Amazon SageMaker Vérité au sol Plus vous aide à préparer des ensembles de données de formation de haute qualité en supprimant les charges lourdes indifférenciées associées à la création d'applications d'étiquetage de données et à la gestion de la main-d'œuvre d'étiquetage. Tout ce que vous faites est de partager des données avec les exigences d'étiquetage, et Ground Truth Plus configure et gère votre flux de travail d'étiquetage de données en fonction de ces exigences. À partir de là, une main-d'œuvre experte formée à diverses tâches d'apprentissage automatique (ML) étiquette vos données. Vous n'avez même pas besoin d'une expertise approfondie en ML ou de connaissances en conception de flux de travail et en gestion de la qualité pour utiliser Ground Truth Plus. Aujourd'hui, Ground Truth Plus est au service des clients qui ont besoin d'un étiquetage des données et d'une rétroaction humaine pour affiner les modèles de base pour les applications d'IA génératives.
Dans cet article, vous découvrirez les avancées récentes en matière de rétroaction humaine pour l'IA générative disponible via SageMaker Ground Truth Plus. Cela inclut de nouveaux flux de travail et interfaces utilisateur (UI) disponibles pour la préparation d'ensembles de données de démonstration utilisés dans le réglage fin supervisé, la collecte de commentaires humains de haute qualité pour créer des ensembles de données de préférence pour aligner les modèles de base d'IA générative avec les préférences humaines, ainsi que la personnalisation des modèles pour les créateurs d'applications. ' exigences de style, de substance et de voix.
Les défis du démarrage avec l'IA générative
Les applications d'IA génératives du monde entier intègrent des modèles de base monomodes et multimodaux pour résoudre de nombreux cas d'utilisation différents. Les plus courants sont les chatbots, les générateurs d'images et les générateurs de vidéos. Les grands modèles de langage (LLM) sont utilisés dans les chatbots pour des activités créatives, des assistants académiques et personnels, des outils de business intelligence et des outils de productivité. Vous pouvez utiliser des modèles texte-image pour générer des éléments artistiques et marketing abstraits ou réalistes de l'IA. Des modèles de texte en vidéo sont utilisés pour générer des vidéos pour des projets artistiques, des publicités très attrayantes, le développement de jeux vidéo et même le développement de films.
Deux des problèmes les plus importants à résoudre pour les producteurs de modèles qui créent des modèles de base et les constructeurs d'applications qui utilisent des modèles de base génératifs existants pour créer leurs propres outils et applications sont :
- Affiner ces modèles de base pour pouvoir effectuer des tâches spécifiques
- Les aligner sur les préférences humaines pour s'assurer qu'ils produisent des informations utiles, précises et inoffensives
Les modèles de base sont généralement pré-formés sur de grands corpus de données non étiquetées et ne fonctionnent donc pas bien en suivant les instructions en langage naturel. Pour un LLM, cela signifie qu'il peut être capable d'analyser et de générer un langage en général, mais qu'il peut ne pas être en mesure de répondre aux questions de manière cohérente ou de résumer le texte jusqu'à la qualité requise par l'utilisateur. Par exemple, lorsqu'un utilisateur demande un résumé d'un texte dans une invite, un modèle qui n'a pas été affiné pour résumer le texte peut simplement réciter le texte de l'invite à l'utilisateur ou répondre avec quelque chose de non pertinent. Si un utilisateur pose une question sur un sujet, la réponse d'un modèle peut simplement être une récitation de la question. Pour les modèles multimodaux, tels que les modèles texte-image ou texte-vidéo, les modèles peuvent générer un contenu sans rapport avec l'invite. Par exemple, si un graphiste d'entreprise demande à un modèle texte-image de créer un nouveau logo ou une image pour une publicité, le modèle peut ne pas générer de graphique pertinent lié à l'invite s'il n'a qu'un concept général d'image. et les éléments d'une image. Dans certains cas, un modèle peut produire une image ou une vidéo nuisible, mettant en péril la confiance des utilisateurs ou la réputation de l'entreprise.
