Luonnollisen kielen käsittely (NLP) on koneoppimisen (ML) ala, jonka tarkoituksena on antaa tietokoneille kyky ymmärtää tekstiä ja puhuttuja sanoja samalla tavalla kuin ihmiset. Viime aikoina huippuluokan arkkitehtuurit, kuten muuntajan arkkitehtuuri käytetään saavuttamaan lähes inhimillinen suorituskyky NLP:n loppupään tehtävissä, kuten tekstin yhteenveto, tekstin luokittelu, kokonaisuuden tunnistus ja paljon muuta.
Suuret kielimallit (LLM) ovat muuntajapohjaisia malleja, jotka on koulutettu suurelle määrälle merkitsemätöntä tekstiä, jossa on satoja miljoonia (BERTI) yli biljoonaan parametriin (MiCS), ja jonka koko tekee yhden GPU:n harjoittelusta epäkäytännöllistä. Niiden luontaisen monimutkaisuuden vuoksi LLM:n kouluttaminen alusta alkaen on erittäin haastava tehtävä, johon vain harvoilla organisaatioilla on varaa. Yleinen käytäntö NLP:n jatkotehtävissä on ottaa esikoulutettu LLM ja hienosäätää sitä. Lisätietoja hienosäädöstä on kohdassa Verkkotunnuksen mukauttaminen Perusmallien hienosäätö Amazon SageMaker JumpStartissa taloustiedoissa ja Hienosäädä muuntajakielimalleja kielelliseen monimuotoisuuteen Hugging Facen avulla Amazon SageMakerissa.
Nolla-oppiminen NLP:ssä mahdollistaa a esikoulutettu LLM tuottaa vastauksia tehtäviin, joihin sitä ei ole erityisesti koulutettu (jopa ilman hienosäätöä). Erityisesti tekstin luokittelusta puhuttaessa, nollakuvan tekstiluokitus on luonnollisen kielen käsittelyn tehtävä, jossa NLP-mallia käytetään luokittelemaan tekstiä näkymättömistä luokista, toisin kuin valvottu luokittelu, jossa NLP-mallit voivat luokitella vain tekstiä, joka kuuluu koulutustiedon luokkiin.
Julkaisimme äskettäin zero-shot-luokitusmallin tuen Amazon SageMaker JumpStart. SageMaker JumpStart on ML-keskus Amazon Sage Maker joka tarjoaa pääsyn valmiiksi koulutettuihin perusmalleihin (FM), LLM:ihin, sisäänrakennetuihin algoritmeihin ja ratkaisumalleihin, joiden avulla pääset nopeasti alkuun ML:n kanssa. Tässä viestissä näytämme, kuinka voit suorittaa nolla-luokittelun käyttämällä esikoulutettuja malleja SageMaker Jumpstartissa. Opit käyttämään SageMaker Jumpstart -käyttöliittymää ja SageMaker Python SDK:ta ratkaisun käyttöönottoon ja päättelyn suorittamiseen käytettävissä olevia malleja käyttäen.
Zero-shot-oppiminen
Zero-shot-luokitus on paradigma, jossa malli voi luokitella uusia, näkymättömiä esimerkkejä, jotka kuuluvat luokkiin, joita ei ollut koulutustiedoissa. Esimerkiksi kielimallia, joka on koulutettu ymmärtämään ihmisten kieltä, voidaan käyttää uudenvuodenlupausten twiittien luokitteluun useissa luokissa, kuten career
, health
ja finance
, ilman että kielimallia on erityisesti koulutettu tekstin luokittelutehtävään. Tämä on toisin kuin mallin hienosäätö, koska jälkimmäinen edellyttää mallin uudelleenkoulutusta (siirtooppimisen kautta), kun taas nolla-oppiminen ei vaadi lisäkoulutusta.
Seuraava kaavio havainnollistaa eroja siirto-oppimisen (vasemmalla) ja nolla-oppimisen (oikealla) välillä.
