Tarkkojen ja oivaltavien vastausten avaaminen suurista tekstimääristä on jännittävä ominaisuus, jonka suuret kielimallit (LLM) mahdollistavat. Kun rakennetaan LLM-sovelluksia, on usein tarpeen muodostaa yhteys ulkoisiin tietolähteisiin ja tehdä kyselyitä, jotta mallille voidaan tarjota relevantti konteksti. Eräs suosittu lähestymistapa on Retrieval Augmented Generation (RAG) -järjestelmän käyttö Q&A-järjestelmien luomiseen, jotka ymmärtävät monimutkaista tietoa ja tarjoavat luonnollisia vastauksia kyselyihin. RAG:n avulla mallit voivat hyödyntää laajoja tietokantoja ja tarjota ihmismäistä dialogia sovelluksille, kuten chatboteille ja yrityshakuavustajille.
Tässä viestissä tutkimme, kuinka valjastaa voima Puheluindeksi, Laama 2-70B-Chatja LangChain rakentaa tehokkaita Q&A-sovelluksia. Näiden huipputeknologioiden avulla voit käyttää tekstikorjauksia, indeksoida kriittistä tietoa ja luoda tekstiä, joka vastaa käyttäjien kysymyksiin tarkasti ja selkeästi.
Laama 2-70B-Chat
Llama 2-70B-Chat on tehokas LLM, joka kilpailee johtavien mallien kanssa. Se on valmiiksi koulutettu kahdelle biljoonalle tekstitunnisteelle, ja Meta on sen tarkoittanut käytettäväksi käyttäjien chat-avustamiseen. Koulutusta edeltävät tiedot ovat peräisin julkisesti saatavilla olevista tiedoista ja päättyvät syyskuussa 2022, ja hienosäätötiedot päättyvät heinäkuussa 2023. Lisätietoja mallin koulutusprosessista, turvallisuusnäkökohdista, oppimisesta ja käyttötarkoituksista on artikkelissa Laama 2: Open Foundation ja hienosäädetyt chat-mallit. Llama 2 -malleja on saatavana Amazon SageMaker JumpStart nopeaa ja suoraviivaista käyttöönottoa varten.
Puheluindeksi
Puheluindeksi on tietokehys, joka mahdollistaa LLM-sovellusten rakentamisen. Se tarjoaa työkaluja, jotka tarjoavat tietoliittimiä olemassa olevien tietojen syöttämiseen eri lähteistä ja muodoista (PDF-tiedostot, asiakirjat, API, SQL ja muut). Onko sinulla tietoja tallennettu tietokantoihin tai PDF-tiedostoihin, LlamaIndex tekee siitä yksinkertaisen tuoda tiedot LLM:ien käyttöön. Kuten tässä viestissä osoitamme, LlamaIndex-sovellusliittymät tekevät tietojen käytöstä vaivatonta ja mahdollistavat tehokkaiden mukautettujen LLM-sovellusten ja työnkulkujen luomisen.
Jos kokeilet ja rakennat LLM:ien kanssa, tunnet todennäköisesti LangChainin, joka tarjoaa vankan kehyksen, joka yksinkertaistaa LLM-pohjaisten sovellusten kehittämistä ja käyttöönottoa. LangChainin tapaan LlamaIndex tarjoaa useita työkaluja, kuten tietoliittimiä, tietohakemistoja, moottoreita ja tietoagentteja, sekä sovellusintegraatioita, kuten työkaluja ja havainnointia, jäljitystä ja arviointia. LlamaIndex keskittyy kuromaan umpeen datan ja tehokkaiden LLM:ien välistä kuilua ja virtaviivaistamaan datatehtäviä käyttäjäystävällisillä ominaisuuksilla. LlamaIndex on erityisesti suunniteltu ja optimoitu haku- ja hakusovellusten, kuten RAG:n, rakentamiseen, koska se tarjoaa yksinkertaisen käyttöliittymän LLM-kyselyihin ja asiaankuuluvien asiakirjojen hakemiseen.
Ratkaisun yleiskatsaus
Tässä viestissä näytämme kuinka luodaan RAG-pohjainen sovellus käyttämällä LlamaIndexiä ja LLM:ää. Seuraava kaavio näyttää tämän ratkaisun vaiheittaisen arkkitehtuurin, joka on kuvattu seuraavissa osissa.