Même si les modèles sont affinés pour effectuer des tâches spécifiques, ils peuvent ne pas être alignés sur les préférences humaines en ce qui concerne la signification, le style ou la substance de leur contenu de sortie. Dans un LLM, cela pourrait se manifester par un contenu inexact ou même nuisible généré par le modèle. Par exemple, un modèle qui n'est pas aligné sur les préférences humaines grâce à un réglage fin peut générer des instructions dangereuses, contraires à l'éthique ou même illégales lorsqu'un utilisateur le demande. Aucune attention n'aura été prise pour limiter le contenu généré par le modèle afin de s'assurer qu'il est aligné sur les préférences humaines pour être précis, pertinent et utile. Ce désalignement peut être un problème pour les entreprises qui s'appuient sur des modèles d'IA générative pour leurs applications, comme les chatbots et la création multimédia. Pour les modèles multimodaux, cela peut prendre la forme d'images ou de vidéos toxiques, dangereuses ou abusives. Il s'agit d'un risque lorsque des invites sont entrées dans le modèle sans intention de générer un contenu sensible, et également si le producteur du modèle ou le créateur de l'application n'avait pas l'intention de permettre au modèle de générer ce type de contenu, mais qu'il a quand même été généré.
Pour résoudre les problèmes de capacité spécifique à la tâche et d'alignement des modèles de base génératifs avec les préférences humaines, les producteurs de modèles et les créateurs d'applications doivent affiner les modèles avec des données à l'aide de démonstrations dirigées par l'homme et d'un retour humain des sorties du modèle.
Types de données et de formation
Il existe plusieurs types de méthodes de réglage fin avec différents types de données étiquetées qui sont classées comme réglage d'instructions - ou enseignement d'un modèle à suivre les instructions. Parmi eux figurent le réglage fin supervisé (SFT) à l'aide de données de démonstration et l'apprentissage par renforcement à partir de la rétroaction humaine (RLHF) à l'aide de données de préférence.
Données de démonstration pour un réglage fin supervisé
Pour affiner les modèles de base afin d'effectuer des tâches spécifiques telles que répondre à des questions ou résumer un texte de haute qualité, les modèles subissent une SFT avec des données de démonstration. Le but des données de démonstration est de guider le modèle en lui fournissant des exemples étiquetés (démonstrations) de tâches accomplies effectuées par des humains. Par exemple, pour apprendre à un LLM à répondre aux questions, un annotateur humain créera un ensemble de données étiqueté de paires de questions et réponses générées par l'homme pour démontrer comment une interaction question-réponse fonctionne linguistiquement et ce que le contenu signifie sémantiquement. Ce type de SFT entraîne le modèle à reconnaître les modèles de comportement démontrés par les humains dans les données d'entraînement de démonstration. Les producteurs de modèles doivent effectuer ce type de réglage fin pour montrer que leurs modèles sont capables d'effectuer de telles tâches pour les adopteurs en aval. Les créateurs d'applications qui utilisent des modèles de base existants pour leurs applications d'IA génératives peuvent avoir besoin d'affiner leurs modèles avec des données de démonstration sur ces tâches avec des données spécifiques à l'industrie ou à l'entreprise pour améliorer la pertinence et la précision de leurs applications.
Données de préférence pour le réglage des instructions telles que RLHF
Pour aligner davantage les modèles de base sur les préférences humaines, les producteurs de modèles, et en particulier les créateurs d'applications, doivent générer des ensembles de données de préférences pour effectuer le réglage des instructions. Les données de préférence dans le contexte du réglage d'instructions sont des données étiquetées qui capturent la rétroaction humaine par rapport à un ensemble d'options produites par un modèle de base génératif. Cela comprend généralement l'évaluation ou le classement de plusieurs inférences ou la comparaison par paires de deux inférences à partir d'un modèle de base en fonction d'un attribut spécifique. Pour les LLM, ces attributs peuvent être l'utilité, la précision et l'innocuité. Pour les modèles texte-image, il peut s'agir d'une qualité esthétique ou d'un alignement texte-image. Ces données de préférence basées sur la rétroaction humaine peuvent ensuite être utilisées dans diverses méthodes de réglage d'instructions, y compris RLHF, afin d'affiner davantage un modèle pour l'aligner sur les préférences humaines.
