La détermination de la valeur d’un logement est un exemple classique d’utilisation de l’apprentissage automatique (ML). Une influence significative a été exercée par Harrison et Rubinfeld (1978), qui ont publié un article et un ensemble de données révolutionnaires qui sont devenus officieusement connus sous le nom d'ensemble de données sur le logement de Boston. Ces travaux fondateurs proposaient une méthode d'estimation des prix des logements en fonction de nombreuses dimensions, dont la qualité de l'air, qui était au centre de leurs recherches. Près de 50 ans plus tard, l'estimation des prix de l'immobilier est devenue un outil pédagogique important pour les étudiants et les professionnels intéressés par l'utilisation des données et du ML dans la prise de décision commerciale.
Dans cet article, nous discutons de l'utilisation d'un modèle open source spécialement conçu pour la tâche de réponse visuelle aux questions (VQA). Avec VQA, vous pouvez poser une question sur une photo en langage naturel et recevoir une réponse à votre question, également en langage simple. Notre objectif dans cet article est d'inspirer et de démontrer ce qui est possible en utilisant cette technologie. Nous proposons d'utiliser cette capacité avec le Amazon Sage Maker plate-forme de services pour améliorer la précision du modèle de régression dans un cas d'utilisation de ML, et indépendamment, pour le marquage automatisé des images visuelles.
Nous fournissons un correspondant vidéo YouTube cela démontre ce qui est discuté ici. La lecture vidéo commencera à mi-chemin pour mettre en évidence le point le plus saillant. Nous vous proposons de suivre cette lecture avec la vidéo pour renforcer et acquérir une compréhension plus riche du concept.
Modèles de fondation
Cette solution est centrée sur l'utilisation d'un modèle de base publié dans le référentiel de modèles Hugging Face. Ici, nous utilisons le terme modèle de fondation pour décrire une capacité d'intelligence artificielle (IA) qui a été pré-entraînée sur un ensemble de données vaste et diversifié. Les modèles de base peuvent parfois être prêts à être utilisés sans avoir à former un modèle à partir de zéro. Certains modèles de base peuvent être affinés, ce qui signifie leur enseigner des modèles supplémentaires pertinents pour votre entreprise mais absents du modèle original publié généralisé. Des ajustements précis sont parfois nécessaires pour fournir des réponses correctes, propres à votre cas d'utilisation ou à votre ensemble de connaissances.
Dans le Étreindre le visage référentiel, vous avez le choix entre plusieurs modèles VQA. Nous avons sélectionné le modèle avec le plus de téléchargements au moment d’écrire ces lignes. Bien que cet article démontre la possibilité d'utiliser un modèle provenant d'un référentiel de modèles open source, le même concept s'appliquerait à un modèle que vous avez formé à partir de zéro ou utilisé auprès d'un autre fournisseur de confiance.
Une approche moderne d'un cas d'utilisation classique
L'estimation du prix des maisons s'effectue traditionnellement au moyen de données tabulaires dans lesquelles les caractéristiques de la propriété sont utilisées pour informer le prix. Bien qu'il puisse y avoir des centaines de caractéristiques à prendre en compte, quelques exemples fondamentaux sont la taille de la maison dans l'espace fini, le nombre de chambres et de salles de bains et l'emplacement de la résidence.
L'apprentissage automatique est capable d'incorporer diverses sources d'entrée au-delà des données tabulaires, telles que l'audio, les images fixes, la vidéo animée et le langage naturel. En IA, le terme multimodal fait référence à l’utilisation de divers types de médias, tels que des images et des données tabulaires. Dans cet article, nous montrons comment utiliser les données multimodales pour trouver et libérer la valeur cachée enfermée dans l'abondant épuisement numérique produit par le monde moderne d'aujourd'hui.
Avec cette idée à l’esprit, nous démontrons l’utilisation de modèles de fondations pour extraire les caractéristiques latentes des images de la propriété. En utilisant les informations trouvées dans les images, non disponibles auparavant dans les données tabulaires, nous pouvons améliorer la précision du modèle. Les images et les données tabulaires discutées dans cet article ont été initialement mises à disposition et publiées sur GitHub par Ahmed et Moustafa (2016).