RAG yhdistää tiedonhaun luonnollisen kielen luomiseen tuottaakseen oivaltavampia vastauksia. Kehotettaessa RAG hakee ensin tekstikorpuksia hakeakseen syötteeseen tärkeimmät esimerkit. Vastauksen luomisen aikana malli katsoo näiden esimerkkien lisäävän ominaisuuksiaan. Sisällyttämällä asiaankuuluvia haettuja kohtia, RAG-vastaukset ovat yleensä tosiseikkoja, johdonmukaisempia ja kontekstin mukaisempia kuin generatiiviset perusmallit. Tämä nouto-luontikehys hyödyntää sekä haun että luomisen vahvuuksia auttaen ratkaisemaan ongelmia, kuten toistoa ja kontekstin puutetta, jotka voivat syntyä puhtaista autoregressiivisistä keskustelumalleista. RAG esittelee tehokkaan lähestymistavan keskusteluagenttien ja tekoälyassistenttien rakentamiseen kontekstuaalisilla ja laadukkailla vastauksilla.
Ratkaisun rakentaminen koostuu seuraavista vaiheista:
- Perustaa Amazon SageMaker Studio kehitysympäristönä ja asenna tarvittavat riippuvuudet.
- Ota käyttöön upotusmalli Amazon SageMaker JumpStart -keskittimestä.
- Lataa lehdistötiedotteet käytettäväksi ulkoisena tietopohjanamme.
- Rakenna lehdistötiedotteista hakemisto, jotta voit tehdä kyselyitä ja lisätä kehotteeseen lisäkontekstia.
- Kysele tietokannasta.
- Rakenna Q&A-sovellus LlamaIndex- ja LangChain-agenttien avulla.
Kaikki tämän viestin koodi on saatavilla osoitteessa GitHub repo.
Edellytykset
Tätä esimerkkiä varten tarvitset AWS-tilin, jossa on SageMaker-verkkotunnus ja sopiva AWS-henkilöllisyyden ja käyttöoikeuksien hallinta (IAM) käyttöoikeudet. Katso tilin luomisohjeet kohdasta Luo AWS-tili. Jos sinulla ei vielä ole SageMaker-verkkotunnusta, katso Amazon SageMaker -verkkotunnus yleiskatsaus sellaisen luomiseen. Tässä viestissä käytämme AmazonSageMakerFullAccess rooli. Ei ole suositeltavaa käyttää tätä tunnistetietoa tuotantoympäristössä. Sen sijaan sinun tulee luoda ja käyttää roolia, jolla on vähiten oikeudet. Voit myös tutkia, miten voit käyttää Amazon SageMaker -roolipäällikkö luoda ja hallita henkilökohtaisia IAM-rooleja yleisiin koneoppimistarpeisiin suoraan SageMaker-konsolin kautta.
Lisäksi sinulla on oltava pääsy vähintään seuraaviin ilmentymäkokoihin:
- ml.g5.2xsuuri päätepisteen käyttöön otettaessa käyttöön Halaavat kasvot GPT-J tekstin upotusmalli
- ml.g5.48xsuuri päätepisteen käyttöön otettaessa käyttöön Llama 2-Chat -mallin päätepistettä
Jos haluat kasvattaa kiintiösi, katso Pyydetään kiintiön korotusta.
Ota GPT-J-upotusmalli käyttöön SageMaker JumpStartin avulla
Tämä osio antaa sinulle kaksi vaihtoehtoa SageMaker JumpStart -mallien käyttöönotossa. Voit käyttää koodipohjaista käyttöönottoa käyttämällä toimitettua koodia tai käyttää SageMaker JumpStart -käyttöliittymää (UI).
Ota käyttöön SageMaker Python SDK:n kanssa
Voit käyttää SageMaker Python SDK:ta LLM:ien käyttöönottoon, kuten kuvassa koodi saatavilla arkistosta. Suorita seuraavat vaiheet:
- Aseta ilmentymän koko, jota käytetään upotusmallin käyttöönotossa
instance_type = "ml.g5.2xlarge"
- Etsi upotuksissa käytettävän mallin tunnus. SageMaker JumpStartissa se tunnistetaan nimellä
model_id = "huggingface-textembedding-gpt-j-6b-fp16"
- Hae esikoulutettu mallisäiliö ja ota se käyttöön johtopäätösten tekemiseksi.
