हाल के वर्षों में, कंप्यूटर दृष्टि में प्रगति ने शोधकर्ताओं, प्रथम उत्तरदाताओं और सरकारों को हमारे ग्रह और उस पर हमारे प्रभाव को समझने के लिए वैश्विक उपग्रह इमेजरी को संसाधित करने की चुनौतीपूर्ण समस्या से निपटने में सक्षम बनाया है। एडब्ल्यूएस हाल ही में जारी किया गया Amazon SageMaker की भू-स्थानिक क्षमताएं इस प्रकार के उपयोग मामलों के लिए बाधाओं को कम करने के लिए आपको उपग्रह इमेजरी और भू-स्थानिक अत्याधुनिक मशीन लर्निंग (एमएल) मॉडल प्रदान करने के लिए। अधिक जानकारी के लिए, देखें पूर्वावलोकन: भू-स्थानिक डेटा का उपयोग करके एमएल मॉडल बनाने, प्रशिक्षित करने और तैनात करने के लिए Amazon SageMaker का उपयोग करें.
पहले उत्तरदाताओं सहित कई एजेंसियां बड़े पैमाने पर स्थितिजन्य जागरूकता हासिल करने और प्राकृतिक आपदाओं से प्रभावित भौगोलिक क्षेत्रों में राहत प्रयासों को प्राथमिकता देने के लिए इन पेशकशों का उपयोग कर रही हैं। अक्सर ये एजेंसियां कम ऊंचाई और उपग्रह स्रोतों से आपदा इमेजरी से निपट रही हैं, और यह डेटा अक्सर लेबल नहीं किया जाता है और इसका उपयोग करना मुश्किल होता है। तूफान या जंगल की आग से प्रभावित शहर की उपग्रह छवियों को देखते समय अत्याधुनिक कंप्यूटर दृष्टि मॉडल अक्सर खराब प्रदर्शन करते हैं। इन डेटासेट की कमी को देखते हुए, अत्याधुनिक एमएल मॉडल भी अक्सर मानक फेमा आपदा वर्गीकरण की भविष्यवाणी करने के लिए आवश्यक सटीकता और सटीकता प्रदान करने में असमर्थ होते हैं।
भू-स्थानिक डेटासेट में उपयोगी मेटाडेटा जैसे अक्षांश और देशांतर निर्देशांक और टाइमस्टैम्प होते हैं, जो इन छवियों के लिए संदर्भ प्रदान कर सकते हैं। यह आपदा दृश्यों के लिए भू-स्थानिक एमएल की सटीकता में सुधार करने में विशेष रूप से सहायक है, क्योंकि ये छवियां स्वाभाविक रूप से गड़बड़ और अराजक हैं। इमारतें कम आयताकार हैं, वनस्पतियों को निरंतर क्षति हुई है, और रैखिक सड़कें बाढ़ या कीचड़ धंसने से बाधित हुई हैं। क्योंकि इन बड़े पैमाने पर डेटासेट को लेबल करना महंगा, मैनुअल और समय लेने वाला है, एमएल मॉडल का विकास जो छवि लेबलिंग और एनोटेशन को स्वचालित कर सकता है, महत्वपूर्ण है।
इस मॉडल को प्रशिक्षित करने के लिए, हमें लेबल किए गए जमीनी सच्चाई के उपसमुच्चय की आवश्यकता है लो एल्टीट्यूड डिजास्टर इमेजरी (LADI) डेटासेट. इस डेटासेट में 2015-2019 से विभिन्न आपदा प्रतिक्रियाओं के समर्थन में सिविल एयर पेट्रोल द्वारा एकत्रित मानव और मशीन एनोटेटेड एयरबोर्न छवियां शामिल हैं। ये LADI डेटासेट अटलांटिक तूफान के मौसम और अटलांटिक महासागर और मैक्सिको की खाड़ी के तटीय राज्यों पर ध्यान केंद्रित करते हैं। दो प्रमुख अंतर कम