τους πλησιέστερους γείτονες στον κατάλογό σας με αυτόν των τίτλων IMDb. Μπορείτε τώρα, για παράδειγμα, να αναζητήσετε το «The Rings of Power», μια σειρά φαντασίας που αναπτύχθηκε από το Amazon Prime Video, σε άλλες πλατφόρμες ροής και να εξηγήσετε πώς θα μπορούσαν να έχουν βελτιστοποιήσει το αποτέλεσμα αναζήτησης.
Για περισσότερες πληροφορίες σχετικά με το δείγμα κώδικα σε αυτήν την ανάρτηση, ανατρέξτε στο GitHub repo. Για να μάθετε περισσότερα σχετικά με τη συνεργασία με το Amazon ML Solutions Lab για τη δημιουργία παρόμοιων εφαρμογών ML τελευταίας τεχνολογίας, βλ. Εργαστήριο Amazon Machine Learning Solutions. Για περισσότερες πληροφορίες σχετικά με την αδειοδότηση συνόλων δεδομένων IMDb, επισκεφτείτε developer.imdb.com.
Σχετικά με τους Συγγραφείς
Ντίγια Μπαρχάρβι είναι Επιστήμονας Δεδομένων και Κάθετη Επικεφαλής Μέσων και Ψυχαγωγίας στο Amazon ML Solutions Lab, όπου λύνει επιχειρηματικά προβλήματα υψηλής αξίας για πελάτες AWS χρησιμοποιώντας τη Μηχανική Μάθηση. Εργάζεται στην κατανόηση εικόνας/βίντεο, σε συστήματα συστάσεων γραφημάτων γνώσης, σε περιπτώσεις χρήσης προγνωστικών διαφημίσεων.
Γκαουράβ Ρελέ είναι Επιστήμονας δεδομένων στο Amazon ML Solution Lab, όπου συνεργάζεται με πελάτες AWS σε διαφορετικούς κλάδους για να επιταχύνει τη χρήση της μηχανικής μάθησης και των υπηρεσιών AWS Cloud για την επίλυση των επιχειρηματικών τους προκλήσεων.
Ματθαίος Ρόδος είναι Επιστήμονας Δεδομένων και εργάζομαι στο Amazon ML Solutions Lab. Εξειδικεύεται στην κατασκευή αγωγών Μηχανικής Μάθησης που περιλαμβάνουν έννοιες όπως η Επεξεργασία Φυσικής Γλώσσας και το Computer Vision.
Karan Sindwani είναι Επιστήμονας Δεδομένων στο Amazon ML Solutions Lab, όπου κατασκευάζει και αναπτύσσει μοντέλα βαθιάς μάθησης. Ειδικεύεται στον τομέα της όρασης υπολογιστών. Στον ελεύθερο χρόνο του, του αρέσει η πεζοπορία.
Soji Adeshina είναι Εφαρμοσμένος Επιστήμονας στο AWS όπου αναπτύσσει μοντέλα βασισμένα σε νευρωνικά δίκτυα γραφημάτων για μηχανική εκμάθηση σε εργασίες γραφημάτων με εφαρμογές απάτης και κατάχρησης, γραφήματα γνώσης, συστήματα συστάσεων και βιοεπιστήμες. Στον ελεύθερο χρόνο του, του αρέσει να διαβάζει και να μαγειρεύει.