Yin et ai. ehdotti viitekehystä zero-shot luokittimien luomiseksi käyttämällä luonnollisen kielen päättelyä (NLI). Kehys toimii asettamalla sekvenssi luokiteltavaksi NLI-oletukseksi ja rakentaa hypoteesin jokaisesta ehdokasnimiöstä. Esimerkiksi, jos haluamme arvioida, kuuluuko sekvenssi luokkaan politics
, voisimme rakentaa hypoteesin "Tämä teksti koskee politiikkaa". Seurauksen ja ristiriidan todennäköisyydet muunnetaan sitten tunnistetodennäköisyyksiksi. Pikakatsauksena NLI tarkastelee kahta lausetta: oletusta ja hypoteesia. Tehtävänä on määrittää, onko hypoteesi tosi (seuraus) vai epätosi (ristiriita) olettaen perusteella. Seuraavassa taulukossa on esimerkkejä.
Lähtökohta | Merkki | Hypoteesi |
Mies tarkastelee hahmon univormua jossain Itä-Aasian maassa. | ristiriitaisuus | Mies nukkuu. |
Vanhempi ja nuorempi mies hymyilee. | Neutraali | Kaksi miestä hymyilee ja nauraa lattialla leikkiville kissoille. |
Jalkapallopeli, jossa pelaa useita miehiä. | telleensä | Jotkut miehet harrastavat urheilua. |
Ratkaisun yleiskatsaus
Tässä viestissä keskustelemme seuraavista:
- Kuinka ottaa käyttöön esikoulutettuja zero-shot-tekstiluokitusmalleja SageMaker JumpStart -käyttöliittymällä ja tehdä päätelmiä käyttöönotetusta mallista käyttämällä lyhyttä tekstidataa
- SageMaker Python SDK:n käyttäminen valmiiksi koulutettujen zero-shot-tekstin luokittelumallien käyttämiseen SageMaker JumpStartissa ja johtopäätösskriptin käyttäminen mallin käyttöönottamiseksi SageMaker-päätepisteeseen reaaliaikaista tekstin luokittelua varten
- SageMaker Python SDK:n käyttäminen valmiiksi koulutettujen nolla-tekstin luokittelumallien käyttämiseen ja SageMakerin erämuunnosten käyttäminen erätekstin luokittelun käyttötapauksessa
SageMaker JumpStart tarjoaa yhdellä napsautuksella hienosäätöä ja käyttöönottoa laajalle valikoimalle esikoulutettuja malleja suosituissa ML-tehtävissä sekä valikoiman päästä päähän -ratkaisuja, jotka ratkaisevat yleisiä liiketoimintaongelmia. Nämä ominaisuudet poistavat raskasta nostoa ML-prosessin jokaisesta vaiheesta, mikä yksinkertaistaa korkealaatuisten mallien kehittämistä ja lyhentää käyttöönottoon kuluvaa aikaa. The JumpStart API:t avulla voit ottaa ohjelmallisesti käyttöön ja hienosäätää laajan valikoiman esikoulutettuja malleja omissa tietojoukoissasi.
JumpStart-mallikeskus tarjoaa pääsyn suureen määrään NLP-malleja, jotka mahdollistavat siirron oppimisen ja mukautettujen tietojoukkojen hienosäädön. Tätä kirjoitettaessa JumpStart-mallikeskus sisältää yli 300 tekstimallia useista suosituista malleista, kuten Stable Diffusion, Flan T5, Alexa TM, Bloom ja paljon muuta.
Huomaa, että noudattamalla tämän osan vaiheita otat infrastruktuurin käyttöön AWS-tilillesi, mikä saattaa aiheuttaa kustannuksia.
Ota käyttöön erillinen nollakuvan tekstiluokitusmalli
Tässä osiossa esittelemme, kuinka nollasta luokittelumalli otetaan käyttöön SageMaker JumpStartin avulla. Pääset esikoulutettuihin malleihin JumpStart-aloitussivun kautta Amazon SageMaker Studio. Suorita seuraavat vaiheet:
- Avaa SageMaker Studiossa JumpStart-aloitussivu.
