Dans son livre Le livre du pourquoi, Judea Pearl préconise d'enseigner les principes de cause à effet aux machines afin d'améliorer leur intelligence. Les réalisations de l'apprentissage en profondeur ne sont essentiellement qu'un type d'ajustement de courbe, alors que la causalité pourrait être utilisée pour découvrir les interactions entre les systèmes du monde sous diverses contraintes sans tester directement les hypothèses. Cela pourrait fournir des réponses qui nous conduisent à l'IAG (intelligence artificielle généralisée).
Cette solution propose un cadre d'inférence causale utilisant des réseaux bayésiens pour représenter les dépendances causales et tirer des conclusions causales basées sur l'imagerie satellitaire observée et les données d'essais expérimentaux sous la forme de conditions météorologiques et pédologiques simulées. Le un exemple est la relation causale entre l'application d'engrais à base d'azote et les rendements du maïs.
L'imagerie satellite est traitée à l'aide de Fonctionnalités géospatiales d'Amazon SageMaker et enrichi de sur-mesure Traitement d'Amazon SageMaker opérations. Le moteur d'inférence causale est déployé avec Inférence asynchrone Amazon SageMaker.
Dans cet article, nous montrons comment créer cette analyse contrefactuelle en utilisant Amazon SageMaker JumpStart de Red Lion
Vue d'ensemble de la solution
Le diagramme suivant montre l'architecture du flux de travail de bout en bout.
Pré-requis
Vous avez besoin d'un Compte AWS pour utiliser cette solution.
Pour exécuter cette solution JumpStart 1P et déployer l'infrastructure sur votre compte AWS, vous devez créer un Amazon SageMakerStudio cas (voir Intégration au domaine Amazon SageMaker). Lorsque votre instance de Studio est prête, suivez les instructions de SageMaker JumpStart pour lancer la solution Crop Yield Counterfactuals.
Notez que cette solution est actuellement disponible uniquement dans la région USA Ouest (Oregon).
Inférence causale
La causalité consiste à comprendre le changement, mais comment formaliser cela dans les statistiques et l'apprentissage automatique (ML) n'est pas un exercice trivial.
Dans cette étude sur le rendement des cultures, l'azote ajouté comme engrais et les résultats de rendement pourraient être confondus. De même, l'azote ajouté comme engrais et les résultats de la lixiviation de l'azote pourraient également être confondus, en ce sens qu'une cause commune peut expliquer leur association. Cependant, l'association n'est pas la causalité. Si nous savons quels facteurs observés confondent l'association, nous en tenons compte, mais que se passe-t-il s'il existe d'autres variables cachées responsables de la confusion ? Réduire la quantité d'engrais ne réduira pas nécessairement l'azote résiduel ; de même, cela pourrait ne pas diminuer considérablement le rendement, alors que le sol et les conditions climatiques pourraient être les facteurs observés qui confondent l'association. Comment gérer la confusion est le problème central de l'inférence causale. Une technique introduite par RA Fisher appelée essai contrôlé randomisé vise à briser les confusions possibles.
Cependant, en l'absence d'essais contrôlés randomisés, il est nécessaire d'établir une inférence causale uniquement à partir de données d'observation. Il existe des moyens de relier les questions causales aux données dans les études d'observation en écrivant le modèle graphique causal sur ce que nous postulons comme la façon dont les choses se produisent. Cela implique de prétendre que les traversées correspondantes captureront les dépendances correspondantes, tout en satisfaisant le critère graphique d'ignorabilité conditionnelle (dans quelle mesure nous pouvons traiter la causalité comme une association basée sur les hypothèses causales). Après avoir postulé la structure, nous pouvons utiliser les invariances implicites pour tirer des enseignements des données d'observation et poser des questions causales, en déduisant des affirmations causales sans essais contrôlés randomisés.