Une image vaut mieux que mille mots
Maintenant que nous comprenons les capacités du VQA, considérons les deux images de cuisines suivantes. Comment évalueriez-vous la valeur de la maison à partir de ces images ? Quelles questions vous poseriez-vous ? Chaque image peut susciter des dizaines de questions dans votre esprit. Certaines de ces questions peuvent conduire à des réponses significatives qui améliorent le processus d’évaluation d’une maison.
Crédit photos Francesca Tosolini (à gauche) et Sidekix Media (à droite) sur Unsplash
Le tableau suivant fournit des exemples anecdotiques d'interactions VQA en présentant les questions avec leurs réponses correspondantes. Les réponses peuvent prendre la forme de réponses catégoriques, à valeur continue ou binaires.
Exemple de questions | Exemple de réponse du modèle de fondation |
De quoi sont faits les plans de travail ? | granit, carrelage, marbre, stratifié, etc. |
Est-ce une cuisine chère ? | Oui Non |
Combien y a-t-il d'éviers séparés ? | 0, 1, 2 |
Architecture de référence
Dans ce post, nous utilisons Gestionnaire de données Amazon SageMaker pour poser un ensemble uniforme de questions visuelles pour des milliers de photos de l'ensemble de données. SageMaker Data Wrangler est spécialement conçu pour simplifier le processus de préparation des données et d'ingénierie des fonctionnalités. En fournissant plus de 300 transformations intégrées, SageMaker Data Wrangler permet de réduire le temps nécessaire à la préparation des données tabulaires et images pour le ML de quelques semaines à quelques minutes. Ici, SageMaker Data Wrangler combine les fonctionnalités de données de l'ensemble tabulaire d'origine avec les fonctionnalités nées de photos du modèle de base pour la formation du modèle.
Ensuite, nous construisons un modèle de régression en utilisant Toile Amazon SageMaker. SageMaker Canvas peut créer un modèle, sans écrire de code, et fournir des résultats préliminaires en seulement 2 à 15 minutes. Dans la section qui suit, nous fournissons une architecture de référence utilisée pour rendre cette solution possible.
De nombreux modèles populaires de Hugging Face et d'autres fournisseurs peuvent être déployés en un clic avec Amazon SageMaker JumpStart. Il existe des centaines de milliers de modèles disponibles dans ces référentiels. Pour cet article, nous choisissons un modèle non disponible dans SageMaker JumpStart, qui nécessite un déploiement client. Comme le montre la figure suivante, nous déployons un modèle Hugging Face pour l'inférence à l'aide d'un Amazon SageMakerStudio carnet de notes. Le notebook est utilisé pour déployer un point de terminaison pour l'inférence en temps réel. Le bloc-notes utilise des ressources qui incluent le modèle binaire Hugging Face, un pointeur vers une image de conteneur et un script inference.py spécialement conçu qui correspond aux entrées et sorties attendues du modèle. Au fur et à mesure que vous lisez ceci, la combinaison de modèles VQA disponibles peut changer. L'important est d'examiner les modèles VQA disponibles, au moment où vous lisez ceci, et d'être prêt à déployer le modèle que vous choisissez, qui aura son propre contrat de demande d'API et de réponse.
Une fois le modèle VQA servi par le point de terminaison SageMaker, nous utilisons SageMaker Data Wrangler pour orchestrer le pipeline qui combine finalement les données tabulaires et les fonctionnalités extraites des images numériques et remodeler les données pour la formation du modèle. La figure suivante offre une vue de la façon dont la tâche de transformation de données à grande échelle est exécutée.
Dans la figure suivante, nous utilisons SageMaker Data Wrangler pour orchestrer les tâches de préparation des données et SageMaker Canvas pour la formation des modèles. Premièrement, SageMaker Data Wrangler utilise Service de localisation Amazon pour convertir les codes postaux disponibles dans les données brutes en caractéristiques de latitude et de longitude. Deuxièmement, SageMaker Data Wrangler est capable de coordonner l'envoi de milliers de photos à un point de terminaison hébergé par SageMaker pour une inférence en temps réel, en posant un ensemble uniforme de questions par scène. Il en résulte un riche éventail de caractéristiques décrivant les caractéristiques observées dans les cuisines, les salles de bains, les extérieurs des maisons, etc. Une fois les données préparées par SageMaker Data Wrangler, un ensemble de données de formation est disponible dans Service de stockage simple Amazon (Amazon S3). En utilisant les données S3 comme entrée, SageMaker Canvas est capable de former un modèle en seulement 2 à 15 minutes, sans écrire de code.
