Tässä viestissä keskustelemme koneoppimisratkaisusta (ML) monimutkaisiin kuvahakuihin käyttämällä Amazon Kendra ja Amazonin tunnistus. Erityisesti käytämme arkkitehtuurikaavioiden esimerkkiä monimutkaisille kuville, koska niissä on useita erilaisia visuaalisia kuvakkeita ja tekstiä.
Internetin avulla kuvan etsiminen ja hankkiminen ei ole koskaan ollut helpompaa. Useimmiten voit paikantaa haluamasi kuvat tarkasti, esimerkiksi etsiessäsi seuraavaa lomakohdettasi. Yksinkertaiset haut onnistuvat usein, koska niihin ei liity monia ominaisuuksia. Haluttujen kuvan ominaisuuksien lisäksi hakukriteerit eivät yleensä vaadi merkittäviä yksityiskohtia vaaditun tuloksen löytämiseksi. Jos käyttäjä esimerkiksi yritti etsiä tietyntyyppistä sinistä pulloa, useiden erityyppisten sinisten pullojen tulokset näytetään. Haluttua sinistä pulloa ei kuitenkaan välttämättä löydy helposti yleisten hakutermien vuoksi.
Myös hakukontekstin tulkitseminen yksinkertaistaa tuloksia. Kun käyttäjillä on haluttu kuva mielessään, he yrittävät kehystää sen tekstipohjaiseksi hakukyselyksi. Samanlaisia aiheita koskevien hakukyselyiden välisten vivahteiden ymmärtäminen on tärkeää, jotta saadaan osuvia tuloksia ja jotta käyttäjältä saataisiin mahdollisimman vähän vaivaa tulosten manuaaliseen lajitteluun. Esimerkiksi hakulauseke "Koiran omistaja pelaa haulla" hakee kuvatuloksia, joissa koiran omistaja pelaa haulla koiran kanssa. Todelliset tulokset voivat kuitenkin keskittyä siihen, että koira noutaa esineen ilman, että omistajan osallistuminen näkyy. Käyttäjien on ehkä suodatettava manuaalisesti sopimattomat kuvatulokset tehdessään monimutkaisia hakuja.
Monimutkaisiin hakuihin liittyvien ongelmien ratkaisemiseksi tässä viestissä kuvataan yksityiskohtaisesti, kuinka voit luoda hakukoneen, joka pystyy etsimään monimutkaisia kuvia integroimalla Amazon Kendra ja Amazon Rekognition. Amazon Kendra on älykäs hakupalvelu, joka perustuu ML:ään, ja Amazon Rekognition on ML-palvelu, joka voi tunnistaa kohteet, ihmiset, tekstit, kohtaukset ja toiminnot kuvista tai videoista.
Mitkä kuvat voivat olla liian monimutkaisia haettavaksi? Eräs esimerkki on arkkitehtuurikaaviot, joihin voidaan liittää useita hakuehtoja riippuen käyttötapauksen monimutkaisuudesta ja tarvittavien teknisten palveluiden määrästä, mikä aiheuttaa käyttäjälle huomattavan manuaalisen hakutyön. Jos käyttäjät esimerkiksi haluavat löytää arkkitehtuuriratkaisun asiakkaan vahvistusta varten, he käyttävät yleensä hakukyselyä, joka on samankaltainen kuin "Arkkitehtuurikaaviot asiakkaan vahvistamiseen". Yleiset hakukyselyt kattaisivat kuitenkin laajan valikoiman palveluita ja eri sisällön luontipäiviä. Käyttäjien tulee valita manuaalisesti sopivat arkkitehtuuriehdokkaat tiettyjen palvelujen perusteella ja harkita arkkitehtuurin suunnitteluvalintojen merkitystä sisällön luomispäivän ja kyselyn päivämäärän mukaan.
Seuraavassa kuvassa on esimerkkikaavio, joka havainnollistaa organisoitua purkaus-, muunnos- ja latausarkkitehtuuriratkaisua (ETL).
Käyttäjille, jotka eivät tunne pilvialustan palvelutarjontaa, he voivat tarjota erilaisia yleisiä tapoja ja kuvauksia haettaessa tällaista kaaviota. Seuraavassa on esimerkkejä siitä, kuinka sitä voidaan etsiä:
- "Orchestrate ETL workflow"
- "Miten automatisoida joukkotietojen käsittely"
- "Menetelmät putkiston luomiseksi datan muuntamista varten"
Ratkaisun yleiskatsaus
Ohjaamme sinut läpi seuraavat vaiheet ratkaisun toteuttamiseksi:
- Juna an Amazon Rekognition mukautetut etiketit malli tunnistaa symbolit arkkitehtuurikaavioissa.
- Sisällytä Amazon Rekognition -tekstintunnistus arkkitehtuurikaavioiden symbolien vahvistamiseen.