ऊंचाई, इमेजरी का तिरछा परिप्रेक्ष्य और आपदा से संबंधित विशेषताएं हैं, जो कंप्यूटर दृष्टि बेंचमार्क और डेटासेट में शायद ही कभी प्रदर्शित होते हैं। टीमों ने बाढ़, मलबे, आग और धुएं, या भूस्खलन जैसी क्षति के लिए मौजूदा फेमा श्रेणियों का उपयोग किया, जिसने लेबल श्रेणियों को मानकीकृत किया। समाधान तब शेष प्रशिक्षण डेटा पर भविष्यवाणियां करने में सक्षम होता है, और मानव समीक्षा के लिए कम-विश्वास वाले परिणामों को रूट करता है।
इस पोस्ट में, हम अपने डिजाइन और समाधान के कार्यान्वयन, सर्वोत्तम प्रथाओं और सिस्टम आर्किटेक्चर के प्रमुख घटकों का वर्णन करते हैं।
समाधान अवलोकन
संक्षेप में, समाधान में तीन पाइपलाइनों का निर्माण शामिल है:
- डेटा पाइपलाइन - छवियों के मेटाडेटा को निकालता है
- मशीन लर्निंग पाइपलाइन - छवियों को वर्गीकृत और लेबल करता है
- ह्यूमन-इन-द-लूप समीक्षा पाइपलाइन - परिणामों की समीक्षा करने के लिए एक मानव टीम का उपयोग करता है
निम्नलिखित चित्र समाधान वास्तुकला को दर्शाता है।
इस तरह की एक लेबलिंग प्रणाली की प्रकृति को देखते हुए, हमने एक क्षैतिज रूप से स्केलेबल आर्किटेक्चर तैयार किया है जो सर्वर रहित आर्किटेक्चर का उपयोग करके अंतर्ग्रहण स्पाइक्स को ओवर-प्रोविजनिंग के बिना हैंडल करेगा। हम एक से कई पैटर्न का उपयोग करते हैं अमेज़ॅन सरल कतार सेवा (अमेज़न एसक्यूएस) से AWS लाम्बा इन अंतर्ग्रहण स्पाइक्स का समर्थन करने के लिए कई स्थानों पर, लचीलेपन की पेशकश.
प्रसंस्करण के लिए एक एसक्यूएस कतार का उपयोग करना अमेज़न सरल भंडारण सेवा (अमेज़ॅन S3) ईवेंट हमें डाउनस्ट्रीम प्रोसेसिंग (लैम्ब्डा फ़ंक्शंस, इस मामले में) की संगामिति को नियंत्रित करने और डेटा के आने वाले स्पाइक्स को संभालने में मदद करता है। आने वाले संदेशों को पंक्तिबद्ध करना डाउनस्ट्रीम में किसी भी विफलता के मामले में बफर स्टोरेज के रूप में भी कार्य करता है।
अत्यधिक समानांतर जरूरतों को देखते हुए, हमने अपनी छवियों को संसाधित करने के लिए लैम्ब्डा को चुना। लैम्ब्डा एक सर्वर रहित कंप्यूट सेवा है जो हमें सर्वर के प्रावधान या प्रबंधन के बिना कोड चलाने देती है, कार्यभार-जागरूक क्लस्टर स्केलिंग लॉजिक का निर्माण करती है, इवेंट इंटीग्रेशन बनाए रखती है और रनटाइम प्रबंधित करती है।
हम का उपयोग करें अमेज़न ओपन सर्च सर्विस हमारे केंद्रीय डेटा स्टोर के रूप में इसके अत्यधिक मापनीय, तेज़ खोजों और एकीकृत विज़ुअलाइज़ेशन टूल, OpenSearch डैशबोर्ड का लाभ उठाने के लिए। यह हमें पुन: संकलन या पुनर्विक्रय किए बिना, और स्कीमा विकास को संभालने के बिना, छवि में पुनरावृत्त रूप से संदर्भ जोड़ने में सक्षम बनाता है।