SageMaker palauttaa mallin päätepisteen nimen ja seuraavan viestin, kun upotusmalli on otettu käyttöön onnistuneesti:
Ota käyttöön SageMaker JumpStartilla SageMaker Studiossa
Voit ottaa mallin käyttöön SageMaker JumpStart -sovelluksella Studiossa suorittamalla seuraavat vaiheet:
- Valitse SageMaker Studio -konsolin navigointiruudusta JumpStart.
- Etsi ja valitse GPT-J 6B Embedding FP16 -malli.
- Valitse Ota käyttöön ja mukauta käyttöönottokokoonpanoa.
- Tätä esimerkkiä varten tarvitsemme ml.g5.2xlarge-instanssin, joka on SageMaker JumpStartin ehdottama oletusinstanssi.
- Luo päätepiste valitsemalla Ota uudelleen käyttöön.
Päätepisteen käyttöönotto kestää noin 5–10 minuuttia.
Kun olet ottanut käyttöön upotusmallin, jotta voit käyttää LangChain-integraatiota SageMaker-sovellusliittymien kanssa, sinun on luotava funktio syötteiden käsittelemiseksi (raakateksti) ja muunnettava ne upotuksiksi mallin avulla. Voit tehdä tämän luomalla luokan nimeltä ContentHandler
, joka ottaa syöttötiedon JSON-tiedoston ja palauttaa tekstin upotusten JSON-tiedoston: class ContentHandler(EmbeddingsContentHandler).
Välitä mallin päätepisteen nimi ContentHandler
toiminto muuntaa tekstiä ja palauttaa upotukset:
Voit etsiä päätepisteen nimen joko SDK:n lähdöstä tai SageMaker JumpStart -käyttöliittymän käyttöönottotiedoista.
Voit testata, että ContentHandler
toiminto ja päätepiste toimivat odotetusti syöttämällä raakatekstiä ja suorittamalla embeddings.embed_query(text)
toiminto. Voit käyttää annettua esimerkkiä text = "Hi! It's time for the beach"
tai kokeile omaa tekstiäsi.
Ota käyttöön ja testaa Llama 2-Chatia SageMaker JumpStartin avulla
Nyt voit ottaa käyttöön mallin, joka pystyy keskustelemaan vuorovaikutteisesti käyttäjien kanssa. Tässä tapauksessa valitsemme yhden Llama 2-chat -malleista, joka tunnistetaan
Malli on otettava käyttöön reaaliaikaiseen päätepisteeseen käyttämällä predictor = my_model.deploy()
. SageMaker palauttaa mallin päätepisteen nimen, jota voit käyttää endpoint_name
muuttuja myöhemmin.
Sinä määrittelet a print_dialogue
toiminto lähettää syötteen chat-malliin ja vastaanottaa sen lähtövastauksen. Hyötykuorma sisältää mallin hyperparametrit, mukaan lukien seuraavat:
- max_new_tones – Viittaa merkkien enimmäismäärään, jonka malli voi luoda tulosteissaan.
- top_p – Viittaa niiden tokenien kumulatiiviseen todennäköisyyteen, jonka malli voi säilyttää luodessaan tuloksiaan
- lämpötila – Viittaa mallin tuottamien tulosten satunnaisuuteen. Lämpötila, joka on suurempi kuin 0 tai yhtä suuri kuin 1, lisää satunnaisuuden tasoa, kun taas lämpötila 0 tuottaa todennäköisimpiä merkkejä.
Sinun tulee valita hyperparametrisi käyttötapauksesi perusteella ja testata niitä asianmukaisesti. Mallit, kuten Llama-perhe, vaativat lisäparametrin, joka osoittaa, että olet lukenut ja hyväksynyt loppukäyttäjän lisenssisopimuksen (EULA):
Testaa mallia korvaamalla syöttöhyötykuorman sisältöosa: "content": "what is the recipe of mayonnaise?"
. Voit käyttää omia tekstiarvojasi ja päivittää hyperparametreja ymmärtääksesi niitä paremmin.