- Käytä Amazon Rekognition -ohjelmaa verkko-indeksointirobotin sisällä luodaksesi arkiston hakua varten
- Käytä Amazon Kendraa hakeaksesi arkistosta.
Jotta käyttäjät saisivat helposti suuren arkiston relevantteja tuloksia, ratkaisun tulisi tarjota automaattinen tapa etsiä luotetuista lähteistä. Arkkitehtuurikaavioita esimerkkinä käyttäen ratkaisun tulee etsiä viitelinkkejä ja teknisiä asiakirjoja arkkitehtuurikaavioita varten ja tunnistaa olemassa olevat palvelut. Avainsanojen, kuten käyttötapausten ja toimialan vertikaalien, tunnistaminen näistä lähteistä mahdollistaa myös tiedon keräämisen ja osuvampien hakutulosten näyttämisen käyttäjälle.
Kun otetaan huomioon tavoite, kuinka osuvia kaavioita tulisi etsiä, kuvahakuratkaisun on täytettävä kolme kriteeriä:
- Ota käyttöön yksinkertainen avainsanahaku
- Tulkitse hakukyselyt käyttäjien antamien käyttötapausten perusteella
- Lajittele ja järjestele hakutuloksia
Avainsanahaku tarkoittaa yksinkertaisesti hakua "Amazon Rekognition" ja arkkitehtuurikaavioita siitä, miten palvelua käytetään eri käyttötapauksissa. Vaihtoehtoisesti hakutermit voidaan linkittää epäsuorasti kaavioon arkkitehtuuriin mahdollisesti liittyvien käyttötapausten ja toimialojen kautta. Esimerkiksi haku termillä "ETL-putkilinjan järjestäminen" palauttaa tulokset arkkitehtuurikaavioista, jotka on rakennettu AWS-liima ja AWS-vaihetoiminnot. Hakutulosten lajittelu ja järjestys määritteiden, kuten luomispäivämäärän, perusteella varmistaisi, että arkkitehtuurikaaviot ovat edelleen relevantteja palvelupäivityksistä ja -julkaisuista huolimatta. Seuraavassa kuvassa on kuvahakuratkaisun arkkitehtuurikaavio.
Kuten edellisestä kaaviosta ja ratkaisun yleiskatsauksesta käy ilmi, ratkaisussa on kaksi päänäkökohtaa. Ensimmäisen toiminnon suorittaa Amazon Rekognition, joka voi tunnistaa kohteet, ihmiset, tekstit, kohtaukset ja toiminnot kuvista tai videoista. Se koostuu esiopetetuista malleista, joita voidaan soveltaa kuvien ja videoiden analysointiin mittakaavassa. Mukautetun tarraominaisuuden avulla Amazon Rekognition antaa sinun räätälöidä ML-palvelun yrityksesi erityistarpeisiin merkitsemällä kuvat, jotka on koottu hankinnasta arkkitehtuurikaavioiden kautta luotettaviin viitelinkkeihin ja teknisiin asiakirjoihin. Lataamalla pienen sarjan harjoituskuvia Amazon Rekognition lataa ja tarkastaa harjoitustiedot automaattisesti, valitsee oikeat ML-algoritmit, kouluttaa mallin ja tarjoaa mallin suorituskykymittareita. Siksi käyttäjät, joilla ei ole ML-asiantuntemusta, voivat nauttia mukautetun tarramallin eduista API-kutsun kautta, koska huomattava määrä yleiskustannuksia vähenee. Ratkaisu käyttää Amazon Rekognition Custom Labels -tunnisteita tunnistamaan AWS-palvelulogot arkkitehtuurikaavioissa, jotta arkkitehtuurikaaviot ovat haettavissa palvelunimien kanssa. Mallintamisen jälkeen kunkin arkkitehtuurikaaviokuvan havaitut palvelut ja sen metatiedot, kuten URL-osoitteen alkuperä ja kuvan otsikko, indeksoidaan tulevaa hakua varten ja tallennetaan Amazon DynamoDB, täysin hallittu, palvelimeton, avainarvoinen NoSQL-tietokanta, joka on suunniteltu suorittamaan korkean suorituskyvyn sovelluksia.
Toista näkökohtaa tukee Amazon Kendra, älykäs yrityshakupalvelu, joka perustuu ML:ään ja jonka avulla voit etsiä eri sisältövarastoista. Amazon Kendralla voit etsiä tuloksia, kuten kuvia tai asiakirjoja, jotka on indeksoitu. Nämä tulokset voidaan myös tallentaa eri arkistoihin, koska hakupalvelu käyttää sisäänrakennettuja liittimiä. Hakuihin voidaan käyttää avainsanoja, lauseita ja kuvauksia, jolloin voit etsiä tarkasti tiettyyn käyttötapaukseen liittyviä kaavioita. Siksi voit helposti rakentaa älykkään hakupalvelun pienin kehityskustannuksin.