अमेज़ॅन रेकग्निशन सिद्ध, अत्यधिक स्केलेबल, गहन शिक्षण तकनीक का उपयोग करके हमारे अनुप्रयोगों में छवि और वीडियो विश्लेषण जोड़ना आसान बनाता है। अमेज़ॅन रिकॉग्निशन के साथ, हमें पता लगाई गई वस्तुओं की एक अच्छी आधार रेखा मिलती है।
निम्नलिखित अनुभागों में, हम प्रत्येक पाइपलाइन में अधिक विस्तार से गोता लगाते हैं।
डेटा पाइपलाइन
निम्न आरेख डेटा पाइपलाइन के वर्कफ़्लो को दिखाता है।
LADI डेटा पाइपलाइन कच्चे डेटा छवियों के अंतर्ग्रहण से शुरू होती है फेमा कॉमन अलर्टिंग प्रोटोकॉल (CAP) एक S3 बाल्टी में। जब हम छवियों को कच्चे डेटा बकेट में डालते हैं, तो उन्हें लगभग वास्तविक समय में दो चरणों में संसाधित किया जाता है:
- S3 बकेट सभी ऑब्जेक्ट क्रिएशन के लिए इवेंट नोटिफिकेशन को ट्रिगर करता है, प्रत्येक अंतर्ग्रहण छवि के लिए SQS कतार में संदेश बनाता है।
- SQS कतार छवि पर प्रीप्रोसेसिंग लैम्ब्डा फ़ंक्शंस को समवर्ती रूप से आमंत्रित करती है।
लैम्ब्डा फ़ंक्शंस निम्नलिखित प्रीप्रोसेसिंग चरणों का पालन करते हैं:
- प्रत्येक छवि के लिए एक विशिष्ट पहचानकर्ता प्रदान करते हुए, प्रत्येक छवि के लिए UUID की गणना करें। यह आईडी छवि को उसके संपूर्ण जीवनचक्र के लिए पहचान देगी।
- छवि से GPS निर्देशांक, छवि आकार, GIS जानकारी और S3 स्थान जैसे मेटाडेटा निकालें और इसे OpenSearch में बनाए रखें।
- FIPS कोड के विरुद्ध एक लुकअप के आधार पर, फ़ंक्शन छवि को क्यूरेटेड डेटा S3 बकेट में ले जाता है। हम छवि के FIPS-राज्य-कोड/FIPS-काउंटी-कोड/वर्ष/माह द्वारा डेटा का विभाजन करते हैं।
मशीन लर्निंग पाइपलाइन
एमएल पाइपलाइन डेटा पाइपलाइन चरण में क्यूरेटेड डेटा S3 बकेट में उतरने वाली छवियों से शुरू होती है, जो निम्न चरणों को ट्रिगर करती है:
- Amazon S3 क्यूरेटेड डेटा S3 बकेट में बनाई गई प्रत्येक वस्तु के लिए एक अन्य SQS कतार में एक संदेश उत्पन्न करता है।
- छवि पर एमएल अनुमान कार्य को चलाने के लिए SQS कतार समवर्ती रूप से लैम्ब्डा फ़ंक्शन को ट्रिगर करती है।
लैम्ब्डा फ़ंक्शंस निम्नलिखित क्रियाएं करते हैं:
- ऑब्जेक्ट डिटेक्शन के लिए प्रत्येक इमेज को Amazon रिकॉग्निशन पर भेजें, लौटाए गए लेबल और संबंधित कॉन्फिडेंस स्कोर को स्टोर करें।
- हमारे लिए इनपुट पैरामीटर्स में Amazon रिकॉग्निशन आउटपुट की रचना करें अमेज़न SageMaker बहु-मॉडल समापन बिंदु। यह समापन बिंदु हमारे वर्गीकरणकर्ताओं के समूह को होस्ट करता है, जो क्षति लेबल के विशिष्ट सेट के लिए प्रशिक्षित होते हैं।
- SageMaker समापन बिंदु के परिणाम को पास करें अमेज़न संवर्धित ऐ (अमेज़न ए 2 आई)।
निम्नलिखित आरेख पाइपलाइन वर्कफ़्लो को दिखाता है।
ह्यूमन-इन-द-लूप समीक्षा पाइपलाइन
