Les grands modèles de langage (LLM) révolutionnent des domaines tels que les moteurs de recherche, le traitement du langage naturel (NLP), les soins de santé, la robotique et la génération de code. Les applications s'étendent également au commerce de détail, où elles peuvent améliorer l'expérience client grâce à des chatbots dynamiques et des assistants IA, et au marketing numérique, où elles peuvent organiser les commentaires des clients et recommander des produits en fonction des descriptions et des comportements d'achat.
La personnalisation des applications LLM peut être réalisée en incorporant des informations utilisateur à jour, ce qui implique généralement l'intégration de plusieurs composants. L'un de ces composants est un magasin de fonctionnalités, un outil qui stocke, partage et gère les fonctionnalités des modèles d'apprentissage automatique (ML). Les fonctionnalités sont les entrées utilisées lors de la formation et de l’inférence des modèles ML. Par exemple, dans une application qui recommande des films, les fonctionnalités peuvent inclure les notes précédentes, les catégories de préférences et les données démographiques. Magasin de fonctionnalités Amazon SageMaker est un référentiel entièrement géré conçu spécifiquement pour le stockage, le partage et la gestion des fonctionnalités du modèle ML. Un autre composant essentiel est un outil d’orchestration adapté à une ingénierie rapide et à la gestion de différents types de sous-tâches. Les développeurs d'IA générative peuvent utiliser des frameworks tels que LangChaîne, qui propose des modules d'intégration avec des LLM et des outils d'orchestration pour la gestion des tâches et l'ingénierie rapide.
S'appuyant sur le concept de récupération dynamique de données à jour pour produire un contenu personnalisé, l'utilisation des LLM a suscité une attention considérable dans les recherches récentes sur les systèmes de recommandation. Le principe sous-jacent de ces approches implique la construction d'invites qui encapsulent la tâche de recommandation, les profils utilisateur, les attributs des éléments et les interactions utilisateur-élément. Ces invites spécifiques à une tâche sont ensuite introduites dans le LLM, chargé de prédire la probabilité d'interaction entre un utilisateur particulier et un élément. Comme indiqué dans le document Recommandation personnalisée via l'invite de grands modèles de langage, les composants d'incitation basés sur des recommandations et guidés par l'engagement jouent un rôle crucial en permettant aux LLM de se concentrer sur le contexte pertinent et de s'aligner sur les préférences des utilisateurs.
Dans cet article, nous expliquons l'idée simple mais puissante de combiner des profils d'utilisateurs et des attributs d'articles pour générer des recommandations de contenu personnalisées à l'aide de LLM. Comme démontré tout au long de l'article, ces modèles ont un immense potentiel pour générer un texte d'entrée de haute qualité et contextuel, ce qui conduit à des recommandations améliorées. Pour illustrer cela, nous vous guidons dans le processus d'intégration d'un magasin de fonctionnalités (représentant les profils d'utilisateurs) avec un LLM pour générer ces recommandations personnalisées.
Vue d'ensemble de la solution
Imaginons un scénario dans lequel une société de divertissement cinématographique fait la promotion de films auprès de différents utilisateurs via une campagne par courrier électronique. La promotion contient 25 films bien connus et nous souhaitons sélectionner les trois meilleures recommandations pour chaque utilisateur en fonction de ses intérêts et de ses comportements d'évaluation antérieurs.
Par exemple, étant donné l'intérêt d'un utilisateur pour différents genres de films comme l'action, la romance et la science-fiction, nous pourrions demander à un système d'IA de déterminer les trois films les plus recommandés pour cet utilisateur particulier. De plus, le système peut générer des messages personnalisés pour chaque utilisateur sur un ton adapté à ses préférences. Nous incluons quelques exemples de messages personnalisés plus loin dans cet article.
Cette application d'IA comprendrait plusieurs composants travaillant ensemble, comme illustré dans le schéma suivant :
- Un moteur de profilage d'utilisateur prend en compte les comportements antérieurs d'un utilisateur et génère un profil d'utilisateur reflétant ses intérêts.
