Η επεξεργασία φυσικής γλώσσας (NLP) είναι το πεδίο της μηχανικής μάθησης (ML) που ασχολείται με την παροχή στους υπολογιστές της ικανότητας να κατανοούν το κείμενο και τις προφορικές λέξεις με τον ίδιο τρόπο που μπορούν οι άνθρωποι. Πρόσφατα, αρχιτεκτονικές αιχμής όπως το αρχιτεκτονική μετασχηματιστή χρησιμοποιούνται για την επίτευξη σχεδόν ανθρώπινης απόδοσης σε εργασίες κατάντη NLP όπως η σύνοψη κειμένου, η ταξινόμηση κειμένου, η αναγνώριση οντοτήτων και άλλα.
Τα μοντέλα μεγάλων γλωσσών (LLM) είναι μοντέλα που βασίζονται σε μετασχηματιστές και έχουν εκπαιδευτεί σε μεγάλο αριθμό κειμένου χωρίς ετικέτα με εκατοντάδες εκατομμύρια (ΜΠΕΡΤ) σε πάνω από ένα τρισεκατομμύριο παραμέτρους (MiCS), και του οποίου το μέγεθος καθιστά την εκπαίδευση με μία GPU μη πρακτική. Λόγω της εγγενούς πολυπλοκότητάς τους, η εκπαίδευση ενός LLM από την αρχή είναι μια πολύ απαιτητική εργασία που πολύ λίγοι οργανισμοί μπορούν να αντέξουν οικονομικά. Μια συνήθης πρακτική για τις μεταγενέστερες εργασίες NLP είναι η λήψη ενός προεκπαιδευμένου LLM και η τελειοποίηση του. Για περισσότερες πληροφορίες σχετικά με τη λεπτομερή ρύθμιση, ανατρέξτε στο Προσαρμογή τομέα Βελτιστοποίηση των μοντέλων θεμελίωσης στο Amazon SageMaker JumpStart στα οικονομικά δεδομένα και Βελτιώστε τα μοντέλα γλώσσας μετασχηματιστή για γλωσσική ποικιλομορφία με το Hugging Face στο Amazon SageMaker.
Η μηδενική μάθηση στο NLP επιτρέπει α προεκπαιδευμένο LLM για να δημιουργήσει απαντήσεις σε εργασίες για τις οποίες δεν έχει εκπαιδευτεί ρητά (ακόμα και χωρίς τελειοποίηση). Μιλώντας συγκεκριμένα για την ταξινόμηση κειμένων, ταξινόμηση κειμένου μηδενικής λήψης είναι μια εργασία στην επεξεργασία φυσικής γλώσσας όπου ένα μοντέλο NLP χρησιμοποιείται για την ταξινόμηση κειμένου από μη εμφανείς κλάσεις, σε αντίθεση με εποπτευόμενη ταξινόμηση, όπου τα μοντέλα NLP μπορούν να ταξινομήσουν μόνο κείμενο που ανήκει σε κλάσεις στα δεδομένα εκπαίδευσης.
Πρόσφατα κυκλοφορήσαμε την υποστήριξη μοντέλων ταξινόμησης μηδενικής βολής Amazon SageMaker JumpStart. Το SageMaker JumpStart είναι ο κόμβος ML του Amazon Sage Maker που παρέχει πρόσβαση σε προεκπαιδευμένα μοντέλα θεμελίωσης (FM), LLM, ενσωματωμένους αλγόριθμους και πρότυπα λύσεων για να σας βοηθήσουν να ξεκινήσετε γρήγορα με την ML. Σε αυτήν την ανάρτηση, δείχνουμε πώς μπορείτε να εκτελέσετε ταξινόμηση μηδενικής λήψης χρησιμοποιώντας προεκπαιδευμένα μοντέλα στο SageMaker Jumpstart. Θα μάθετε πώς να χρησιμοποιείτε το SageMaker Jumpstart UI και το SageMaker Python SDK για την ανάπτυξη της λύσης και την εκτέλεση συμπερασμάτων χρησιμοποιώντας τα διαθέσιμα μοντέλα.
Εκμάθηση μηδενικής λήψης
Η ταξινόμηση μηδενικής βολής είναι ένα παράδειγμα όπου ένα μοντέλο μπορεί να ταξινομήσει νέα, αόρατα παραδείγματα που ανήκουν σε κλάσεις που δεν υπήρχαν στα δεδομένα εκπαίδευσης. Για παράδειγμα, ένα μοντέλο γλώσσας που έχει εκπαιδευτεί να κατανοεί την ανθρώπινη γλώσσα μπορεί να χρησιμοποιηθεί για την ταξινόμηση των tweets των αποφάσεων της Πρωτοχρονιάς σε πολλές τάξεις όπως career
, health
, να finance
, χωρίς το γλωσσικό μοντέλο να έχει εκπαιδευτεί ρητά στην εργασία ταξινόμησης κειμένου. Αυτό έρχεται σε αντίθεση με τη λεπτομέρεια του μοντέλου, καθώς το τελευταίο συνεπάγεται επανεκπαίδευση του μοντέλου (μέσω της μάθησης μεταφοράς) ενώ η εκμάθηση μηδενικής λήψης δεν απαιτεί πρόσθετη εκπαίδευση.
