À mesure que nous approfondissons l’ère numérique, le développement de modèles multimodaux a joué un rôle essentiel dans l’amélioration de la compréhension des machines. Ces modèles traitent et génèrent du contenu sous diverses formes de données, comme du texte et des images. Une caractéristique clé de ces modèles réside dans leurs capacités de conversion d'image en texte, qui ont démontré une maîtrise remarquable dans des tâches telles que le sous-titrage d'images et la réponse visuelle à des questions.
En traduisant des images en texte, nous libérons et exploitons la richesse des informations contenues dans les données visuelles. Par exemple, dans le commerce électronique, la conversion image-texte peut automatiser la catégorisation des produits en fonction des images, améliorant ainsi l'efficacité et la précision de la recherche. De même, il peut aider à générer des descriptions automatiques de photos, en fournissant des informations qui pourraient ne pas être incluses dans les titres ou les descriptions des produits, améliorant ainsi l'expérience utilisateur.
Dans cet article, nous donnons un aperçu des modèles multimodaux populaires. Nous montrons également comment déployer ces modèles pré-entraînés sur Amazon Sage Maker. En outre, nous discutons des diverses applications de ces modèles, en nous concentrant particulièrement sur plusieurs scénarios du monde réel, tels que la génération de balises zéro et d'attribution pour le commerce électronique et la génération automatique d'invites à partir d'images.
Contexte des modèles multimodaux
Les modèles d'apprentissage automatique (ML) ont réalisé des progrès significatifs dans des domaines tels que le traitement du langage naturel (NLP) et la vision par ordinateur, où les modèles peuvent présenter des performances semblables à celles d'un humain dans l'analyse et la génération de contenu à partir d'une source unique de données. Plus récemment, une attention croissante a été portée au développement de modèles multimodaux, capables de traiter et de générer du contenu selon différentes modalités. Ces modèles, tels que la fusion des réseaux de vision et de langage, ont gagné en importance en raison de leur capacité à intégrer des informations provenant de diverses sources et modalités, améliorant ainsi leurs capacités de compréhension et d'expression.
Dans cette section, nous donnons un aperçu de deux modèles multimodaux populaires : CLIP (Pré-formation contrastée langage-image) et BLIP (Pré-formation Bootstrapping Langage-Image).
Modèle CLIP
CLIP est un modèle de vision et de langage multimodal, qui peut être utilisé pour la similarité image-texte et pour la classification d'images sans prise de vue. CLIP est formé sur un ensemble de données de 400 millions de paires image-texte collectées à partir de diverses sources accessibles au public sur Internet. L'architecture du modèle se compose d'un encodeur d'image et d'un encodeur de texte, comme le montre le diagramme suivant.
Pendant la formation, une image et un extrait de texte correspondant sont transmis aux encodeurs pour obtenir un vecteur de caractéristiques d'image et un vecteur de caractéristiques de texte. L'objectif est de faire en sorte que les caractéristiques d'image et de texte d'une paire appariée aient une similarité cosinusoïdale élevée, tandis que les caractéristiques des paires non appariées ont une faible similarité. Cela se fait par une perte contrastive. Cette pré-formation contrastive aboutit à des encodeurs qui mappent les images et le texte vers un espace d'intégration commun où la sémantique est alignée.
Les encodeurs peuvent ensuite être utilisés pour l'apprentissage par transfert zéro pour les tâches en aval. Au moment de l'inférence, l'encodeur pré-entraîné d'image et de texte traite son entrée respective et la transforme en une représentation vectorielle de grande dimension, ou un enrobage. Les intégrations de l'image et du texte sont ensuite comparées pour déterminer leur similarité, telle que la similarité cosinus. L'invite de texte (classes d'images, catégories ou balises) dont l'intégration est la plus similaire (par exemple, a la plus petite distance) à l'incorporation d'image est considérée comme la plus pertinente et l'image est classée en conséquence.