- Un magasin de fonctionnalités conserve les données de profil utilisateur.
- Un magasin de métadonnées multimédia maintient à jour la liste des films promotionnels.
- Un modèle de langage prend la liste actuelle des films et les données du profil utilisateur, et génère les trois films les plus recommandés pour chaque utilisateur, écrits dans le ton préféré.
- Un agent orchestrateur coordonne les différents composants.
En résumé, les agents intelligents pourraient créer des invites à l’aide de données relatives aux utilisateurs et aux éléments et fournir des réponses personnalisées en langage naturel aux utilisateurs. Cela représenterait un système de recommandation typique basé sur le contenu, qui recommande des éléments aux utilisateurs en fonction de leur profil. Le profil de l'utilisateur est stocké et maintenu dans le magasin de fonctionnalités et tourne autour de ses préférences et de ses goûts. Il est généralement dérivé de leurs comportements antérieurs, tels que les notes.
Le diagramme suivant illustre son fonctionnement.
L'application suit ces étapes pour fournir des réponses à la recommandation d'un utilisateur :
- Le moteur de profilage utilisateur qui prend en entrée la classification historique du film d'un utilisateur, génère l'intérêt de l'utilisateur et stocke la fonctionnalité dans SageMaker Feature Store. Ce processus peut être mis à jour de manière planifiée.
- L'agent prend l'ID utilisateur en entrée, recherche les intérêts de l'utilisateur et complète le modèle d'invite en fonction des intérêts de l'utilisateur.
- L'agent extrait la liste des éléments de promotion (nom du film, description, genre) d'un magasin de métadonnées multimédia.
- Le modèle d'invite d'intérêts et la liste des éléments de promotion sont introduits dans un LLM pour les messages de campagne par courrier électronique.
- L'agent envoie la campagne email personnalisée à l'utilisateur final.
Le moteur de profilage des utilisateurs crée un profil pour chaque utilisateur, capturant ses préférences et ses intérêts. Ce profil peut être représenté sous forme de vecteur avec des éléments mappés à des fonctionnalités telles que les genres de films, avec des valeurs indiquant le niveau d'intérêt de l'utilisateur. Les profils d'utilisateurs du magasin de fonctionnalités permettent au système de suggérer des recommandations personnalisées correspondant à leurs intérêts. Le profilage des utilisateurs est un domaine bien étudié au sein des systèmes de recommandation. Pour simplifier, vous pouvez créer un algorithme de régression en utilisant les notes précédentes d'un utilisateur dans différentes catégories pour déduire ses préférences globales. Cela peut être fait avec des algorithmes comme XGBoost.
Procédure pas à pas de code
Dans cette section, nous fournissons des exemples de code. La procédure pas à pas complète du code est disponible dans le GitHub repo.
Après avoir obtenu la fonctionnalité d'intérêts de l'utilisateur à partir du moteur de profilage des utilisateurs, nous pouvons stocker les résultats dans le magasin de fonctionnalités. SageMaker Feature Store prend en charge l'ingestion de fonctionnalités par lots et le stockage en ligne pour l'inférence en temps réel. Pour l'ingestion, les données peuvent être mises à jour en mode hors ligne, tandis que l'inférence doit s'effectuer en millisecondes. SageMaker Feature Store garantit que les ensembles de données hors ligne et en ligne restent synchronisés.
Pour l'ingestion de données, nous utilisons le code suivant :
Pour le stockage en ligne en temps réel, nous pourrions utiliser le code suivant pour extraire le profil utilisateur en fonction de l'ID utilisateur :
Ensuite, nous classons les trois catégories de films les plus intéressées pour alimenter le moteur de recommandation en aval :
ID utilisateur: 42
Top3 Catégories : ['Animation', 'Thriller', 'Aventure']
Notre application utilise deux composants principaux. Le premier composant récupère des données depuis un magasin de fonctionnalités, et le second composant acquiert une liste de promotions de films depuis le magasin de métadonnées. La coordination entre ces composantes est gérée par Chaînes de LangChain, qui représentent une séquence d'appels à des composants.
