Täpsete ja arusaadavate vastuste avamine suures koguses tekstist on põnev võimalus, mida võimaldavad suured keelemudelid (LLM). LLM-i rakenduste loomisel on sageli vaja ühendada ja teha päringuid väliste andmeallikate kohta, et pakkuda mudelile asjakohast konteksti. Üks populaarne lähenemisviis on Retrieval Augmented Generation (RAG) kasutamine küsimuste ja vastuste süsteemide loomiseks, mis mõistavad keerulist teavet ja annavad päringutele loomulikke vastuseid. RAG võimaldab mudelitel kasutada tohutuid teadmistebaase ja pakkuda inimlikku dialoogi selliste rakenduste jaoks nagu vestlusrobotid ja ettevõtteotsingu assistendid.
Selles postituses uurime, kuidas selle jõudu rakendada Kõneindeks, Laama 2-70B-Chatja LangChain võimsate küsimuste ja vastuste rakenduste loomiseks. Nende tipptehnoloogiate abil saate neelata tekstikorpusi, indekseerida kriitilisi teadmisi ja luua teksti, mis vastab kasutajate küsimustele täpselt ja selgelt.
Laama 2-70B-Chat
Llama 2-70B-Chat on võimas LLM, mis konkureerib juhtivate mudelitega. See on eelnevalt koolitatud kahe triljoni tekstimärgiga ja Meta on ette näinud kasutajate vestluse abistamiseks. Koolituseelsed andmed pärinevad avalikult kättesaadavatest andmetest ja need on seisuga 2022. aasta september ning peenhäälestusandmed jõuavad 2023. aasta juulini. Lisateavet mudeli koolitusprotsessi, ohutuskaalutluste, õppimise ja kavandatud kasutuste kohta leiate artiklist Laama 2: avatud sihtasutus ja peenhäälestatud vestlusmudelid. Llama 2 mudelid on saadaval Amazon SageMaker JumpStart kiireks ja lihtsaks kasutuselevõtuks.
Kõneindeks
Kõneindeks on andmeraamistik, mis võimaldab luua LLM-i rakendusi. See pakub tööriistu, mis pakuvad andmeühendusi teie olemasolevate andmete sissevõtmiseks erinevatest allikatest ja vormingutest (PDF-id, dokumendid, API-d, SQL ja palju muud). Olenemata sellest, kas teil on andmeid salvestatud andmebaasidesse või PDF-failidesse, on LlamaIndexi abil lihtne neid andmeid LLM-ide jaoks kasutada. Nagu me selles postituses näitame, muudavad LlamaIndexi API-d andmetele juurdepääsu lihtsaks ja võimaldavad teil luua võimsaid kohandatud LLM-rakendusi ja töövooge.
Kui eksperimenteerite ja ehitate koos LLM-idega, olete tõenäoliselt tuttav LangChainiga, mis pakub tugevat raamistikku, mis lihtsustab LLM-i toega rakenduste arendamist ja juurutamist. Sarnaselt LangChainiga pakub LlamaIndex mitmeid tööriistu, sealhulgas andmeühendusi, andmeindekseid, mootoreid ja andmeagente, aga ka rakenduste integratsioone, nagu tööriistad ja jälgitavus, jälgimine ja hindamine. LlamaIndex keskendub andmete ja võimsate LLM-ide vahelise lõhe kaotamisele, muutes andmeülesannete sujuvamaks kasutajasõbralike funktsioonidega. LlamaIndex on spetsiaalselt loodud ja optimeeritud otsingu- ja otsingurakenduste (nt RAG) loomiseks, kuna see pakub lihtsat liidest LLM-ide päringute tegemiseks ja asjakohaste dokumentide hankimiseks.
Lahenduse ülevaade
Selles postituses näitame, kuidas luua RAG-põhist rakendust LlamaIndexi ja LLM-i abil. Järgmine diagramm näitab selle lahenduse järkjärgulist arhitektuuri, mida on kirjeldatud järgmistes jaotistes.