Το παρακάτω διάγραμμα απεικονίζει τις διαφορές μεταξύ της μάθησης μεταφοράς (αριστερά) έναντι της εκμάθησης μηδενικής λήψης (δεξιά).
Yin et al. πρότεινε ένα πλαίσιο για τη δημιουργία ταξινομητών μηδενικής λήψης χρησιμοποιώντας συμπέρασμα φυσικής γλώσσας (NLI). Το πλαίσιο λειτουργεί θέτοντας την ακολουθία που πρέπει να ταξινομηθεί ως προϋπόθεση NLI και κατασκευάζει μια υπόθεση από κάθε υποψήφια ετικέτα. Για παράδειγμα, εάν θέλουμε να αξιολογήσουμε αν μια ακολουθία ανήκει στην κλάση politics
, θα μπορούσαμε να δημιουργήσουμε μια υπόθεση «Αυτό το κείμενο είναι για την πολιτική». Οι πιθανότητες συνεπαγωγής και αντίφασης στη συνέχεια μετατρέπονται σε πιθανότητες ετικέτας. Ως γρήγορη ανασκόπηση, το NLI εξετάζει δύο προτάσεις: μια υπόθεση και μια υπόθεση. Το καθήκον είναι να προσδιοριστεί εάν η υπόθεση είναι αληθής (συνεπαγόμενη) ή ψευδής (αντίφαση) δεδομένης της υπόθεσης. Ο παρακάτω πίνακας παρέχει μερικά παραδείγματα.
Προϋπόθεση | επιγραφή | Υπόθεση |
Ένας άντρας επιθεωρεί τη στολή μιας φιγούρας σε κάποια χώρα της Ανατολικής Ασίας. | Αντίφαση | Ο άντρας κοιμάται. |
Ένας μεγαλύτερος και νεότερος άνδρας που χαμογελά. | Ουδέτερος | Δύο άντρες χαμογελούν και γελούν με τις γάτες που παίζουν στο πάτωμα. |
Ένα παιχνίδι ποδοσφαίρου με πολλούς άντρες να παίζουν. | επιμέλεια | Μερικοί άντρες κάνουν ένα άθλημα. |
Επισκόπηση λύσεων
Σε αυτή την ανάρτηση, συζητάμε τα εξής:
- Πώς να αναπτύξετε προεκπαιδευμένα μοντέλα ταξινόμησης κειμένου μηδενικής λήψης χρησιμοποιώντας το SageMaker JumpStart UI και να εκτελέσετε συμπέρασμα στο αναπτυγμένο μοντέλο χρησιμοποιώντας δεδομένα σύντομου κειμένου
- Πώς να χρησιμοποιήσετε το SageMaker Python SDK για να αποκτήσετε πρόσβαση στα προεκπαιδευμένα μοντέλα ταξινόμησης κειμένου μηδενικής λήψης στο SageMaker JumpStart και να χρησιμοποιήσετε το σενάριο συμπερασμάτων για να αναπτύξετε το μοντέλο σε ένα τελικό σημείο του SageMaker για μια περίπτωση χρήσης ταξινόμησης κειμένου σε πραγματικό χρόνο
- Τρόπος χρήσης του SageMaker Python SDK για πρόσβαση σε προεκπαιδευμένα μοντέλα ταξινόμησης κειμένου μηδενικής λήψης και χρήση μετασχηματισμού δέσμης SageMaker για περίπτωση χρήσης ταξινόμησης ομαδικού κειμένου
Το SageMaker JumpStart παρέχει λεπτομερή ρύθμιση και ανάπτυξη με ένα κλικ για μια μεγάλη ποικιλία προεκπαιδευμένων μοντέλων σε δημοφιλείς εργασίες ML, καθώς και μια επιλογή από ολοκληρωμένες λύσεις που λύνουν κοινά επιχειρηματικά προβλήματα. Αυτά τα χαρακτηριστικά αφαιρούν τη βαριά ανύψωση από κάθε βήμα της διαδικασίας ML, απλοποιώντας την ανάπτυξη μοντέλων υψηλής ποιότητας και μειώνοντας το χρόνο μέχρι την ανάπτυξη. ο JumpStart API σας επιτρέπει να αναπτύξετε μέσω προγραμματισμού και να ρυθμίσετε με ακρίβεια μια τεράστια γκάμα προεκπαιδευμένων μοντέλων στα δικά σας σύνολα δεδομένων.