Le réglage des instructions à l'aide des données de préférence joue un rôle crucial dans l'amélioration de la personnalisation et de l'efficacité des modèles de base. Il s'agit d'une étape clé dans la création d'applications personnalisées sur des modèles de base pré-formés et d'une méthode puissante pour garantir que les modèles génèrent un contenu utile, précis et inoffensif. Un exemple courant de réglage des instructions consiste à demander à un chatbot de générer trois réponses à une requête, et de demander à un humain de lire et de classer les trois en fonction d'une dimension spécifiée, telle que la toxicité, l'exactitude factuelle ou la lisibilité. Par exemple, une entreprise peut utiliser un chatbot pour son service marketing et souhaite s'assurer que le contenu est aligné sur le message de sa marque, ne présente pas de biais et est clairement lisible. L'entreprise inviterait le chatbot lors du réglage des instructions à produire trois exemples et demanderait à ses experts internes de sélectionner ceux qui correspondent le mieux à leur objectif. Au fil du temps, ils construisent un ensemble de données utilisé pour enseigner au modèle quel style de contenu les humains préfèrent grâce à l'apprentissage par renforcement. Cela permet à l'application chatbot de produire un contenu plus pertinent, lisible et sûr.
SageMaker Ground Truth Plus
Ground Truth Plus vous aide à relever ces deux défis : générer des ensembles de données de démonstration avec des capacités spécifiques à la tâche, ainsi que collecter des ensembles de données de préférences à partir de commentaires humains pour aligner les modèles sur les préférences humaines. Vous pouvez demander des projets pour les LLM et les modèles multimodaux tels que le texte à l'image et le texte à la vidéo. Pour les LLM, les ensembles de données de démonstration clés incluent la génération de questions et réponses (Q&A), le résumé de texte, la génération de texte et la refonte de texte à des fins de modération de contenu, de changement de style ou de changement de longueur. Les principaux ensembles de données de préférences LLM incluent le classement et la classification des sorties de texte. Pour les modèles multimodaux, les principaux types de tâches incluent le sous-titrage d'images ou de vidéos ainsi que la journalisation des horodatages des événements dans les vidéos. Par conséquent, Ground Truth Plus peut aider à la fois les producteurs de modèles et les créateurs d'applications dans leur parcours d'IA générative.
Dans cet article, nous approfondissons le parcours de l'annotateur humain et de la rétroaction sur quatre cas couvrant à la fois les données de démonstration et les données de préférence pour les LLM et les modèles multimodaux : génération de paires de questions et réponses et classement de texte pour les LLM, ainsi que le sous-titrage d'image et sous-titrage vidéo pour les modèles multimodaux.
Grands modèles de langage
Dans cette section, nous discutons des paires de questions et réponses et du classement des textes pour les LLM, ainsi que des personnalisations que vous pouvez souhaiter pour votre cas d'utilisation.
Paires de questions et réponses
La capture d'écran suivante montre une interface utilisateur d'étiquetage dans laquelle un annotateur humain lit un passage de texte et génère à la fois des questions et des réponses lors du processus de création d'un ensemble de données de démonstration Q&R.
Passons en revue l'interface utilisateur dans la peau de l'annotateur. Sur le côté gauche de l'interface utilisateur, les instructions spécifiques du demandeur de travail sont présentées à l'annotateur. Dans ce cas, l'annotateur est censé lire le passage de texte présenté au centre de l'interface utilisateur et créer des questions et des réponses basées sur le texte. Sur le côté droit, les questions et les réponses que l'annotateur a écrites sont affichées. Le passage du texte ainsi que le type, la longueur et le nombre de questions et de réponses peuvent tous être personnalisés par le demandeur d'emploi lors de la configuration du projet avec l'équipe Ground Truth Plus. Dans ce cas, l'annotateur a créé une question qui nécessite de comprendre tout le passage du texte pour y répondre et qui est marquée d'un Références passage entier case à cocher. Les deux autres questions et réponses sont basées sur des parties spécifiques du passage de texte, comme le montrent les surbrillances de l'annotateur avec une correspondance codée par couleur. Facultativement, vous pouvez demander que les questions et les réponses soient générées sans un passage de texte fourni et fournir d'autres directives pour les annotateurs humains. Ceci est également pris en charge par Ground Truth Plus.