निम्नलिखित आरेख ह्यूमन-इन-द-लूप (HIL) पाइपलाइन को दिखाता है।
Amazon A2I के साथ, हम थ्रेसहोल्ड को कॉन्फ़िगर कर सकते हैं जो एक निजी टीम द्वारा मानव समीक्षा को ट्रिगर करेगा जब एक मॉडल कम आत्मविश्वास की भविष्यवाणी करता है। हम Amazon A2I का उपयोग अपने मॉडल की भविष्यवाणियों का चल रहा ऑडिट प्रदान करने के लिए भी कर सकते हैं। वर्कफ़्लो चरण इस प्रकार हैं:
- Amazon A2I इमेज के लेबल डेटा को अपडेट करते हुए, OpenSearch सर्विस में हाई कॉन्फिडेंस प्रेडिक्शन रूट करता है।
- Amazon A2I छवियों को मैन्युअल रूप से एनोटेट करने के लिए निजी टीम को कम आत्मविश्वास वाली भविष्यवाणियां करता है।
- मानव समीक्षक एनोटेशन को पूरा करता है, मानव एनोटेशन आउटपुट फ़ाइल उत्पन्न करता है जो HIL आउटपुट S3 बकेट में संग्रहीत होता है।
- HIL आउटपुट S3 बकेट लैम्ब्डा फ़ंक्शन को ट्रिगर करता है जो मानव एनोटेशन आउटपुट को पार्स करता है और OpenSearch सेवा में छवि के डेटा को अपडेट करता है।
मानव एनोटेशन परिणामों को डेटा स्टोर पर वापस भेजकर, हम पहनावा मॉडल को फिर से प्रशिक्षित कर सकते हैं और मॉडल की सटीकता में सुधार कर सकते हैं।
हमारे उच्च-गुणवत्ता वाले परिणाम अब OpenSearch सेवा में संग्रहीत हैं, हम REST API का उपयोग करके भू-स्थानिक और अस्थायी खोज करने में सक्षम हैं अमेज़ॅन एपीआई गेटवे और जियोसर्वर। OpenSearch डैशबोर्ड भी उपयोगकर्ताओं को इस डेटासेट के साथ विश्लेषण खोजने और चलाने में सक्षम बनाता है।
परिणाम
निम्नलिखित कोड हमारे परिणामों का एक उदाहरण दिखाता है।
इस नई पाइपलाइन के साथ, हम उन मॉडलों के लिए एक मानव बैकस्टॉप तैयार करते हैं जो अभी तक पूरी तरह से प्रदर्शन नहीं कर पाए हैं। इस नई एमएल पाइपलाइन को ए के साथ उपयोग के लिए उत्पादन में डाल दिया गया है सिविल एयर पेट्रोल छवि फ़िल्टर माइक्रोसेवा यह प्वेर्टो रिको में सिविल एयर पेट्रोल छवियों को फ़िल्टर करने की अनुमति देता है। यह पहले उत्तरदाताओं को नुकसान की सीमा को देखने और तूफान के बाद उस नुकसान से जुड़ी छवियों को देखने में सक्षम बनाता है। AWS डेटा लैब, AWS ओपन डेटा प्रोग्राम, Amazon डिजास्टर रिस्पांस टीम और AWS ह्यूमन-इन-द-लूप टीम ने ग्राहकों के साथ एक ओपन-सोर्स पाइपलाइन विकसित करने के लिए काम किया, जिसका उपयोग ओपन डेटा में संग्रहीत सिविल एयर पेट्रोल डेटा का विश्लेषण करने के लिए किया जा सकता है। किसी भी प्राकृतिक आपदा के बाद माँग पर कार्यक्रम की रजिस्ट्री। पाइपलाइन संरचना के बारे में अधिक जानकारी और सहयोग और प्रभाव के अवलोकन के लिए, वीडियो देखें Amazon संवर्धित AI, AWS ओपन डेटा प्रोग्राम और AWS स्नोबॉल के साथ आपदा प्रतिक्रिया पर ध्यान केंद्रित करना.