Il convient de mentionner que dans des scénarios complexes, l'application peut avoir besoin de plus qu'une séquence fixe d'appels à des LLM ou à d'autres outils. Agents, équipé d'une suite d'outils, utilise un LLM pour déterminer la séquence d'actions à entreprendre. Alors que les chaînes codent une séquence d'actions codées en dur, les agents utilisent la puissance de raisonnement d'un modèle de langage pour dicter l'ordre et la nature des actions.
La connexion entre différentes sources de données, y compris SageMaker Feature Store, est illustrée dans le code suivant. Toutes les données récupérées sont consolidées pour construire une invite détaillée, servant d'entrée pour le LLM. Nous approfondissons les spécificités de la conception d’invites dans la section suivante. Voici une définition de modèle d'invite qui s'interface avec plusieurs sources de données :
De plus, nous utilisons Amazon Sage Maker pour héberger notre modèle LLM et l'exposer en tant que Point de terminaison LangChain SageMaker. Pour déployer le LLM, nous utilisons Amazon SageMaker JumpStart (pour plus de détails, reportez-vous à Les modèles de fondation Llama 2 de Meta sont désormais disponibles dans Amazon SageMaker JumpStart). Une fois le modèle déployé, nous pouvons créer le module LLM :
Dans le contexte de notre application, l'agent exécute une séquence d'étapes, appelée LLMChain. Il intègre un modèle d'invite, un modèle et des garde-fous pour formater l'entrée utilisateur, la transmettre au modèle, obtenir une réponse, puis valider (et, si nécessaire, rectifier) la sortie du modèle.
Dans la section suivante, nous passons en revue l'ingénierie rapide permettant au LLM de produire les résultats attendus.
Recommandations et résultats du LLM
Suivant le concept de haut niveau d'incitation guidée par l'engagement tel que décrit dans l'étude de recherche Recommandation personnalisée via l'invite de grands modèles de langage, le principe fondamental de notre stratégie d'invite est d'intégrer les préférences de l'utilisateur dans la création d'invites. Ces invites sont conçues pour guider le LLM vers une identification plus efficace des attributs dans la description du contenu qui correspondent aux préférences de l'utilisateur. Pour aller plus loin, notre invite comprend plusieurs éléments :
- Pertinence contextuelle – La partie initiale de notre modèle d'invite intègre des métadonnées multimédia telles que le nom de l'élément (titre du film), la description (synopsis du film) et l'attribut (genre du film). En incorporant ces informations, l'invite fournit au LLM un contexte plus large et une compréhension plus complète du contenu. Ces informations contextuelles aident le LLM à mieux comprendre l'élément à travers sa description et ses attributs, améliorant ainsi son utilité dans les scénarios de recommandation de contenu.
- Alignement des préférences utilisateur – En prenant en compte un profil utilisateur qui signifie les préférences de l’utilisateur, les recommandations potentielles sont mieux placées pour identifier les caractéristiques et fonctionnalités du contenu qui trouvent un écho auprès des utilisateurs cibles. Cet alignement augmente l'utilité des descriptions d'éléments car il améliore l'efficacité de la recommandation d'éléments pertinents et conformes aux préférences de l'utilisateur.
- Qualité des recommandations améliorée – L'invite guidée par l'engagement utilise les préférences de l'utilisateur pour identifier les articles promotionnels pertinents. Nous pouvons également utiliser les préférences de l'utilisateur pour ajuster le ton du LLM pour le résultat final. Cela peut aboutir à une expérience précise, informative et personnalisée, améliorant ainsi les performances globales du système de recommandation de contenu.
Le code suivant montre un exemple de modèle d'invite :
prompt_template = """
Our company, "Classic Cinema" frequently promotes movies that we aim to recommend to our customers. This month, we have several popular movies on promotion.