Modèle BLIP
Un autre modèle multimodal populaire est le BLIP. Il introduit une nouvelle architecture de modèle capable de s'adapter à diverses tâches de langage de vision et utilise une technique unique d'amorçage d'ensembles de données pour apprendre à partir de données Web bruyantes. L'architecture BLIP comprend un encodeur d'image et un encodeur de texte : l'encodeur de texte fondé sur l'image injecte des informations visuelles dans le bloc transformateur de l'encodeur de texte, et le décodeur de texte fondé sur l'image intègre des informations visuelles dans le bloc décodeur de transformateur. Avec cette architecture, BLIP démontre des performances exceptionnelles dans un éventail de tâches de langage visuel qui impliquent la fusion d'informations visuelles et linguistiques, de la recherche basée sur des images et de la génération de contenu aux systèmes de dialogue visuel interactif. Dans un article précédent, nous avons proposé un solution de modération de contenu basée sur le modèle BLIP qui a répondu à de multiples défis en utilisant des approches de ML unimodales de vision par ordinateur.
Cas d'utilisation 1 : génération de balises ou d'attributs Zero-shot pour une plateforme de commerce électronique
Les plateformes de commerce électronique servent de marchés dynamiques regorgeant d’idées, de produits et de services. Avec des millions de produits répertoriés, un tri et une catégorisation efficaces constituent un défi de taille. C’est là que la puissance du marquage automatique et de la génération d’attributs prend tout son sens. En exploitant des technologies avancées telles que le ML et le NLP, ces processus automatisés peuvent révolutionner les opérations des plateformes de commerce électronique.
L’un des principaux avantages du marquage automatique ou de la génération d’attributs réside dans sa capacité à améliorer la capacité de recherche. Les produits étiquetés avec précision peuvent être trouvés par les clients rapidement et efficacement. Par exemple, si un client recherche un « t-shirt à col rond en coton avec un logo sur le devant », le marquage automatique et la génération d'attributs permettent au moteur de recherche d'identifier les produits qui ne correspondent pas seulement à la catégorie plus large des « t-shirts ». mais aussi les attributs spécifiques du « coton » et du « col rond ». Cette correspondance précise peut faciliter une expérience d'achat plus personnalisée et accroître la satisfaction des clients. De plus, les balises ou attributs générés automatiquement peuvent améliorer considérablement les algorithmes de recommandation de produits. Grâce à une compréhension approfondie des attributs des produits, le système peut suggérer des produits plus pertinents aux clients, augmentant ainsi la probabilité d'achat et améliorant la satisfaction des clients.
CLIP offre une solution prometteuse pour automatiser le processus de génération de balises ou d'attributs. Il prend une image de produit et une liste de descriptions ou de balises en entrée, générant une représentation vectorielle, ou intégration, pour chaque balise. Ces intégrations existent dans un espace de grande dimension, avec leurs distances et directions relatives reflétant les relations sémantiques entre les entrées. CLIP est pré-entraîné sur une grande échelle de paires image-texte pour encapsuler ces intégrations significatives. Si une balise ou un attribut décrit avec précision une image, leurs intégrations doivent être relativement proches dans cet espace. Pour générer des balises ou des attributs correspondants, une liste de balises potentielles peut être saisie dans la partie texte du modèle CLIP et les intégrations résultantes stockées. Idéalement, cette liste devrait être exhaustive, couvrant toutes les catégories et attributs potentiels pertinents pour les produits de la plateforme de commerce électronique. La figure suivante montre quelques exemples.
Pour déployer le modèle CLIP sur SageMaker, vous pouvez suivre le notebook dans ce qui suit GitHub repo. Nous utilisons le SageMaker pré-construit conteneurs d'inférence de grand modèle (LMI) pour déployer le modèle. Les conteneurs LMI utilisent Service DJL pour servir votre modèle à des fins d'inférence. Pour en savoir plus sur l'hébergement de grands modèles sur SageMaker, reportez-vous à Déployez de grands modèles sur Amazon SageMaker à l'aide de DJLServing et de l'inférence parallèle de modèle DeepSpeed et les Déployez de grands modèles à hautes performances à l'aide de FasterTransformer sur Amazon SageMaker.