Samoin kuin upotusmallin käyttöönotossa, voit ottaa Llama-70B-Chatin käyttöön SageMaker JumpStart -käyttöliittymällä:
- Valitse SageMaker Studio -konsolissa Kaapelikäynnistys navigointiruudussa
- Etsi ja valitse
Llama-2-70b-Chat model
- Hyväksy EULA ja valitse Sijoittaa, käyttämällä uudelleen oletusinstanssia
Samoin kuin upotusmallissa, voit käyttää LangChain-integraatiota luomalla sisällönkäsittelijämallin chat-mallisi tuloille ja ulostuloille. Tässä tapauksessa määrität syötteet käyttäjältä tuleviksi ja osoitat, että niitä hallitsevat system prompt
. system prompt
kertoo mallille roolistaan käyttäjän avustamisessa tietyssä käyttötapauksessa.
Tämä sisällönkäsittelijä välitetään mallia vedettäessä edellä mainittujen hyperparametrien ja mukautettujen attribuuttien lisäksi (EULA-hyväksyntä). Voit jäsentää kaikki nämä attribuutit käyttämällä seuraavaa koodia:
Kun päätepiste on saatavilla, voit testata, että se toimii odotetulla tavalla. Voit päivittää llm("what is amazon sagemaker?")
omalla tekstilläsi. Sinun on myös määriteltävä tietty ContentHandler
kutsua LLM:ää LangChainin avulla, kuten kuvassa koodi ja seuraava koodinpätkä:
Käytä LlamaIndexiä RAG:n rakentamiseen
Jatka asentamalla LlamaIndex luodaksesi RAG-sovelluksen. Voit asentaa LlamaIndexin pip:n avulla: pip install llama_index
Sinun on ensin ladattava tietosi (tietokanta) LlamaIndexiin indeksointia varten. Tämä sisältää muutaman vaiheen:
- Valitse datalataaja:
LlamaIndex tarjoaa useita dataliittimiä, jotka ovat saatavilla LlamaHub yleisille tietotyypeille, kuten JSON-, CSV- ja tekstitiedostoille, sekä muille tietolähteille, jolloin voit käyttää erilaisia tietojoukkoja. Tässä viestissä käytämme SimpleDirectoryReader
syöttääksesi muutaman PDF-tiedoston koodin osoittamalla tavalla. Datanäytteemme on kaksi Amazonin lehdistötiedotetta PDF-versiona lehdistötiedotteet kansio koodivarastossamme. Kun olet ladannut PDF-tiedostot, näet, että ne on muunnettu 11 elementin luetteloksi.
Sen sijaan, että lataat asiakirjat suoraan, voit myös peittää ne Document
esine sisään Node
objektit ennen niiden lähettämistä hakemistoon. Valinta koko paketin lähettämisen välillä Document
vastustaa hakemistoa tai muuntamalla asiakirjan muotoon Node
objektit ennen indeksointia riippuu käyttötapauksestasi ja tietojesi rakenteesta. Solmut-lähestymistapa on yleensä hyvä valinta pitkille asiakirjoille, joissa haluat katkaista ja hakea asiakirjan tiettyjä osia koko asiakirjan sijaan. Lisätietoja on kohdassa Asiakirjat / solmut.
- Instantoi latauslaite ja lataa asiakirjat:
Tämä vaihe alustaa latausluokan ja tarvittavat asetukset, kuten sen, ohitetaanko piilotetut tiedostot. Katso lisätietoja osoitteesta SimpleDirectoryReader.