Une fois les questions et les réponses soumises, elles peuvent être transmises à un flux de travail de boucle de contrôle de la qualité facultatif où d'autres réviseurs humains confirmeront que la distribution définie par le client et les types de questions et de réponses ont été créés. S'il existe une inadéquation entre les exigences du client et ce que l'annotateur humain a produit, le travail sera renvoyé à un humain pour être retravaillé avant d'être exporté dans le cadre de l'ensemble de données à livrer au client. Lorsque l'ensemble de données vous est renvoyé, il est prêt à être intégré dans le flux de travail de réglage fin supervisé à votre discrétion.
Classement des textes
La capture d'écran suivante montre une interface utilisateur pour classer les sorties d'un LLM en fonction d'une invite.
Vous pouvez simplement écrire les instructions pour l'examinateur humain et apporter des invites et des réponses pré-générées à l'équipe du projet Ground Truth Plus pour commencer le travail. Dans ce cas, nous avons demandé à un évaluateur humain de classer trois réponses par invite d'un LLM sur la dimension de la clarté de l'écriture (lisibilité). Encore une fois, le volet de gauche affiche les instructions données au réviseur par le demandeur de travail. Au centre, l'invite se trouve en haut de la page et les trois réponses pré-générées constituent le corps principal pour une utilisation facile. Sur le côté droit de l'interface utilisateur, l'examinateur humain les classera dans l'ordre de l'écriture la plus claire à la moins claire.
Les clients souhaitant générer ce type d'ensemble de données de préférences incluent les créateurs d'applications intéressés par la création de chatbots de type humain, et souhaitent donc personnaliser les instructions pour leur propre usage. La longueur de l'invite, le nombre de réponses et la dimension de classement peuvent tous être personnalisés. Par exemple, vous souhaiterez peut-être classer cinq réponses dans l'ordre du plus au moins exact sur le plan factuel, biaisé ou toxique, ou même classer et classer plusieurs dimensions simultanément. Ces personnalisations sont prises en charge dans Ground Truth Plus.
Modèles multimodaux
Dans cette section, nous abordons le sous-titrage d'images et de vidéos pour la formation de modèles multimodaux tels que les modèles texte-image et texte-vidéo, ainsi que les personnalisations que vous voudrez peut-être apporter à votre cas d'utilisation particulier.
Légende d'image
La capture d'écran suivante montre une interface utilisateur d'étiquetage pour le sous-titrage d'image. Vous pouvez demander un projet avec des légendes d'image pour collecter des données afin de former un modèle texte-image ou un modèle image-texte.
Dans ce cas, nous avons demandé à former un modèle texte-image et avons défini des exigences spécifiques sur la légende en termes de longueur et de détails. L'interface utilisateur est conçue pour guider les annotateurs humains à travers le processus cognitif de génération de légendes riches en fournissant un cadre mental à l'aide d'outils d'assistance et de description. Nous avons constaté que la fourniture de ce cadre mental aux annotateurs se traduit par des légendes plus descriptives et précises que la simple fourniture d'une zone de texte modifiable seule.
La première étape du cadre consiste pour l'annotateur humain à identifier les objets clés dans l'image. Lorsque l'annotateur choisit un objet dans l'image, un point de couleur apparaît sur l'objet. Dans ce cas, l'annotateur a choisi à la fois le chien et le chat, créant deux champs modifiables sur le côté droit de l'interface utilisateur dans lesquels l'annotateur saisira les noms des objets (chat et chien) ainsi qu'une description détaillée de chaque objet. Ensuite, l'annotateur est guidé pour identifier toutes les relations entre tous les objets de l'image. Dans ce cas, le chat se détend à côté du chien. Ensuite, l'annotateur est invité à identifier des attributs spécifiques de l'image, tels que le cadre, l'arrière-plan ou l'environnement. Enfin, dans la zone de texte d'entrée de légende, l'annotateur est invité à combiner tout ce qu'il a écrit dans les champs d'objets, de relations et de paramètres d'image en une seule légende descriptive complète de l'image.