Cette solution utilise à la fois des données d'essais contrôlés randomisés simulés (ECR) et des données d'observation issues d'imagerie satellitaire. Une série de simulations menées sur des milliers de champs et plusieurs années dans l'Illinois (États-Unis) sont utilisées pour étudier la réponse du maïs à l'augmentation des taux d'azote pour une large combinaison de variations météorologiques et de sols observées dans la région. Il aborde la limitation de l'utilisation de données d'essai limitées dans le nombre de sols et d'années qu'il peut explorer en utilisant des simulations de cultures de divers scénarios agricoles et géographiques. La base de données a été calibrée et validée à l'aide des données de plus de 400 essais dans la région. La concentration initiale d'azote dans le sol a été fixée au hasard dans une fourchette raisonnable.
De plus, la base de données est enrichie d'observations d'imagerie satellitaire, tandis que les statistiques zonales sont dérivées d'indices spectraux afin de représenter les changements spatio-temporels de la végétation, observés à travers les géographies et les phases phénologiques.
Inférence causale avec les réseaux bayésiens
Les modèles causals structurels (SCM) utilisent des modèles graphiques pour représenter les dépendances causales en incorporant à la fois des données et des entrées humaines. Un type particulier de modèle causal de structure appelé réseaux bayésiens est proposé pour modéliser la dynamique de la phénologie des cultures à l'aide d'expressions probabilistes en représentant les variables comme des nœuds et les relations entre les variables comme des arêtes. Les nœuds sont des indicateurs de la croissance des cultures, du sol et des conditions météorologiques, et les bords entre eux représentent des relations causales spatio-temporelles. Les nœuds parents sont des paramètres liés au champ (y compris le jour du semis et la superficie plantée), et les nœuds enfants sont des mesures de rendement, d'absorption d'azote et de lessivage d'azote.
Pour plus d'informations, reportez-vous à la caractérisation de la base de données et par guide pour identifier les stades de croissance du maïs.
Quelques étapes sont nécessaires pour construire un modèle de réseaux bayésiens (avec CausalNex) avant de pouvoir l'utiliser pour une analyse contrefactuelle et interventionnelle. La structure du modèle causal est initialement apprise à partir des données, tandis que l'expertise en la matière (littérature de confiance ou croyances empiriques) est utilisée pour postuler des dépendances et des indépendances supplémentaires entre les variables aléatoires et les variables d'intervention, ainsi que pour affirmer que la structure est causale.
En utilisant PAS DE LARMES, un algorithme d'optimisation continue pour l'apprentissage de la structure, la structure du graphe décrivant les dépendances conditionnelles entre les variables est apprise à partir des données, avec un ensemble de contraintes imposées sur les arêtes, les nœuds parents et les nœuds enfants qui ne sont pas autorisés dans le modèle causal. Cela préserve les dépendances temporelles entre les variables. Voir le code suivant :
"""
tabu_edges: Imposing edges that are not allowed in the causal model
tabu_parents: Imposing parent nodes that are not allowed in the causal model
tabu_child: Imposing child nodes that are not allowed in the causal model """
from causalnex.structure.notears import from_pandas g_learned = from_pandas( X, tabu_edges=tabu_edges, tabu_parent_nodes=tabu_parents, tabu_child_nodes=tabu_child, max_iter=100,
)
L'étape suivante encode les connaissances du domaine dans des modèles et capture la dynamique de la phénologie, tout en évitant les relations fallacieuses. Analyse de multicolinéarité, analyse des facteurs d'inflation de variation et importance globale des caractéristiques à l'aide de FORME des analyses sont menées pour extraire des informations et des contraintes sur les variables de stress hydrique (expansion, phénologie et photosynthèse autour de la floraison), les variables météorologiques et pédologiques, les indices spectraux et les indicateurs basés sur l'azote :
"""