- Soita kuormaajalle
load_data
menetelmä jäsentää lähdetiedostosi ja datasi ja muuntaa ne LlamaIndex Document -objekteiksi, valmiina indeksointiin ja kyselyihin. Voit käyttää seuraavaa koodia tietojen keräämisen ja kokotekstihaun valmisteluun LlamaIndexin indeksointi- ja hakuominaisuuksien avulla:
- Rakenna indeksi:
LlamaIndexin tärkein ominaisuus on sen kyky rakentaa järjestettyjä indeksejä datalle, joka esitetään asiakirjoina tai solmuina. Indeksointi helpottaa tietojen tehokasta kyselyä. Luomme hakemistomme oletusarvoisen muistin vektorivaraston ja määrittämiemme asetusten avulla. LlamaIndex Asetukset on konfigurointiobjekti, joka tarjoaa yleisesti käytettyjä resursseja ja asetuksia indeksointi- ja kyselytoimintoihin LlamaIndex-sovelluksessa. Se toimii yksittäisenä objektina, joten sen avulla voit määrittää globaaleja määrityksiä, samalla kun voit ohittaa tietyt komponentit paikallisesti välittämällä ne suoraan niitä käyttäviin liitäntöihin (kuten LLM:t, upotusmallit). Kun tiettyä komponenttia ei ole erikseen annettu, LlamaIndex-kehys palautuu asetuksiin, jotka on määritetty Settings
objekti globaalina oletuksena. Voit käyttää upotus- ja LLM-mallejamme LangChainin kanssa ja konfiguroidaksesi Settings
meidän täytyy asentaa llama_index.embeddings.langchain
ja llama_index.llms.langchain
. Voimme konfiguroida Settings
objekti kuten seuraavassa koodissa:
Oletusarvoisesti VectorStoreIndex
käyttää muistia SimpleVectorStore
joka alustetaan osana oletustallennuskontekstia. Tosielämän käyttötapauksissa joudut usein muodostamaan yhteyden ulkoisiin vektorivarastoihin, kuten Amazon OpenSearch-palvelu. Katso lisätietoja osoitteesta Vector Engine Amazon OpenSearch Serverless -sovellukselle.
Nyt voit ajaa Q&A asiakirjoissasi käyttämällä query_engine LlamaIndexistä. Voit tehdä tämän välittämällä aiemmin kyselyille luomasi hakemiston ja esittämällä kysymyksesi. Kyselymoottori on yleinen rajapinta tietojen kyselyyn. Se ottaa syötteeksi luonnollisen kielen kyselyn ja palauttaa monipuolisen vastauksen. Kyselymoottori on yleensä rakennettu yhden tai useamman päälle indeksit käyttämällä noutajat.
Näet, että RAG-ratkaisu pystyy hakemaan oikean vastauksen toimitetuista asiakirjoista:
Käytä LangChain-työkaluja ja -agentteja
Loader
luokkaa. Latauslaite on suunniteltu lataamaan tietoja LlamaIndexiin tai sen jälkeen työkaluksi a LangChain agentti. Tämä antaa sinulle enemmän tehoa ja joustavuutta käyttää tätä osana sovellustasi. Aloitat määrittelemällä omasi työkalu LangChain-agenttiluokasta. Toiminto, jonka välität työkalullesi, kysyy hakemistosta, jonka olet rakentanut asiakirjojen päälle LlamaIndexin avulla.
Sitten valitset oikean tyyppisen agentin, jota haluat käyttää RAG-toteutuksessa. Tässä tapauksessa käytät chat-zero-shot-react-description
agentti. Tämän agentin avulla LLM käyttää käytettävissä olevaa työkalua (tässä skenaariossa tietokannan yläpuolella olevaa RAG:ta) vastauksen antamiseen. Tämän jälkeen alustat agentin välittämällä työkalusi, LLM:n ja agenttityypin:
Voit nähdä agentin käyvän läpi thoughts
, actions
ja observation
, käytä työkalua (tässä skenaariossa kyselyn tekeminen indeksoiduista asiakirjoista); ja palauta tulos:
Löydät päästä päähän -toteutuskoodin mukana GitHub repo.
Puhdistaa
Tarpeettomien kustannusten välttämiseksi voit puhdistaa resurssit joko seuraavien koodinpätkien tai Amazon JumpStart -käyttöliittymän avulla.
Jos haluat käyttää Boto3 SDK:ta, poista tekstin upotusmallin päätepiste ja tekstinluontimallin päätepiste sekä päätepistemääritykset seuraavalla koodilla:
Jos haluat käyttää SageMaker-konsolia, suorita seuraavat vaiheet:
- Valitse SageMaker-konsolin navigointiruudun Päättely-kohdasta Päätepisteet
- Etsi upottamisen ja tekstin luomisen päätepisteitä.
- Valitse päätepisteen tietosivulla Poista.
- Vahvista valitsemalla Poista uudelleen.
Yhteenveto
LlamaIndex tarjoaa joustavia ominaisuuksia hakuihin ja hakuihin keskittyviin käyttötapauksiin. Se on erinomainen indeksoinnissa ja haussa LLM:ille, mikä tekee siitä tehokkaan työkalun tietojen syvälliseen tutkimiseen. LlamaIndexin avulla voit luoda järjestettyjä tietohakemistoja, käyttää erilaisia LLM:itä, täydentää tietoja LLM-suorituskyvyn parantamiseksi ja kyselyn tiedoista luonnollisella kielellä.