Si vous le souhaitez, vous pouvez configurer cette légende d'image pour qu'elle passe par une boucle de contrôle de qualité humaine avec des instructions spécifiques pour garantir que la légende répond aux exigences. Si un problème est identifié, tel qu'un objet clé manquant, cette légende peut être renvoyée pour qu'un humain corrige le problème avant l'exportation dans le cadre de l'ensemble de données de formation.
Sous-titrage vidéo
La capture d'écran suivante montre une interface utilisateur de sous-titrage vidéo pour générer des sous-titres vidéo riches avec des balises d'horodatage. Vous pouvez demander un projet de sous-titrage vidéo pour collecter des données afin de créer des modèles texte-vidéo ou vidéo-texte.
Dans cette interface utilisateur d'étiquetage, nous avons construit un cadre mental similaire pour garantir la rédaction de sous-titres de haute qualité. L'annotateur humain peut contrôler la vidéo sur le côté gauche et créer des descriptions et des horodatages pour chaque activité affichée dans la vidéo sur le côté droit avec les éléments de l'interface utilisateur. Semblable à l'interface utilisateur de sous-titrage d'image, il existe également un endroit où l'annotateur peut écrire une description détaillée du paramètre vidéo, de l'arrière-plan et de l'environnement. Enfin, l'annotateur est chargé de combiner tous les éléments dans une légende vidéo cohérente.
Semblable au cas des sous-titres d'image, les sous-titres vidéo peuvent éventuellement passer par un flux de travail de contrôle de la qualité basé sur l'homme pour déterminer si vos exigences sont satisfaites. S'il y a un problème avec les sous-titres vidéo, ils seront envoyés pour être retravaillés par l'équipe d'annotateurs humains.
Conclusion
Ground Truth Plus peut vous aider à préparer des ensembles de données de haute qualité pour affiner les modèles de base pour les tâches d'IA génératives, de la réponse aux questions à la génération d'images et de vidéos. Il permet également à une main-d'œuvre humaine qualifiée d'examiner les résultats du modèle pour s'assurer qu'ils sont alignés sur les préférences humaines. De plus, il permet aux créateurs d'applications de personnaliser des modèles à l'aide des données de leur secteur ou de leur entreprise pour s'assurer que leur application représente leur voix et leur style préférés. Ce sont les premières des nombreuses innovations de Ground Truth Plus, et d'autres sont en cours de développement. Restez à l'écoute pour les futurs messages.
Intéressé à démarrer un projet pour construire ou améliorer vos modèles et applications d'IA générative ? Commencez avec Ground Truth Plus en en contact avec notre équipe dès aujourd’hui.
À propos des auteurs
Jesse Mander est chef de produit senior dans l'équipe AWS AI/ML human in the loop services. Il travaille à l'intersection de l'IA et de l'interaction humaine dans le but de créer et d'améliorer des produits et services d'IA/ML pour répondre à nos besoins. Auparavant, Jesse a occupé des postes de direction dans l'ingénierie chez Apple et Lumileds, et a été scientifique principal dans une startup de la Silicon Valley. Il a une maîtrise et un doctorat. de l'Université de Floride et un MBA de l'Université de Californie, Berkeley, Haas School of Business.
Romi Datta est Senior Manager of Product Management au sein de l'équipe Amazon SageMaker responsable des services Human in the Loop. Il travaille chez AWS depuis plus de 4 ans, occupant plusieurs postes de direction dans la gestion des produits dans SageMaker, S3 et IoT. Avant AWS, il a occupé divers postes de gestion de produits, d'ingénierie et de leadership opérationnel chez IBM, Texas Instruments et Nvidia. Il a une maîtrise et un doctorat. en génie électrique et informatique de l'Université du Texas à Austin et un MBA de la Booth School of Business de l'Université de Chicago.