RAG ühendab teabe otsimise loomuliku keele genereerimisega, et anda põhjalikumaid vastuseid. Kui küsitakse, otsib RAG esmalt tekstikorpustest, et tuua sisendile kõige asjakohasemad näited. Vastuste genereerimisel arvestab mudel neid näiteid oma võimete suurendamiseks. Asjakohaste otsitud lõikude kaasamisega kipuvad RAG-i vastused olema põhiliste generatiivsete mudelitega võrreldes faktilisemad, sidusamad ja kontekstiga kooskõlas. See otsimise ja genereerimise raamistik kasutab ära nii otsimise kui ka genereerimise tugevusi, aidates lahendada selliseid probleeme nagu kordus ja konteksti puudumine, mis võivad tuleneda puhastest autoregressiivsetest vestlusmudelitest. RAG tutvustab tõhusat lähenemisviisi vestlusagentide ja AI-assistentide loomiseks kontekstuaalselt ja kvaliteetsete vastustega.
Lahenduse loomine koosneb järgmistest etappidest:
- Luua Amazon SageMaker Studio arenduskeskkonnana ja installige vajalikud sõltuvused.
- Juurutage manustamismudel Amazon SageMaker JumpStart jaoturist.
- Laadige alla pressiteated, mida kasutada meie välisteadmiste baasina.
- Koostage pressiteadetest register, et saaksite päringuid teha ja viipale täiendava kontekstina lisada.
- Küsige teadmistebaasi.
- Ehitage LlamaIndexi ja LangChaini agentide abil Q&A rakendus.
Kogu selles postituses olev kood on saadaval aadressil GitHub repo.
Eeldused
Selle näite jaoks vajate SageMakeri domeeniga ja sobiva AWS-kontot AWS-i identiteedi- ja juurdepääsuhaldus (IAM) load. Konto seadistamise juhised leiate siit Looge AWS-i konto. Kui teil pole veel SageMakeri domeeni, vaadake Amazon SageMakeri domeen ülevaade selle loomiseks. Selles postituses kasutame AmazonSageMakerFullAccess rolli. Seda mandaati ei soovitata kasutada tootmiskeskkonnas. Selle asemel peaksite looma ja kasutama rolli, millel on kõige väiksemad õigused. Samuti saate uurida, kuidas saate seda kasutada Amazon SageMakeri rollijuht luua ja hallata isikupõhiseid IAM-rolle tavaliste masinõppe vajaduste jaoks otse SageMakeri konsooli kaudu.
Lisaks on teil vaja juurdepääsu vähemalt järgmistele eksemplaride suurustele.
- ml.g5.2xsuur lõpp-punkti kasutamiseks juurutamisel Kallistav nägu GPT-J teksti manustamise mudel
- ml.g5.48xsuur lõpp-punkti kasutamiseks Llama 2-Chat mudeli lõpp-punkti juurutamisel
Kvoodi suurendamiseks vaadake Kvoodi suurendamise taotlemine.
Juurutage GPT-J manustamismudel, kasutades SageMaker JumpStart
See jaotis annab teile SageMaker JumpStart mudelite juurutamisel kaks võimalust. Saate kasutada koodipõhist juurutust, kasutades kaasasolevat koodi, või kasutada SageMaker JumpStart kasutajaliidest (UI).
Juurutage SageMaker Python SDK-ga
LLM-ide juurutamiseks saate kasutada SageMaker Python SDK-d, nagu on näidatud kood saadaval hoidlas. Tehke järgmised sammud.
- Määrake eksemplari suurus, mida kasutatakse manustamismudeli juurutamiseks
instance_type = "ml.g5.2xlarge"
- Otsige üles mudeli ID, mida manustamiseks kasutada. SageMaker JumpStartis on see identifitseeritud kui
model_id = "huggingface-textembedding-gpt-j-6b-fp16"
- Hankige eelkoolitatud mudelikonteiner ja juurutage see järelduste tegemiseks.