Dans cet exemple, nous fournissons les fichiers serving.properties
, model.py
et une requirements.txt
pour préparer les artefacts du modèle et les stocker dans un fichier tarball.
serving.properties
est le fichier de configuration qui peut être utilisé pour indiquer à DJL Serving quelles bibliothèques de parallélisation de modèles et d'optimisation d'inférence vous souhaitez utiliser. En fonction de vos besoins, vous pouvez définir la configuration appropriée. Pour plus de détails sur les options de configuration et une liste exhaustive, reportez-vous à Configurations et paramètres.model.py
est le script qui gère toutes les demandes de diffusion.requirements.txt
est le fichier texte contenant les roues pip supplémentaires à installer.
Si vous souhaitez télécharger le modèle depuis Étreindre le visage directement, vous pouvez définir le option.model_id
paramètre dans la serving.properties
fichier comme identifiant de modèle d'un modèle pré-entraîné hébergé dans un référentiel de modèles sur huggingface.com. Le conteneur utilise cet identifiant de modèle pour télécharger le modèle correspondant pendant le temps de déploiement. Si vous définissez le model_id
à un Service de stockage simple Amazon (Amazon S3), le DJL téléchargera les artefacts de modèle depuis Amazon S3 et échangera l'URL model_id
à l'emplacement réel des artefacts du modèle. Dans votre script, vous pouvez pointer sur cette valeur pour charger le modèle pré-entraîné. Dans notre exemple, nous utilisons cette dernière option, car le conteneur LMI utilise s5cmd pour télécharger des données depuis Amazon S3, ce qui réduit considérablement la vitesse de chargement des modèles pendant le déploiement. Voir le code suivant :
Dans le modèle.py script, nous chargeons le chemin du modèle en utilisant l'ID du modèle fourni dans le fichier de propriétés :
Une fois les artefacts du modèle préparés et téléchargés sur Amazon S3, vous pouvez déployer le modèle CLIP sur l'hébergement SageMaker avec quelques lignes de code :
Lorsque le point de terminaison est en service, vous pouvez appeler le point de terminaison avec une image d'entrée et une liste d'étiquettes comme invite d'entrée pour générer les probabilités d'étiquette :
Cas d'utilisation 2 : génération automatique d'invites à partir d'images
Une application innovante utilisant les modèles multimodaux consiste à générer des invites informatives à partir d’une image. Dans l'IA générative, un rapide fait référence à l'entrée fournie à un modèle de langage ou à un autre modèle génératif pour lui indiquer le type de contenu ou de réponse souhaité. L'invite est essentiellement un point de départ ou un ensemble d'instructions qui guident le processus de génération du modèle. Il peut prendre la forme d'une phrase, d'une question, d'un texte partiel ou de toute entrée qui transmet le contexte ou le résultat souhaité au modèle. Le choix d’une invite bien conçue est essentiel pour générer des images de haute qualité avec précision et pertinence. Ingénierie rapide est le processus d'optimisation ou de création d'une entrée textuelle pour obtenir les réponses souhaitées à partir d'un modèle de langage, impliquant souvent des ajustements de formulation, de format ou de contexte.
L'ingénierie rapide pour la génération d'images pose plusieurs défis, notamment les suivants :
- Définir avec précision les concepts visuels – Décrire des concepts visuels avec des mots peut parfois être imprécis ou ambigu, ce qui rend difficile la transmission de l'image exacte souhaitée. Capturer des détails complexes ou des scènes complexes via des invites textuelles peut ne pas être simple.
- Spécifier efficacement les styles souhaités – Communiquer des préférences stylistiques spécifiques, telles que l’ambiance, la palette de couleurs ou le style artistique, peut s’avérer difficile à travers le seul texte. Traduire des concepts esthétiques abstraits en instructions concrètes pour le modèle peut s’avérer délicat.
- Équilibrer la complexité pour éviter de surcharger le modèle – Des invites élaborées pourraient confondre le modèle ou conduire à une surcharge d’informations, affectant ainsi le résultat généré. Il est essentiel de trouver le juste équilibre entre fournir des orientations suffisantes et éviter une trop grande complexité.