Transformation des données à l'aide de SageMaker Data Wrangler
La capture d'écran suivante montre un flux de travail SageMaker Data Wrangler. Le flux de travail commence par des milliers de photos de maisons stockées dans Amazon S3. Ensuite, un détecteur de scène détermine la scène, comme la cuisine ou la salle de bain. Enfin, un ensemble de questions spécifiques à la scène est posé aux images, ce qui donne lieu à un ensemble de données tabulaires plus riches disponibles pour la formation.
Voici un exemple de code de transformation personnalisé SageMaker Data Wrangler utilisé pour interagir avec le modèle de fondation et obtenir des informations sur les images de cuisines. Dans la capture d'écran précédente, si vous deviez choisir le nœud des fonctionnalités de la cuisine, le code suivant apparaîtrait :
Pour des raisons de sécurité, vous devez d'abord activer SageMaker Data Wrangler pour appeler votre point de terminaison en temps réel SageMaker via Gestion des identités et des accès AWS (JE SUIS). De même, toutes les ressources AWS que vous invoquez via SageMaker Data Wrangler auront besoin d'autorisations similaires.
Structures de données avant et après SageMaker Data Wrangler
Dans cette section, nous discutons de la structure des données tabulaires originales et des données améliorées. Les données améliorées contiennent de nouvelles fonctionnalités de données par rapport à cet exemple de cas d'utilisation. Dans votre application, prenez le temps d'imaginer l'ensemble diversifié de questions disponibles dans vos images pour vous aider dans votre tâche de classification ou de régression. L’idée est d’imaginer autant de questions que possible, puis de les tester pour s’assurer qu’elles apportent une valeur ajoutée.
Structure des données tabulaires originales
Comme décrit dans la source GitHub repo, l'exemple d'ensemble de données contient 535 enregistrements tabulaires, dont quatre images par propriété. Le tableau suivant illustre la structure des données tabulaires originales.
Fonctionnalité | Commentaires |
Nombre de chambres à coucher | . |
Nombre de salles de bains | . |
Superficie (pieds carrés) | . |
Code postal | . |
Prix | Il s'agit de la variable cible à prédire. |
Structure des données améliorées
Le tableau suivant illustre la structure de données améliorée, qui contient plusieurs nouvelles fonctionnalités dérivées des images.
Fonctionnalité | Commentaires |
Nombre de chambres à coucher | . |
Nombre de salles de bains | . |
Superficie (pieds carrés) | . |
latitude | Calculé en transmettant le code postal d'origine à Amazon Location Service. Il s'agit de la valeur du centre de gravité du ZIP. |
Longitude | Calculé en transmettant le code postal d'origine à Amazon Location Service. Il s'agit de la valeur du centre de gravité du ZIP. |
La chambre contient-elle un plafond voûté ? | 0 = non ; 1 = oui |
La salle de bain est-elle chère ? | 0 = non ; 1 = oui |
La cuisine est-elle chère ? | 0 = non ; 1 = oui |
Prix | Il s'agit de la variable cible à prédire. |
Formation de modèles avec SageMaker Canvas
Une tâche de traitement SageMaker Data Wrangler prépare entièrement et rend l'intégralité de l'ensemble de données de formation tabulaire disponible dans Amazon S3. Ensuite, SageMaker Canvas aborde la phase de création de modèles du cycle de vie du ML. Canvas commence par ouvrir l’ensemble de formation S3. Être capable de comprendre un modèle est souvent une exigence clé du client. Sans écrire de code et en quelques clics, SageMaker Canvas fournit un retour visuel riche sur les performances du modèle. Comme le montre la capture d'écran de la section suivante, SageMaker Canvas montre comment les fonctionnalités uniques informent le modèle.
Modèle entraîné avec des données tabulaires originales et des fonctionnalités dérivées d'images immobilières
Nous pouvons voir sur la capture d'écran suivante que les fonctionnalités développées à partir d'images de la propriété étaient importantes. Sur la base de ces résultats, la question « Cette cuisine est-elle chère » de la photo était plus significative que « le nombre de chambres » dans l'ensemble tabulaire d'origine, avec des valeurs d'importance des caractéristiques de 7.08 et 5.498, respectivement.