Kui manustamismudel on edukalt juurutatud, tagastab SageMaker mudeli lõpp-punkti nime ja järgmise teate:
Juurutage SageMakeri stuudios SageMaker JumpStart
Mudeli juurutamiseks Studios SageMaker JumpStarti abil toimige järgmiselt.
- Valige SageMaker Studio konsooli navigeerimispaanil KiirStart.
- Otsige üles ja valige mudel GPT-J 6B Embedding FP16.
- Valige juurutamine ja kohandage juurutamise konfiguratsiooni.
- Selle näite jaoks vajame eksemplari ml.g5.2xlarge, mis on SageMaker JumpStarti soovitatud vaikeeksemplar.
- Lõpp-punkti loomiseks valige uuesti juurutamine.
Lõpp-punkti kasutuselevõtt võtab aega umbes 5–10 minutit.
Pärast manustamismudeli juurutamist peate LangChaini integratsiooni kasutamiseks SageMaker API-dega looma sisendite (tooreteksti) käsitlemise funktsiooni ja teisendama need mudeli abil manusteks. Seda saate teha, luues klassi nimega ContentHandler
, mis võtab sisendandmete JSON-i ja tagastab teksti manustamise JSON-i: class ContentHandler(EmbeddingsContentHandler).
Edastage mudeli lõpp-punkti nimi ContentHandler
funktsioon teksti teisendamiseks ja manuste tagastamiseks:
Lõpp-punkti nime leiate kas SDK väljundist või SageMakeri JumpStart kasutajaliidese juurutamise üksikasjadest.
Saate testida, et ContentHandler
funktsioon ja lõpp-punkt töötavad ootuspäraselt, sisestades toorteksti ja käivitades faili embeddings.embed_query(text)
funktsiooni. Võite kasutada esitatud näidet text = "Hi! It's time for the beach"
või proovige oma teksti.
Juurutage ja testige Llama 2-Chati, kasutades SageMaker JumpStart
Nüüd saate juurutada mudeli, mis suudab teie kasutajatega interaktiivseid vestlusi pidada. Sel juhul valime ühe Llama 2-vestluse mudelitest, mis on tuvastatud
Mudel tuleb juurutada reaalajas lõpp-punkti kasutades predictor = my_model.deploy()
. SageMaker tagastab mudeli lõpp-punkti nime, mida saate kasutada endpoint_name
muutuja, millele hiljem viidata.
Te määratlete a print_dialogue
funktsioon vestlusmudelile sisendi saatmiseks ja selle väljundvastuse saamiseks. Kasulik koormus sisaldab mudeli hüperparameetreid, sealhulgas järgmist:
- max_uued_märgid – Viitab maksimaalsele žetoonide arvule, mida mudel saab oma väljundis genereerida.
- top_p – viitab märkide kumulatiivsele tõenäosusele, mida mudel suudab väljundite loomisel säilitada
- temperatuur – Viitab mudeli genereeritud väljundite juhuslikkusele. Temperatuur, mis on suurem kui 0 või võrdne 1-ga, suurendab juhuslikkuse taset, samas kui temperatuur 0 genereerib kõige tõenäolisemad märgid.
Peaksite oma hüperparameetrid valima oma kasutusjuhtumi põhjal ja neid asjakohaselt testima. Mudelid, nagu perekond Llama, nõuavad täiendava parameetri lisamist, mis näitab, et olete lõppkasutaja litsentsilepingu (EULA) lugenud ja sellega nõustunud.
Mudeli testimiseks asendage sisendi kasuliku koormuse sisuosa: "content": "what is the recipe of mayonnaise?"
. Saate kasutada oma tekstiväärtusi ja värskendada hüperparameetreid, et neid paremini mõista.