Ο κόμβος μοντέλων JumpStart παρέχει πρόσβαση σε μεγάλο αριθμό μοντέλων NLP που επιτρέπουν τη μεταφορά εκμάθησης και τη λεπτομέρεια σε προσαρμοσμένα σύνολα δεδομένων. Από τη σύνταξη αυτού του άρθρου, ο κόμβος μοντέλων JumpStart περιέχει πάνω από 300 μοντέλα κειμένου σε μια ποικιλία δημοφιλών μοντέλων, όπως Stable Diffusion, Flan T5, Alexa TM, Bloom και άλλα.
Λάβετε υπόψη ότι ακολουθώντας τα βήματα αυτής της ενότητας, θα αναπτύξετε υποδομή στον λογαριασμό σας AWS που ενδέχεται να επιφέρει κόστος.
Αναπτύξτε ένα αυτόνομο μοντέλο ταξινόμησης κειμένου μηδενικής λήψης
Σε αυτήν την ενότητα, παρουσιάζουμε πώς να αναπτύξετε ένα μοντέλο ταξινόμησης μηδενικής λήψης χρησιμοποιώντας το SageMaker JumpStart. Μπορείτε να αποκτήσετε πρόσβαση σε προεκπαιδευμένα μοντέλα μέσω της σελίδας προορισμού του JumpStart Στούντιο Amazon SageMaker. Ολοκληρώστε τα παρακάτω βήματα:
- Στο SageMaker Studio, ανοίξτε τη σελίδα προορισμού JumpStart.
Αναφέρομαι σε Ανοίξτε και χρησιμοποιήστε το JumpStart για περισσότερες λεπτομέρειες σχετικά με τον τρόπο πλοήγησης στο SageMaker JumpStart. - Στο Μοντέλα κειμένου καρουζέλ, εντοπίστε την κάρτα μοντέλου «Ταξινόμηση κειμένου μηδενικής λήψης».
- Επιλέξτε Προβολή μοντέλου για να αποκτήσετε πρόσβαση στο
facebook-bart-large-mnli
μοντέλο.
Εναλλακτικά, μπορείτε να αναζητήσετε το μοντέλο ταξινόμησης μηδενικής βολής στη γραμμή αναζήτησης και να μεταβείτε στο μοντέλο στο SageMaker JumpStart. - Καθορίστε μια διαμόρφωση ανάπτυξης, τύπο παρουσίας φιλοξενίας SageMaker, όνομα τελικού σημείου, Απλή υπηρεσία αποθήκευσης Amazon όνομα κάδου (Amazon S3) και άλλες απαιτούμενες παραμέτρους.
- Προαιρετικά, μπορείτε να καθορίσετε διαμορφώσεις ασφαλείας όπως Διαχείριση ταυτότητας και πρόσβασης AWS ρόλος (IAM), ρυθμίσεις VPC και Υπηρεσία διαχείρισης κλειδιών AWS (AWS KMS) κλειδιά κρυπτογράφησης.
- Επιλέξτε Ανάπτυξη για να δημιουργήσετε ένα τελικό σημείο του SageMaker.
Αυτό το βήμα διαρκεί μερικά λεπτά για να ολοκληρωθεί. Όταν ολοκληρωθεί, μπορείτε να εκτελέσετε συμπέρασμα στο τελικό σημείο του SageMaker που φιλοξενεί το μοντέλο ταξινόμησης μηδενικής λήψης.
Στο παρακάτω βίντεο, παρουσιάζουμε μια αναλυτική περιγραφή των βημάτων σε αυτήν την ενότητα.
Χρησιμοποιήστε το JumpStart μέσω προγραμματισμού με το SageMaker SDK
Στην ενότητα SageMaker JumpStart του SageMaker Studio, κάτω από Λύσεις γρήγορης εκκίνησης, μπορείτε να βρείτε το πρότυπα λύσης. Τα πρότυπα λύσεων SageMaker JumpStart είναι λύσεις από άκρο σε άκρο με ένα κλικ για πολλές κοινές περιπτώσεις χρήσης ML. Από τη σύνταξη αυτού του άρθρου, περισσότερες από 20 λύσεις είναι διαθέσιμες για περιπτώσεις πολλαπλών χρήσεων, όπως πρόβλεψη ζήτησης, ανίχνευση απάτης και εξατομικευμένες συστάσεις, για να αναφέρουμε μερικές.
Η λύση "Zero Shot Text Classification with Hugging Face" παρέχει έναν τρόπο ταξινόμησης κειμένου χωρίς την ανάγκη εκπαίδευσης ενός μοντέλου για συγκεκριμένες ετικέτες (ταξινόμηση μηδενικής βολής) χρησιμοποιώντας έναν εκ των προτέρων εκπαιδευμένο ταξινομητή κειμένου. Το προεπιλεγμένο μοντέλο ταξινόμησης μηδενικής βολής για αυτήν τη λύση είναι το facebook-bart-large-mnli μοντέλο (BART). Για αυτή τη λύση, χρησιμοποιούμε το Δεδομένα ψηφίσματα για το νέο έτος 2015 για την ταξινόμηση των ψηφισμάτων. Ένα υποσύνολο του αρχικού συνόλου δεδομένων που περιέχει μόνο το Resolution_Category
(ετικέτα αλήθειας εδάφους) και το text
στήλες περιλαμβάνονται στα στοιχεία ενεργητικού της λύσης.