edges: Modifying the structure by imposing constraints on edges """
from causalnex.structure import StructureModel g = StructureModel()
g.add_edges_from( edges, origin="expert" )
Les réseaux bayésiens dans CausalNex ne prennent en charge que les distributions discrètes. Toutes les caractéristiques continues, ou les caractéristiques avec un grand nombre de catégories, sont discrétisées avant d'ajuster le réseau bayésien :
from causalnex.discretiser.discretiser_strategy import ( DecisionTreeSupervisedDiscretiserMethod, MDLPSupervisedDiscretiserMethod
) discretiser = DecisionTreeSupervisedDiscretiserMethod( mode="single", tree_params={"max_depth": 2, "random_state": 2022},
)
discretiser.fit( feat_names=features, dataframe=df, target_continuous=True, target=target,
)
Une fois la structure examinée, la distribution de probabilité conditionnelle de chaque variable compte tenu de ses parents peut être apprise à partir des données, dans une étape appelée estimation de vraisemblance:
from causalnex.network import BayesianNetwork bn = BayesianNetwork(g)
bn = bn.fit_node_states(discretised_data)
bn = bn.fit_cpds( train, method="BayesianEstimator", bayes_prior="K2",
)
Enfin, la structure et les vraisemblances sont utilisées pour effectuer une inférence observationnelle à la volée, suivant une approche déterministe. Algorithme de l'arbre de jonction (JTA), et d'intervenir en utilisant faire du calcul. Inférence asynchrone SageMaker permet de mettre en file d'attente les requêtes entrantes et de les traiter de manière asynchrone. Cette option est idéale pour les scénarios d'inférence observationnels et contrefactuels, où le processus ne peut pas être parallélisé, ce qui prend beaucoup de temps pour mettre à jour les probabilités sur l'ensemble du réseau, bien que plusieurs requêtes puissent être exécutées en parallèle. Voir le code suivant :
"""
Query the marginal likelihood of states in the graph given some observations. These observations can be made anywhere in the network, and their impact will be propagated through to the node of interest. """
from causalnex.inference import InferenceEngine ie = InferenceEngine(bn) pseudo_observation = [{"day_sow":0}, {"day_sow":1}, {"day_sow":2}]
marginals_multi = ie.query( pseudo_observation, parallel=True, num_cores=multiprocessing.cpu_count(),
)
# distribution before intervention
marginals_before = ie.query()["Y_corn"] # updating a node distribution
ie.do_intervention("N_fert", 0) # effect of do on marginals
marginals_after = ie.query()["Y_corn"] # Resetting the node distribution
ie.reset_do("N_fert")
Pour plus de détails, reportez-vous au script d'inférence.
Le modèle causal cahier est un guide étape par étape sur l'exécution des étapes précédentes.
Traitement des données géospatiales
Emplois Observation de la Terre (EOJ) sont enchaînés pour acquérir et transformer des images satellite, tandis que des opérations spécialement conçues et des modèles pré-formés sont utilisés pour l'élimination des nuages, le mosaïquage, les opérations mathématiques de bande et le rééchantillonnage. Dans cette section, nous discutons plus en détail des étapes de traitement géospatial.
Zone d'intérêt
Dans la figure suivante, les polygones verts sont les comtés sélectionnés, la grille orange est la carte de la base de données (une grille de cellules de 10 x 10 km où des essais sont menés dans la région) et la grille de carrés en niveaux de gris est le 100 km x 100 km Grille de carrelage Sentinel-2 UTM.
Des fichiers spatiaux sont utilisés pour cartographier la base de données simulée avec l'imagerie satellite correspondante, superposant des polygones de cellules de 10 km x 10 km qui divisent l'état de l'Illinois (où des essais sont menés dans la région), des polygones de comtés et des polygones Sentinel de 100 km x 100 km. 2 tuiles UTM. Pour optimiser le pipeline de traitement des données géospatiales, quelques tuiles Sentinel-2 à proximité sont d'abord sélectionnées. Ensuite, les géométries agrégées des tuiles et des cellules sont superposées afin d'obtenir la région d'intérêt (RoI). Les comtés et les ID de cellule qui sont pleinement observés dans le RoI sont sélectionnés pour former la géométrie du polygone transmise aux EOJ.