Βίντια Σαγκάρ Ραβιπάτι είναι Διευθυντής στο Amazon ML Solutions Lab, όπου αξιοποιεί την τεράστια εμπειρία του σε μεγάλης κλίμακας κατανεμημένα συστήματα και το πάθος του για τη μηχανική μάθηση για να βοηθήσει τους πελάτες AWS σε διαφορετικούς κλάδους της βιομηχανίας να επιταχύνουν την υιοθέτηση της τεχνητής νοημοσύνης και του cloud.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/power-recommendations-and-search-using-an-imdb-knowledge-graph-part-3/
- 1
- 10
- 100
- 11
- 116
- 7
- 9
- a
- Σχετικα
- κατάχρηση
- επιταχύνουν
- Αποδέχεται
- πρόσβαση
- απέναντι
- ενεργός
- Πρόσθετος
- Επιπλέον
- Προσθέτει
- Υιοθεσία
- Διαφήμιση
- AI
- Όλα
- Amazon
- Εργαστήριο Amazon ML Solutions
- Amazon Ποσειδώνας
- Amazon Neptune ML
- Amazon OpenSearch Service
- Amazon Sage Maker
- analytics
- και
- api
- app
- Εφαρμογή
- εφαρμογές
- εφαρμοσμένος
- Εφαρμογή
- πλησιάζω
- αρχιτεκτονική
- ΠΕΡΙΟΧΗ
- συσχετισμένη
- Αυτοματοποιημένη
- διαθεσιμότητα
- διαθέσιμος
- AWS
- Ανταλλαγή δεδομένων AWS
- βασίζονται
- επειδή
- ΚΑΛΎΤΕΡΟΣ
- μεταξύ
- Δισεκατομμύριο
- Κουτί
- εκδοτήριο
- πρόγραμμα περιήγησης
- χτίζω
- Κτίριο
- Χτίζει
- επιχείρηση
- δυνατότητες
- περιπτώσεις
- κατάλογος
- προκλήσεις
- Επιλέξτε
- πελάτης
- Backup
- υιοθέτηση νέφους
- υπηρεσίες cloud
- συστάδα
- κωδικός
- συνεργάζεται
- σε συνδυασμό
- Εταιρείες
- εταίρα
- Εταιρεία
- πλήρης
- Ολοκληρώθηκε το
- υπολογιστή
- Computer Vision
- έννοιες
- πρόξενος
- συνεχώς
- Περιέχει
- περιεχόμενο
- αντιστοιχεί
- θα μπορούσε να
- χώρες
- δημιουργία
- δημιουργήθηκε
- δημιουργία
- δημιουργία
- Συντελεστές
- Ρεύμα
- Τη στιγμή
- έθιμο
- πελάτης
- Επαφή με τον πελάτη
- Πελάτες
- ημερομηνία
- Ανταλλαγή δεδομένων
- επιστήμονας δεδομένων
- βάσεις δεδομένων
- σύνολα δεδομένων
- βαθύς
- βαθιά μάθηση
- αποδεικνύουν
- κατέδειξε
- παρατάσσω
- ανάπτυξη
- αναπτύσσεται
- Συμπληρωματικός
- περιγράφεται
- καταστρέψει
- Ανίχνευση
- αναπτύχθηκε
- Ανάπτυξη
- αναπτύσσεται
- διαφορετικές
- κατευθύνει
- κατευθείαν
- ανακάλυψη
- συζήτηση
- διανέμονται
- κατανεμημένα συστήματα
- έγγραφο
- ντοκυμαντέρ
- Όχι
- τομέα
- κάθε
- ευκολότερη
- ενεργοποιήσετε
- δέσμευση
- ενισχυμένη
- εισάγετε
- Εισέρχεται
- Ψυχαγωγία
- οντότητες
- Περιβάλλον
- Συμβάν
- ΠΑΝΤΑ
- παράδειγμα
- ανταλλαγή
- εμπειρία
- διερευνήσει
- εξωτερικός
- επιπλέον
- αντιμέτωπος
- Εξοικείωση
- ΦΑΝΤΑΣΙΑ
- Εικόνα
- Αρχεία
- Αρχεία
- Εύρεση
- ευρήματα
- Όνομα
- ροή
- Εξής
- εξής
- Βρέθηκαν
- απάτη
- ανίχνευση απάτης
- συχνάζω
- συχνά
- από
- πλήρως
- λειτουργία
- λειτουργίες
- λειτουργικότητα
- λειτουργίες
- πύλη
- παράγουν
- παίρνω
- Παγκόσμιο
- γραφική παράσταση
- γραφικές παραστάσεις
- λαβή
- κεφαλίδες
- βοήθεια
- Επιτυχία
- Επισκέψεις
- Πως
- Πώς να
- HTML
- HTTPS
- Εκατοντάδες
- εικόνα
- εφαρμογή
- εφαρμοστεί
- βελτίωση
- in
- Συμπεριλαμβανομένου
- Αυξάνουν
- ευρετήριο
- δείκτες
- Δείκτες
- βιομηχανία
- πληροφορίες
- εισαγωγή
- εγκαθιστώ
- παράδειγμα
- αντί
- αλληλεπίδραση
- διαδραστικό
- περιβάλλον λειτουργίας
- εμπλέκω
- IT
- αντικειμένων
- Κλειδί
- γνώση
- Γράφημα Γνώσης
- εργαστήριο
- Γλώσσα
- large
- μεγάλης κλίμακας
- αργότερο
- ξεκινήσει
- ξεκινάει
- στρώμα
- οδηγήσει
- ΜΑΘΑΊΝΩ
- μάθηση
- μόχλευσης
- Βιβλιοθήκη
- Άδεια
- αδειοδότηση
- ζωή
- Επιστήμες της Ζωής
- Περιωρισμένος
- Λιστα
- φορτίο
- τοπικός
- μηχανή
- μάθηση μηχανής
- ΚΑΝΕΙ
- διαχειρίζεται
- διαχείριση
- διευθυντής
- χειροκίνητα
- πολοί
- χάρτη
- χαρτης
- χάρτες
- σημάδι
- Ταίριασμα
- ταιριάζουν
- Εικόνες / Βίντεο
- Μέλη
- που αναφέρθηκαν
- συγχώνευση
- Μεταδεδομένα
- εκατομμύριο
- Λεπτ.