Ymmärtämällä ongelman ja ratkaisun seuraavissa osissa perehdytään siihen, kuinka tietojen hankinta automatisoidaan indeksoimalla arkkitehtuurikaavioita uskottavista lähteistä. Tämän jälkeen käymme läpi mukautetun etiketin ML-mallin luomisen täysin hallitulla palvelulla. Lopuksi käsittelemme älykkäällä hakupalvelulla tapahtuvan tiedon keräämisen ML:n avulla.
Luo Amazon Rekognition -malli mukautetuilla tarroilla
Ennen kuin hankimme arkkitehtuurikaavioita, tarvitsemme työkalun arvioimaan, voidaanko kuva tunnistaa arkkitehtuurikaavioksi. Amazon Rekognition Custom Labels tarjoaa virtaviivaistetun prosessin kuvantunnistusmallin luomiseen, joka tunnistaa kuvissa olevat kohteet ja kohtaukset, jotka ovat erityisiä liiketoiminnan tarpeita. Tässä tapauksessa käytämme Amazon Rekognition Custom Labels -tunnisteita tunnistamaan AWS-palvelukuvakkeet, minkä jälkeen kuvat indeksoidaan palvelujen kanssa osuvamman haun tekemiseksi Amazon Kendran avulla. Tämä malli ei tee eroa siitä, onko kuva arkkitehtuurikaavio vai ei; se yksinkertaisesti tunnistaa palvelukuvakkeet, jos sellaisia on. Sellaisenaan voi olla tapauksia, joissa kuvia, jotka eivät ole arkkitehtuurikaavioita, päätyvät hakutuloksiin. Tällaiset tulokset ovat kuitenkin minimaalisia.
Seuraava kuva näyttää vaiheet, jotka tämä ratkaisu suorittaa Amazon Rekognition Custom Labels -mallin luomiseksi.
Tämä prosessi sisältää tietojoukkojen lataamisen, luettelotiedoston luomisen, joka viittaa ladattuihin tietojoukkoihin, minkä jälkeen tämä luettelotiedosto ladataan Amazon Rekognitioniin. Python-komentosarjaa käytetään auttamaan tietojoukkojen lataamisessa ja luettelotiedoston luomisessa. Kun manifestitiedosto on luotu onnistuneesti, se ladataan Amazon Rekognitioniin mallin koulutusprosessin aloittamiseksi. Lisätietoja Python-skriptistä ja sen suorittamisesta on kohdassa GitHub repo.
Harjoittele mallia Amazon Rekognition -projektissa valitsemalla Junamalli, valitse koulutettava projekti, lisää sitten asiaankuuluvat tunnisteet ja valitse Junamalli. Katso ohjeet Amazon Rekognition Custom Labels -projektin käynnistämisestä saatavilla olevista artikkeleista video tutorials. Mallin harjoitteleminen tällä tietojoukolla voi kestää jopa 8 tuntia.
Kun koulutus on suoritettu, voit valita koulutetun mallin nähdäksesi arviointitulokset. Lisätietoja eri mittareista, kuten tarkkuudesta, muistamisesta ja F1:stä, on kohdassa Mittarit mallin arvioimiseksi. Käytä mallia siirtymällä kohtaan Käytä mallia -välilehti, jätä päättelyyksiköiden lukumääräksi 1 ja käynnistä malli. Sitten voimme käyttää an AWS Lambda funktio lähettää kuvia mallille base64:ssä, ja malli palauttaa luettelon tunnisteista ja luottamuspisteistä.
Kun Amazon Rekognition -mallia on koulutettu onnistuneesti Amazon Rekognition Custom Labels -tunnisteilla, voimme käyttää sitä tunnistamaan palvelukuvakkeet indeksoiduista arkkitehtuurikaavioista. Palvelujen tunnistamisen tarkkuuden lisäämiseksi arkkitehtuurikaaviossa käytämme toista Amazon Rekognition -ominaisuutta nimeltä tekstin tunnistus. Tämän ominaisuuden käyttämiseksi välitämme saman kuvan base64:ssä, ja Amazon Rekognition palauttaa luettelon kuvassa tunnistetusta tekstistä. Seuraavissa kuvissa vertaamme alkuperäistä kuvaa ja miltä se näyttää kuvan palveluiden tunnistamisen jälkeen. Ensimmäinen kuva näyttää alkuperäisen kuvan.
Seuraavassa kuvassa on alkuperäinen kuva havaituilla palveluilla.
Skaalautuvuuden varmistamiseksi käytämme Lambda-funktiota, joka paljastetaan käyttämällä luodun API-päätepisteen kautta Amazon API -yhdyskäytävä. Lambda on palvelimeton, tapahtumapohjainen laskentapalvelu, jonka avulla voit suorittaa koodia käytännöllisesti katsoen minkä tahansa tyyppisille sovelluksille tai taustapalveluille ilman palvelimien hallintaa tai hallintaa. Lambda-funktion käyttäminen poistaa yleisen huolen skaalaamisesta, kun API-päätepisteeseen tehdään suuria määriä pyyntöjä. Lambda suorittaa automaattisesti toiminnon tietylle API-kutsulle, joka pysähtyy, kun kutsu on valmis, mikä vähentää käyttäjälle aiheutuvia kustannuksia. Koska pyyntö ohjattaisiin Amazon Rekognition -päätepisteeseen, pelkkä Lambda-funktion skaalautuminen ei riitä. Jotta Amazon Rekognition -päätepiste olisi skaalautuva, voit suurentaa päätepisteen päättelyyksikköä. Lisätietoja päättelyyksikön määrittämisestä on kohdassa Päätelmäyksiköt.