Par conséquent, la création d’invites efficaces pour la génération d’images prend du temps, ce qui nécessite des expérimentations et des affinements itératifs pour trouver le bon équilibre entre précision et créativité, ce qui en fait une tâche gourmande en ressources qui repose fortement sur l’expertise humaine.
Le Interrogateur CLIP est un outil d'ingénierie d'invites automatiques pour les images qui combine CLIP et BLIP pour optimiser les invites textuelles afin qu'elles correspondent à une image donnée. Vous pouvez utiliser les invites résultantes avec des modèles de conversion texte-image tels que Diffusion stable pour créer de l'art cool. Les invites créées par CLIP Interrogator offrent une description complète de l'image, couvrant non seulement ses éléments fondamentaux mais également le style artistique, l'inspiration potentielle derrière l'image, le support sur lequel l'image aurait pu être ou pourrait être utilisée, et au-delà. Vous pouvez facilement déployer la solution CLIP Interrogator sur SageMaker pour rationaliser le processus de déploiement et profiter de l'évolutivité, de la rentabilité et de la sécurité robuste fournies par le service entièrement géré. Le diagramme suivant montre la logique de flux de cette solution.
Vous pouvez utiliser ce qui suit cahier pour déployer la solution CLIP Interrogator sur SageMaker. De même, pour l'hébergement du modèle CLIP, nous utilisons le conteneur SageMaker LMI pour héberger la solution sur SageMaker à l'aide de DJL Serving. Dans cet exemple, nous avons fourni un fichier d'entrée supplémentaire avec les artefacts de modèle qui spécifient les modèles déployés sur le point de terminaison SageMaker. Vous pouvez choisir différents modèles CLIP ou BLIP en passant le nom du modèle de légende et le nom du modèle de clip via le model_name.json
fichier créé avec le code suivant :
Le script d'inférence model.py
contient une fonction handle permettant à DJL Serving d'exécuter votre requête en appelant cette fonction. Pour préparer ce script de point d'entrée, nous avons adopté le code de l'original clip_interrogator.py et je l'ai modifié pour qu'il fonctionne avec DJL Serving sur l'hébergement SageMaker. Une mise à jour est le chargement du modèle BLIP. Les modèles BLIP et CLIP sont chargés via le load_caption_model()
et les load_clip_model()
fonction lors de l’initialisation de l’objet Interrogateur. Pour charger le modèle BLIP, nous avons d'abord téléchargé les artefacts du modèle depuis Hugging Face et les avons téléchargés sur Amazon S3 en tant que valeur cible de l'objet BLIP. model_id
dans le fichier de propriétés. En effet, le modèle BLIP peut être un fichier volumineux, tel que le blip2-opt-2.7b modèle, d’une taille supérieure à 15 Go. Le téléchargement du modèle depuis Hugging Face pendant le déploiement du modèle nécessitera plus de temps pour la création du point de terminaison. Par conséquent, nous signalons le model_id
à l'emplacement Amazon S3 du modèle BLIP2 et chargez le modèle à partir du chemin du modèle spécifié dans le fichier de propriétés. Notez que, lors du déploiement, le chemin du modèle sera remplacé par le chemin du conteneur local dans lequel les artefacts du modèle ont été téléchargés par DJL Serving à partir de l'emplacement Amazon S3. Voir le code suivant :
Le modèle CLIP n’étant pas très grand, nous utilisons open_clip
pour charger le modèle directement depuis Hugging Face, qui est le même que l'original clip_interrogator
la mise en oeuvre:
Nous utilisons un code similaire pour déployer la solution CLIP Interrogator sur un point de terminaison SageMaker et invoquer le point de terminaison avec une image d'entrée pour obtenir les invites pouvant être utilisées pour générer des images similaires.
Prenons l'image suivante comme exemple. À l’aide du point de terminaison CLIP Interrogator déployé sur SageMaker, il génère la description textuelle suivante : croissant on a plate, pexels contest winner, aspect ratio 16:9, cgsocietywlop, 8 h, golden cracks, the artist has used bright, picture of a loft in morning, object features, stylized border, pastry, french emperor.