Mainita Avaa ja käytä JumpStartia saadaksesi lisätietoja SageMaker JumpStartiin siirtymisestä. - In Tekstimallit karuselli, etsi "Zero-Shot Text Classification" -mallikortti.
- Valita Näytä malli päästäksesi
facebook-bart-large-mnli
malli.
Vaihtoehtoisesti voit etsiä nollakuvan luokittelumallia hakupalkista ja päästä malliin SageMaker JumpStartissa. - Määritä käyttöönottokokoonpano, SageMaker-isännöintiinstanssityyppi, päätepisteen nimi, Amazonin yksinkertainen tallennuspalvelu (Amazon S3) kauhan nimi ja muut pakolliset parametrit.
- Valinnaisesti voit määrittää suojausasetuksia, kuten AWS-henkilöllisyyden ja käyttöoikeuksien hallinta (IAM) rooli, VPC-asetukset ja AWS-avainhallintapalvelu (AWS KMS) salausavaimet.
- Valita Sijoittaa luodaksesi SageMaker-päätepisteen.
Tämä vaihe kestää muutaman minuutin. Kun se on valmis, voit suorittaa johtopäätöksen SageMaker-päätepisteestä, joka isännöi nolla-luokittelumallia.
Seuraavassa videossa näytämme tämän osion vaiheiden esittelyn.
Käytä JumpStartia ohjelmallisesti SageMaker SDK:n kanssa
SageMaker Studion SageMaker JumpStart -osiossa kohdassa Pikakäynnistysratkaisut, löydät ratkaisumalleja. SageMaker JumpStart -ratkaisumallit ovat yhden napsautuksen, päästä päähän -ratkaisuja moniin yleisiin ML-käyttötapauksiin. Tätä kirjoitettaessa on saatavilla yli 20 ratkaisua useisiin käyttötarkoituksiin, kuten kysynnän ennustamiseen, petosten havaitsemiseen ja henkilökohtaisiin suosituksiin.
"Zero Shot Text Classification with Hugging Face" -ratkaisu tarjoaa tavan luokitella tekstiä ilman tarvetta kouluttaa mallia tietyille tarroille (nollalaukausluokitus) käyttämällä valmiiksi koulutettua tekstiluokitinta. Tämän ratkaisun oletusnollaluokittelumalli on facebook-bart-large-mnli (BART) malli. Tätä ratkaisua varten käytämme 2015 uudenvuodenlupaukset -tietojoukko päätöslauselmien luokitteluun. Alkuperäisen tietojoukon osajoukko, joka sisältää vain Resolution_Category
(pohjatotuusmerkki) ja text
sarakkeet sisältyvät ratkaisun resursseihin.
Syöttötieto sisältää tekstijonoja, luettelon halutuista luokista luokittelua varten ja onko luokitus monimerkkinen vai ei synkronista (reaaliaikaista) päättelyä varten. Asynkronista (erä)päätelmää varten tarjoamme JSON-riveillä muotoillussa tekstitiedostossa luettelon tekstimerkkijonoista, kunkin merkkijonon kategorioiden luettelon ja sen, onko luokitus monitunnisteinen vai ei.
Päätelmän tulos on JSON-objekti, joka näyttää seuraavan kuvakaappauksen kaltaiselta.
Meillä on alkuperäinen teksti sequence
-kentässä tekstin luokittelussa käytetyt tunnisteet labels
kenttään ja kullekin kentän tunnisteelle (samassa esiintymisjärjestyksessä) määritetty todennäköisyys scores
.
Ota Zero Shot Text Classification with Hugging Face -ratkaisu käyttöön suorittamalla seuraavat vaiheet:
- Valitse SageMaker JumpStart -aloitussivulta Mallit, muistikirjat, ratkaisut navigointipaneelissa.
- In Ratkaisumme osiossa, valitse Tutustu kaikkiin ratkaisuihin.
- On Ratkaisumme -sivulla valitse Zero Shot Text Classification with Hugging Face -mallikortti.
- Tarkista käyttöönottotiedot ja valitse, jos olet samaa mieltä Käynnistää.