Seuraavassa on koodinpätkä Lambda-toiminnosta kuvantunnistusprosessia varten:
Lambda-funktion luomisen jälkeen voimme paljastaa sen API-yhdyskäytävän avulla API:ksi. Ohjeet API:n luomiseen Lambda-välityspalvelimen integroinnilla on kohdassa Opetusohjelma: Luo Hello World REST API Lambda-välityspalvelinintegraatiolla.
Indeksoi arkkitehtuurikaaviot
Jotta hakutoiminto toimisi järkevästi, tarvitsemme arkkitehtuurin kaavioiden arkiston. Näiden kaavioiden on kuitenkin oltava peräisin uskottavista lähteistä, kuten AWS blogi ja AWS-ohjeistus. Tietolähteiden uskottavuuden varmistaminen varmistaa, että käyttötapausten taustalla oleva toteutus ja tarkoitus ovat tarkkoja ja hyvin tarkastettuja. Seuraava askel on määrittää indeksointirobotti, joka voi auttaa keräämään monia arkkitehtuurikaavioita syötettäväksi arkistoon. Loimme indeksointirobotin arkkitehtuurikaavioiden ja tietojen, kuten toteutuksen kuvauksen, poimimiseksi asiaankuuluvista lähteistä. On olemassa useita tapoja, joilla voit rakentaa tällaisen mekanismin; tässä esimerkissä käytämme ohjelmaa, joka toimii Amazonin elastinen laskentapilvi (Amazon EC2). Ohjelma hankkii ensin linkit blogikirjoituksiin AWS-blogisovellusliittymästä. API:lta palautettu vastaus sisältää tiedot julkaisusta, kuten otsikon, URL-osoitteen, päivämäärän ja linkit viestistä löytyneisiin kuviin.
Seuraavassa on koodinpätkä JavaScript-funktiosta verkkoindeksointiprosessia varten:
Tämän mekanismin avulla voimme helposti indeksoida satoja ja tuhansia kuvia eri blogeista. Tarvitsemme kuitenkin suodattimen, joka hyväksyy vain kuvat, jotka sisältävät arkkitehtuurikaavion sisällön, jotka meidän tapauksessamme ovat AWS-palveluiden kuvakkeita, suodattamaan pois kuvat, jotka eivät ole arkkitehtuurikaavioita.
Tämä on Amazon Rekognition -mallimme tarkoitus. Kaaviot käyvät läpi kuvantunnistusprosessin, joka tunnistaa palvelukuvakkeet ja määrittää, voidaanko sitä pitää kelvollisena arkkitehtuurikaaviona.
Seuraava on koodinpätkä toiminnosta, joka lähettää kuvia Amazon Rekognition -malliin:
Kuvantunnistustarkistuksen läpäisemisen jälkeen Amazon Rekognition -mallista palautetut tulokset ja siihen liittyvät tiedot niputetaan omiin metatietoihinsa. Metatiedot tallennetaan sitten DynamoDB-taulukkoon, jossa tietueita käytettäisiin Amazon Kendraan syöttämiseen.
Seuraava on koodinpätkä funktiosta, joka tallentaa kaavion metatiedot DynamoDB:hen:
Siirrä metatiedot Amazon Kendraan
Kun arkkitehtuurikaaviot käyvät läpi kuvantunnistusprosessin ja metatiedot on tallennettu DynamoDB:hen, tarvitsemme tavan, jolla kaaviot ovat haettavissa samalla kun viitataan metatietojen sisältöön. Lähestymistapa tähän on, että sinulla on hakukone, joka voidaan integroida sovellukseen ja joka pystyy käsittelemään suuren määrän hakukyselyjä. Siksi käytämme Amazon Kendraa, älykästä yrityshakupalvelua.
Käytämme Amazon Kendraa ratkaisun interaktiivisena komponenttina sen tehokkaiden hakuominaisuuksien vuoksi, erityisesti luonnollisen kielen käytön yhteydessä. Tämä lisää yksinkertaisuutta, kun käyttäjät etsivät kaavioita, jotka ovat lähimpänä heidän etsimäänsä. Amazon Kendra tarjoaa useita tietolähteiden liittimiä sisällön nielemiseen ja yhdistämiseen. Tämä ratkaisu käyttää mukautettua liitintä arkkitehtuurikaavioiden tietojen syöttämiseen DynamoDB:stä. Voit määrittää tietolähteen Amazon Kendra -hakemistoon käyttämällä olemassa olevaa hakemistoa tai luo uusi hakemisto.