Nous pouvons en outre combiner la solution CLIP Interrogator avec la diffusion stable et des techniques d'ingénierie rapides : une toute nouvelle dimension de possibilités créatives émerge. Cette intégration nous permet non seulement de décrire des images avec du texte, mais également de manipuler et de générer diverses variations des images originales. La diffusion stable garantit une synthèse d'image contrôlée en affinant de manière itérative la sortie générée, et l'ingénierie stratégique des invites guide le processus de génération vers les résultats souhaités.
Dans le deuxième partie du cahier, nous détaillons les étapes pour utiliser l'ingénierie rapide pour restyler les images avec le modèle de diffusion stable (Diffusion Stable XL 1.0). Nous utilisons le SDK IA de stabilité pour déployer ce modèle depuis SageMaker JumpStart après vous être abonné à ce modèle sur AWS marché. Parce qu'il s'agit d'une version plus récente et meilleure pour la génération d'images fournie par IA de stabilité, nous pouvons obtenir des images de haute qualité basées sur l’image d’entrée originale. De plus, si nous préfixons la description précédente et ajoutons une invite supplémentaire mentionnant un artiste connu et l'une de ses œuvres, nous obtenons des résultats étonnants avec le restyling. L'image suivante utilise l'invite : This scene is a Van Gogh painting with The Starry Night style, croissant on a plate, pexels contest winner, aspect ratio 16:9, cgsocietywlop, 8 h, golden cracks, the artist has used bright, picture of a loft in morning, object features, stylized border, pastry, french emperor.
L'image suivante utilise l'invite : This scene is a Hokusai painting with The Great Wave off Kanagawa style, croissant on a plate, pexels contest winner, aspect ratio 16:9, cgsocietywlop, 8 h, golden cracks, the artist has used bright, picture of a loft in morning, object features, stylized border, pastry, french emperor.
Conclusion
L'émergence de modèles multimodaux, comme CLIP et BLIP, et leurs applications transforment rapidement le paysage de la conversion image en texte. Comblant le fossé entre les informations visuelles et sémantiques, ils nous fournissent les outils nécessaires pour libérer le vaste potentiel des données visuelles et les exploiter d'une manière qui était auparavant inimaginable.
Dans cet article, nous avons illustré différentes applications des modèles multimodaux. Celles-ci vont de l'amélioration de l'efficacité et de la précision de la recherche sur les plateformes de commerce électronique au marquage et à la catégorisation automatiques, en passant par la génération d'invites pour des modèles texte-image tels que Stable Diffusion. Ces applications ouvrent de nouveaux horizons pour créer du contenu unique et engageant. Nous vous encourageons à en savoir plus en explorant les différents modèles multimodaux sur SageMaker et à créer une solution innovante pour votre entreprise.
À propos des auteurs
Yanwei Cui, PhD, est architecte principal de solutions spécialisé en apprentissage automatique chez AWS. Il a commencé ses recherches sur l'apprentissage automatique à l'IRISA (Institut de recherche en informatique et systèmes aléatoires) et possède plusieurs années d'expérience dans la création d'applications industrielles basées sur l'IA dans les domaines de la vision par ordinateur, du traitement du langage naturel et de la prédiction du comportement des utilisateurs en ligne. Chez AWS, il partage son expertise dans le domaine et aide les clients à libérer leur potentiel commercial et à obtenir des résultats exploitables grâce à l'apprentissage automatique à grande échelle. En dehors du travail, il aime lire et voyager.
Raghu Ramesha est un architecte senior de solutions ML au sein de l'équipe Amazon SageMaker Service. Il s'efforce d'aider les clients à créer, déployer et migrer des charges de travail de production ML vers SageMaker à grande échelle. Il se spécialise dans les domaines de l'apprentissage automatique, de l'IA et de la vision par ordinateur, et est titulaire d'une maîtrise en informatique de l'UT Dallas. Dans ses temps libres, il aime voyager et photographier.