As an AI agent, you are tasked to assist "Classic Cinema" in crafting an email campaign to recommend relevant movies to users. The recommendations should adhere to several guidelines, including contextual relevance, ensuring the recommendations are strictly from our promotional movie list. Additionally, the recommendations should align with user preferences, suggesting items that are relevant and in harmony with the user's preferred categories. You are to provide precisely three top recommended movies. Finally, please draft the email to reflect the tone of the user's preferred categories. The email should not exceed 100 words.
The recommended movies should be sourced from this contextual relevance movie list:
{promotion_movie_list}.
The user has expressed interest in {user_preference}.
Please ensure the recommendations are relevant, and the tone of the email reflects the tastes of those interested in the {user_preference} movie category.
Ensure the letter appeals to those interested in the {user_preference} movie category, and keep the email campaign within a 100-word limit. """
Voici un exemple de résultat avec les préférences utilisateur des genres de science-fiction, d'aventure et de guerre :
Sujet : Explorez les frontières du cinéma classique avec nos films de science-fiction, d'aventure et de guerre !
Cher [Nom],
Êtes-vous prêt à vous lancer dans un voyage à travers le temps et l'espace, à vivre une action palpitante et à être témoin du courage des héros sur le champ de bataille ? Cherchez pas plus loin! Classic Cinema est fier de présenter notre sélection de films soigneusement sélectionnés, spécialement adaptés à vos intérêts pour la science-fiction, l'aventure et la guerre.Tout d’abord, nous avons l’emblématique « Star Wars : Épisode V – L’Empire contre-attaque » (1980). Cet épisode classique de la saga Star Wars suit le parcours de Luke Skywalker pour devenir un maître Jedi, tandis que ses amis affrontent l'Empire maléfique. Avec ses effets spéciaux révolutionnaires et ses personnages mémorables, ce film est un incontournable pour tout fan du genre.
Ensuite, nous vous recommandons « Interstellar » (2014), un film stimulant et visuellement époustouflant qui plonge dans les mystères du temps et de l'espace. Alors qu'un groupe d'explorateurs se lance dans une quête pour sauver l'humanité, ils rencontrent des paysages à couper le souffle et découvrent les secrets de l'univers.
Enfin, nous avons « Il faut sauver le soldat Ryan » (1998), un drame de guerre captivant et intense qui suit un groupe de soldats dans une mission dangereuse pour retrouver et sauver un parachutiste dont les frères ont été tués au combat. Ce film acclamé par la critique est un puissant hommage aux héros de la Seconde Guerre mondiale.
Ne manquez pas ces chefs-d'œuvre cinématographiques ! Regardez-les maintenant et vivez le frisson de l'aventure, les merveilles de la science-fiction et le courage des héros de guerre.
Bon visionnage et que la force soit avec vous !Très cordialement,
Équipe du cinéma classique
Voici un autre exemple de résultat avec une préférence d'utilisateur pour le documentaire, la musique et le drame :
Objet : Recommandations du cinéma classique pour les amateurs de documentaires, de comédies musicales et de drames
Cher [Nom],
Nous espérons que cet e-mail vous trouve bien et que vous appréciez la variété de films disponibles sur notre plateforme. Chez Classic Cinema, nous sommes fiers de répondre aux goûts divers de nos clients et nous avons sélectionné trois films exceptionnels qui, selon nous, répondront à votre intérêt pour le documentaire, la comédie musicale et le drame.
Tout d’abord, nous avons « The Shawshank Redemption » (1994), un drame puissant et édifiant qui suit le voyage de deux prisonniers alors qu’ils trouvent l’espoir et la rédemption dans un système carcéral corrompu et impitoyable. Avec son scénario captivant, ses performances exceptionnelles et ses thèmes intemporels, ce film est un incontournable pour tous ceux qui aiment les drames bien conçus.