Tämä viesti osoitti joitain LlamaIndexin keskeisiä käsitteitä ja ominaisuuksia. Käytimme GPT-J:tä upotukseen ja Llama 2-Chatia LLM:nä RAG-sovelluksen rakentamiseen, mutta voit käyttää mitä tahansa sopivaa mallia sen sijaan. Voit tutustua SageMaker JumpStartissa saatavilla olevaan kattavaan mallivalikoimaan.
Osoitimme myös, kuinka LlamaIndex voi tarjota tehokkaita ja joustavia työkaluja tietojen yhdistämiseen, indeksointiin, hakemiseen ja integroimiseen muiden kehysten, kuten LangChainin, kanssa. LlamaIndex-integraatioiden ja LangChainin avulla voit rakentaa tehokkaampia, monipuolisempia ja oivaltavampia LLM-sovelluksia.
Tietoja Tekijät
Tri Romina Sharifpour on vanhempi koneoppimis- ja tekoälyratkaisujen arkkitehti Amazon Web Servicesissä (AWS). Hän on viettänyt yli 10 vuotta johtanut innovatiivisten kokonaisvaltaisten ratkaisujen suunnittelua ja toteutusta, jotka ovat mahdollistaneet ML:n ja tekoälyn edistyminen. Rominan kiinnostusalueita ovat luonnollisen kielen käsittely, suuret kielimallit ja MLO:t.
Nicole Pinto on AI/ML Specialist Solutions -arkkitehti Sydneyssä, Australiassa. Hänen taustansa terveydenhuollon ja taloushallinnon alalta antaa hänelle ainutlaatuisen näkökulman asiakkaiden ongelmien ratkaisemiseen. Hän on intohimoinen asiakkaiden mahdollistamisesta koneoppimisen avulla ja uuden sukupolven naisten voimaannuttamiseksi STEM-alalla.
- 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. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/build-knowledge-powered-conversational-applications-using-llamaindex-and-llama-2-chat/
- :on
- :On
- :ei
- :missä
- $ YLÖS
- 1
- 10
- 100
- 11
- 13
- 14
- 15%
- 16
- 2022
- 2023
- 22
- 500
- 7
- 8
- 9
- a
- kyky
- pystyy
- Meistä
- hyväksyminen
- hyväksytty
- hyväksyy
- pääsy
- Mukaan
- Tili
- tarkka
- säädökset
- lisätä
- Lisäksi
- lisä-
- osoite
- edistysaskeleet
- Etu
- Jälkeen
- uudelleen
- Agentti
- aineet
- sopimus
- AI
- ai tutkimusta
- AI / ML
- Kaikki
- Salliminen
- mahdollistaa
- jo
- Myös
- Amazon
- Amazon Sage Maker
- Amazon SageMaker JumpStart
- Amazon Web Services
- Amazon Web Services (AWS)
- määrät
- an
- ja
- vastaus
- puhelinvastaaja
- vastauksia
- Kaikki
- API
- Hakemus
- sovellukset
- lähestymistapa
- sopiva
- asianmukaisesti
- suunnilleen
- arkkitehtuuri
- OVAT
- alueet
- nousta
- keinotekoinen
- tekoäly
- AS
- kysyä
- Apu
- avustajat
- avustaminen
- At
- attribuutteja
- lisätä
- täydennetty
- Australia
- saatavissa
- välttää
- AWS
- takaisin
- tausta
- pohja
- perustua
- perustiedot
- BE
- Ranta
- koska
- ollut
- ennen
- Paremmin
- välillä
- sekä
- Tauko
- siltana
- tuoda
- rakentaa
- Rakentaminen
- rakennettu
- mutta
- by
- nimeltään
- CAN
- kyvyt
- valmiudet
- tapaus
- tapauksissa
- jutella
- chatbots
- valinta
- Valita
- luokka
- puhdas
- selvästi
- asiakas
- koodi