Indeksoidut kaaviot on sitten sisällytettävä luotuun Amazon Kendra -hakemistoon. Seuraava kuva näyttää kaavioiden indeksoinnin.
Ensin DynamoDB:hen lisätyt kaaviot luovat Put-tapahtuman kautta Amazon DynamoDB-virrat. Tapahtuma laukaisee Lambda-toiminnon, joka toimii mukautettuna tietolähteenä Amazon Kendralle ja lataa kaaviot indeksiin. Katso ohjeet DynamoDB Streams -laukaisimen luomisesta Lambda-funktiolle Opetusohjelma: AWS Lambdan käyttäminen Amazon DynamoDB Streamsin kanssa
Kun olemme integroineet Lambda-funktion DynamoDB:hen, meidän on syötettävä funktiolle lähetettyjen kaavioiden tietueet Amazon Kendra -hakemistoon. Hakemisto hyväksyy tietoja erityyppisistä lähteistä, ja kohteiden syöttäminen hakemistoon Lambda-funktiosta tarkoittaa, että sen on käytettävä mukautettua tietolähdekonfiguraatiota. Ohjeita mukautetun tietolähteen luomiseen hakemistollesi on kohdassa Mukautettu tietolähteen liitin.
Seuraavassa on koodinpätkä Lambda-funktiosta, jolla kaavio voidaan indeksoida mukautetulla tavalla:
Tärkeä tekijä, joka mahdollistaa kaavioiden haun, on asiakirjassa oleva Blob-avain. Tätä Amazon Kendra tutkii, kun käyttäjät syöttävät hakusyötteen. Tässä esimerkkikoodissa Blob-avain sisältää tiivistetyn version kaavion käyttötapauksesta, joka on ketjutettu kuvantunnistusprosessista havaittuihin tietoihin. Tämän avulla käyttäjät voivat etsiä arkkitehtuurikaavioita käyttötapausten, kuten "Petoksen havaitseminen" tai palvelun nimien, kuten "Amazon Kendra" perusteella.
Havainnollistaakseen esimerkkiä siitä, miltä Blob-avain näyttää, seuraava katkelma viittaa alkuperäiseen ETL-kaavioon, jonka esittelimme aiemmin tässä viestissä. Se sisältää kuvauksen kaaviosta, joka saatiin indeksoinnin yhteydessä, sekä Amazon Rekognition -mallin tunnistamat palvelut.
Hae Amazon Kendralla
Kun olemme koonneet kaikki komponentit yhteen, "reaaliaikaisen analytiikan" esimerkkihaun tulokset näyttävät seuraavalta kuvakaappaukselta.
Tätä käyttötapausta etsimällä se tuottaa erilaisia arkkitehtuurikaavioita. Käyttäjille tarjotaan nämä erilaiset menetelmät tietylle työmäärälle, jota he yrittävät toteuttaa.
Puhdistaa
Suorita tämän osion vaiheet puhdistaaksesi osana tätä viestiä luomasi resurssit:
- Poista API:
- Valitse API Gateway -konsolissa poistettava API.
- On Toiminnot valikosta, valitse Poista.
- Valita Poista vahvistaa.
- Poista DynamoDB-taulukko:
- Valitse DynamoDB-konsolissa taulukot navigointipaneelissa.
- Valitse luomasi taulukko ja valitse Poista.
- Kirjoita poista, kun sinua pyydetään vahvistamaan.
- Valita Poista taulukko vahvistaa.
- Poista Amazon Kendra -indeksi:
- Valitse Amazon Kendra -konsolista Indexes navigointipaneelissa.
- Valitse luomasi hakemisto ja valitse Poista
- Anna syy, kun sinua pyydetään vahvistamaan.
- Valita Poista vahvistaa.
- Poista Amazon Rekognition -projekti:
- Valitse Amazon Rekognition -konsolissa Käytä mukautettuja tarroja navigointiruudussa ja valitse sitten Projektit.
- Valitse luomasi projekti ja valitse Poista.
- Kirjoita Delete, kun sinua pyydetään vahvistamaan.
- Valita Poista liittyvät tietojoukot ja mallit vahvistaa.
- Poista lambda-toiminto:
- Valitse Lambda-konsolista poistettava toiminto.
- On Toiminnot valikosta, valitse Poista.
- Kirjoita Delete, kun sinua pyydetään vahvistamaan.
- Valita Poista vahvistaa.
Yhteenveto
Tässä viestissä näytimme esimerkin siitä, kuinka voit etsiä älykkäästi tietoa kuvista. Tämä sisältää kuvien suodattimena toimivan Amazon Rekognition ML -mallin koulutusprosessin, kuvien indeksoinnin automatisoinnin, joka varmistaa uskottavuuden ja tehokkuuden, sekä kaavioiden kyselyn liittämällä mukautetun tietolähteen, joka mahdollistaa kohteiden indeksoinnin joustavammin. . Jos haluat sukeltaa syvemmälle koodien käyttöönottoon, katso GitHub repo.