Τα δεδομένα εισόδου περιλαμβάνουν συμβολοσειρές κειμένου, μια λίστα με τις επιθυμητές κατηγορίες για ταξινόμηση και εάν η ταξινόμηση είναι πολλαπλών ετικετών ή όχι για σύγχρονες (σε πραγματικό χρόνο) συμπεράσματα. Για ασύγχρονη (ομαδική) συμπέρασμα, παρέχουμε μια λίστα με συμβολοσειρές κειμένου, τη λίστα κατηγοριών για κάθε συμβολοσειρά και εάν η ταξινόμηση είναι πολλαπλών ετικετών ή όχι σε ένα αρχείο κειμένου μορφοποιημένο σε γραμμές JSON.
Το αποτέλεσμα του συμπεράσματος είναι ένα αντικείμενο JSON που μοιάζει με το παρακάτω στιγμιότυπο οθόνης.
Έχουμε το αρχικό κείμενο στο sequence
πεδίο, οι ετικέτες που χρησιμοποιούνται για την ταξινόμηση κειμένου στο labels
πεδίο και την πιθανότητα που εκχωρείται σε κάθε ετικέτα (με την ίδια σειρά εμφάνισης) στο πεδίο scores
.
Για να αναπτύξετε τη λύση Zero Shot Text Classification with Hugging Face, ολοκληρώστε τα παρακάτω βήματα:
- Στη σελίδα προορισμού του SageMaker JumpStart, επιλέξτε Μοντέλα, τετράδια, λύσεις στο παράθυρο πλοήγησης.
- Στο Λύσεις τμήμα, επιλέξτε Εξερευνήστε όλες τις λύσεις.
- Στις Λύσεις σελίδα, επιλέξτε την κάρτα μοντέλου Ταξινόμηση κειμένου Zero Shot with Hugging Face.
- Ελέγξτε τις λεπτομέρειες ανάπτυξης και εάν συμφωνείτε, επιλέξτε Εκκίνηση.
Η ανάπτυξη θα παρέχει ένα τελικό σημείο SageMaker σε πραγματικό χρόνο για συμπέρασμα σε πραγματικό χρόνο και έναν κάδο S3 για την αποθήκευση των αποτελεσμάτων μετασχηματισμού παρτίδας.
Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική αυτής της μεθόδου.
Εκτελέστε συμπέρασμα σε πραγματικό χρόνο χρησιμοποιώντας ένα μοντέλο ταξινόμησης μηδενικής λήψης
Σε αυτήν την ενότητα, εξετάζουμε τον τρόπο χρήσης του Python SDK για την εκτέλεση ταξινόμησης κειμένου μηδενικής λήψης (χρησιμοποιώντας οποιοδήποτε από τα διαθέσιμα μοντέλα) σε πραγματικό χρόνο χρησιμοποιώντας ένα τελικό σημείο του SageMaker.
- Αρχικά, διαμορφώνουμε το αίτημα ωφέλιμου φορτίου συμπερασμάτων στο μοντέλο. Αυτό εξαρτάται από το μοντέλο, αλλά για το μοντέλο BART, η είσοδος είναι ένα αντικείμενο JSON με την ακόλουθη δομή:
- Σημειώστε ότι το μοντέλο BART δεν είναι ρητά εκπαιδευμένο στο
candidate_labels
. Θα χρησιμοποιήσουμε την τεχνική ταξινόμησης μηδενικής λήψης για να ταξινομήσουμε την ακολουθία κειμένου σε κλάσεις που δεν εμφανίζονται. Ο παρακάτω κώδικας είναι ένα παράδειγμα που χρησιμοποιεί κείμενο από το σύνολο δεδομένων αναλύσεων της Πρωτοχρονιάς και τις καθορισμένες κλάσεις: - Στη συνέχεια, μπορείτε να καλέσετε ένα τελικό σημείο του SageMaker με το μηδενικό ωφέλιμο φορτίο. Το τελικό σημείο SageMaker αναπτύσσεται ως μέρος της λύσης SageMaker JumpStart.