- JOHDONMUKAINEN
- yhdistää
- tuleva
- Yhteinen
- yleisesti
- yritys
- verrattuna
- kilpailee
- täydellinen
- monimutkainen
- komponentti
- osat
- ymmärtää
- kattava
- käsitteet
- päättelee
- Konfigurointi
- konfigurointi
- Vahvistaa
- kytkeä
- Liittimet
- näkökohdat
- pitää
- johdonmukainen
- muodostuu
- Console
- rakentaa
- Kontti
- pitoisuus
- tausta
- jatkaa
- puhekielen
- keskustelut
- muuntaa
- muunnetaan
- muuntaminen
- korjata
- Hinta
- kustannussäästöjä
- kustannukset
- voisi
- luoda
- luotu
- Luominen
- TOIMINTAKERTOMUS
- kriittinen
- asiakassuhde
- asiakas
- Asiakkaat
- räätälöidä
- Leikkaus
- tiedot
- tietojen käyttö
- tietokannat
- aineistot
- syvä
- oletusarvo
- määritellä
- määritelty
- määrittelemällä
- toimittaa
- osoittaa
- osoittivat
- riippuvuudet
- riippuu
- sijoittaa
- käyttöön
- levityspinnalta
- käyttöönotto
- Malli
- suunniteltu
- yksityiskohdat
- Kehitys
- kaavio
- Vuoropuhelu
- DICT
- suoraan
- useat
- do
- docs
- asiakirja
- asiakirjat
- verkkotunnuksen
- Dont
- ajanut
- aikana
- Aikaisemmin
- Tehokas
- tehokas
- vaivaton
- myöskään
- elementtejä
- upottamisen
- valtuuttamisesta
- käytössä
- mahdollistaa
- mahdollistaa
- loppu
- päittäin
- päätepiste
- Moottori
- Moottorit
- yritys
- Koko
- ympäristö
- yhtäläinen
- arviointi
- esimerkki
- Esimerkit
- jännittävä
- olemassa
- odotettu
- kokeileminen
- nimenomaisesti
- tutkimus
- tutkia
- ulkoinen
- Kasvot
- Helpottaa
- Falls
- tuttu
- perhe
- Ominaisuus
- Ominaisuudet
- harvat
- Asiakirjat
- taloudellinen
- rahoituspalvelut
- Löytää
- Etunimi
- Joustavuus
- joustava
- keskityttiin
- keskittyy
- jälkeen
- varten
- perusta
- Puitteet
- puitteet
- alkaen
- toiminto
- kuilu
- yleensä
- tuottaa
- syntyy
- tuottaa
- sukupolvi
- generatiivinen
- antaa
- Global
- menee
- hyvä
- säännellään
- suurempi
- kahva
- valjaat
- Olla
- terveydenhuollon
- auttaa
- hänen
- kätketty
- korkealaatuisia
- Miten
- Miten
- Kuitenkin
- HTML
- HTTPS
- Napa
- ID
- tunnistettu
- Identiteetti
- if
- sivuuttaa
- täytäntöönpano
- parannuksia
- in
- sisältää
- sisältää
- Mukaan lukien
- sisältävät
- Kasvaa
- Lisäykset
- indeksi
- indeksoitu
- indeksit
- osoittaa
- ilmaisee
- tiedot
- tiedottaa
- Infrastruktuuri
- Innovaatio
- innovatiivinen
- panos
- tuloa
- syöttäminen
- oivaltava
- asentaa
- esimerkki
- sen sijaan
- ohjeet
- yhdistää
- integraatio
- integraatiot
- Älykkyys
- tarkoitettu
- vuorovaikutteinen
- korko
- liitäntä
- rajapinnat
- tulee
- Esittelee
- liittyy
- kysymykset
- IT
- SEN
- jpg
- json
- heinäkuu
- avain
- tuntemus
- Lack
- Kieli
- suuri
- myöhemmin
- johtava
- oppiminen
- Taso
- Lisenssi
- pitää
- Todennäköisesti
- Lista
- liekki
- OTK
- kuormitus
- loader
- lastaus
- paikallisesti
- Pitkät
- kone
- koneoppiminen
- tehdä
- TEE
- Tekeminen
- hoitaa
- maksimi
- Saattaa..