Nyt kun ymmärrät, kuinka tarjota keskitetyn hakuvaraston selkäranka monimutkaisia hakuja varten, yritä luoda oma kuvahakukone. Lisätietoja ydinominaisuuksista on kohdassa Amazon Rekognition Custom Labels -tarrojen käytön aloittaminen, Sisällön moderointi, ja Amazon Kendra -kehittäjäopas. Jos olet uusi Amazon Rekognition Custom Labelsin käyttäjä, kokeile sitä käyttämällä Free Tier -tasoamme, joka kestää 3 kuukautta ja sisältää 10 ilmaista koulutustuntia kuukaudessa ja 4 ilmaista päättelytuntia kuukaudessa.
Tietoja Tekijät
Ryan See on ratkaisuarkkitehti AWS:ssä. Hän työskentelee Singaporessa ja työskentelee asiakkaiden kanssa rakentaakseen ratkaisuja heidän liiketoimintaongelmiinsa sekä räätälöidessään teknisen vision, joka auttaa ajamaan skaalautuvampaa ja tehokkaampaa työtaakkaa pilvessä.
James Ong Jia Xiang on AWS:n asiakasratkaisupäällikkö. Hän on erikoistunut Migration Acceleration Program (MAP) -ohjelmaan, jossa hän auttaa asiakkaita ja kumppaneita toteuttamaan menestyksekkäästi laajamittaisia migraatio-ohjelmia AWS:ään. Hän työskentelee Singaporessa ja keskittyy myös modernisointi- ja yritysmuutosaloitteisiin APJ:ssä skaalautuvien mekanismien avulla. Vapaa-ajallaan hän nauttii luontoaktiviteeteista, kuten vaelluksesta ja surffauksesta.
Hang Duong on ratkaisuarkkitehti AWS:ssä. Hän sijaitsee Hanoissa, Vietnamissa, ja hän keskittyy edistämään pilvipalveluiden käyttöönottoa koko maassaan tarjoamalla asiakkailleen erittäin saatavilla olevia, turvallisia ja skaalautuvia pilviratkaisuja. Lisäksi hän pitää rakentamisesta ja on mukana erilaisissa prototyyppiprojekteissa. Hän on myös intohimoinen koneoppimisen alasta.
Trinh Vo on ratkaisuarkkitehti AWS:ssä Ho Chi Minh Cityssä, Vietnamissa. Hän keskittyy työskentelyyn asiakkaiden kanssa eri toimialoilta ja kumppaneilta Vietnamissa luodakseen AWS-alustan arkkitehtuureja ja esittelyjä, jotka toimivat taaksepäin asiakkaan liiketoiminnan tarpeista ja nopeuttavat sopivan AWS-teknologian käyttöönottoa. Hän nauttii luolistamisesta ja vaelluksesta vapaa-ajallaan.
Wai Kin Tham on pilviarkkitehti AWS:ssä. Singaporessa sijaitseva hänen päivätyöhönsä kuuluu asiakkaiden auttaminen siirtymään pilveen ja modernisoimaan teknologiapinoaan pilvessä. Vapaa-ajallaan hän käy Muay Thain ja Brazilian Jiu Jitsun tunneilla.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- PlatoAiStream. Web3 Data Intelligence. Tietoa laajennettu. Pääsy tästä.
- Tulevaisuuden lyöminen Adryenn Ashley. Pääsy tästä.