La capture d'écran suivante fournit des informations importantes sur le modèle. Premièrement, le graphique résiduel montre la plupart des points de l’ensemble regroupés autour de la zone ombrée violette. Ici, deux valeurs aberrantes ont été annotées manuellement en dehors de SageMaker Canvas pour cette illustration. Ces valeurs aberrantes représentent des écarts importants entre la valeur réelle de la maison et la valeur prévue. De plus, le R2 La valeur, qui peut aller de 0 à 100 %, est affichée à 76 %. Cela indique que le modèle est imparfait et ne dispose pas de suffisamment de points d’information pour prendre pleinement en compte toute la variété et estimer pleinement la valeur des maisons.
Nous pouvons utiliser des valeurs aberrantes pour trouver et proposer des signaux supplémentaires afin de construire un modèle plus complet. Par exemple, ces propriétés aberrantes peuvent comprendre une piscine ou être situées sur de grands terrains. L'ensemble de données n'incluait pas ces fonctionnalités ; cependant, vous pourrez peut-être localiser ces données et entraîner un nouveau modèle avec « possède une piscine » incluse comme fonctionnalité supplémentaire. Idéalement, lors de votre prochaine tentative, le R2 la valeur augmenterait et les valeurs MAE et RMSE diminueraient.
Modèle entraîné sans fonctionnalités dérivées d'images immobilières
Enfin, avant de passer à la section suivante, voyons si les fonctionnalités des images ont été utiles. La capture d'écran suivante fournit un autre modèle formé par SageMaker Canvas sans les fonctionnalités du modèle VQA. Nous constatons que le taux d’erreur du modèle a augmenté, passant d’un RMSE de 282 352 à un RMSE de 20 XNUMX. Nous pouvons en conclure que trois questions simples issues des images ont amélioré la précision du modèle d’environ XNUMX %. Non représenté, mais pour être complet, le R2 la valeur du modèle suivant s'est également détériorée, tombant à une valeur de 62 % contre une valeur de 76 % avec les fonctionnalités VQA fournies. Ceci est un exemple de la façon dont SageMaker Canvas facilite l'expérimentation et l'utilisation rapides d'une approche basée sur les données qui génère un modèle répondant aux besoins de votre entreprise.
Pour l'avenir
De nombreuses organisations s'intéressent de plus en plus aux modèles de base, d'autant plus que les transformateurs généraux pré-entraînés (GPT) sont officiellement devenus un sujet d'intérêt majeur en décembre 2022. Une grande partie de l'intérêt pour les modèles de base est centrée sur les tâches des grands modèles de langage (LLM). ; cependant, il existe d'autres cas d'utilisation divers, tels que la vision par ordinateur et, plus précisément, la tâche VQA spécialisée décrite ici.
Cet article est un exemple pour inspirer l'utilisation de données multimodales pour résoudre des cas d'utilisation industriels. Bien que nous ayons démontré l'utilisation et les avantages de VQA dans un modèle de régression, il peut également être utilisé pour étiqueter et baliser des images en vue d'une recherche ultérieure ou d'un routage de flux de travail métier. Imaginez pouvoir rechercher des propriétés à vendre ou à louer. Supposons que vous souhaitiez trouver une propriété avec des sols carrelés ou des comptoirs en marbre. Aujourd'hui, vous devrez peut-être obtenir une longue liste de propriétés candidates et vous filtrer visuellement lorsque vous parcourez chaque candidature. Imaginez plutôt pouvoir filtrer les listes contenant ces fonctionnalités, même si une personne ne les a pas explicitement marquées. Dans le secteur de l'assurance, imaginez la possibilité d'estimer les dommages causés par une réclamation ou d'acheminer les prochaines actions dans un flux de travail commercial à partir d'images. Sur les plateformes de médias sociaux, les photos pourraient être automatiquement étiquetées pour une utilisation ultérieure.
Résumé
Cet article a montré comment utiliser la vision par ordinateur activée par un modèle de base pour améliorer un cas d'utilisation de ML classique à l'aide de la plateforme SageMaker. Dans le cadre de la solution proposée, nous avons localisé un modèle VQA populaire disponible sur un registre de modèles public et l'avons déployé à l'aide d'un point de terminaison SageMaker pour une inférence en temps réel.