Intervalle de temps
Pour cet exercice, le cycle phénologique du maïs est divisé en trois stades : les stades végétatifs v5 à R1 (levée, collet des feuilles et panicule), les stades reproducteurs R1 à R4 (soie, vésicule, lait et pâte) et les stades reproducteurs R5 (bosselé) et R6 (maturité physiologique). Des visites satellitaires consécutives sont acquises pour chaque stade phénologique dans un intervalle de temps de 2 semaines et une zone d'intérêt prédéfinie (comtés sélectionnés), permettant l'analyse spatiale et temporelle de l'imagerie satellitaire. La figure suivante illustre ces métriques.
Suppression des nuages
La suppression des nuages pour les données Sentinel-2 utilise un modèle de segmentation sémantique basé sur ML pour identifier les nuages dans l'image, où les pixels nuageux sont remplacés par avec la valeur -9999 (valeur nodata) :
request_polygon_coordinates = [[(-90.571754, 39.839326), (-90.893651, 39.84092), (-90.916609, 39.845075), (-90.916071, 39.757168), (-91.147678, 39.75707), (-91.265848, 39.757258), (-91.365125, 39.758723), (-91.367962, 39.759124), (-91.365396, 39.777266), (-91.432919, 39.840554), (-91.446385, 39.870394), (-91.455887, 39.945538), (-91.460287, 39.980333), (-91.494865, 40.037421), (-91.510322, 40.127994), (-91.512974, 40.181062), (-91.510332, 40.201142), (-91.258828, 40.197299), (-90.911969, 40.193088), (-90.909756, 40.284394), (-90.450227, 40.276335), (-90.451502, 40.188892), (-90.199556, 40.183945), (-90.118966, 40.235263), (-90.033026, 40.377806), (-89.92468, 40.435921), (-89.717104, 40.435655), (-89.714927, 40.319218), (-89.602979, 40.320129), (-89.601604, 40.122432), (-89.578289, 39.976127), (-89.698259, 39.975309), (-89.701864, 39.916787), (-89.994506, 39.901925), (-89.994405, 39.87286), (-90.583534, 39.87675), (-90.582435, 39.854574), (-90.571754, 39.839326)]]
start_time = '2018-08-15T00:00:00Z'
end_time = '2018-09-15T00:00:00Z' eoj_input_config = { "RasterDataCollectionQuery": { "RasterDataCollectionArn": 'arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8', "AreaOfInterest": { "AreaOfInterestGeometry": { "PolygonGeometry": {"Coordinates": request_polygon_coordinates} } }, "TimeRangeFilter": {"StartTime": start_time, "EndTime": end_time}, "PropertyFilters": { "Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 10}}}], "LogicalOperator": "AND", }, }
} eoj_config = { "JobConfig": { "CloudRemovalConfig": { "AlgorithmName": "INTERPOLATION", "InterpolationValue": "-9999", "TargetBands": ["red", "green", "blue", "nir", "swir16"], }, }
} eojParams = { "Name": "cloudremoval", "InputConfig": eoj_input_config, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Une fois l'EOJ créé, l'ARN est renvoyé et utilisé pour effectuer l'opération géomosaïque suivante.
Pour obtenir le statut d'un travail, vous pouvez exécuter sg_client.get_earth_observation_job(Arn = response['Arn']).
Géomosaïque
La géomosaïque EOJ est utilisée pour fusionner les images de plusieurs visites satellites dans une grande mosaïque, en écrasant les nodata ou les pixels transparents (y compris les pixels nuageux) avec des pixels d'autres horodatages :
eoj_config = {"JobConfig": {"GeoMosaicConfig": {"AlgorithmName": "NEAR"}}} eojParams = { "Name": "geomosaic", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Une fois l'EOJ créé, l'ARN est renvoyé et utilisé pour effectuer l'opération de rééchantillonnage suivante.