Sam Edwards, est Cloud Engineer (AI/ML) chez AWS Sydney spécialisé dans l'apprentissage automatique et Amazon SageMaker. Il a pour passion d'aider les clients à résoudre les problèmes liés aux flux de travail d'apprentissage automatique et de créer de nouvelles solutions pour eux. En dehors du travail, il aime pratiquer des sports de raquette et voyager.
Melanie Li, PhD, est une TAM spécialiste senior de l'IA/ML chez AWS basée à Sydney, en Australie. Elle aide les entreprises clientes à créer des solutions à l'aide d'outils d'IA/ML de pointe sur AWS et fournit des conseils sur l'architecture et la mise en œuvre de solutions ML avec les meilleures pratiques. Dans ses temps libres, elle aime explorer la nature et passer du temps avec sa famille et ses amis.
Gordon Wang est un spécialiste senior de l'IA/ML chez AWS. Il soutient les clients stratégiques avec les meilleures pratiques d'IA/ML dans de nombreux secteurs. Il est passionné par la vision par ordinateur, la PNL, l'IA générative et le MLOps. Dans ses temps libres, il aime courir et faire de la randonnée.
Dhawal Patel est architecte principal en apprentissage machine chez AWS. Il a travaillé avec des organisations allant des grandes entreprises aux startups de taille moyenne sur des problèmes liés à l'informatique distribuée et à l'intelligence artificielle. Il se concentre sur l'apprentissage en profondeur, y compris les domaines de la PNL et de la vision par ordinateur. Il aide les clients à obtenir une inférence de modèle haute performance sur SageMaker.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
- PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
- PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
- PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
- La source: https://aws.amazon.com/blogs/machine-learning/build-an-image-to-text-generative-ai-application-using-multimodality-models-on-amazon-sagemaker/
- :possède
- :est
- :ne pas
- :où
- 1
- 10
- 100
- 12
- 15%
- 16
- 400
- 7
- 8
- 9
- 97
- a
- capacité
- A Propos
- RÉSUMÉ
- en conséquence
- précision
- avec précision
- atteindre
- atteint
- à travers
- présenter
- ajouter
- Supplémentaire
- En outre
- adressé
- ajustements
- adopté
- Avancée
- progrès
- Avantage
- affectant
- Après
- AI
- Alimenté par l'IA
- AI / ML
- algorithmes
- aligné
- Tous
- permet
- seul
- aussi
- incroyable
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- an
- l'analyse
- et les
- tous
- Application
- applications
- approches
- approprié
- architecture
- SONT
- Art
- artificiel
- intelligence artificielle
- artiste
- artistique
- AS
- d'aspect
- aider
- At
- précaution
- attributs
- Australie
- automatiser
- Automatisation
- Automatique
- automatiser
- disponibles
- en évitant
- AWS
- Balance
- basé
- BE
- car
- était
- humain
- derrière
- avantages.
- LES MEILLEURS
- les meilleures pratiques
- Améliorée
- jusqu'à XNUMX fois
- Au-delà
- Big
- Block
- corps
- renforcer
- frontière
- combler
- Brillanti
- plus large
- construire
- Développement
- la performance des entreprises
- mais
- by
- CAN
- Peut obtenir
- capacités
- capable
- Capturer
- maisons
- CHAT
- catégories
- Catégories
- Chats
- challenge
- globaux
- difficile
- le choix
- Selectionnez
- les classes
- classification
- classifié
- Fermer
- le cloud
- code
- Couleur
- combiner
- moissonneuses-batteuses
- vient
- Commun
- communicant
- par rapport
- complexe
- complexité
- complet
- ordinateur
- Informatique
- Vision par ordinateur
- informatique
- concepts
- configuration
- considéré
- consiste
- contenu