- Το αντικείμενο απόκρισης συμπερασμάτων περιέχει την αρχική ακολουθία, τις ετικέτες ταξινομημένες ανά βαθμολογία από μέγιστο έως ελάχιστο και τις βαθμολογίες ανά ετικέτα:
Εκτελέστε μια εργασία μαζικής μετατροπής του SageMaker χρησιμοποιώντας το Python SDK
Αυτή η ενότητα περιγράφει τον τρόπο εκτέλεσης συμπερασμάτων μετασχηματισμού παρτίδας με την ταξινόμηση μηδενικής λήψης facebook-bart-large-mnli
μοντέλο χρησιμοποιώντας το SDK SageMaker Python. Ολοκληρώστε τα παρακάτω βήματα:
- Μορφοποιήστε τα δεδομένα εισόδου σε μορφή JSON lines και μεταφορτώστε το αρχείο στο Amazon S3.
Ο μετασχηματισμός παρτίδας του SageMaker θα εκτελέσει συμπεράσματα στα σημεία δεδομένων που έχουν μεταφορτωθεί στο αρχείο S3. - Ρυθμίστε τα τεχνουργήματα ανάπτυξης μοντέλου με τις ακόλουθες παραμέτρους:
- μοντέλο_αναγνωριστικό - Χρήση
huggingface-zstc-facebook-bart-large-mnli
. - deploy_image_uri - Χρησιμοποιήστε το
image_uris
Λειτουργία Python SDK για λήψη της προ-ενσωματωμένης εικόνας SageMaker Docker για τοmodel_id
. Η συνάρτηση επιστρέφει το Μητρώο εμπορευματοκιβωτίων Amazon Elastic (Amazon ECR) URI. - deploy_source_uri – Χρησιμοποιήστε το
script_uris
βοηθητικό API για την ανάκτηση του S3 URI που περιέχει σενάρια για την εκτέλεση προεκπαιδευμένων συμπερασμάτων μοντέλων. Καθορίζουμε τοscript_scope
asinference
. - model_uri - Χρήση
model_uri
για να λάβετε τα τεχνουργήματα του μοντέλου από το Amazon S3 για τα καθορισμέναmodel_id
.
- μοντέλο_αναγνωριστικό - Χρήση
- Χρήση
HF_TASK
για να ορίσετε την εργασία για τον αγωγό μετασχηματιστών Hugging Face καιHF_MODEL_ID
για να ορίσετε το μοντέλο που χρησιμοποιείται για την ταξινόμηση του κειμένου:Για μια πλήρη λίστα εργασιών, βλ Αγωγοί στην τεκμηρίωση του Hugging Face.
- Δημιουργήστε ένα αντικείμενο μοντέλου Hugging Face που θα αναπτυχθεί με την εργασία μαζικής μετατροπής του SageMaker:
- Δημιουργήστε έναν μετασχηματισμό για να εκτελέσετε μια ομαδική εργασία:
- Ξεκινήστε μια εργασία μετασχηματισμού παρτίδας και χρησιμοποιήστε δεδομένα S3 ως είσοδο:
Μπορείτε να παρακολουθήσετε την εργασία επεξεργασίας παρτίδας στην κονσόλα SageMaker (επιλέξτε Εργασίες μαζικής μετατροπής υπό Συμπέρασμα στο παράθυρο πλοήγησης). Όταν ολοκληρωθεί η εργασία, μπορείτε να ελέγξετε την έξοδο πρόβλεψης μοντέλου στο αρχείο S3 που καθορίζεται στο output_path
.
Για μια λίστα με όλα τα διαθέσιμα προεκπαιδευμένα μοντέλα στο SageMaker JumpStart, ανατρέξτε στο Ενσωματωμένοι αλγόριθμοι με προεκπαιδευμένο πίνακα μοντέλων. Χρησιμοποιήστε τη λέξη-κλειδί "zstc" (συντομογραφία για ταξινόμηση κειμένου μηδενικής λήψης) στη γραμμή αναζήτησης για να εντοπίσετε όλα τα μοντέλα που μπορούν να κάνουν ταξινόμηση κειμένου μηδενικής λήψης.
εκκαθάριση
Αφού ολοκληρώσετε τη λειτουργία του σημειωματαρίου, βεβαιωθείτε ότι έχετε διαγράψει όλους τους πόρους που δημιουργήθηκαν στη διαδικασία για να διασφαλίσετε ότι θα σταματήσει το κόστος που επιβαρύνει τα στοιχεία που αναπτύσσονται σε αυτόν τον οδηγό. Ο κώδικας για τον καθαρισμό των αναπτυγμένων πόρων παρέχεται στα σημειωματάρια που σχετίζονται με τη λύση και το μοντέλο ταξινόμησης κειμένου μηδενικής λήψης.
Προεπιλεγμένες διαμορφώσεις ασφαλείας
Τα μοντέλα SageMaker JumpStart αναπτύσσονται χρησιμοποιώντας τις ακόλουθες προεπιλεγμένες διαμορφώσεις ασφαλείας:
Για να μάθετε περισσότερα σχετικά με θέματα που σχετίζονται με την ασφάλεια του SageMaker, ρίξτε μια ματιά Διαμορφώστε την ασφάλεια στο Amazon SageMaker.