Rééchantillonnage
Le rééchantillonnage est utilisé pour réduire la résolution de l'image géospatiale afin de correspondre à la résolution des masques de recadrage (rééchelonnement de la résolution de 10 à 30 m):
eoj_config = { "JobConfig": { "ResamplingConfig": { "OutputResolution": {"UserDefined": {"Value": 30, "Unit": "METERS"}}, "AlgorithmName": "NEAR", }, }
} eojParams = { "Name": "resample", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Une fois l'EOJ créé, l'ARN est renvoyé et utilisé pour effectuer l'opération mathématique de bande suivante.
Mathématiques de bande
Les opérations mathématiques de bande sont utilisées pour transformer les observations de plusieurs bandes spectrales en une seule bande. Il comprend les indices spectraux suivants :
- EVI2 – Indice de végétation amélioré à deux bandes
- DGVI – Indice généralisé de végétation par différence
- NDMI – Indice d'humidité différentiel normalisé
- NDVI – Indice de végétation différentiel normalisé
- NDWI - Indice d'eau de différence normalisé
Voir le code suivant:
spectral_indices = [['EVI2', ' 2.5 * ( nir - red ) / ( nir + 2.4 * red + 1.0 ) '], ['GDVI', ' ( ( nir * * 2.0 ) - ( red * * 2.0 ) ) / ( ( nir * * 2.0 ) + ( red * * 2.0 ) ) '], ['NDMI', ' ( nir - swir16 ) / ( nir + swir16 ) '], ['NDVI', ' ( nir - red ) / ( nir + red ) '], ['NDWI', ' ( green - nir ) / ( green + nir ) ']] eoj_config = { "JobConfig": { "BandMathConfig": {"CustomIndices": {"Operations": []}}, }
} for indices in spectral_indices: eoj_config["JobConfig"]["BandMathConfig"]["CustomIndices"]["Operations"].append( {"Name": indices[0], "Equation": indices[1][1:-1]} ) eojParams = { "Name": "bandmath", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Statistiques zonales
Les indices spectraux sont encore enrichis en utilisant Traitement d'Amazon SageMaker, où la logique personnalisée basée sur GDAL est utilisée pour effectuer les opérations suivantes :
- Fusionner le indices spectraux en une seule mosaïque multicanal
- Reprojeter la mosaïque au masque de recadragela projection de
- Appliquez le masque de recadrage et reprojetez la mosaïque sur le CRC des polygones de cellules
- Calculer les statistiques zonales pour les polygones sélectionnés (cellules de 10 km x 10 km)
Avec la distribution de données parallélisée, les fichiers manifestes (pour chaque stade phénologique de la culture) sont distribués sur plusieurs instances en utilisant le ShardedByS3Key
Type de distribution de données S3. Pour plus de détails, reportez-vous au script d'extraction de fonctionnalités.
Le traitement géospatial cahier est un guide étape par étape sur l'exécution des étapes précédentes.
La figure suivante montre les canaux RVB de visites satellites consécutives représentant les stades végétatifs et reproducteurs du cycle phénologique du maïs, avec (à droite) et sans (à gauche) masques de culture (CW 20, 26 et 33, 2018 Central Illinois).
Dans la figure suivante, les indices spectraux (NDVI, EVI2, NDMI) de visites satellites consécutives représentent les stades végétatifs et reproducteurs du cycle phénologique du maïs (CW 20, 26 et 33, 2018 Central Illinois).
Nettoyer
Si vous ne souhaitez plus utiliser cette solution, vous pouvez supprimer les ressources qu'elle a créées. Une fois la solution déployée dans Studio, choisissez Supprimer toutes les ressources pour supprimer automatiquement toutes les ressources standard qui ont été créées lors du lancement de la solution, y compris le compartiment S3.
Conclusion
Cette solution fournit un modèle pour les cas d'utilisation où l'inférence causale avec les réseaux bayésiens est la méthodologie préférée pour répondre aux questions causales à partir d'une combinaison de données et d'entrées humaines. Le flux de travail comprend une mise en œuvre efficace du moteur d'inférence, qui met en file d'attente les requêtes et interventions entrantes et les traite de manière asynchrone. L'aspect modulaire permet la réutilisation de divers composants, y compris le traitement géospatial avec des opérations spécialement conçues et des modèles pré-formés, l'enrichissement de l'imagerie satellitaire avec des opérations GDAL personnalisées et l'ingénierie des caractéristiques multimodales (indices spectraux et données tabulaires).