निष्कर्ष
चूंकि जलवायु परिवर्तन तूफानों और जंगल की आग की आवृत्ति और तीव्रता में वृद्धि जारी रखता है, हम स्थानीय समुदायों पर इन घटनाओं के प्रभाव को समझने के लिए एमएल का उपयोग करने के महत्व को देखना जारी रखते हैं। ये नए उपकरण आपदा प्रतिक्रिया प्रयासों में तेजी ला सकते हैं और हमें सक्रिय सीखने के साथ इन मॉडलों की भविष्यवाणी सटीकता में सुधार करने के लिए इन पोस्ट-इवेंट विश्लेषणों से डेटा का उपयोग करने की अनुमति देते हैं। ये नए एमएल मॉडल डेटा एनोटेशन को स्वचालित कर सकते हैं, जो हमें इन घटनाओं में से प्रत्येक से नुकसान की सीमा का अनुमान लगाने में सक्षम बनाता है क्योंकि हम मानचित्र डेटा के साथ क्षति लेबल को ओवरले करते हैं। वह संचयी डेटा भविष्य की आपदा की घटनाओं के लिए नुकसान की भविष्यवाणी करने की हमारी क्षमता को बेहतर बनाने में भी मदद कर सकता है, जो शमन रणनीतियों को सूचित कर सकता है। यह बदले में निर्णयकर्ताओं को इन उभरते पर्यावरणीय खतरों को दूर करने के लिए डेटा-संचालित नीतियों को विकसित करने के लिए आवश्यक जानकारी देकर समुदायों, अर्थव्यवस्थाओं और पारिस्थितिक तंत्र के लचीलेपन में सुधार कर सकता है।
इस ब्लॉग पोस्ट में हमने सैटेलाइट इमेजरी पर कंप्यूटर विज़न के उपयोग पर चर्चा की। यह समाधान एक संदर्भ वास्तुकला या एक त्वरित प्रारंभ मार्गदर्शिका के रूप में है जिसे आप अपनी आवश्यकताओं के लिए अनुकूलित कर सकते हैं।
इसे एक चक्कर दें और टिप्पणी अनुभाग में प्रतिक्रिया देकर हमें बताएं कि इसने आपके उपयोग के मामले को कैसे हल किया। अधिक जानकारी के लिए देखें Amazon SageMaker की भू-स्थानिक क्षमताएं.
लेखक के बारे में
वामशी कृष्ण एनबोथला एडब्ल्यूएस में सीनियर एप्लाइड एआई स्पेशलिस्ट आर्किटेक्ट हैं। वह उच्च प्रभाव वाले डेटा, एनालिटिक्स और मशीन लर्निंग पहलों में तेजी लाने के लिए विभिन्न क्षेत्रों के ग्राहकों के साथ काम करता है। वह एआई और एमएल में सिफारिश प्रणाली, एनएलपी और कंप्यूटर विजन क्षेत्रों के बारे में भावुक है। काम के बाहर, वामशी एक आरसी उत्साही है, जो आरसी उपकरण (विमान, कार और ड्रोन) बनाता है, और बागवानी का भी आनंद लेता है।
मॉर्गन डटन Amazon संवर्धित AI और Amazon SageMaker ग्राउंड ट्रूथ टीम के साथ एक वरिष्ठ तकनीकी कार्यक्रम प्रबंधक है। वह मशीन लर्निंग और ह्यूमन-इन-द-लूप एमएल सेवाओं को अपनाने में तेजी लाने के लिए उद्यम, शैक्षणिक और सार्वजनिक क्षेत्र के ग्राहकों के साथ काम करती है।
संदीप वर्मा AWS के साथ एक सीनियर प्रोटोटाइप आर्किटेक्ट हैं। उन्हें ग्राहकों की चुनौतियों में गहराई से गोता लगाने और नवाचार में तेजी लाने के लिए ग्राहकों के लिए प्रोटोटाइप बनाने में आनंद आता है। उनके पास एआई/एमएल की पृष्ठभूमि है, वे न्यू नॉलेज के संस्थापक हैं, और आम तौर पर तकनीक के प्रति जुनूनी हैं। अपने खाली समय में, वह अपने परिवार के साथ घूमना और स्कीइंग करना पसंद करते हैं।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोब्लॉकचैन। Web3 मेटावर्स इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/accelerate-disaster-response-with-computer-vision-for-satellite-imagery-using-amazon-sagemaker-and-amazon-augmented-ai/
- 100
- 7
- 98
- a
- क्षमता
- योग्य
- About
- शैक्षिक
- में तेजी लाने के
- शुद्धता
- कार्रवाई
- सक्रिय
- कार्य करता है
- पता
- दत्तक ग्रहण
- अग्रिमों
- लाभ
- के खिलाफ
- एजेंसियों
- AI
- ऐ / एमएल
- आकाशवाणी
- सब
- की अनुमति देता है
- वीरांगना
- अमेज़न संवर्धित ऐ
- अमेज़ॅन रेकग्निशन
- अमेज़न SageMaker
- अमेज़ॅन सैजमेकर ग्राउंड ट्रुथ
- का विश्लेषण करती है
- विश्लेषण
- विश्लेषिकी
- विश्लेषण करें
- और
- अन्य
- एपीआई
- अनुप्रयोगों
- लागू
- एप्लाइड ए.आई.