Ensuite, nous avons utilisé SageMaker Data Wrangler pour orchestrer un flux de travail dans lequel des questions uniformes étaient posées sur les images afin de générer un riche ensemble de données tabulaires. Enfin, nous avons utilisé SageMaker Canvas pour entraîner un modèle de régression. Il est important de noter que l’échantillon de données était très simple et, par conséquent, imparfait de par sa conception. Néanmoins, SageMaker Canvas facilite la compréhension de la précision du modèle et la recherche de signaux supplémentaires pour améliorer la précision d'un modèle de référence.
Nous espérons que cet article vous a encouragé à utiliser les données multimodales que votre organisation peut posséder. De plus, nous espérons que cet article vous a inspiré à considérer la formation de modèles comme un processus itératif. Un bon modèle peut être réalisé avec un peu de patience. Les modèles presque parfaits peuvent être trop beaux pour être vrais, peut-être en raison d’une fuite de cible ou d’un surajustement. Un scénario idéal commencerait par un modèle bon, mais pas parfait. À l’aide de tracés d’erreurs, de pertes et de résidus, vous pouvez obtenir des signaux de données supplémentaires pour augmenter la précision de votre estimation de référence initiale.
AWS offre l'ensemble le plus large et le plus complet de services de ML et d'infrastructure cloud de prise en charge, mettant le ML entre les mains de chaque développeur, scientifique des données et praticien expert. Si vous souhaitez en savoir plus sur la plateforme SageMaker, notamment SageMaker Data Wrangler et SageMaker Canvas, veuillez contacter l'équipe de votre compte AWS et démarrer une conversation. Pensez également à en savoir plus sur SageMaker Data Wrangler transformations personnalisées.
Bibliographie
Ahmed, EH et Moustafa, M. (2016). Estimation du prix de l'immobilier à partir de caractéristiques visuelles et textuelles. IJCCI 2016-Actes de la 8e Conférence internationale conjointe sur l'intelligence informatique, 3, 62-68.
Harrison Jr, D. et Rubinfeld, DL (1978). Prix hédoniques de l’immobilier et demande d’air pur. Revue d'économie et de gestion de l'environnement, 5(1), 81-102.
Kim, W., fils, B. et amp; Kim, je.. (2021). ViLT : transformateur de vision et de langage sans convolution ni supervision de région. Actes de la 38e Conférence internationale sur l'apprentissage automatique, dans Actes de recherche sur l'apprentissage automatique. 139 : 5583-5594.
A propos de l'auteur
Charles Laughlin est un architecte de solutions spécialisé principal en IA/ML et travaille au sein de l'équipe de service Amazon SageMaker chez AWS. Il contribue à façonner la feuille de route du service et collabore quotidiennement avec divers clients AWS pour les aider à transformer leurs activités en utilisant les technologies AWS de pointe et un leadership éclairé. Charles est titulaire d'une maîtrise en gestion de la chaîne d'approvisionnement et d'un doctorat. en science des données.
- 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/use-foundation-models-to-improve-model-accuracy-with-amazon-sagemaker/
- :possède
- :est
- :ne pas
- :où
- $UP
- 08
- 1
- 100
- 2016
- 2021
- 2022
- 32
- 49
- 50
- 50 ans
- 7
- 8
- 8ème
- a
- capacité
- Capable
- A Propos
- abondant
- accès
- Compte
- précision
- atteint
- actes
- Supplémentaire
- En outre
- adresses
- Après
- ahmed
- AI
- AI / ML
- Transport Aérien
- Tous
- permettre
- presque
- aux côtés de
- aussi
- Bien que
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- amp
- an
- ainsi que le
- Une autre
- répondre
- réponses
- tous
- api
- apparaître
- Application
- Appliquer
- une approche
- architecture
- SONT
- autour
- tableau
- artificiel
- intelligence artificielle
- Intelligence artificielle (AI)
- AS
- demander
- demandant
- Evaluer
- Outils
- At
- tentative
- acoustique
- Automatisation
- disponibles
- AWS
- basé
- Baseline
- BE
- est devenu
- devenez
- devenir
- était
- before
- commencer
- va
- profiter
- jusqu'à XNUMX fois
- Au-delà
- corps
- boston
- tous les deux
- construire
- Développement
- intégré
- fardeau
- la performance des entreprises
- entreprises
- mais
- by
- Appelez-nous
- CAN
- candidat
- la toile
- capacités
- aptitude
- capable
- maisons
- cas
- plafond
- centré
- Centres
- chaîne
- Change
- caractéristiques
- Charles
- Selectionnez
- réclamer
- classiques
- classification
- espace extérieur plus propre,
- le cloud
- infrastructure de cloud
- regroupement
- code
- codes
- collabore
- Couleur
- moissonneuses-batteuses
- comment
- complet
- complet
- calcul
- ordinateur
- Vision par ordinateur
- concept
- conclut
- Congrès
- Considérer
- considération
- contiennent
- Contenant
- contient
- continu
- contrat
- Conversation
- convertir
- coordonner
- correct
- Correspondant
- pourriez
- crédit
- curieux
- Customiser
- des clients
- Clients
- En investissant dans une technologie de pointe, les restaurants peuvent non seulement rester compétitifs dans un marché en constante évolution, mais aussi améliorer significativement l'expérience de leurs clients.