- Osta ja myy osakkeita PRE-IPO-yhtiöissä PREIPO®:lla. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/build-an-image-search-engine-with-amazon-kendra-and-amazon-rekognition/
- :on
- :On
- :ei
- :missä
- $ YLÖS
- 1
- 10
- 100
- 12
- 200
- 40
- 7
- 8
- a
- Meistä
- kiihdyttää
- hyväksyy
- Mukaan
- tarkkuus
- tarkka
- tarkasti
- Saavuttaa
- poikki
- toiminta
- säädökset
- lisätä
- lisä-
- Lisäksi
- osoite
- Lisää
- Hyväksyminen
- Jälkeen
- Tuki
- algoritmit
- Kaikki
- sallia
- mahdollistaa
- Myös
- Amazon
- Amazon Athena
- Amazon EC2
- Amazon Kendra
- Amazonin tunnistus
- määrä
- an
- analysoida
- ja
- Toinen
- Kaikki
- api
- Hakemus
- sovellukset
- sovellettu
- lähestymistapa
- sopiva
- arkkitehtuurin
- arkkitehtuuri
- OVAT
- Ryhmä
- AS
- ulkomuoto
- näkökohdat
- liittyvä
- At
- attribuutteja
- automatisoida
- Automatisoitu
- automaattisesti
- Automaatio
- saatavissa
- odottaa
- AWS
- AWS-liima
- AWS Lambda
- AWS-vaihetoiminnot
- Axios
- Selkäranka
- taustaosa
- perustua
- BE
- koska
- ollut
- alkaa
- ovat
- Hyödyt
- välillä
- Jälkeen
- Blogi
- Blogitekstit
- blogit
- sininen
- elin
- Brasilialainen
- Tauko
- selain
- puskuri
- rakentaa
- Rakentaminen
- rakennettu
- sisäänrakennettu
- niputettu
- liiketoiminta
- by
- soittaa
- nimeltään
- Puhelut
- CAN
- ehdokkaat
- kyvyt
- kykenee
- tapaus
- tapauksissa
- luettelo
- keskitetty
- ominaisuudet
- tarkastaa
- Tarkastukset
- valintoja
- Valita
- Kaupunki
- luokat
- pilvi
- pilvien hyväksyminen
- Pilvialusta
- koodi
- Yhteinen
- verrata
- täydellinen
- Valmistunut
- monimutkainen
- monimutkaisuus
- komponentti
- osat
- Laskea
- Koskea
- luottamus
- luottavainen
- Konfigurointi
- Vahvistaa
- vahvistus
- Kytkeminen
- Harkita
- harkittu
- Console
- sisältää
- sisältää
- pitoisuus
- sisällön luominen
- sisältö
- tausta
- Ydin
- Hinta
- kustannukset
- voisi
- maa
- kattaa
- veneet
- tela
- luoda
- luotu
- Luominen
- luominen
- Uskottavuus
- uskottava
- kriteerit
- asiakassuhde
- asiakas
- Asiakasratkaisut
- Asiakkaat
- tiedot
- tietokanta
- aineistot
- Päivämäärä
- Päivämäärät
- päivä
- tekemisissä
- syvempää
- toimittaa
- Riippuen
- kuvaus
- Malli
- suunniteltu
- haluttu
- määränpää
- yksityiskohta
- yksityiskohdat
- havaittu
- Detection
- määrittää
- Kehittäjä
- Kehitys
- kaaviot
- eri
- eriyttää
- pohtia
- näyttämällä
- asiakirja
- dokumentointi
- asiakirjat
- ei
- Koira
- ajo
- kaksi
- e
- kukin
- Aikaisemmin
- helpompaa
- helposti
- tehokkuus
- tehokas
- vaivaa
- elementti
- eliminoi
- työllistää
- mahdollistaa
- loppu
- päätepiste
- Moottori
- nauttia
- varmistaa
- varmistaa
- yritys
- virhe
- perustamisesta
- arvioida
- arviointi
- tapahtuma
- esimerkki
- Esimerkit
- olemassa
- asiantuntemus
- vientiä
- avoin
- uute
- f1
- tekijä
- tuttu
- Ominaisuus
- Ominaisuudet
- ala
- Kuva
- luvut
- filee
- suodattaa
- Löytää
- Etunimi
- joustava
- virtaus
- Keskittää
- keskittyy
- seurannut
- jälkeen
- varten
- löytyi
- FRAME
- Ilmainen
- alkaen
- täysin
- toiminto
- tehtävät
- tulevaisuutta
- peli
- portti
- kerätä
- syntyy
- tuottaa
- saada
- Global
- Go
- kahva
- Olla
- ottaa
- he
- otsikot
- auttaa
- auttaa
- auttaa
- hänen
- korkea suorituskyky
- suurin
- erittäin
- hänen
- Loma
- TUNTIA
- Miten
- Miten
- Kuitenkin
- HTML
- http
- HTTPS
- Sadat
- i
- ID
- tunnistettu
- tunnistaa
- tunnistaa
- tunnistaminen
- if
- havainnollistaa
- kuva
- Kuvan tunnistus
- Kuvahaku
- kuvien
- toteuttaa
- täytäntöönpano
- tuoda
- tärkeä
- in
- sisältää
- Kasvaa
- indeksi
- epäsuorasti
- henkilökohtainen
- teollisuuden
- teollisuus
- tiedot
- ensimmäinen
- aloitteita
- panos
- sen sijaan
- ohjeet
- yhdistää
- integroitu
- Integrointi
- integraatio
- Älykäs
- vuorovaikutteinen
- Internet
- tulee
- käyttöön
- osallistuva
- osallistuminen
- IT
- kohdetta
- SEN
- JavaScript
- Job
- jpg
- json
- avain
- Sukulaiset
- Merkki
- merkinnät
- tarrat
- Kieli
- suuri
- laaja
- kerros
- oppiminen
- vähiten
- jättää
- Pituus
- antaa
- Lets
- pitää
- LINK
- liittyvät
- linkit
- Lista
- kuormitus
- kuormat
- katso
- näyttää joltakin
- näköinen
- ulkonäkö
- kone
- koneoppiminen
- tehty
- tärkein
- onnistui
- johtaja
- toimitusjohtaja
- tapa
- manuaalinen
- käsin
- monet
- kartta
- Saattaa..