Sarnaselt manustamismudeli juurutamisega saate Llama-70B-Chati juurutada SageMakeri JumpStart kasutajaliidese abil:
- Valige SageMaker Studio konsoolil KiirStart navigeerimispaanil
- Otsige üles ja valige
Llama-2-70b-Chat model
- Nõustuge EULA-ga ja valige juurutada, kasutades uuesti vaikeeksemplari
Sarnaselt manustamismudeliga saate kasutada LangChaini integratsiooni, luues oma vestlusmudeli sisendite ja väljundite jaoks sisuhalduri malli. Sel juhul määratlete sisendid kasutajalt pärinevatena ja näitate, et neid juhib system prompt
. system prompt
teavitab mudelit oma rollist kasutaja abistamisel konkreetsel kasutusjuhul.
See sisukäsitleja edastatakse seejärel mudeli käivitamisel lisaks ülalnimetatud hüperparameetritele ja kohandatud atribuutidele (EULA aktsepteerimine). Kõik need atribuudid sõelutakse järgmise koodi abil:
Kui lõpp-punkt on saadaval, saate testida, kas see töötab ootuspäraselt. Saate värskendada llm("what is amazon sagemaker?")
oma tekstiga. Samuti peate määratlema konkreetse ContentHandler
LLM-i käivitamiseks LangChaini abil, nagu näidatud kood ja järgmine koodilõik:
Kasutage RAGi koostamiseks LlamaIndexi
Jätkamiseks installige RAG-rakenduse loomiseks LlamaIndex. LlamaIndexi saate installida pipi abil: pip install llama_index
Kõigepealt peate oma andmed (teadmistebaasi) LlamaIndexi indekseerimiseks laadima. See hõlmab mõnda sammu:
- Valige andmelaadija:
LlamaIndex pakub mitmeid andmeühendusi, mis on saadaval LlamaHub tavapäraste andmetüüpide jaoks, nagu JSON, CSV ja tekstifailid, aga ka muud andmeallikad, mis võimaldab teil alla laadida mitmesuguseid andmekogumeid. Selles postituses kasutame SimpleDirectoryReader
mõne PDF-faili alla neelamiseks, nagu on näidatud koodis. Meie andmenäidis on kaks Amazoni pressiteadet PDF-vormingus pressiteated kausta meie koodihoidlas. Pärast PDF-ide laadimist näete, et need on teisendatud 11 elemendi loendiks.
Selle asemel, et dokumente otse laadida, saate dokumendi ka varjata Document
objekti sisse Node
objektid enne nende registrisse saatmist. Valik saata kogu Document
objekti indeksile või dokumendi teisendamiseks Node
objektid enne indekseerimist sõltub teie konkreetsest kasutusjuhtumist ja teie andmete struktuurist. Sõlmede lähenemine on üldiselt hea valik pikkade dokumentide jaoks, kus soovite purustada ja hankida dokumendi teatud osi, mitte kogu dokumenti. Lisateabe saamiseks vaadake Dokumendid / Sõlmed.
- Käivitage laadija ja laadige dokumendid:
See samm initsialiseerib laadimisklassi ja kõik vajalikud konfiguratsioonid, näiteks kas peidetud faile ignoreerida. Lisateabe saamiseks vaadake SimpleDirectoryReader.
- Helista laadurile
load_data
meetod lähtefailide ja andmete sõelumiseks ning nende teisendamiseks LlamaIndexi dokumendiobjektideks, mis on valmis indekseerimiseks ja päringute tegemiseks. Andmete sisestamise ja täistekstiotsinguks ettevalmistamise lõpuleviimiseks saate kasutada järgmist koodi, kasutades LlamaIndexi indekseerimis- ja otsinguvõimalusi.