Ensuite, nous vous recommandons « Le Seigneur des Anneaux : La Communauté de l'Anneau » (2001), une aventure épique qui combine des visuels à couper le souffle, des personnages mémorables et un monde richement détaillé. Ce film est une classe de maître en narration, avec un sens profond de l'histoire et de la culture qui vous transportera en Terre du Milieu et vous donnera envie d'en savoir plus.
Enfin, nous vous proposons « Le Pianiste » (2002), un documentaire profond et émouvant qui raconte l'histoire vraie de Władysław Szpilman, un pianiste juif polonais qui a lutté pour survivre à la destruction du ghetto de Varsovie pendant la Seconde Guerre mondiale. Ce film est un puissant rappel de la capacité de résilience et d’espoir de l’esprit humain, même face à une tragédie inimaginable.
Nous espérons que ces recommandations trouveront un écho dans vos intérêts et vous offriront une expérience cinématographique agréable et enrichissante. Ne manquez pas ces classiques intemporels – regardez-les maintenant et découvrez la magie du cinéma classique !
Très cordialement,
L'équipe du cinéma classique
Nous avons effectué des tests avec Llama 2 7B-Chat (voir l'exemple de code suivant) et Llama 70B à des fins de comparaison. Les deux modèles ont donné de bons résultats, produisant des conclusions cohérentes. En utilisant un modèle d'invite rempli de données à jour, nous avons trouvé plus facile de tester des LLM arbitraires, ce qui nous a aidé à choisir le bon équilibre entre performances et coût. Nous avons également fait plusieurs observations partagées qui méritent d’être notées.
Premièrement, nous pouvons constater que les recommandations fournies correspondent véritablement aux préférences des utilisateurs. Les recommandations de films sont guidées par divers composants de notre application, notamment le profil utilisateur stocké dans le magasin de fonctionnalités.
De plus, le ton des e-mails correspond aux préférences de l'utilisateur. Grâce aux capacités avancées de compréhension du langage de LLM, nous pouvons personnaliser les descriptions de films et le contenu des e-mails, en les adaptant à chaque utilisateur individuel.
De plus, le format de sortie final peut être intégré à l'invite. Par exemple, dans notre cas, le message de salutation « Cher [Nom] » doit être rempli par le service de messagerie. Il est important de noter que même si nous évitons d'exposer des informations personnelles identifiables (PII) dans notre application d'IA générative, il est possible de réintroduire ces informations lors du post-traitement, à condition que le niveau d'autorisations approprié soit accordé.
Nettoyer
Pour éviter des coûts inutiles, supprimez les ressources que vous avez créées dans le cadre de cette solution, y compris le magasin de fonctionnalités et le point de terminaison d'inférence LLM déployés avec SageMaker JumpStart.
Conclusion
Le pouvoir des LLM pour générer des recommandations personnalisées est immense et transformateur, en particulier lorsqu'il est associé aux bons outils. En intégrant SageMaker Feature Store et LangChain pour une ingénierie rapide, les développeurs peuvent créer et gérer des profils utilisateur hautement personnalisés. Il en résulte des entrées contextuelles de haute qualité qui améliorent considérablement les performances des recommandations. Dans notre scénario illustratif, nous avons vu comment cela peut être appliqué pour adapter les recommandations de films aux préférences de chaque utilisateur, aboutissant ainsi à une expérience hautement personnalisée.
À mesure que le paysage LLM continue d'évoluer, nous prévoyons de voir des applications plus innovantes qui utilisent ces modèles pour offrir des expériences personnalisées encore plus engageantes. Les possibilités sont illimitées et nous sommes impatients de voir ce que vous allez créer avec ces outils. Avec des ressources telles que SageMaker JumpStart et Socle amazonien désormais disponibles pour accélérer le développement d'applications d'IA générative, nous vous recommandons fortement d'explorer la construction de solutions de recommandation utilisant des LLM sur AWS.
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.
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.
Michelle Hong, PhD, travaille en tant qu'architecte de solutions de prototypage chez Amazon Web Services, où elle aide les clients à créer des applications innovantes à l'aide d'une variété de composants AWS. Elle a démontré son expertise en apprentissage automatique, notamment en traitement du langage naturel, pour développer des solutions basées sur les données qui optimisent les processus d'affaires et améliorent l'expérience client.