Käyttöönotto tarjoaa reaaliaikaisen SageMaker-päätepisteen reaaliaikaisia päätelmiä varten ja S3-säihön erämuunnostulosten tallentamiseen.
Seuraava kaavio havainnollistaa tämän menetelmän arkkitehtuuria.
Suorita reaaliaikainen johtopäätös käyttämällä nollakuvan luokitusmallia
Tässä osiossa tarkastellaan, kuinka Python SDK:ta käytetään nolla-tekstin luokituksen suorittamiseen (millä tahansa käytettävissä olevilla malleilla) reaaliajassa SageMaker-päätepisteen avulla.
- Ensin konfiguroimme mallin päättelyhyötykuormapyynnön. Tämä riippuu mallista, mutta BART-mallissa syöte on JSON-objekti, jolla on seuraava rakenne:
- Huomaa, että BART-mallia ei ole erityisesti koulutettu
candidate_labels
. Käytämme zero-shot-luokitustekniikkaa luokitellaksemme tekstisekvenssin näkymättömiin luokkiin. Seuraava koodi on esimerkki uudenvuodenlupausten tietojoukon tekstistä ja määritellyistä luokista: - Seuraavaksi voit kutsua SageMaker-päätepisteen zero-shot-hyötykuormalla. SageMaker-päätepiste otetaan käyttöön osana SageMaker JumpStart -ratkaisua.
- Päätelmävastausobjekti sisältää alkuperäisen sekvenssin, otsikot lajiteltuina pisteiden mukaan max - min ja pisteet per otsikko:
Suorita SageMaker-erämuunnostyö Python SDK:lla
Tässä osassa kuvataan, kuinka erämuunnospäätelmä suoritetaan nolla-luokituksen kanssa facebook-bart-large-mnli
mallia käyttäen SageMaker Python SDK. Suorita seuraavat vaiheet:
- Muotoile syöttötiedot JSON lines -muotoon ja lataa tiedosto Amazon S3:een.
SageMaker erämuunnos suorittaa päättelyn S3-tiedostoon ladatuista tietopisteistä. - Määritä mallin käyttöönoton artefaktit seuraavilla parametreilla:
- mallin_tunnus - Käytä
huggingface-zstc-facebook-bart-large-mnli
. - deploy_image_uri - Käytä
image_uris
Python SDK -toiminto saada valmiiksi rakennetun SageMaker Docker -kuvanmodel_id
. Funktio palauttaa Amazonin elastisten säiliörekisteri (Amazon ECR) URI. - deploy_source_uri – Käytä
script_uris
apuohjelma API noutaa S3 URI:n, joka sisältää komentosarjat valmiiksi koulutetun mallipäätelmän suorittamiseksi. Määrittelemmescript_scope
asinference
. - malli_uri - Käytä
model_uri
saadaksesi mallin artefaktit Amazon S3:lta määritetyillemodel_id
.
- mallin_tunnus - Käytä
- Käyttää
HF_TASK
Hugging Face -muuntajien putkilinjan tehtävän määrittämiseen jaHF_MODEL_ID
tekstin luokittelussa käytettävän mallin määrittämiseksi:Täydellinen luettelo tehtävistä on kohdassa putkistojen Hugging Face -dokumentaatiossa.
- Luo Hugging Face -malliobjekti, joka otetaan käyttöön SageMaker-erämuunnostyön kanssa:
- Luo muunnos erätyön suorittamiseksi:
- Aloita erämuunnostyö ja käytä S3-tietoja syötteenä:
Voit seurata eräkäsittelytyötäsi SageMaker-konsolissa (valitse Erämuunnostyöt varten Päättely navigointiruudussa). Kun työ on valmis, voit tarkistaa mallin ennusteen tulosteen kohdassa määritetystä S3-tiedostosta output_path
.
Luettelo kaikista SageMaker JumpStartissa olevista esikoulutetuista malleista on kohdassa Sisäänrakennetut algoritmit esiopetetulla mallitaulukolla. Käytä hakupalkissa avainsanaa "zstc" (lyhenne sanoista zero-shot text Classification) löytääksesi kaikki mallit, jotka pystyvät luokittamaan tekstin nollasta.