- Tous les jours
- données
- Préparation des données
- science des données
- Data Scientist
- ensemble de données
- Structure de données
- data-driven
- Décembre
- La prise de décision
- diminuer
- le plus profond
- livrer
- Demande
- démontrer
- démontré
- démontre
- déployer
- déployé
- déploiement
- Dérivé
- décrire
- décrit
- Conception
- un
- détermine
- développé
- Développeur
- numérique
- dimensions
- discuter
- discuté
- plusieurs
- do
- Ne fait pas
- téléchargements
- des dizaines
- Goutte
- e
- chacun
- Easy
- Économie
- permettre
- activé
- encouragés
- Endpoint
- ENGINEERING
- améliorée
- assez
- Tout
- environnementales
- erreur
- Erreurs
- notamment
- estimation
- etc
- Pourtant, la
- Chaque
- exemple
- exemples
- attendu
- cher
- expérience
- expert
- explicitement
- explorez
- extrait
- Visage
- Fonctionnalité
- Fonctionnalités:
- Réactions
- Pieds
- few
- Figure
- une fonction filtre
- finalement
- Trouvez
- Prénom
- Etage
- Focus
- suivre
- Abonnement
- suit
- Pour
- formulaire
- trouvé
- Fondation
- quatre
- De
- grandeur nature
- d’étiquettes électroniques entièrement
- fonction
- fonctions
- fondamental
- Gain
- lacunes
- Général
- générer
- obtenez
- objectif
- Bien
- graphique
- l'
- révolutionnaire
- l'orientation
- Mains
- Vous avez
- he
- vous aider
- utile
- aide
- ici
- caché
- Souligner
- détient
- Accueil
- Homes
- d'espérance
- organisé
- Villa
- logement
- Comment
- How To
- Cependant
- http
- HTTPS
- Des centaines
- i
- idée
- idéal
- idéalement
- Identite
- if
- illustre
- image
- satellite
- image
- importer
- importance
- important
- améliorer
- amélioré
- in
- comprendre
- inclus
- Y compris
- incorporation
- Améliore
- increased
- de plus en plus
- indépendamment
- indique
- industrie
- influencer
- informer
- d'information
- Infrastructure
- initiale
- contribution
- idées.
- inspirer
- inspiré
- plutôt ;
- Assurance
- Intelligence
- interagir
- interactions
- intérêt
- intéressé
- International
- développement
- IT
- SES
- Emploi
- joint
- jpg
- json
- ACTIVITES
- kim
- spécialisées
- connu
- Libellé
- Transport routier
- langue
- gros
- plus tard
- conduire
- Leadership
- APPRENTISSAGE
- apprentissage
- vos produits
- Liste
- Listé
- Annonces
- peu
- LLM
- situé
- emplacement
- fermé
- Location
- pertes
- click
- machine learning
- LES PLANTES
- Courant dominant
- a prendre une
- FAIT DU
- gestion
- manuellement
- de nombreuses
- allumettes
- Mai..