Ben Wang, PhD, est un architecte de solutions spécialisé en analyse senior chez AWS, bénéficiant de plus de 12 ans d'expérience dans l'industrie du ML, avec un accent particulier sur la publicité. Il possède une expertise dans le traitement du langage naturel (NLP), les systèmes de recommandation, divers algorithmes de ML et les opérations de ML. Il est profondément passionné par l’application des techniques ML/DL et Big Data pour résoudre des problèmes du monde réel. En dehors de sa vie professionnelle, il aime la musique, la lecture et les voyages.
- 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/personalize-your-generative-ai-applications-with-amazon-sagemaker-feature-store/
- :possède
- :est
- :ne pas
- :où
- $UP
- 100
- 12
- 14
- 15%
- 19
- 1994
- 1998
- 2001
- 2014
- 25
- 30
- 7
- 9
- a
- Qui sommes-nous
- accélérer
- acclamé
- Compte
- Avec cette connaissance vient le pouvoir de prendre
- atteint
- L'acquisition de
- à travers
- Action
- actes
- ajout
- En outre
- adhérer
- Avancée
- Aventure
- Numérique
- Après
- à opposer à
- Agent
- agents
- AI
- Alimenté par l'IA
- AI / ML
- SIDA
- objectif
- algorithme
- algorithmes
- aligner
- alignement
- Tous
- permettre
- aussi
- Bien que
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- an
- Analytique
- ainsi que le
- Une autre
- anticiper
- tous
- chacun.e
- Appels
- Application
- applications
- appliqué
- Application
- approches
- SONT
- autour
- AS
- aider
- assistants
- At
- précaution
- attributs
- disponibles
- éviter
- AWS
- Balance
- basé
- Battlefield
- BE
- car
- devenir
- était
- humain
- comportements
- CROYONS
- LES MEILLEURS
- les meilleures pratiques
- Améliorée
- jusqu'à XNUMX fois
- Big
- Big Data
- se vanter
- tous les deux
- illimité
- stupéfiant
- plus large
- frères
- construire
- Développement
- construit
- la performance des entreprises
- by
- appelé
- Appels
- Campagne
- CAN
- capacités
- Compétences
- Capturer
- prudemment
- réalisée
- maisons
- catégories
- Catégories
- Chaînes
- caractéristiques
- caractères
- Chatbots
- Selectionnez
- Cinéma
- cinématographique
- classe
- classiques
- Classiques
- code
- moissonneuses-batteuses
- combinant
- communément
- Société
- Comparaison
- finalise
- complexe
- composant
- composants électriques
- complet
- comprend
- ordinateur
- Informatique
- Vision par ordinateur
- concept
- connexion
- cohérent
- construire
- construction
- contient
- contenu
- contexte
- contextuel
- continue
- coordination
- correspond
- Prix
- Costs
- pourriez
- accouplé
- engendrent
- créée
- La création
- Cross
- crucial
- Culture
- organisée
- Courant
- des clients
- Clients
- personnaliser
- sont adaptées
- dangereux
- données
- data-driven
- ensembles de données
- Date
- profond
- définition
- livrer
- Démographie
- démontré
- déployer
- déployé
- Dérivé
- décrit
- la description
- Conception
- un
- détaillé
- détails
- Déterminer
- développer
- mobiles
- Développement
- DICT
- dicter
- différent
- numérique
- le marketing numérique
- découvrez
- plongeon
- plusieurs
- documentaire
- domaine
- fait
- Ne pas
- avant-projet
- Films dramatique
- motivation
- pendant
- Dynamic
- dynamiquement
- chacun
- plus facilement
- de manière efficace
- les effets
- efficace
- Élaborer
- éléments
- emails