- Koostage indeks:
LlamaIndexi põhifunktsioon on võime koostada organiseeritud indekseid andmete põhjal, mis on esitatud dokumentide või sõlmedena. Indekseerimine hõlbustab tõhusat andmete päringute tegemist. Loome oma indeksi vaikemälus oleva vektormälu ja meie määratletud seadistuskonfiguratsiooniga. Llama Index Seaded on konfiguratsiooniobjekt, mis pakub LlamaIndexi rakenduses tavaliselt kasutatavaid ressursse ja sätteid indekseerimis- ja päringutoimingute jaoks. See toimib üksiku objektina, nii et see võimaldab teil määrata globaalseid konfiguratsioone, võimaldades samal ajal ka konkreetseid komponente kohapeal alistada, edastades need otse liidestesse (nt LLM-id, manustamismudelid), mis neid kasutavad. Kui konkreetne komponent ei ole sõnaselgelt ette nähtud, naaseb LlamaIndexi raamistik seadistustele, mis on määratletud Settings
objekt globaalse vaikeväärtusena. Meie manustamis- ja LLM-mudelite kasutamiseks koos LangChainiga ja konfigureerimisega Settings
peame installima llama_index.embeddings.langchain
ja llama_index.llms.langchain
. Saame konfigureerida Settings
objekt nagu järgmises koodis:
Vaikimisi VectorStoreIndex
kasutab mälus olevat SimpleVectorStore
mis on lähtestatud vaikesalvestuskonteksti osana. Reaalses elus kasutatavatel juhtudel peate sageli looma ühenduse väliste vektorpoodidega, näiteks Amazon OpenSearchi teenus. Lisateabe saamiseks vaadake Vektormootor Amazon OpenSearchi serverita jaoks.
Nüüd saate oma dokumentide üle Q&A käivitada, kasutades päringu_mootor LlamaIndexist. Selleks edastage päringute jaoks varem loodud register ja esitage oma küsimus. Päringumootor on üldine liides andmete päringute tegemiseks. See võtab sisendiks loomuliku keele päringu ja tagastab rikkaliku vastuse. Päringumootor on tavaliselt üles ehitatud ühele või mitmele indeksid kasutamine retriiverid.
Näete, et RAG-lahendus suudab esitatud dokumentidest õige vastuse välja otsida:
Kasutage LangChaini tööriistu ja agente
Loader
klass. Laadur on mõeldud andmete laadimiseks LlamaIndexi või seejärel tööriistana a LangChaini agent. See annab teile rohkem jõudu ja paindlikkust selle kasutamiseks oma rakenduse osana. Alustuseks määratlete oma tööriist LangChaini agentide klassist. Funktsioon, mille oma tööriistale edastate, esitab päringu indeksi kohta, mille olete LlamaIndexi abil oma dokumentidele üles ehitanud.
Seejärel valite õige agendi tüübi, mida soovite oma RAG-i juurutamiseks kasutada. Sel juhul kasutate chat-zero-shot-react-description
agent. Selle agendiga kasutab LLM vastuse andmiseks saadaolevat tööriista (selle stsenaariumi korral RAG üle teadmistebaasi). Seejärel lähtestate agendi, edastades oma tööriista, LLM-i ja agendi tüübi:
Näete, kuidas agent läbib thoughts
, actions
ja observation
, kasutage tööriista (selle stsenaariumi korral päringuid indekseeritud dokumentide kohta); ja tagastage tulemus:
Täieliku juurutuskoodi leiate lisatud dokumendist GitHub repo.
Koristage
Tarbetute kulude vältimiseks saate oma ressursse puhastada kas järgmiste koodilõikude või Amazon JumpStart kasutajaliidese kaudu.
Boto3 SDK kasutamiseks kasutage teksti manustamise mudeli lõpp-punkti ja teksti genereerimise mudeli lõpp-punkti ning lõpp-punkti konfiguratsioonide kustutamiseks järgmist koodi.
SageMakeri konsooli kasutamiseks toimige järgmiselt.
- Valige SageMakeri konsooli navigeerimispaani jaotises Järeldus käsk Lõpp-punktid
- Otsige manustamise ja teksti genereerimise lõpp-punkte.
- Lõpp-punkti üksikasjade lehel valige Kustuta.
- Kinnitamiseks valige uuesti Kustuta.
Järeldus
Otsingule ja otsimisele keskendunud kasutusjuhtudel pakub LlamaIndex paindlikke võimalusi. See sobib suurepäraselt LLM-ide indekseerimise ja otsimisega, muutes selle võimsaks tööriistaks andmete põhjalikuks uurimiseks. LlamaIndex võimaldab teil luua organiseeritud andmeindekseid, kasutada erinevaid LLM-e, täiendada andmeid LLM-i paremaks toimimiseks ja teha päringuid loomuliku keelega.