De plus, vous pouvez utiliser cette solution comme modèle pour créer des modèles de cultures maillées où la gestion des engrais azotés et l'analyse des politiques environnementales sont menées.
Pour plus d'informations, reportez-vous à Modèles de solutions et suivre la guide pour lancer la solution Crop Yield Counterfactuals dans la région USA Ouest (Oregon). Le code est disponible dans le GitHub repo.
Citations
German Mandrini, Sotirios V. Archontoulis, Cameron M. Pittelkow, Taro Mieno, Nicolas F. Martin,
Ensemble de données simulées de la réponse du maïs à l'azote sur des milliers de champs et plusieurs années dans l'Illinois,
Données en bref, Volume 40, 2022, 107753, ISSN 2352-3409
Les ressources utiles
À propos des auteurs
Paul Barna est Senior Data Scientist au Machine Learning Prototyping Labs chez AWS.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- Platoblockchain. Intelligence métaverse Web3. Connaissance Amplifiée. Accéder ici.
- La source: https://aws.amazon.com/blogs/machine-learning/generate-a-counterfactual-analysis-of-corn-response-to-nitrogen-with-amazon-sagemaker-jumpstart-solutions/
- :est
- 1
- 10
- 100
- 2018
- 2021
- 2022
- 39
- 7
- a
- A Propos
- réalisations
- Compte
- acquérir
- a acquise
- à travers
- infection
- ajoutée
- ajout
- Supplémentaire
- adresses
- défenseurs
- Après
- AGI
- vise
- algorithme
- Tous
- permet
- Bien que
- Amazon
- Amazon Sage Maker
- Amazon SageMaker JumpStart
- parmi
- montant
- selon une analyse de l’Université de Princeton
- ainsi que
- réponses
- de n'importe où
- Application
- architecture
- SONT
- Réservé
- autour
- AS
- d'aspect
- Affirmer
- Association
- At
- automatiquement
- disponibles
- en évitant
- AWS
- BANDE
- basé
- Bayésien
- BE
- before
- jusqu'à XNUMX fois
- Bleu
- livre
- Pause
- vaste
- construire
- Développement
- by
- appelé
- CAN
- capacités
- capturer
- captures
- cas
- catégories
- Causes
- Cellules
- central
- enchaîné
- Change
- Modifications
- Voies
- enfant
- Selectionnez
- réclame
- prétentions
- le cloud
- code
- Colliers
- combinaison
- Commun
- composants électriques
- concentration
- conditions
- menée
- NOUS CONTACTER
- consécutif
- contraintes
- continu
- des bactéries
- contrôlée
- Correspondant
- pourriez
- engendrent
- créée
- récolte
- Lecture
- courbe
- Customiser
- Construit sur mesure
- cycle
- données
- informatique
- Data Scientist
- data-driven
- Base de données
- journée
- profond
- l'apprentissage en profondeur
- démontrer
- déployé
- Dérivé
- détail
- détails
- différence
- directement
- discuter
- distribué
- distribution
- distributions
- divisé
- domaine
- drastiquement
- dessiner
- dynamique
- chacun
- effet
- émergence
- permet
- permettant
- end-to-end
- Moteur
- ENGINEERING
- améliorée
- enrichi
- environnementales
- politique environnementale
- essentiellement
- Exercises
- avec des données
- expert
- nous a permis de concevoir
- Expliquer
- explorez
- expressions
- extension
- extrait
- facteurs
- agriculture
- Fonctionnalité
- Fonctionnalités:
- few
- Des champs
- Figure
- suivre
- Abonnement
- Pour
- formulaire
- Framework
- De
- d’étiquettes électroniques entièrement
- plus
- générer
- géographies
- obtenez
- GitHub
- donné
- Global
- graphique
- Niveaux de gris
- Vert
- Grille
- Croissance
- guide
- manipuler
- arriver
- Vous avez
- caché
- Comment
- How To
- Cependant
- HTML
- http
- HTTPS
- humain
- idéal
- identifier
- identifier
- Illinois
- image
- satellite
- Impact
- la mise en oeuvre
- implicite
- importer
- importance
- imposé
- imposant
- in
- inclut
- Y compris
- Nouveau
- incorporation
- croissant
- Indicateurs
- Indices
- d'information
- Infrastructure
- initiale
- possible
- idées.