- embarquer
- Empire
- emploie
- permettant
- fin
- Endpoint
- engageant
- Moteur
- ENGINEERING
- Moteurs
- de renforcer
- améliorée
- Améliore
- améliorer
- agréable
- enrichissant
- assurer
- Assure
- assurer
- Divertissement
- EPIC
- épisode
- équipé
- essential
- Pourtant, la
- évolue
- exemple
- exemples
- dépassent
- exceptionnel
- excité
- attendu
- d'experience
- Expériences
- nous a permis de concevoir
- explorez
- Explorateurs
- Explorer
- exprimé
- étendre
- les
- extrait
- Visage
- ventilateur
- Fonctionnalité
- Groupe de fonctionnalités
- Fonctionnalités:
- Fed
- Réactions
- Des champs
- rempli
- Film
- finale
- finalement
- Trouvez
- trouve
- Prénom
- fixé
- Focus
- Abonnement
- suit
- Pour
- Force
- le format
- trouvé
- Fondation
- cadres
- fréquemment
- amis
- De
- frontière
- plein
- d’étiquettes électroniques entièrement
- fondamental
- plus
- recueilli
- générer
- générateur
- génération
- génératif
- IA générative
- genre
- obtenez
- donné
- accordée
- révolutionnaire
- Réservation de groupe
- guide
- guidé
- lignes directrices
- arriver
- Harmonie
- Vous avez
- he
- la médecine
- aider
- aide
- ici
- Héros
- de haut niveau
- de haute qualité
- très
- sa
- historique
- Histoire
- appuyez en continu
- d'espérance
- hôte
- Comment
- HTTPS
- humain
- Humanité
- iconique
- ID
- idée
- identifier
- identifier
- if
- ii
- illustrer
- illustre
- image
- immense
- importer
- important
- améliorer
- l'amélioration de
- in
- comprendre
- Y compris
- incorporation
- individuel
- industriel
- secteurs
- industrie
- d'information
- informatif
- initiale
- technologie innovante
- contribution
- entrées
- tranche
- instance
- Institut
- intégrer
- Intègre
- Intégration
- Intelligent
- l'interaction
- interactions
- intérêt
- intéressé
- intérêts
- interfaces
- développement
- IT
- articles
- SES
- chemin
- jpg
- XNUMX éléments à
- paysage d'été
- langue
- gros
- plus tard
- Conduit
- apprentissage
- Laisser
- lettre
- Niveau
- VIE
- comme
- probabilité
- LIMIT
- Gamme
- Liste
- Flamme
- LLM
- Style
- Le Seigneur des Anneaux
- aime
- click
- machine learning
- LES PLANTES
- la magie
- maintient
- gérer
- gérés
- gestion
- gère
- les gérer
- manière
- de nombreuses
- cartographie
- Stratégie
- maître
- La Masterclass
- assorti
- Mai..
- Médias
- mémorable
- messages
- Meta
- Métadonnées
- pourrait
- millisecondes
- manquer
- Mission
- ML
- MLOps
- Mode
- modèle
- numériques jumeaux (digital twin models)
- Module
- Modules
- Mois
- PLUS
- (en fait, presque toutes)
- film
- Films
- en mouvement
- plusieurs
- Musique
- musical
- prénom
- Nature
- Traitement du langage naturel
- Nature
- nécessaire
- Besoin
- Besoins
- next
- nlp
- aucune
- notamment
- cahier
- notant
- maintenant
- obtention
- of
- de rabais
- Offres Speciales
- direct
- on
- ONE
- en ligne
- Opérations
- Optimiser
- or
- orchestration
- de commander
- Autre
- nos
- ande
- les résultats
- sortie
- sorties
- au contrôle
- exceptionnel
- plus de
- global
- Papier
- paramètres
- partie
- particulier
- particulièrement
- pass
- passionné
- performant
- performances
- effectué
- autorisations
- Personnalisation
- Personnaliser
- Personnalisé
- Personnellement
- phd
- plateforme
- Platon
- Intelligence des données Platon
- PlatonDonnées
- Jouez