Jonathan Buck est un ingénieur logiciel chez Amazon Web Services travaillant à l'intersection de l'apprentissage automatique et des systèmes distribués. Son travail consiste à produire des modèles d'apprentissage automatique et à développer de nouvelles applications logicielles alimentées par l'apprentissage automatique pour mettre les dernières fonctionnalités entre les mains des clients.
Alex Williams est un scientifique appliqué au sein de l'équipe scientifique human-in-the-loop d'AWS AI où il mène des recherches sur les systèmes interactifs à l'intersection de l'interaction homme-machine (HCI) et de l'apprentissage automatique. Avant de rejoindre Amazon, il était professeur au Département de génie électrique et d'informatique de l'Université du Tennessee où il a codirigé le laboratoire de recherche sur les personnes, les agents, les interactions et les systèmes (PAIRS). Il a également occupé des postes de recherche chez Microsoft Research, Mozilla Research et l'Université d'Oxford. Il publie régulièrement son travail dans les principaux lieux de publication pour HCI, tels que CHI, CSCW et UIST. Il détient un doctorat de l'Université de Waterloo.
Sarah Gao est responsable du développement logiciel chez Amazon SageMaker Human In the Loop (HIL) responsable de la création de la plate-forme d'étiquetage basée sur ML. Sarah travaille chez AWS depuis plus de 4 ans, occupant plusieurs postes de direction dans la gestion des logiciels dans la sécurité EC2 et SageMaker. Avant AWS, elle a occupé divers postes de gestion de l'ingénierie chez Oracle et Sun Microsystem.
Erran Li est responsable des sciences appliquées chez human-in-the-loop services, AWS AI, Amazon. Ses intérêts de recherche sont l'apprentissage profond 3D et l'apprentissage de la vision et de la représentation du langage. Auparavant, il était scientifique principal chez Alexa AI, responsable de l'apprentissage automatique chez Scale AI et scientifique en chef chez Pony.ai. Auparavant, il faisait partie de l'équipe de perception d'Uber ATG et de l'équipe de la plateforme d'apprentissage automatique d'Uber, travaillant sur l'apprentissage automatique pour la conduite autonome, les systèmes d'apprentissage automatique et les initiatives stratégiques de l'IA. Il a commencé sa carrière aux Bell Labs et a été professeur adjoint à l'Université de Columbia. Il a co-enseigné des tutoriels à ICML'17 et ICCV'19, et co-organisé plusieurs ateliers à NeurIPS, ICML, CVPR, ICCV sur l'apprentissage automatique pour la conduite autonome, la vision 3D et la robotique, les systèmes d'apprentissage automatique et l'apprentissage automatique contradictoire. Il est titulaire d'un doctorat en informatique de l'Université Cornell. Il est membre ACM et membre IEEE.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- PlatoAiStream. Intelligence des données Web3. Connaissance Amplifiée. Accéder ici.
- Frapper l'avenir avec Adryenn Ashley. Accéder ici.
- Achetez et vendez des actions de sociétés PRE-IPO avec PREIPO®. Accéder ici.