- स्थापत्य
- क्षेत्रों के बारे में जानकारी का उपयोग करके ट्रेडिंग कर सकते हैं।
- जुड़े
- आडिट
- संवर्धित
- को स्वचालित रूप से
- जागरूकता
- एडब्ल्यूएस
- वापस
- पृष्ठभूमि
- backstop
- बाधाओं
- आधारभूत
- क्योंकि
- मानक
- BEST
- सर्वोत्तम प्रथाओं
- ब्लॉग
- बफर
- निर्माण
- इमारत
- टोपी
- कारों
- मामला
- मामलों
- श्रेणियाँ
- केंद्रीय
- चुनौतियों
- चुनौतीपूर्ण
- परिवर्तन
- चेक
- चुना
- City
- जलवायु
- जलवायु परिवर्तन
- समूह
- कोड
- सहयोग
- टिप्पणियाँ
- सामान्य
- समुदाय
- पूरा करता है
- घटकों
- गणना करना
- कंप्यूटर
- Computer Vision
- आत्मविश्वास
- शामिल
- प्रसंग
- जारी रखने के
- जारी
- नियंत्रण
- बनाना
- बनाया
- बनाना
- कृतियों
- महत्वपूर्ण
- क्यूरेट
- ग्राहक
- ग्राहक
- अनुकूलित
- डैशबोर्ड
- तिथि
- डेटा पर ही आधारित
- डेटासेट
- व्यवहार
- निर्णय लेने वालों को
- गहरा
- ध्यान लगा के पढ़ना या सीखना
- उद्धार
- मांग
- तैनात
- वर्णन
- डिज़ाइन
- बनाया गया
- विस्तार
- पता चला
- खोज
- विकसित करना
- विकास
- विभिन्न
- मुश्किल
- आपदा
- आपदाओं
- चर्चा की
- राजा
- से प्रत्येक
- अर्थव्यवस्थाओं
- पारिस्थितिकी प्रणालियों
- प्रयासों
- कस्र्न पत्थर
- सक्षम
- सक्षम बनाता है
- endpoint
- उद्यम
- सरगर्म
- संपूर्ण
- ambiental
- उपकरण
- विशेष रूप से
- और भी
- कार्यक्रम
- घटनाओं
- विकास
- उदाहरण
- मौजूदा
- महंगा
- अर्क
- परिवार
- फास्ट
- चित्रित किया
- विशेषताएं
- प्रतिक्रिया
- पट्टिका
- फ़िल्टर
- छानने
- आग
- प्रथम
- फोकस
- निम्नलिखित
- इस प्रकार है
- संस्थापक
- मुक्त
- आवृत्ति
- से
- पूरी तरह से
- समारोह
- कार्यों
- भविष्य
- लाभ
- आम तौर पर
- उत्पन्न करता है
- सृजन
- भौगोलिक
- भू-स्थानिक एमएल
- मिल
- दी
- देते
- वैश्विक
- अच्छा
- सरकारों
- जीपीएस
- जमीन
- गाइड
- संभालना
- होने
- मदद
- सहायक
- मदद करता है
- हाई
- उच्च गुणवत्ता
- अत्यधिक
- मारो
- मेजबान
- कैसे
- एचटीएमएल
- HTTPS
- मानव
- तूफान
- ID
- पहचानकर्ता
- पहचान करना
- की छवि
- छवियों
- प्रभाव
- कार्यान्वयन
- महत्व
- में सुधार
- में सुधार लाने
- in
- सहित
- आवक
- बढ़ना
- करें-
- पहल
- नवोन्मेष
- निवेश
- एकीकृत
- एकीकरण
- बाधित
- का आह्वान
- शामिल
- IT
- काम
- कुंजी
- जानना
- ज्ञान
- प्रयोगशाला
- लेबल
- लेबलिंग
- लेबल
- रंग
- अवतरण