See postitus näitas mõningaid peamisi LlamaIndexi kontseptsioone ja võimalusi. Kasutasime manustamiseks GPT-J-d ja RAG-rakenduse koostamiseks LLM-ina Llama 2-Chat, kuid selle asemel võite kasutada mis tahes sobivat mudelit. Saate tutvuda SageMaker JumpStartis saadaoleva ulatusliku mudelivalikuga.
Samuti näitasime, kuidas LlamaIndex saab pakkuda võimsaid ja paindlikke tööriistu andmete ühendamiseks, indekseerimiseks, toomiseks ja integreerimiseks teiste raamistikega, nagu LangChain. LlamaIndexi integratsioonide ja LangChaini abil saate luua võimsamaid, mitmekülgsemaid ja sisukamaid LLM-rakendusi.
Autoritest
Dr Romina Sharifpour on Amazon Web Servicesi (AWS) masinõppe ja tehisintellekti lahenduste vanemarhitekt. Ta on juhtinud üle 10 aasta uuenduslike terviklike lahenduste väljatöötamist ja juurutamist, mida võimaldavad ML ja AI edusammud. Romina huvivaldkonnad on loomuliku keele töötlemine, suured keelemudelid ja MLO-d.
Nicole Pinto on AI/ML spetsialistilahenduste arhitekt, kes asub Austraalias Sydneys. Tema taust tervishoiu- ja finantsteenuste vallas annab talle ainulaadse vaatenurga kliendiprobleemide lahendamisel. Ta on kirglik klientidele masinõppe kaudu võimaldamise ja järgmise põlvkonna naiste võimestamise vastu STEM-is.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
- PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
- PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
- PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/build-knowledge-powered-conversational-applications-using-llamaindex-and-llama-2-chat/
- :on
- :on
- :mitte
- : kus
- $ UP
- 1
- 10
- 100
- 11
- 13
- 14
- 15%
- 16
- 2022
- 2023
- 22
- 500
- 7
- 8
- 9
- a
- võime
- Võimalik
- MEIST
- vastuvõtmine
- aktsepteeritud
- Nõustub
- juurdepääs
- Vastavalt
- konto
- täpne
- õigusaktid
- lisama
- lisamine
- Täiendavad lisad
- aadress
- edusammud
- ADEelis
- pärast
- jälle
- Agent
- ained
- Kokkulepe
- AI
- ai uuringud
- AI / ML
- Materjal: BPA ja flataatide vaba plastik
- Lubades
- võimaldab
- juba
- Ka
- Amazon
- Amazon SageMaker
- Amazon SageMaker JumpStart
- Amazon Web Services
- Amazon Web Services (AWS)
- summad
- an
- ja
- vastus
- vastamine
- vastuseid
- mistahes
- API-liidesed
- taotlus
- rakendused
- lähenemine
- asjakohane
- asjakohaselt
- umbes
- arhitektuur
- OLEME
- valdkondades
- tekkima
- kunstlik
- tehisintellekti
- AS
- küsima
- Abi
- assistendid
- abistamine
- At
- atribuudid
- suurendama
- suurendatud
- Austraalia
- saadaval
- vältima
- AWS
- tagasi
- tagapõhi
- baas
- põhineb
- põhiline
- BE
- rand
- sest
- olnud
- enne
- Parem
- vahel
- mõlemad
- Murdma
- ühendamine
- tooma
- ehitama
- Ehitus
- ehitatud
- kuid
- by
- kutsutud
- CAN
- võimeid
- võime
- juhul
- juhtudel