Συμπέρασμα
Σε αυτήν την ανάρτηση, σας δείξαμε πώς να αναπτύξετε ένα μοντέλο ταξινόμησης μηδενικής λήψης χρησιμοποιώντας τη διεπαφή χρήστη SageMaker JumpStart και να εκτελέσετε συμπέρασμα χρησιμοποιώντας το αναπτυγμένο τελικό σημείο. Χρησιμοποιήσαμε τη λύση αναλύσεων της Πρωτοχρονιάς του SageMaker JumpStart για να δείξουμε πώς μπορείτε να χρησιμοποιήσετε το SageMaker Python SDK για να δημιουργήσετε μια λύση από άκρο σε άκρο και να εφαρμόσετε την εφαρμογή ταξινόμησης μηδενικής λήψης. Το SageMaker JumpStart παρέχει πρόσβαση σε εκατοντάδες προεκπαιδευμένα μοντέλα και λύσεις για εργασίες όπως όραση υπολογιστή, επεξεργασία φυσικής γλώσσας, συστήματα προτάσεων και πολλά άλλα. Δοκιμάστε τη λύση μόνοι σας και πείτε μας τις σκέψεις σας.
Σχετικά με τους συγγραφείς
Ντέιβιντ Λαρέδο είναι Αρχιτέκτονας Πρωτοτύπων στο AWS Envision Engineering στο LATAM, όπου έχει βοηθήσει στην ανάπτυξη πολλαπλών πρωτοτύπων μηχανικής μάθησης. Προηγουμένως, έχει εργαστεί ως Μηχανικός Μηχανικής Μάθησης και ασχολείται με τη μηχανική μάθηση για πάνω από 5 χρόνια. Οι τομείς ενδιαφέροντός του είναι το NLP, οι χρονοσειρές και το end-to-end ML.
Vikram Elango είναι Αρχιτέκτονας Ειδικών Λύσεων AI/ML στην Amazon Web Services, με έδρα τη Βιρτζίνια των ΗΠΑ. Η Vikram βοηθά τους πελάτες του χρηματοοικονομικού και ασφαλιστικού κλάδου με ηγετικό σχεδιασμό και σκέψη να δημιουργήσουν και να αναπτύξουν εφαρμογές μηχανικής εκμάθησης σε κλίμακα. Επί του παρόντος επικεντρώνεται στην επεξεργασία φυσικής γλώσσας, στην υπεύθυνη τεχνητή νοημοσύνη, στη βελτιστοποίηση συμπερασμάτων και στην κλιμάκωση της ML σε όλη την επιχείρηση. Στον ελεύθερο χρόνο του, του αρέσει να ταξιδεύει, να κάνει πεζοπορία, να μαγειρεύει και να κατασκηνώνει με την οικογένειά του.
Δρ Vivek Madan είναι Εφαρμοσμένος Επιστήμονας με την ομάδα Amazon SageMaker JumpStart. Πήρε το διδακτορικό του από το Πανεπιστήμιο του Ιλινόις στο Urbana-Champaign και ήταν μεταδιδακτορικός ερευνητής στο Georgia Tech. Είναι ενεργός ερευνητής στη μηχανική μάθηση και στο σχεδιασμό αλγορίθμων και έχει δημοσιεύσει εργασίες σε συνέδρια EMNLP, ICLR, COLT, FOCS και SODA.