Puhdistaa
Kun olet lopettanut muistikirjan käytön, muista poistaa kaikki prosessin aikana luodut resurssit varmistaaksesi, että tässä oppaassa käyttöönotetuista resursseista aiheutuvat kustannukset pysähtyvät. Koodi käyttöönotettujen resurssien puhdistamiseksi löytyy muistikirjoista, jotka liittyvät zero-shot-tekstin luokitteluratkaisuun ja malliin.
Oletusarvoiset suojausasetukset
SageMaker JumpStart -mallit otetaan käyttöön seuraavilla oletussuojauskokoonpanoilla:
Lisätietoja SageMakerin tietoturvaan liittyvistä aiheista on osoitteessa Määritä suojaus Amazon SageMakerissa.
Yhteenveto
Tässä viestissä näytimme sinulle, kuinka otat käyttöön nollakuvan luokittelumallin SageMaker JumpStart -käyttöliittymällä ja teemme päättelyn käyttöönotetun päätepisteen avulla. Käytimme SageMaker JumpStart uudenvuodenlupausratkaisua näyttääksemme, kuinka voit käyttää SageMaker Python SDK:ta päästä päähän -ratkaisun rakentamiseen ja nollasta luokittelusovelluksen toteuttamiseen. SageMaker JumpStart tarjoaa pääsyn satoihin valmiiksi koulutettuihin malleihin ja ratkaisuihin tehtäviin, kuten tietokonenäköön, luonnollisen kielen käsittelyyn, suositusjärjestelmiin ja muihin tehtäviin. Kokeile ratkaisua itse ja kerro meille mielipiteesi.
Tietoja kirjoittajista
David Laredo on prototyyppiarkkitehti AWS Envision Engineeringissä LATAMissa, jossa hän on auttanut kehittämään useita koneoppimisprototyyppejä. Aiemmin hän on työskennellyt koneoppimisinsinöörinä ja tehnyt koneoppimista yli 5 vuotta. Hänen kiinnostuksen kohteitaan ovat NLP, aikasarjat ja end-to-end ML.
Vikram Elango on AI/ML Specialist Solutions -arkkitehti Amazon Web Servicesissä, joka sijaitsee Virginiassa, Yhdysvalloissa. Vikram auttaa rahoitus- ja vakuutusalan asiakkaita suunnittelu- ja ajatusjohtajuudella rakentamaan ja ottamaan käyttöön koneoppimissovelluksia mittakaavassa. Hän keskittyy tällä hetkellä luonnollisen kielen käsittelyyn, vastuulliseen tekoälyyn, päätelmien optimointiin ja ML:n skaalaukseen koko yrityksessä. Vapaa-ajallaan hän nauttii matkustamisesta, vaeltamisesta, ruoanlaitosta ja telttailusta perheensä kanssa.
Tohtori Vivek Madan on soveltuva tutkija Amazon SageMaker JumpStart -tiimin kanssa. Hän sai tohtorin tutkinnon Illinoisin yliopistosta Urbana-Champaignissa ja oli tutkijatohtorina Georgia Techissä. Hän on aktiivinen koneoppimisen ja algoritmisuunnittelun tutkija ja julkaissut julkaisuja EMNLP-, ICLR-, COLT-, FOCS- ja SODA-konferensseissa.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
- PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
- PlatoESG. Autot / sähköautot, hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
- ChartPrime. Nosta kaupankäyntipeliäsi ChartPrimen avulla. Pääsy tästä.