- Contenant
- Conteneurs
- contient
- contenu
- Génération de contenu
- contexte
- contrôlée
- Conversion
- Freddi
- Correspondant
- pourriez
- couvrant
- engendrent
- créée
- La création
- création
- Conception
- notre créativité
- critique
- Cross
- des clients
- Satisfaction client
- Clients
- Dallas
- données
- profond
- l'apprentissage en profondeur
- profond
- Degré
- delve
- démontrer
- démontre
- Selon
- déployer
- déployé
- déploiement
- décrire
- la description
- voulu
- détail
- détails
- Déterminer
- Développement
- dispositif
- dialogue
- différent
- difficile
- La diffusion
- numérique
- Dimension
- directement
- discuter
- distance
- distribué
- informatique distribuée
- plusieurs
- domaine
- domaines
- fait
- download
- motivation
- deux
- pendant
- Dynamic
- chacun
- même
- e-commerce
- Efficace
- efficace
- efficacement
- Élaborer
- éléments
- d'autre
- enrobage
- émergence
- émerge
- emploie
- permettre
- encourager
- Endpoint
- engageant
- Moteur
- ingénieur
- ENGINEERING
- de renforcer
- améliorer
- Assure
- Entreprise
- entreprises
- entrée
- Ère
- essential
- essentiellement
- exemple
- exemples
- exposer
- exister
- d'experience
- nous a permis de concevoir
- explorez
- Explorer
- expression
- Visage
- faciliter
- famille
- Fonctionnalité
- Fonctionnalités:
- Fed
- few
- Des champs
- Figure
- Déposez votre dernière attestation
- Fichiers
- Prénom
- flux
- se concentre
- mettant l'accent
- suivre
- Abonnement
- Pour
- formulaire
- le format
- document
- trouvé
- gratuitement ici
- Français
- amis
- De
- avant
- d’étiquettes électroniques entièrement
- fonction
- fondamental
- plus
- En outre
- la fusion
- gagné
- écart
- générer
- généré
- génère
- générateur
- génération
- génératif
- IA générative
- obtenez
- donné
- objectif
- Or
- l'
- l'orientation
- Guides
- manipuler
- Poignées
- harnais
- Exploiter
- Vous avez
- he
- fortement
- aider
- aide
- ici
- Haute
- de haute qualité
- sa
- détient
- Horizons
- hôte
- organisé
- hébergement
- Comment
- How To
- HTML
- http
- HTTPS
- humain
- ID
- idéalement
- et idées cadeaux
- if
- image
- Classification des images
- satellite
- la mise en oeuvre
- la mise en œuvre
- importer
- améliorer
- l'amélioration de
- in
- inclus
- inclut
- Y compris
- croissant
- indiquer
- industriel
- secteurs
- d'information
- informatif
- technologie innovante
- contribution
- entrées
- à l'intérieur
- Inspiration
- installer
- instance
- Institut
- Des instructions
- intégrer
- l'intégration
- Intelligence
- Interactif
- Internet
- développement
- Introduit
- impliquer
- impliquant
- vous aider à faire face aux problèmes qui vous perturbent
- IT
- SES
- jpg
- json
- ACTIVITES
- connu
- Libellé
- Etiquettes
- paysage d'été
- langue
- gros
- Grandes entreprises
- conduire
- APPRENTISSAGE
- apprentissage
- Li
- bibliothèques
- se trouve
- comme
- probabilité
- lignes
- Liste
- Listé
- charge
- chargement
- locales
- emplacement
- logique
- logo
- perte
- aime
- Faible
- click
- machine learning
- a prendre une
- Fabrication
- gérés
- de nombreuses
- Localisation
- sur le dark web
- maîtrise
- Match
- appariés
- assorti
- significative
- moyenne
- seulement
- pourrait
- émigrer
- million
- des millions
- ML
- MLOps
- modèle
- numériques jumeaux (digital twin models)
- modération
- modifié
- PLUS
- Par ailleurs
- Matin
- (en fait, presque toutes)
- plusieurs
- prénom
- Nature
- Traitement du langage naturel
- Nature
- Besoin
- réseaux
- Nouveauté
- nouveaux horizons
- nuit
- nlp
- Aucun
- cahier
- roman
- objet
- of
- de rabais