- बड़े पैमाने पर
- सीख रहा हूँ
- छोड़ने
- चलें
- जीवन चक्र
- स्थानीय
- स्थान
- देख
- लुकअप
- निम्न
- मशीन
- यंत्र अधिगम
- को बनाए रखने के
- बनाना
- बनाता है
- प्रबंधक
- प्रबंध
- गाइड
- मैन्युअल
- नक्शा
- मैप्स
- विशाल
- message
- संदेश
- मेटाडाटा
- मेक्सिको
- शमन
- ML
- आदर्श
- मॉडल
- अधिक
- चाल
- बहु-मॉडल समापन बिंदु
- विभिन्न
- प्राकृतिक
- प्रकृति
- आवश्यकता
- की जरूरत है
- नया
- NLP
- सूचनाएं
- वस्तु
- ऑब्जेक्ट डिटेक्शन
- वस्तुओं
- सागर
- प्रसाद
- चल रहे
- खुला
- मुक्त डेटा
- खुला स्रोत
- बाहर
- सिंहावलोकन
- अपना
- समानांतर
- पैरामीटर
- आवेशपूर्ण
- पैटर्न
- निष्पादन
- परिप्रेक्ष्य
- पाइपलाइन
- ग्रह
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- पद
- प्रथाओं
- शुद्धता
- भविष्यवाणी करना
- भविष्यवाणी
- भविष्यवाणियों
- प्राथमिकता
- निजी
- मुसीबत
- प्रक्रिया
- प्रसंस्कृत
- प्रसंस्करण
- उत्पादन
- कार्यक्रम
- प्रोटोकॉल
- प्रोटोटाइप
- प्रोटोटाइप
- साबित
- प्रदान करना
- प्रदान कर
- सार्वजनिक
- पर्टो
- प्यूर्टो रिको
- रखना
- त्वरित
- कच्चा
- हाल
- हाल ही में
- सिफारिश
- को कम करने
- रजिस्ट्री
- रिहा
- राहत
- अपेक्षित
- शोधकर्ताओं
- पलटाव
- कि
- प्रतिक्रिया
- बाकी
- परिणाम
- की समीक्षा
- रिको
- मार्ग
- मार्गों
- रन
- sagemaker
- उपग्रह
- स्केलेबल
- स्केलिंग
- दृश्यों
- Search
- मौसम
- अनुभाग
- वर्गों
- सेक्टर
- सेक्टर्स
- वरिष्ठ
- serverless
- सर्वर
- सेवा
- सेवाएँ
- सेट
- दिखाता है
- सरल
- आकार
- धुआं
- आशुचित्र
- समाधान
- सूत्रों का कहना है
- विशेषज्ञ
- विशिष्ट
- spikes के
- मानक
- प्रारंभ
- शुरू होता है
- राज्य के-the-कला
- राज्य
- कदम
- कदम
- भंडारण
- की दुकान
- संग्रहित
- तूफान
- रणनीतियों
- ऐसा
- समर्थन
- प्रणाली
- सिस्टम
- लेना
- टीम
- टीमों
- तकनीक
- तकनीकी
- टेक्नोलॉजी
- RSI
- जानकारी
- धमकी
- तीन
- पहर
- बहुत समय लगेगा
- सेवा मेरे
- साधन
- उपकरण
- रेलगाड़ी
- प्रशिक्षित
- प्रशिक्षण
- यात्रा का
- ट्रिगर
- मोड़
- प्रकार
- समझना
- अद्वितीय
- अपडेट
- अद्यतन
- us
- उपयोग
- उदाहरण
- उपयोगकर्ताओं
- विभिन्न
- के माध्यम से
- वीडियो
- देखें
- दृष्टि
- दृश्य
- कौन कौन से
- मर्जी
- बिना
- काम
- काम किया
- कार्य
- होगा
- साल
- पैदावार
- आप
- आपका
- यूट्यूब
- जेफिरनेट