- instance
- Des instructions
- Intelligence
- interactions
- intérêt
- intervention
- introduit
- IT
- SES
- Emploi
- Savoir
- spécialisées
- Labs
- gros
- lancer
- lancement
- conduire
- APPRENTISSAGE
- savant
- apprentissage
- limitation
- limité
- littérature
- plus long
- click
- machine learning
- Les machines
- LES PLANTES
- Fabrication
- gestion
- Localisation
- Martin
- masque
- Masques
- Match
- math
- Matière
- maturité
- aller
- Méthodologie
- Métrique
- pourrait
- Lait
- ML
- modèle
- numériques jumeaux (digital twin models)
- application
- PLUS
- plusieurs
- prénom
- NASA
- Près
- nécessairement
- Besoin
- réseau et
- réseaux
- next
- Nicolas
- nœud
- Répartition des nœuds
- nœuds
- nombre
- obtenir
- of
- on
- opération
- Opérations
- à mettre en œuvre pour gérer une entreprise rentable. Ce guide est basé sur trois décennies d'expérience
- Optimiser
- Option
- Orange
- de commander
- Oregon
- Autre
- Parallèle
- paramètres
- parents
- particulier
- passé
- Effectuer
- Photosynthesis
- pipeline
- Platon
- Intelligence des données Platon
- PlatonDonnées
- fiche
- politique
- Polygone
- possible
- Post
- préféré
- principes
- Avant
- Problème
- processus
- Traité
- les process
- traitement
- propriétés
- propriété
- proposé
- propose
- prototypage
- fournir
- fournit
- purement
- fréquemment posées
- aléatoire
- Randomisé
- gamme
- Tarifs
- solutions
- raisonnable
- Rouge
- réduire
- réduire
- région
- relation amoureuse
- Les relations
- enlèvement
- remplacé
- représentent
- représentation
- demandes
- conditions
- Résolution
- Resources
- réponse
- responsables
- examiné
- RGB
- ROI
- Courir
- pour le running
- sagemaker
- satellite
- scénarios
- Scientifique
- Section
- segmentation
- choisi
- supérieur
- sens
- Série
- set
- plusieurs
- Spectacles
- De même
- unique
- sur mesure
- Solutions
- quelques
- Spatial
- Spectral
- carrés
- Étape
- étapes
- Standard
- Région
- États
- statistiques
- Statut
- étapes
- Étapes
- stress
- structure
- études
- studio
- Étude
- sujet
- ultérieur
- Support
- Système
- prise
- Taro
- Enseignement
- modèle
- Essais
- qui
- La
- Le graphique
- L'État
- le monde
- leur
- Les
- ainsi
- Ces
- des choses
- milliers
- trois
- Avec
- tout au long de
- fiable
- à
- ensemble
- Train
- Transformer
- transformer
- communication
- traiter
- procès
- essais cliniques
- confiance
- UCLA
- devoiler
- sous
- compréhension
- unité
- Uni
- États-Unis
- Mises à jour
- la mise à jour
- us
- utilisé
- validé
- Plus-value
- divers
- Visites
- le volume
- Eau
- façons
- Météo
- Semaines
- WELL
- Ouest
- Quoi
- qui
- tout en
- sera
- comprenant
- dans les
- sans
- world
- écriture
- X
- années
- Rendement
- rendements
- Vous n'avez
- Votre
- zéphyrnet