- BlockOffsets. Ympäristövastuun omistuksen nykyaikaistaminen. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/zero-shot-text-classification-with-amazon-sagemaker-jumpstart/
- :on
- :On
- :ei
- :missä
- $ YLÖS
- 1
- 10
- 100
- 12
- 16
- 17
- 20
- 22
- 30
- 7
- 8
- 9
- a
- kyky
- Meistä
- edellä
- pääsy
- Tili
- Saavuttaa
- poikki
- aktiivinen
- lisä-
- vastaan
- AI
- AI / ML
- AL
- Alexa
- algoritmi
- algoritmit
- Kaikki
- sallia
- mahdollistaa
- Amazon
- Amazon Sage Maker
- Amazon SageMaker JumpStart
- Amazon Web Services
- määrä
- an
- ja
- Kaikki
- api
- Hakemus
- sovellukset
- sovellettu
- arkkitehtuuri
- OVAT
- alueet
- AS
- aasialainen
- Varat
- osoitettu
- liittyvä
- At
- automaattisesti
- saatavissa
- AWS
- baari
- pohja
- perustua
- BE
- ollut
- ovat
- kuuluu
- välillä
- Kukinta
- elin
- Kirjat
- Aamiainen
- rakentaa
- sisäänrakennettu
- liiketoiminta
- mutta
- by
- CAN
- ehdokkaat
- kykenee
- kortti
- Ura
- karuselli
- tapauksissa
- luokat
- Kissat
- haastava
- tarkastaa
- Valita
- luokka
- luokat
- luokittelu
- luokiteltu
- luokitella
- koodi
- Pylväät
- Yhteinen
- täydellinen
- monimutkaisuus
- tietokone
- Tietokoneen visio
- tietokoneet
- huolestunut
- konferenssit
- Konfigurointi
- pitää
- Console
- rakentaa
- Kontti
- sisältää
- kontrasti
- muunnetaan
- kustannukset
- voisi
- maa
- Pari
- luoda
- luotu
- Luominen
- Tällä hetkellä
- asiakassuhde
- Asiakkaat
- tiedot
- datapisteet
- aineistot
- omistautunut
- oletusarvo
- määritellä
- määritelty
- Kysyntä
- Kysynnän ennustaminen
- osoittaa
- riippuvuudet
- riippuvainen
- sijoittaa
- käyttöön
- käyttöönotto
- Malli
- haluttu
- yksityiskohdat
- Detection
- Määrittää
- kehittää
- Kehitys
- erot
- Diffuusio
- pohtia
- Monimuotoisuus
- Satamatyöläinen
- dokumentointi
- ei
- tekee
- tehty
- kaksi
- E&T
- kukin
- Itään
- koulutus
- mahdollistaa
- salaus
- päittäin
- päätepiste
- insinööri
- Tekniikka
- varmistaa
- yritys
- kokonaisuus
- kuvitella
- arvioida
- Jopa
- esimerkki
- Esimerkit
- Kasvot
- väärä
- perhe
- Ominaisuudet
- harvat
- ala
- Kuva
- filee
- rahoittaa
- taloudellinen
- Löytää
- Lattia
- keskityttiin
- jälkeen
- varten
- muoto
- perusta
- Puitteet
- petos
- petosten havaitseminen
- alkaen
- toiminto
- peli
- tuottaa
- Georgia
- saada
- GitHub
- tietty
- Antaminen
- Maa
- Kasvu
- ohjaavat
- Käsittely
- Olla
- he
- terveys
- raskas
- raskas nosto
- auttaa
- auttanut
- auttaa
- korkealaatuisia
- hänen
- hotellit
- isännät
- Miten
- Miten
- HTML
- http
- HTTPS
- Napa
- ihmisen
- huumori
- Sadat
- satoja miljoonia
- ID
- Identiteetti
- if
- Illinois
- havainnollistaa
- kuva
- toteuttaa
- tuoda
- in
- mukana
- sisältää
- teollisuus
- tiedot
- Infrastruktuuri
- luontainen
- panos
- tuloa
- esimerkki
- vakuutus
- korko
- IT
- Job
- Työpaikat
- jpg
- json
- avain
- avaimet
- Tietää
- Merkki
- tarrat
- lasku
- Kieli
- suuri
- LATAM
- käynnistettiin
- Johto
- OPPIA
- oppiminen
- vasemmalle
- antaa
- nosto
- pitää
- linja
- linjat
- Lista
- OTK
- lastaus
- ulkonäkö
- kone
- koneoppiminen
- tehdä
- TEE
- mies
- johto
- monet
- max
- Saattaa..