- significative
- veux dire
- Médias
- méthode
- à mi-chemin
- pourrait
- l'esprit
- Minutes
- manquant
- mélanger
- ML
- modèle
- numériques jumeaux (digital twin models)
- Villas Modernes
- PLUS
- (en fait, presque toutes)
- mouvement
- en mouvement
- must
- Nature
- Besoin
- nécessaire
- Nouveauté
- Nouvelles fonctionnalités
- next
- aucune
- nœud
- cahier
- nombre
- nombreux
- obtenir
- a eu lieu
- of
- Offres Speciales
- Officiellement
- souvent
- on
- uniquement
- open source
- ouverture
- or
- de commander
- organisation
- organisations
- original
- initialement
- Autre
- nos
- ande
- valeur aberrante
- sortie
- au contrôle
- propre
- Papier
- partie
- En passant
- Patience
- motifs
- /
- parfaite
- performant
- être
- autorisations
- personne
- phase
- photo
- Photos
- image
- PHOTOS
- pipeline
- Plaine
- plateforme
- Plateformes
- Platon
- Intelligence des données Platon
- PlatonDonnées
- veuillez cliquer
- Point
- des notes bonus
- pool
- Populaire
- partieInvestir dans des appareils économes en énergie et passer à l'éclairage
- posséder
- possible
- Post
- prédit
- préliminaire
- préparation
- Préparer
- préparé
- Prépare
- précédemment
- prix
- Tarifs
- Directeur
- Procédures
- processus
- traitement
- Produit
- ,une équipe de professionnels qualifiés
- propriétés
- propriété
- proposer
- proposé
- fournir
- à condition de
- de voiture.
- fournisseurs
- fournit
- aportando
- public
- publié
- Putting
- qualité
- question
- fréquemment posées
- vite.
- R
- gamme
- Tarif
- raw
- nous joindre
- Lire
- en cours
- solutions
- en temps réel
- recevoir
- Articles
- réduire
- référence
- se réfère
- région
- enregistrement
- renforcer
- relatif
- pertinent
- Location
- dépôt
- représentent
- nécessaire
- exigence
- a besoin
- un article
- remodeler
- Résidence
- Resources
- respectivement
- réponse
- réponses
- résultat
- résultant
- Résultats
- retourner
- Avis
- Rich
- plus riche
- feuille de route
- Itinéraire
- routage
- Courir
- d'exécution
- s
- sagemaker
- SOLDE
- même
- Exemple d'ensemble de données
- scénario
- scène
- Sciences
- Scientifique
- scott
- scénario
- Rechercher
- Deuxièmement
- Section
- sécurité
- sur le lien
- Chercher
- vu
- choisi
- envoi
- besoin
- servi
- service
- Services
- set
- plusieurs
- Forme
- montrer
- montré
- Spectacles
- Vue
- signaux
- significative
- similaires
- De même
- étapes
- simplifier
- depuis
- unique
- Taille
- So
- Réseaux sociaux
- réseaux sociaux
- plateformes de médias sociaux
- sur mesure
- RÉSOUDRE
- quelques
- parfois
- sont
- Identifier
- Sources
- Space
- spécialiste
- spécialisé
- spécifiquement
- carré
- Commencer
- Encore
- storage
- stockée
- simple
- structure
- structures
- Étudiante
- ultérieur
- tel
- suggérer
- surveillance
- la quantité
- chaîne d'approvisionnement
- gestion de la chaîne logistique
- Appuyer
- sûr
- table
- TAG
- Prenez
- prend
- Target
- Tâche
- tâches
- Enseignement
- équipe
- Les technologies
- Technologie
- terme
- tester
- textuel
- que
- qui
- La
- La Source
- leur
- Les
- puis
- Là.
- donc
- Ces
- l'ont
- chose
- this
- ceux
- pensée
- leadership éclairé
- mille
- milliers
- trois
- Avec
- fiable
- à
- aujourd'hui
- aujourd'hui
- trop
- outil
- sujet
- traditionnellement
- Train
- qualifié
- Formation
- Transformer
- De La Carrosserie
- transformations
- transformateur
- transformateurs
- oui
- confiance
- deux
- type
- types
- En fin de compte
- comprendre
- compréhension
- expérience unique et authentique
- Unsplash
- utilisé
- cas d'utilisation
- d'utiliser
- Usages
- en utilisant
- Utilisant
- Évaluation
- Plus-value
- valeur ajoutée
- Valeurs
- variable
- variété
- très
- Vidéo
- Voir
- visible
- vision
- visuel
- W
- souhaitez
- était
- we
- web
- services Web
- Semaines
- WELL
- ont été
- Quoi
- Qu’est ce qu'
- qui
- WHO
- sera
- fenêtres
- comprenant
- dans les
- sans
- du bois.
- activités principales
- workflow
- vos contrats
- world
- vaut
- pourra
- écriture
- années
- rendements
- Vous n'avez
- Votre
- vous-même
- Youtube
- zéphyrnet
- zéro
- Zip