- mainitsi
- viesti
- Meta
- menetelmä
- siirtyvät
- muutto
- minimi
- minuuttia
- ML
- MLOps
- malli
- mallit
- lisää
- eniten
- paljon
- nimi
- Luonnollinen
- Luonnollinen kielen käsittely
- suunnistus
- välttämätön
- Tarve
- tarvitaan
- tarpeet
- seuraava
- solmut
- numero
- objekti
- esineet
- of
- kampanja
- Tarjoukset
- usein
- on
- ONE
- vain
- päälle
- avata
- toiminta-
- Operations
- optimoitu
- Vaihtoehdot
- or
- tilata
- Järjestetty
- Muut
- meidän
- ulos
- hahmoteltu
- ulostulo
- lähdöt
- yli
- ohittaa
- yleiskatsaus
- oma
- sivulla
- lasi
- Paperi
- parametri
- parametrit
- osa
- erityinen
- osat
- kulkea
- kanavat
- Hyväksytty
- Ohimenevä
- intohimoinen
- suorituskyky
- Oikeudet
- näkökulma
- Platon
- Platonin tietotieto
- PlatonData
- Suosittu
- Kirje
- teho
- voimakas
- tarkasti
- Predictor
- valmistelu
- painaa
- Lehdistötiedote
- Lehdistötiedotteet
- ongelmia
- prosessi
- käsittely
- tuottaa
- tuotanto
- toimittaa
- mikäli
- tarjoaa
- julkisesti
- puhdas
- Python
- Kysymyksiä ja vastauksia
- kyselyt
- kysymys
- kysymys
- kysymykset
- nopea
- rätti
- satunnaisuuden
- alue
- pikemminkin
- raaka
- Lue
- valmis
- reaaliaikainen
- vastaanottaa
- resepti
- suositeltu
- Vähentynyt
- katso
- viite
- viittaa
- sijoittavat uudelleen
- vapauta
- Tiedotteet
- merkityksellinen
- korvata
- säilytyspaikka
- edustettuina
- edellyttää
- tarvitaan
- tutkimus
- tutkimus ja kehitys
- Esittelymateriaalit
- vastaus
- vasteet
- johtua
- haku
- palata
- Tuotto
- Rikas
- oikein
- luja
- Rooli
- roolit
- ajaa
- juoksu
- s
- Turvallisuus
- sagemaker
- näyte
- Säästöt
- skenaario
- sdk
- Haku
- haut
- Osa
- osiot
- nähdä
- valita
- SELF
- lähettää
- lähettäminen
- vanhempi
- syyskuu
- palvelu
- Palvelut
- setti
- asetus
- settings
- setup
- hän
- shouldnt
- osoittivat
- esitetty
- Näytä
- samankaltainen
- Yksinkertainen
- yksinkertaistaminen
- koska
- Koko
- koot
- pätkä
- So
- ratkaisu
- Ratkaisumme
- Solving
- jonkin verran
- lähde
- hankitaan
- Lähteet
- asiantuntija
- erityinen
- erityisesti
- käytetty
- Alkaa
- huippu-
- Valtiot
- Varsi
- Vaihe
- Askeleet
- Levytila
- verkkokaupasta
- tallennettu
- varastot
- suora
- virtaviivaistaminen
- vahvuudet
- rakenne
- studio
- Myöhemmin
- Onnistuneesti
- niin
- sopiva
- sydney
- järjestelmä
- järjestelmät
- ottaa
- vie
- Napauttaa
- tehtävät
- Technologies
- sapluuna
- taipumus
- testi
- teksti
- kuin
- että
- -
- Niitä
- sitten
- Nämä
- ne
- tätä
- ne
- Kautta
- aika
- että
- tokens
- työkalu
- työkalut
- ylin
- jäljitys
- koulutus
- Muuttaa
- Biljoona
- yrittää
- kaksi
- tyyppi
- tyypit
- tyypillisesti
- ui
- varten
- ymmärtää
- unique
- tarpeeton
- Päivitykset
- Käyttö
- käyttää
- käyttölaukku
- käytetty
- hyödyllinen
- käyttäjä
- Käyttöliittymä
- helppokäyttöinen
- Käyttäjät
- käyttötarkoituksiin
- käyttämällä
- arvot
- muuttuja
- lajike
- eri
- valtava
- monipuolinen
- versio
- kautta
- haluta
- we
- verkko
- verkkopalvelut
- HYVIN
- Mitä
- Mikä on
- kun
- taas
- onko
- joka
- vaikka
- tulee
- with
- Naiset
- työnkulkuja
- työskentely
- olisi
- vuotta
- Voit
- Sinun
- zephyrnet