- La source: https://aws.amazon.com/blogs/machine-learning/high-quality-human-feedback-for-your-generative-ai-applications-from-amazon-sagemaker-ground-truth-plus/
- :possède
- :est
- :ne pas
- :où
- $UP
- 100
- 3d
- 7
- a
- Capable
- A Propos
- RÉSUMÉ
- académique
- Selon
- précision
- Avec cette connaissance vient le pouvoir de prendre
- ACM
- activité
- En outre
- propos
- adopteurs
- progrès
- contradictoire
- Publicité
- encore
- agents
- AI
- art de l'IA
- AI / ML
- Alexa
- aligner
- aligné
- alignement
- Tous
- permettre
- permet
- seul
- le long de
- aussi
- Amazon
- Amazon Sage Maker
- Vérité au sol Amazon SageMaker
- Amazon Web Services
- parmi
- an
- ainsi que
- répondre
- réponses
- apparaît
- Apple
- Application
- applications
- appliqué
- SONT
- autour
- Art
- AS
- Outils
- assistants
- associé
- At
- attributs
- austin
- autonome
- disponibles
- AWS
- RETOUR
- fond
- basé
- BE
- était
- before
- va
- Bell
- Berkeley
- jusqu'à XNUMX fois
- biaisé
- biais
- corps
- tous les deux
- Box
- brand
- apporter
- construire
- constructeur
- constructeurs
- Développement
- construit
- la performance des entreprises
- l'intelligence d'entreprise
- mais
- by
- Californie
- CAN
- capacités
- capable
- légendes
- captures
- les soins
- Carrière
- maisons
- cas
- CHAT
- Canaux centraux
- Change
- Chatbot
- Chatbots
- vérifier
- Chicago
- chef
- choisi
- clarté
- Classer
- clair
- clairement
- cognitif
- COHÉRENT
- COLUMBIA
- combiner
- Commun
- Sociétés
- Société
- comparant
- complet
- Complété
- ordinateur
- Ingénierie informatique
- Informatique
- concept
- conduit
- confiance
- Confirmer
- contenu
- contexte
- des bactéries
- Cornell
- Entreprises
- correct
- pourriez
- couvrant
- engendrent
- créée
- La création
- création
- Conception
- crucial
- Customiser
- des clients
- Clients
- personnaliser
- sont adaptées
- dangereux
- données
- ensembles de données
- profond
- l'apprentissage en profondeur
- profond
- livrer
- livré
- démontrer
- démontré
- Département
- la description
- Conception
- un
- Création de Design
- détail
- détaillé
- Déterminer
- développement
- Développement
- différent
- Dimension
- dimensions
- discrétion
- discuter
- distribué
- systèmes distribués
- distribution
- do
- Ne fait pas
- Chien
- fait
- Ne pas
- DOT
- conduite
- pendant
- chacun
- facilité
- facilité d'utilisation
- efficacité
- éléments
- permet
- engageant
- ingénieur
- ENGINEERING
- améliorer
- assurer
- Entrer
- Tout
- Environment
- notamment
- Pourtant, la
- événements
- exemple
- exemples
- exposer
- existant
- expert
- nous a permis de concevoir
- de santé
- Réactions
- compagnon
- Des champs
- Film
- finalement
- Prénom
- Floride
- flux
- suivre
- Abonnement
- Pour
- formulaire
- trouvé
- Fondation
- quatre
- Framework
- De
- plus
- avenir
- jeu
- développement de jeu
- GAO
- recueillir
- rassemblement
- Général
- générer
- généré
- générateur
- génération
- génératif
- IA générative
- générateurs
- obtenez
- obtention
- donné
- objectif
- Graphique
- Sol
- guide
- lignes directrices
- ait eu
- Mains
- nuisible
- Vous avez
- HCI
- he
- front
- lourd
- levage de charges lourdes
- Tenue
- vous aider
- utile
- aide
- Haute
- de haute qualité
- Faits saillants
- très
- sa
- tenue
- détient
- Comment
- How To
- HTML
- HTTPS
- humain
- Les êtres humains
- IBM
- identifié
- identifier
- IEEE
- if
- Illégal
- image
- satellite
- important
- améliorer
- l'amélioration de
- in
- inexacte
- comprendre
- inclut
- intégrer
- industrie
- spécifique à l'industrie
- les initiatives
- innovations
- contribution
- Des instructions
- instruments
- Intelligence
- prévu
- Intention
- l'interaction
- interactions
- Interactif
- intéressé
- intérêts
- interfaces
- interne
- intersection
- développement
- IOT
- aide
- vous aider à faire face aux problèmes qui vous perturbent
- IT
- SES
- lui-même
- Emploi
- joindre
- chemin
- jpg
- juste
- ACTIVITES
- Genre
- spécialisées
- l'étiquetage
- Etiquettes
- laboratoire
- Labs
- langue
- gros
- Nouveautés
- Leadership
- APPRENTISSAGE
- apprentissage
- au
- à gauche
- Longueur
- lifting
- LIMIT
- LLM
- enregistrement
- logo
- click
- machine learning
- Entrée
- a prendre une
- gestion
- manager
- gère
- les gérer
- de nombreuses
- marqué
- Stratégie
- assorti
- Mai..