- vestlus
- jututoad
- valik
- Vali
- klass
- puhastama
- selgelt
- klient
- kood
- SIDUS
- ühendab
- tulevad
- ühine
- tavaliselt
- ettevõte
- võrreldes
- konkureerib
- täitma
- keeruline
- komponent
- komponendid
- mõista
- terviklik
- mõisted
- järeldab
- konfiguratsioon
- seadistamine
- Kinnitama
- Võta meiega ühendust
- ühendused
- kaalutlused
- arvab
- järjepidev
- koosneb
- konsool
- ehitama
- Konteiner
- sisu
- kontekst
- jätkama
- jutukas
- vestlused
- muutma
- ümber
- konverteeriva
- parandada
- Maksma
- kulude kokkuhoid
- kulud
- võiks
- looma
- loodud
- loomine
- MANDAAT
- kriitiline
- tava
- klient
- Kliendid
- kohandada
- lõigatud
- andmed
- juurdepääs andmetele
- andmebaasid
- andmekogumid
- sügav
- vaikimisi
- määratlema
- määratletud
- määratlemisel
- tarnima
- näitama
- Näidatud
- sõltuvused
- sõltub
- juurutada
- lähetatud
- juurutamine
- kasutuselevõtu
- Disain
- kavandatud
- detailid
- & Tarkvaraarendus
- skeem
- Dialoog
- DIKT
- otse
- mitu
- do
- docs
- dokument
- dokumendid
- domeen
- Ära
- ajendatud
- ajal
- Ajalugu
- Tõhus
- tõhus
- vaevata
- kumbki
- elemendid
- kinnistamine
- volitamine
- lubatud
- võimaldab
- võimaldades
- lõpp
- Lõpuks-lõpuni
- Lõpp-punkt
- Mootor
- Mootorid
- ettevõte
- Kogu
- keskkond
- võrdne
- hindamine
- näide
- näited
- põnev
- olemasolevate
- oodatav
- katsetamine
- selgesõnaliselt
- uurimine
- uurima
- väline
- nägu
- hõlbustab
- juga
- tuttav
- pere
- tunnusjoon
- FUNKTSIOONID
- vähe
- Faile
- finants-
- finantsteenused
- leidma
- esimene
- Paindlikkus
- paindlik
- keskendunud
- keskendub
- Järel
- eest
- Sihtasutus
- Raamistik
- raamistikud
- Alates
- funktsioon
- lõhe
- üldiselt
- tekitama
- loodud
- teeniva
- põlvkond
- generatiivne
- annab
- Globaalne
- läheb
- hea
- juhitakse
- suurem
- käepide
- rakmed
- Olema
- tervishoid
- aidates
- siin
- varjatud
- kvaliteetne
- Kuidas
- Kuidas
- aga
- HTML
- HTTPS
- Keskus
- ID
- tuvastatud
- Identity
- if
- ignoreerima
- täitmine
- parandusi
- in
- sisaldama
- hõlmab
- Kaasa arvatud
- kaasates
- Suurendama
- Tõstab
- indeks
- indekseeritud
- indeksid
- näitama
- Näitab
- info
- teatab
- Infrastruktuur
- Innovatsioon
- uuenduslik
- sisend
- sisendite
- sisestamine
- mõistlik
- paigaldama
- Näiteks
- selle asemel
- juhised
- integreerima
- integratsioon
- integratsioon
- Intelligentsus
- ette nähtud
- interaktiivne
- huvi
- Interface
- liidesed
- sisse
- Tutvustab
- hõlmab
- küsimustes
- IT
- ITS
- jpg
- Json
- Juuli
- Võti
- teadmised
- puudus
- keel
- suur
- pärast
- juhtivate
- õppimine
- Tase
- litsents
- nagu
- Tõenäoliselt
- nimekiri
- Laama
- LLM
- koormus
- laadur
- laadimine
- kohapeal
- Pikk
- masin
- masinõpe
- tegema
- TEEB
- Tegemine
- juhtima
- maksimaalne
- mai..