- veuillez cliquer
- Polonais
- Populaire
- positionnée
- possibilités
- possibilité
- Post
- défaillances
- potentiels
- power
- solide
- pratiques
- précisément
- prévoir
- prédiction
- préférences
- préféré
- cadeaux
- précédent
- fierté
- primaire
- principe
- prison
- prisonniers
- Privé
- d'ouvrabilité
- processus
- les process
- traitement
- produire
- Produits
- professionels
- Profil
- Profils
- profilage
- profond
- favorise
- promotion
- promotionnel
- Promotions
- prototypage
- fièrement
- fournir
- à condition de
- fournit
- achat
- quête
- aléatoire
- classer
- clients
- votes
- en cours
- solutions
- monde réel
- en temps réel
- récent
- recommander
- Recommandation
- recommandations
- recommandé
- recommander
- recommande
- record
- rachat
- reportez-vous
- refléter
- reflétant
- reflète
- Cordialement
- pertinence
- pertinent
- rester
- rappel
- dépôt
- représentent
- représenté
- représentation
- sauver
- un article
- la résilience
- Résonner
- Resources
- réponse
- réponses
- résultat
- résultant
- Résultats
- détail
- retourner
- Révolutionnement
- tourne
- bon
- robotique
- Rôle
- romance
- pour le running
- fonctionne
- s
- saga
- sagemaker
- Épargnez
- scie
- Escaliers intérieurs
- scénario
- scénarios
- ordonnancement
- science-fiction
- Sciences
- Rechercher
- Les moteurs de recherche
- recherches
- Deuxièmement
- secrets
- Section
- sur le lien
- voir
- choisi
- sélection
- AUTO
- envoie
- supérieur
- sens
- Séquence
- service
- Services
- service
- plusieurs
- commun
- Partages
- partage
- elle
- devrait
- Spectacles
- significative
- de façon significative
- signifie
- étapes
- simplifier
- sur mesure
- Solutions
- RÉSOUDRE
- quelques
- source
- Sources
- Space
- spécial
- spécialiste
- spécifiquement
- détails
- Étoile
- Star Wars
- j'ai commencé
- A déclaré
- Étapes
- storage
- Boutique
- stockée
- STORES
- stockage
- Histoire
- storytelling
- Stratégique
- de Marketing
- Grèves
- fortement
- Étude
- Étourdissant
- ultérieur
- tel
- suggérer
- convient
- suite
- RÉSUMÉ
- Les soutiens
- survivre
- synopsis
- combustion propre
- Système
- adaptation
- Prenez
- tâches
- prend
- prise
- Target
- Tâche
- goûts
- techniques
- raconte
- modèle
- tester
- tests
- texte
- que
- Merci
- qui
- Les
- leur
- Les
- thèmes
- puis
- Là.
- ainsi
- Ces
- l'ont
- this
- ceux
- suscitant la réflexion
- trois
- Avec
- tout au long de
- fiable
- intemporel
- Titre
- à
- ensemble
- TON
- outil
- les outils
- top
- vers
- Formation
- transformation
- transport
- Voyages
- hommage
- oui
- deux
- type
- débutante
- typiquement
- devoiler
- sous-jacent
- compréhension
- inimaginable
- Univers
- ouvrir
- inutile
- mise à jour
- a actualisé
- us
- utilisé
- d'utiliser
- Utilisateur
- utilisateurs
- Usages
- en utilisant
- utilitaire
- VALIDER
- Valeurs
- variété
- divers
- via
- visualisation
- vision
- visuellement
- visuels
- marcher
- walkthrough
- souhaitez
- vouloir
- guerre
- Varsovie
- Montres
- we
- web
- services Web
- WELL
- bien connu
- Quoi
- quand
- Les
- qui
- tout en
- WHO
- dont
- sera
- comprenant
- dans les
- témoin
- se demander
- des mots
- activités principales
- de travail
- vos contrats
- world
- vaut
- pourra
- code écrit
- années
- encore
- élastique
- Vous n'avez
- Votre
- zéphyrnet