- code
- Offres Speciales
- souvent
- on
- ONE
- en ligne
- uniquement
- ouvert
- Opérations
- à mettre en œuvre pour gérer une entreprise rentable. Ce guide est basé sur trois décennies d'expérience
- Optimiser
- l'optimisation
- Option
- Options
- or
- organisations
- original
- OS
- Autre
- nos
- les résultats
- sortie
- au contrôle
- exceptionnel
- vue d'ensemble
- accablant
- propre
- peinture
- paire
- paires
- palette
- Parallèle
- paramètre
- partie
- particulièrement
- En passant
- passionné
- chemin
- performant
- Personnalisé
- phd
- photo
- photographie
- image
- pivot
- plateforme
- Plateformes
- Platon
- Intelligence des données Platon
- PlatonDonnées
- jouer
- fiche
- Point
- Populaire
- pose
- possibilités
- Post
- défaillances
- potentiels
- power
- pratiques
- précis
- La précision
- prédiction
- préférences
- Préparer
- préparé
- empêcher
- précédent
- précédemment
- Directeur
- d'ouvrabilité
- processus
- les process
- traitement
- Produit
- Vidéo
- Produits
- importance
- prometteur
- propriétés
- propriété
- proposé
- fournir
- à condition de
- fournit
- aportando
- publiquement
- achats
- question
- aléatoire
- gamme
- allant
- rapidement
- rapport
- en cours
- monde réel
- récemment
- Recommandation
- réduit
- reportez-vous
- se réfère
- raffinage
- reflétant
- région
- en relation
- Les relations
- relatif
- relativement
- pertinence
- pertinent
- remarquables
- dépôt
- représentation
- nécessaire
- demandes
- exigent
- a besoin
- un article
- gourmande en ressources
- ceux
- réponse
- réponses
- résultant
- Résultats
- retourner
- révolutionner
- bon
- robuste
- Courir
- pour le running
- sagemaker
- même
- client
- Évolutivité
- Escaliers intérieurs
- scénarios
- scène
- Scènes
- Sciences
- scénario
- Rechercher
- moteur de recherche
- recherche
- Section
- sécurité
- sur le lien
- AUTO
- sémantique
- supérieur
- phrase
- besoin
- service
- Services
- service
- set
- plusieurs
- Partages
- elle
- Shopping
- devrait
- montré
- Spectacles
- significative
- de façon significative
- similaires
- De même
- étapes
- unique
- Taille
- Fragment
- sur mesure
- Solutions
- RÉSOUDRE
- quelques
- parfois
- Identifier
- Sources
- Space
- spécialiste
- spécialisé
- spécialise
- groupe de neurones
- spécifié
- Spectre
- vitesse
- passer
- Sports
- stable
- étoilé
- j'ai commencé
- Commencez
- Startups
- state-of-the-art
- Étapes
- storage
- Boutique
- stockée
- simple
- Stratégique
- rationaliser
- grève
- Catégorie
- substantiellement
- tel
- suffisant
- suggérer
- Les soutiens
- échange
- rapidement
- sydney
- combustion propre
- Système
- TAG
- Prenez
- prend
- Target
- Tâche
- tâches
- équipe
- technique
- Les technologies
- modèle
- texte
- textuel
- que
- qui
- Le
- Le paysage
- leur
- Les
- puis
- Là.
- ainsi
- donc
- Ces
- l'ont
- this
- Avec
- fiable
- titres
- à
- outil
- les outils
- vers
- qualifié
- Formation
- transférer
- transformateur
- transformer
- se transforme
- Voyages
- deux
- type
- compréhension
- inimaginable
- expérience unique et authentique
- ouvrir
- Mises à jour
- téléchargé
- URL
- us
- utilisé
- d'utiliser
- Utilisateur
- Expérience utilisateur
- Usages
- en utilisant
- Plus-value
- variété
- divers
- Vaste
- version
- très
- via
- vision
- W
- souhaitez
- Vague
- façons
- we
- Richesse
- web
- services Web
- ont été
- Quoi
- quand
- qui
- tout en
- la totalité
- dont
- sera
- gagnant
- comprenant
- formulation
- des mots
- activités principales
- travaillé
- workflows
- vos contrats
- pourra
- années
- Vous n'avez
- Votre
- zéphyrnet