- mainitud
- sõnum
- Meta
- meetod
- rändavad
- ränne
- miinimum
- protokoll
- ML
- MLOps
- mudel
- mudelid
- rohkem
- kõige
- palju
- nimi
- Natural
- Natural Language Processing
- NAVIGATSIOON
- vajalik
- Vajadus
- vaja
- vajadustele
- järgmine
- sõlmed
- number
- objekt
- esemeid
- of
- pakkuma
- Pakkumised
- sageli
- on
- ONE
- ainult
- peale
- avatud
- töökorras
- Operations
- optimeeritud
- Valikud
- or
- et
- Korraldatud
- Muu
- meie
- välja
- välja toodud
- väljund
- väljundid
- üle
- ignoreerimine
- ülevaade
- enda
- lehekülg
- pane
- Paber
- parameeter
- parameetrid
- osa
- eriline
- osad
- sooritama
- lõigud
- Vastu võetud
- Mööduv
- kirglik
- jõudlus
- Õigused
- perspektiiv
- Platon
- Platoni andmete intelligentsus
- PlatoData
- populaarne
- post
- võim
- võimas
- täpselt
- Predictor
- ettevalmistamine
- vajutage
- Pressiteade
- Pressiteated
- probleeme
- protsess
- töötlemine
- tootma
- Produktsioon
- anda
- tingimusel
- annab
- avalikult
- puhas
- Python
- Küsimused ja vastused
- päringud
- päringu
- küsimus
- Küsimused
- Kiire
- rag
- juhuslikkus
- valik
- pigem
- Töötlemata
- Lugenud
- valmis
- reaalajas
- saama
- retsept
- soovitatav
- Lühendatud
- viitama
- viide
- viitab
- reinvesteerima
- vabastama
- Pressiteated
- asjakohane
- asendama
- Hoidla
- esindatud
- nõudma
- nõutav
- teadustöö
- teadus-ja arendustegevus
- Vahendid
- vastus
- vastuste
- kaasa
- otsing
- tagasipöördumine
- Tulu
- Rikas
- õige
- jõuline
- Roll
- rollid
- jooks
- jooksmine
- s
- ohutus
- salveitegija
- proov
- Hoiused
- stsenaarium
- SDK
- Otsing
- otsingud
- Osa
- lõigud
- vaata
- valima
- SELF
- saatma
- saatmine
- vanem
- September
- teenus
- Teenused
- komplekt
- kehtestamine
- seaded
- seade
- ta
- peaks
- näitas
- näidatud
- Näitused
- sarnane
- lihtne
- lihtsustamine
- alates
- SUURUS
- suurused
- jupp
- So
- lahendus
- Lahendused
- Lahendamine
- mõned
- allikas
- hangitud
- Allikad
- spetsialist
- konkreetse
- eriti
- kasutatud
- algus
- modernne
- Ühendriigid
- vars
- Samm
- Sammud
- ladustamine
- salvestada
- ladustatud
- kauplustes
- lihtne
- Sujuvamaks muutmine
- tugevused
- struktuur
- stuudio
- Järgnevalt
- Edukalt
- selline
- sobiv
- sydney
- süsteem
- süsteemid
- Võtma
- võtab
- Puuduta
- ülesanded
- Tehnoloogiad
- šabloon
- kipuvad
- test
- tekst
- kui
- et
- .
- Neile
- SIIS
- Need
- nad
- see
- need
- Läbi
- aeg
- et
- märgid
- tööriist
- töövahendid
- ülemine
- Jälgimine
- koolitus
- Muutma
- triljon
- püüdma
- kaks
- tüüp
- liigid
- tüüpiliselt
- ui
- all
- mõistma
- ainulaadne
- tarbetu
- Värskendused
- Kasutus
- kasutama
- kasutage juhtumit
- Kasutatud
- kasulik
- Kasutaja
- Kasutajaliides
- kasutajasõbralik
- Kasutajad
- kasutusalad
- kasutamine
- Väärtused
- muutuja
- sort
- eri
- suur
- mitmekülgne
- versioon
- kaudu
- tahan
- we
- web
- veebiteenused
- Hästi
- M
- Mis on
- millal
- samas kui
- kas
- mis
- kuigi
- will
- koos
- Naised
- Töövoogud
- töö
- oleks
- aastat
- sa
- Sinu
- sephyrnet