- 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/zero-shot-text-classification-with-amazon-sagemaker-jumpstart/
- :έχει
- :είναι
- :δεν
- :που
- $UP
- 1
- 10
- 100
- 12
- 16
- 17
- 20
- 22
- 30
- 7
- 8
- 9
- a
- ικανότητα
- Σχετικα
- πάνω από
- πρόσβαση
- Λογαριασμός
- Κατορθώνω
- απέναντι
- ενεργός
- Πρόσθετος
- κατά
- AI
- AI / ML
- AL
- Alexa
- αλγόριθμος
- αλγόριθμοι
- Όλα
- επιτρέπουν
- επιτρέπει
- Amazon
- Amazon Sage Maker
- Amazon SageMaker JumpStart
- Amazon υπηρεσίες Web
- ποσό
- an
- και
- κάθε
- api
- Εφαρμογή
- εφαρμογές
- εφαρμοσμένος
- αρχιτεκτονική
- ΕΙΝΑΙ
- περιοχές
- AS
- ασιάτης
- Ενεργητικό
- ανατεθεί
- συσχετισμένη
- At
- αυτομάτως
- διαθέσιμος
- AWS
- μπαρ
- βάση
- βασίζονται
- BE
- ήταν
- είναι
- ανήκει
- μεταξύ
- άνθηση
- σώμα
- Βιβλία
- Breakfast
- χτίζω
- ενσωματωμένο
- επιχείρηση
- αλλά
- by
- CAN
- υποψήφιος
- ικανός
- κάρτα
- Σταδιοδρομία
- Carousel
- περιπτώσεις
- κατηγορίες
- Γάτες
- πρόκληση
- έλεγχος
- Επιλέξτε
- τάξη
- τάξεις
- ταξινόμηση
- ταξινομούνται
- Ταξινόμηση
- κωδικός
- Στήλες
- Κοινός
- πλήρης
- περίπλοκο
- υπολογιστή
- Computer Vision
- υπολογιστές
- ενδιαφερόμενος
- συνέδρια
- διαμόρφωση
- θεωρεί
- πρόξενος
- κατασκευάσει
- Δοχείο
- Περιέχει
- αντίθεση
- μετατρέπονται
- Δικαστικά έξοδα
- θα μπορούσε να
- χώρα
- Ζευγάρι
- δημιουργία
- δημιουργήθηκε
- δημιουργία
- Τη στιγμή
- έθιμο
- Πελάτες
- ημερομηνία
- σημεία δεδομένων
- σύνολα δεδομένων
- αφιερωμένο
- Προεπιλογή
- ορίζεται
- ορίζεται
- Ζήτηση
- Πρόβλεψη ζήτησης
- αποδεικνύουν
- εξαρτήσεις
- εξαρτώμενος
- παρατάσσω
- αναπτυχθεί
- ανάπτυξη
- Υπηρεσίες
- επιθυμητή
- καθέκαστα
- Ανίχνευση
- Προσδιορίστε
- ανάπτυξη
- Ανάπτυξη
- διαφορές
- Διάχυση
- συζητήσουν
- Ποικιλία
- Λιμενεργάτης
- τεκμηρίωση
- Όχι
- πράξη
- γίνεται
- δυο
- Ε & Τ
- κάθε
- Ανατολή
- Εκπαίδευση
- ΗΛΕΚΤΡΟΝΙΚΗ ΔΙΕΥΘΥΝΣΗ
- ενεργοποιήσετε
- κρυπτογράφηση
- από άκρη σε άκρη
- Τελικό σημείο
- μηχανικός
- Μηχανική
- εξασφαλίζω
- Εταιρεία
- οντότητα
- οραματιστείτε
- αξιολογήσει
- Even
- παράδειγμα
- παραδείγματα
- Πρόσωπο
- ψευδής
- οικογένεια
- Χαρακτηριστικά
- λίγοι
- πεδίο
- Εικόνα
- Αρχεία
- χρηματοδότηση
- οικονομικός
- Εύρεση
- Όροφος
- επικεντρώθηκε
- Εξής
- Για
- μορφή
- Θεμέλιο
- Πλαίσιο
- απάτη
- ανίχνευση απάτης
- από
- λειτουργία
- παιχνίδι
- παράγουν
- Γεωργία
- παίρνω
- GitHub
- δεδομένου
- Δίνοντας
- Έδαφος
- Ανάπτυξη
- καθοδηγήσει
- Χειρισμός
- Έχω
- he
- Υγεία
- βαριά
- βαριά ανύψωση
- βοήθεια
- βοήθησε
- βοηθά
- υψηλής ποιότητας
- του
- φιλοξενία
- οικοδεσπότες
- Πως
- Πώς να
- HTML
- http
- HTTPS
- Hub
- ανθρώπινος
- χιούμορ
- Εκατοντάδες
- εκατοντάδες εκατομμύρια
- ID
- Ταυτότητα
- if
- Ιλλινόις
- απεικονίζει
- εικόνα
- εφαρμογή
- εισαγωγή
- in
- περιλαμβάνονται
- περιλαμβάνει
- βιομηχανία
- πληροφορίες
- Υποδομή
- συμφυής
- εισαγωγή
- είσοδοι
- παράδειγμα
- ασφάλιση
- τόκος
- IT
- Δουλειά
- Θέσεις εργασίας
- jpg
- json
- Κλειδί
- πλήκτρα
- Ξέρω
- επιγραφή
- Ετικέτες
- προσγείωση
- Γλώσσα
- large
- LATAM
- ξεκίνησε
- Ηγεσία
- ΜΑΘΑΊΝΩ
- μάθηση
- αριστερά
- ας
- ανύψωση
- Μου αρέσει
- γραμμή
- γραμμές
- Λιστα
- LLM
- φόρτωση
- ΦΑΊΝΕΤΑΙ
- μηχανή
- μάθηση μηχανής
- κάνω
- ΚΑΝΕΙ
- άνδρας
- διαχείριση
- πολοί
- max
- Ενδέχεται..
- Άνδρες
- μέθοδος
- εκατομμύρια
- πρακτικά
- Λεπτ.