- Miehet
- menetelmä
- miljoonia
- minuuttia
- minuuttia
- ML
- malli
- mallit
- monitori
- lisää
- moninkertainen
- my
- nimi
- Luonnollinen
- Luonnollinen kielen käsittely
- Navigoida
- suunnistus
- Tarve
- Uusi
- uusi vuosi
- NLP
- Nro
- muistikirja
- numero
- objekti
- of
- on
- vain
- avata
- optimointi
- or
- tilata
- organisaatioiden
- alkuperäinen
- Muut
- ulos
- ulostulo
- yli
- oma
- sivulla
- lasi
- paperit
- paradigma
- parametrit
- osa
- polku
- varten
- Suorittaa
- suorituskyky
- Oikeudet
- henkilöstö
- yksilöllinen
- phd
- hyväntekeväisyys
- putki
- Platon
- Platonin tietotieto
- PlatonData
- pelaa
- pistettä
- politiikka
- Suosittu
- Kirje
- harjoitusta.
- ennustus
- Ennusteet
- esittää
- aiemmin
- ongelmia
- prosessi
- käsittely
- ehdotettu
- prototyyppejä
- prototyyppien
- toimittaa
- mikäli
- tarjoaa
- säännös
- julkaistu
- Python
- pytorch
- nopea
- nopeasti
- Lue
- todellinen
- reaaliaikainen
- äskettäin
- tunnustaminen
- Suositus
- suosituksia
- vähentämällä
- poistaa
- pyyntö
- edellyttää
- tarvitaan
- tutkija
- Esittelymateriaalit
- vastaus
- vasteet
- vastuullinen
- johtua
- tulokset
- Tuotto
- arviot
- oikein
- Rooli
- ajaa
- juoksu
- s
- sagemaker
- sama
- Säästä
- Asteikko
- skaalaus
- Tiedemies
- pisteet
- raapia
- skriptejä
- vieritys
- sdk
- Haku
- Osa
- turvallisuus
- nähdä
- valinta
- Järjestys
- Sarjat
- Palvelut
- settings
- Lyhyt
- laukaus
- näyttää
- osoittivat
- Yksinkertainen
- yksinkertaistaminen
- koska
- Koko
- Jalkapallo
- ratkaisu
- Ratkaisumme
- SOLVE
- jonkin verran
- jotain
- puhuminen
- asiantuntija
- erityinen
- erityisesti
- määritelty
- puhuttu
- Urheilu
- vakaa
- itsenäinen
- Alkaa
- alkoi
- huippu-
- pysyä
- Vaihe
- Askeleet
- pysähtynyt
- Levytila
- tallentamiseksi
- jono
- rakenne
- studio
- niin
- tuki
- varma
- järjestelmät
- taulukko
- ottaa
- vie
- Tehtävä
- tehtävät
- joukkue-
- teknologia
- malleja
- Tekstiluokitus
- että
- -
- heidän
- sitten
- Nämä
- tätä
- ajatus
- ajatusjohtajuus
- Kautta
- aika
- Aikasarja
- TM
- että
- Aiheet
- Juna
- koulutettu
- koulutus
- siirtää
- Muuttaa
- Muutos
- muuntaja
- muuntajat
- Matkustaminen
- Biljoona
- totta
- Totuus
- yrittää
- tweets
- kaksi
- tyyppi
- ui
- varten
- ymmärtää
- yliopisto
- ladattu
- us
- käyttää
- käytetty
- käyttämällä
- hyödyllisyys
- lajike
- valtava
- versio
- hyvin
- Video
- virginia
- visio
- vs
- läpikäynti
- haluta
- oli
- Tapa..
- we
- verkko
- verkkopalvelut
- HYVIN
- olivat
- kun
- onko
- vaikka
- jonka
- leveä
- tulee
- with
- ilman
- sanoja
- työskenteli
- toimii
- kirjoittaminen
- vuosi
- vuotta
- Voit
- nuoremmat
- Sinun
- zephyrnet
- nolla-
- Zero-Shot Learning