- ML
- μοντέλο
- μοντέλα
- παρακολούθηση
- παρακολούθηση
- Μηνας
- περισσότερο
- ταινία
- Κινηματογράφος
- πολλαπλούς
- Φυσικό
- Επεξεργασία φυσικής γλώσσας
- γείτονες
- Ποσειδώνας
- με βάση το δίκτυο
- δίκτυα
- νευρωνικά δίκτυα
- Νέα
- κόμβος
- αριθμός
- λαμβάνεται
- προσφορές
- Office
- ONE
- ανοίξτε
- ανοικτού κώδικα
- λειτουργίες
- βελτιστοποιημένη
- τάξη
- OS
- ΑΛΛΑ
- πακέτο
- μέρος
- πέρασε
- πάθος
- μονοπάτι
- Εκτελέστε
- εκτελεί
- κράτησης θέσης
- πλατφόρμες
- Πλατφόρμες
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- σας παρακαλούμε
- Θέση
- δύναμη
- τροφοδοτείται
- πρακτική
- πρωθυπουργός
- Προετοιμάστε
- παρόν
- πρωταρχικός
- Ακμή
- εκτυπώσεις
- προβλήματα
- διαδικασια μας
- Επεξεργασμένο
- μεταποίηση
- Προϊόν
- παραγωγή
- παρέχει
- πρόβλεψη
- αγορά
- σκοποί
- Python
- σειρά
- χαρακτηρισμοί
- Ανάγνωση
- έτοιμος
- σε πραγματικό χρόνο
- λόγος
- Σύσταση
- συστάσεις
- συνάφεια
- απάντηση
- Αναφορά
- Αποθήκη
- ζητήσει
- αιτήματα
- απαιτείται
- πόρος
- Υποστηρικτικό υλικό
- απάντησης
- ΠΕΡΙΦΕΡΕΙΑ
- αποτέλεσμα
- Αποτελέσματα
- κράτηση
- απόδοση
- Επιστροφές
- τρέξιμο
- τρέξιμο
- σοφός
- ίδιο
- Αποθήκευση
- σενάρια
- ΕΠΙΣΤΗΜΕΣ
- Επιστήμονας
- Αναζήτηση
- τμήματα
- προστατευμένο περιβάλλον
- ασφάλεια
- Σειρές
- υπηρεσία
- Υπηρεσίες
- σειρά
- τον καθορισμό
- ρυθμίσεις
- θα πρέπει να
- παρουσιάζεται
- Δείχνει
- παρόμοιες
- ομοιότητες
- Απλούς
- απλοποιημένη
- ενιαίας
- καταστάσεων
- λύση
- Λύσεις
- SOLVE
- Λύει
- μερικοί
- Πηγή
- Χώρος
- ειδικεύεται
- συγκεκριμένες
- διαίρεση
- σωρός
- Εκκίνηση
- ξεκίνησε
- state-of-the-art
- Βήματα
- χώρος στο δίσκο
- αποθηκεύονται
- Ιστορία
- ροής
- υποδίκτυο
- τέτοιος
- σουίτα
- υποστήριξη
- συστήματα
- Πάρτε
- παίρνει
- εργασίες
- τεχνικές
- τερματικό
- Η
- Η περιοχή
- την άρθρωση
- τους
- εκ τούτου
- χιλιάδες
- τρία
- Μέσω
- ώρα
- Τίτλος
- τίτλους
- προς την
- κορυφή
- Τρένο
- εκπαιδευμένο
- Μεταμορφώστε
- τρισεκατομμύρια
- tv
- τυπικός
- υπό
- κατανόηση
- Ανέβασμα
- URL
- χρήση
- Χρήστες
- Διεπαφής χρήστη
- αξιοποιώντας
- ποικιλία
- Σταθερή
- πωλητές
- κατακόρυφα
- Βίντεο
- Δες
- Πραγματικός
- όραμα
- οραματισμός
- ιστός
- Εφαρμογή Web
- πρόγραμμα περιήγησης στο Web
- Ιστοσελίδα : www.example.gr
- Ποιό
- ευρύς
- Ευρύ φάσμα
- θα
- εντός
- λέξη
- λόγια
- εργαζόμενος
- λειτουργεί
- θα
- Εσείς
- Σας
- zephyrnet
- ζώνες