- ML
- μοντέλο
- μοντέλα
- Παρακολούθηση
- περισσότερο
- πολλαπλούς
- my
- όνομα
- Φυσικό
- Επεξεργασία φυσικής γλώσσας
- Πλοηγηθείτε
- Πλοήγηση
- Ανάγκη
- Νέα
- το νέο έτος
- nlp
- Όχι.
- σημειωματάριο
- αριθμός
- αντικείμενο
- of
- on
- αποκλειστικά
- ανοίξτε
- βελτιστοποίηση
- or
- τάξη
- οργανώσεις
- πρωτότυπο
- ΑΛΛΑ
- έξω
- παραγωγή
- επί
- δική
- σελίδα
- παράθυρο
- χαρτιά
- παράδειγμα
- παράμετροι
- μέρος
- μονοπάτι
- για
- Εκτελέστε
- επίδοση
- δικαιώματα
- προσωπικός
- Εξατομικευμένη
- phd
- ΦΙΛΑΝΘΡΩΠΙΑ
- αγωγού
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- παιχνίδι
- σημεία
- πολιτική
- Δημοφιλής
- Θέση
- πρακτική
- πρόβλεψη
- Προβλέψεις
- παρόν
- προηγουμένως
- προβλήματα
- διαδικασια μας
- μεταποίηση
- προτείνεται
- πρωτότυπα
- προτυποποίηση
- παρέχουν
- παρέχεται
- παρέχει
- πρόβλεψη
- δημοσιεύθηκε
- Python
- pytorch
- Γρήγορα
- γρήγορα
- Διάβασε
- πραγματικός
- σε πραγματικό χρόνο
- πρόσφατα
- αναγνώριση
- Σύσταση
- συστάσεις
- μείωση
- αφαιρέστε
- ζητήσει
- απαιτούν
- απαιτείται
- ερευνητής
- Υποστηρικτικό υλικό
- απάντησης
- απαντήσεις
- υπεύθυνος
- αποτέλεσμα
- Αποτελέσματα
- Επιστροφές
- ανασκόπηση
- δεξιά
- Ρόλος
- τρέξιμο
- τρέξιμο
- s
- σοφός
- ίδιο
- Αποθήκευση
- Κλίμακα
- απολέπιση
- Επιστήμονας
- σκορ
- μηδέν
- Εφαρμογές
- κύλιση
- SDK
- Αναζήτηση
- Τμήμα
- ασφάλεια
- δείτε
- επιλογή
- Ακολουθία
- Σειρές
- Υπηρεσίες
- ρυθμίσεις
- Κοντά
- βολή
- δείχνουν
- έδειξε
- Απλούς
- απλουστεύοντας
- αφού
- Μέγεθος
- Ποδόσφαιρο
- λύση
- Λύσεις
- SOLVE
- μερικοί
- κάτι
- ομιλία
- ειδικός
- συγκεκριμένες
- ειδικά
- καθορίζεται
- ομιλείται
- Άθλημα
- σταθερός
- αυτόνομο
- Εκκίνηση
- ξεκίνησε
- state-of-the-art
- παραμονή
- Βήμα
- Βήματα
- σταμάτησε
- χώρος στο δίσκο
- εναποθήκευση
- Σπάγγος
- δομή
- στούντιο
- τέτοιος
- υποστήριξη
- βέβαιος
- συστήματα
- τραπέζι
- Πάρτε
- παίρνει
- Έργο
- εργασίες
- tech
- πρότυπα
- Ταξινόμηση κειμένου
- ότι
- Η
- τους
- τότε
- Αυτοί
- αυτό
- σκέψη
- σκέψη ηγεσία
- Μέσω
- ώρα
- Χρονική σειρά
- TM
- προς την
- Θέματα
- Τρένο
- εκπαιδευμένο
- Εκπαίδευση
- μεταφορά
- Μεταμορφώστε
- Μεταμόρφωση
- μετασχηματιστής
- μετασχηματιστές
- Ταξίδια
- Τρισεκατομμύριο
- αληθής
- Αλήθεια
- προσπαθώ
- tweets
- δύο
- τύπος
- ui
- υπό
- καταλαβαίνω
- πανεπιστήμιο
- Φορτώθηκε
- us
- χρήση
- μεταχειρισμένος
- χρησιμοποιώντας
- χρησιμότητα
- ποικιλία
- Σταθερή
- εκδοχή
- πολύ
- Βίντεο
- Βιργινία
- όραμα
- vs
- περιδιάβαση
- θέλω
- ήταν
- Τρόπος..
- we
- ιστός
- διαδικτυακές υπηρεσίες
- ΛΟΙΠΌΝ
- ήταν
- πότε
- αν
- ενώ
- του οποίου
- ευρύς
- θα
- με
- χωρίς
- λόγια
- εργάστηκαν
- λειτουργεί
- γραφή
- έτος
- χρόνια
- Εσείς
- Πιο ΝΕΟΣ
- Σας
- zephyrnet
- μηδέν
- Μηδενική Εκμάθηση