- välineet
- mekanismi
- mekanismit
- Metadata
- menetelmät
- Metrics
- vaeltaa
- muutto
- mielessä
- minimi
- ML
- malli
- mallit
- nykyaikaistaa
- Kuukausi
- kk
- lisää
- eniten
- moninkertainen
- täytyy
- nimi
- nimet
- Luonnollinen
- luonto
- Navigoida
- suunnistus
- Tarve
- tarpeet
- ei ikinä
- Uusi
- seuraava
- numero
- useat
- objekti
- tavoite
- esineet
- saatu
- saada
- hankkii
- of
- tarjoukset
- Tarjoukset
- usein
- on
- ONE
- vain
- or
- orkestroinut
- tilata
- alkuperäinen
- OS
- meidän
- ulos
- yleiskatsaus
- oma
- omistaja
- sivulla
- lasi
- osa
- erityinen
- erityisesti
- kumppani
- kulkea
- Ohimenevä
- intohimoinen
- Kuvio
- Ihmiset
- suorituskyky
- lausekkeet
- kuva
- putki
- foorumi
- Platon
- Platonin tietotieto
- PlatonData
- pelaa
- soittaa
- Kirje
- Viestejä
- powered
- voimakas
- Tarkkuus
- esittää
- Ongelma
- ongelmia
- prosessi
- Ohjelma
- Ohjelmat
- projekti
- hankkeet
- lupaus
- prototyyppien
- toimittaa
- mikäli
- tarjoaa
- tarjoamalla
- valtuutettu
- julkinen
- tarkoitus
- tarkoituksiin
- laittaa
- puts
- Python
- kyselyt
- alue
- reason
- tunnustaminen
- tunnistaa
- ennätys
- asiakirjat
- Vähentynyt
- vähentämällä
- viittaukset
- alue
- liittyvä
- Tiedotteet
- Merkitys
- merkityksellinen
- poistaa
- poistettu
- säilytyspaikka
- pyyntö
- pyynnöt
- edellyttää
- tarvitaan
- Esittelymateriaalit
- vastaus
- REST
- johtua
- tulokset
- säilyttää
- palata
- Tuotto
- RIVI
- ajaa
- s
- sama
- skaalautuvuus
- skaalautuva
- Asteikko
- skaalaus
- kohtaukset
- Haku
- hakukone
- haku
- Toinen
- Osa
- osiot
- turvallinen
- etsii
- valittu
- lähettää
- lähettää
- serverless
- servers
- palvelu
- Palvelut
- setti
- hän
- shouldnt
- esitetty
- Näytä
- merkittävä
- samankaltainen
- Yksinkertainen
- yksinkertaisuus
- yksinkertaisesti
- Singapore
- Koko
- pieni
- ratkaisu
- Ratkaisumme
- SOLVE
- jonkin verran
- lähde
- Lähteet
- Sourcing
- jänneväli
- erikoistunut
- erityinen
- erityisesti
- huolimatta
- pino
- Alkaa
- alkoi
- Aloita
- Vaihe
- Askeleet
- Yhä
- Lopettaa
- tallennettu
- varastot
- virtaviivainen
- puroihin
- myöhempi
- onnistunut
- Onnistuneesti
- niin
- riittävä
- sopiva
- Tuetut
- taulukko
- ottaa
- vie
- Tekninen
- Elektroniikka
- ehdot
- thaimaalainen
- että
- -
- tiedot
- heidän
- sitten
- Siellä.
- siten
- siksi
- Nämä
- ne
- tätä
- ne
- tuhansia
- kolmella
- Kautta
- porras
- aika
- Otsikko
- että
- yhdessä
- liian
- työkalu
- Aiheet
- Juna
- koulutettu
- koulutus
- junat
- Muuttaa
- Muutos
- muuttamassa
- kokeillut
- laukaista
- totta
- luotettu
- kaksi
- tyyppi
- tyypit
- tyypillisesti
- kykenemätön
- taustalla oleva
- ymmärtää
- ymmärtäminen
- yksikkö
- yksiköt
- Päivitykset
- ladattu
- Ladataan
- päälle
- URL
- käyttää
- käyttölaukku
- käytetty
- käyttäjä
- Käyttäjät
- käyttämällä
- VAHVISTA
- arvo
- eri
- Vahvistus
- versio
- pystysuunnassa
- seulottu
- kautta
- Videoita
- Vietnam
- Näytä
- käytännössä
- visio
- volyymit
- haluta
- oli
- Tapa..
- tavalla
- we
- verkko
- HYVIN
- olivat
- Mitä
- kun
- onko
- joka
- vaikka
- KUKA
- leveä
- Laaja valikoima
- tulee
- with
- ilman
- Referenssit
- työskentely
- toimii
- maailman-
- olisi
- kirjoittaa
- Voit
- Sinun
- zephyrnet