- sens
- veux dire
- Découvrez
- Se rencontre
- mental
- message
- méthode
- méthodes
- Microsoft
- manquant
- ML
- modèle
- numériques jumeaux (digital twin models)
- modération
- PLUS
- (en fait, presque toutes)
- Mozilla
- Multimédia
- plusieurs
- must
- noms
- Nature
- Besoin
- Besoins
- Nouveauté
- next
- aucune
- roman
- maintenant
- nombre
- Nvidia
- objet
- objets
- of
- on
- et, finalement,
- uniquement
- opérationnel
- Options
- or
- oracle
- de commander
- Autre
- nos
- sortie
- plus de
- propre
- Oxford
- page
- paire
- paires
- pain
- partie
- particulier
- les pièces
- passé
- motifs
- Personnes
- perception
- Effectuer
- effectuer
- personnel
- Personnalisation
- Place
- plateforme
- Platon
- Intelligence des données Platon
- PlatonDonnées
- joue
- plus
- positions
- Post
- Poteaux
- alimenté
- solide
- préfère
- préférences
- préféré
- premier
- Préparer
- en train de préparer
- présenté
- précédemment
- Avant
- Problème
- d'ouvrabilité
- processus
- produire
- Produit
- producteur
- Nos producteurs
- Produit
- gestion des produits
- chef de produit
- productivité
- Produits
- Professeur
- Projet
- projets
- fournir
- à condition de
- aportando
- Publication
- Publie
- but
- des fins
- mettre
- Questions et réponses
- qualité
- question
- fréquemment posées
- Classement
- clients
- Lire
- solutions
- réaliste
- récent
- reconnaître
- régulièrement
- en relation
- Les relations
- pertinent
- compter
- enlever
- représentation
- représente
- réputation
- nécessaire
- demandes
- conditions
- Exigences
- a besoin
- un article
- respect
- Réagir
- réponse
- réponses
- responsables
- Résultats
- Avis
- Rich
- bon
- Analyse
- risquer
- robotique
- Rôle
- rôle
- s
- des
- sagemaker
- Escaliers intérieurs
- échelle ai
- L'école
- Sciences
- Scientifique
- Section
- sécurité
- supérieur
- sensible
- envoyé
- Services
- service
- set
- Sets
- mise
- installation
- plusieurs
- Partager
- elle
- montrer
- montré
- Spectacles
- côté
- Silicium
- Silicon Valley
- similaires
- simplement
- simultanément
- unique
- qualifié
- Logiciels
- développement de logiciels
- Software Engineer
- RÉSOUDRE
- quelques
- quelque chose
- groupe de neurones
- spécifié
- Commencer
- j'ai commencé
- Commencez
- Commencez
- rester
- étapes
- Stratégique
- Catégorie
- soumis
- substance
- tel
- résumé
- RÉSUMÉ
- Dimanche
- Appareils
- supposé
- Système
- Prenez
- tâches
- Tâche
- tâches
- Enseignement
- équipe
- Tennessee
- conditions
- Texas
- que
- qui
- La
- le monde
- leur
- Les
- puis
- Là.
- donc
- Ces
- l'ont
- this
- trois
- Avec
- fiable
- horodatage
- à
- aujourd'hui
- les outils
- top
- sujet
- Tour
- Train
- qualifié
- Formation
- les trains
- Vérité
- tutoriels
- deux
- type
- types
- typiquement
- Uber
- ui
- compréhension
- université
- Université de la Californie
- Université de Chicago
- Université d'Oxford
- utilisé
- cas d'utilisation
- d'utiliser
- Utilisateur
- en utilisant
- Vallée
- variété
- divers
- lieux
- Vidéo
- jeu vidéo
- Vidéos
- vision
- Voix
- souhaitez
- vouloir
- veut
- était
- we
- web
- services Web
- WELL
- Quoi
- quand
- qui
- WHO
- la totalité
- sera
- comprenant
- sans
- activités principales
- travaillé
- workflow
- workflows
- Nos inspecteurs
- de travail
- vos contrats
- Ateliers
- world
- pourra
- écrire
- écriture
- code écrit
- années
- Vous n'avez
- Votre
- zéphyrnet