प्राकृतिक भाषा प्रसंस्करण (एनएलपी) मशीन लर्निंग (एमएल) का वह क्षेत्र है जो कंप्यूटर को पाठ और बोले गए शब्दों को उसी तरह समझने की क्षमता देता है जैसे मनुष्य कर सकते हैं। हाल ही में, अत्याधुनिक आर्किटेक्चर जैसे ट्रांसफार्मर वास्तुकला पाठ सारांशीकरण, पाठ वर्गीकरण, इकाई पहचान, और अधिक जैसे एनएलपी डाउनस्ट्रीम कार्यों पर लगभग मानव प्रदर्शन प्राप्त करने के लिए उपयोग किया जाता है।
बड़े भाषा मॉडल (एलएलएम) ट्रांसफॉर्मर-आधारित मॉडल हैं जिन्हें सैकड़ों लाखों (बर्ट) से अधिक ट्रिलियन पैरामीटर (माइक), और जिसका आकार एकल-जीपीयू प्रशिक्षण को अव्यवहारिक बनाता है। अपनी अंतर्निहित जटिलता के कारण, एलएलएम को शुरू से प्रशिक्षण देना एक बहुत ही चुनौतीपूर्ण कार्य है जिसे बहुत कम संगठन वहन कर सकते हैं। एनएलपी डाउनस्ट्रीम कार्यों के लिए एक सामान्य अभ्यास पूर्व-प्रशिक्षित एलएलएम लेना और इसे ठीक करना है। फ़ाइन-ट्यूनिंग के बारे में अधिक जानकारी के लिए, देखें अमेज़ॅन सैजमेकर जम्पस्टार्ट में वित्तीय डेटा पर डोमेन-अनुकूलन फाउंडेशन मॉडल की फाइन-ट्यूनिंग और अमेज़ॅन सेजमेकर पर हगिंग फेस के साथ भाषाई विविधता के लिए फाइन-ट्यून ट्रांसफॉर्मर भाषा मॉडल.
एनएलपी में जीरो-शॉट लर्निंग की अनुमति देता है पूर्व-प्रशिक्षित एलएलएम उन कार्यों के प्रति प्रतिक्रिया उत्पन्न करने के लिए जिनके लिए इसे स्पष्ट रूप से प्रशिक्षित नहीं किया गया है (यहां तक कि बिना फाइन-ट्यूनिंग के भी)। विशेष रूप से पाठ वर्गीकरण के बारे में बोलते हुए, शून्य-शॉट पाठ वर्गीकरण प्राकृतिक भाषा प्रसंस्करण में एक कार्य है जहां एनएलपी मॉडल का उपयोग इसके विपरीत, अनदेखी कक्षाओं से पाठ को वर्गीकृत करने के लिए किया जाता है पर्यवेक्षित वर्गीकरण, जहां एनएलपी मॉडल केवल उन पाठों को वर्गीकृत कर सकते हैं जो प्रशिक्षण डेटा में कक्षाओं से संबंधित हैं।
हमने हाल ही में शून्य-शॉट वर्गीकरण मॉडल समर्थन लॉन्च किया है अमेज़न SageMaker जम्पस्टार्ट. सेजमेकर जम्पस्टार्ट एमएल हब है अमेज़न SageMaker जो आपको एमएल के साथ शीघ्र शुरुआत करने में मदद करने के लिए पूर्व-प्रशिक्षित फाउंडेशन मॉडल (एफएम), एलएलएम, अंतर्निहित एल्गोरिदम और समाधान टेम्पलेट तक पहुंच प्रदान करता है। इस पोस्ट में, हम दिखाते हैं कि आप सेजमेकर जम्पस्टार्ट में पूर्व-प्रशिक्षित मॉडल का उपयोग करके शून्य-शॉट वर्गीकरण कैसे कर सकते हैं। आप सीखेंगे कि समाधान को तैनात करने और उपलब्ध मॉडलों का उपयोग करके अनुमान चलाने के लिए सेजमेकर जम्पस्टार्ट यूआई और सेजमेकर पायथन एसडीके का उपयोग कैसे करें।
जीरो शॉट सीखना
शून्य-शॉट वर्गीकरण एक प्रतिमान है जहां एक मॉडल नए, अनदेखे उदाहरणों को वर्गीकृत कर सकता है जो उन वर्गों से संबंधित हैं जो प्रशिक्षण डेटा में मौजूद नहीं थे। उदाहरण के लिए, एक भाषा मॉडल जिसे मानव भाषा को समझने के लिए प्रशिक्षित किया गया है, का उपयोग नए साल के संकल्प ट्वीट्स को कई वर्गों में वर्गीकृत करने के लिए किया जा सकता है जैसे career
, health
, तथा finance
, पाठ वर्गीकरण कार्य पर भाषा मॉडल को स्पष्ट रूप से प्रशिक्षित किए बिना। यह मॉडल को ठीक करने के विपरीत है, क्योंकि बाद में मॉडल को फिर से प्रशिक्षित करना (ट्रांसफर लर्निंग के माध्यम से) शामिल है, जबकि शून्य-शॉट सीखने के लिए अतिरिक्त प्रशिक्षण की आवश्यकता नहीं होती है।
निम्नलिखित चित्र ट्रांसफर लर्निंग (बाएं) बनाम जीरो-शॉट लर्निंग (दाएं) के बीच अंतर को दर्शाता है।
यिन एट अल. प्राकृतिक भाषा अनुमान (एनएलआई) का उपयोग करके शून्य-शॉट क्लासिफायर बनाने के लिए एक रूपरेखा का प्रस्ताव रखा। यह ढांचा अनुक्रम को एनएलआई आधार के रूप में वर्गीकृत करके काम करता है और प्रत्येक उम्मीदवार लेबल से एक परिकल्पना का निर्माण करता है। उदाहरण के लिए, यदि हम मूल्यांकन करना चाहते हैं कि कोई अनुक्रम वर्ग से संबंधित है या नहीं politics
, हम "यह पाठ राजनीति के बारे में है" की परिकल्पना का निर्माण कर सकते हैं। संलग्नता और विरोधाभास की संभावनाओं को फिर लेबल संभावनाओं में बदल दिया जाता है। एक त्वरित समीक्षा के रूप में, एनएलआई दो वाक्यों पर विचार करता है: एक आधार और एक परिकल्पना। कार्य यह निर्धारित करना है कि आधार को देखते हुए परिकल्पना सत्य (अंतर्विरोध) है या गलत (विरोधाभास)। निम्न तालिका कुछ उदाहरण प्रदान करती है.
परिसर | लेबल | परिकल्पना |
एक व्यक्ति किसी पूर्वी एशियाई देश में किसी व्यक्ति की वर्दी का निरीक्षण करता है। | अंतर्विरोध | आदमी सो रहा है. |
एक बूढ़ा और जवान आदमी मुस्कुरा रहा है। | तटस्थ | दो आदमी फर्श पर खेल रही बिल्लियों को देखकर मुस्कुरा रहे हैं और हंस रहे हैं। |
एक फ़ुटबॉल खेल जिसमें कई पुरुष खेल रहे हों। | अनुलाग | कुछ आदमी कोई खेल खेल रहे हैं. |
समाधान अवलोकन
इस पोस्ट में, हम निम्नलिखित पर चर्चा करते हैं:
- सेजमेकर जम्पस्टार्ट यूआई का उपयोग करके पूर्व-प्रशिक्षित शून्य-शॉट टेक्स्ट वर्गीकरण मॉडल को कैसे तैनात करें और लघु टेक्स्ट डेटा का उपयोग करके तैनात मॉडल पर अनुमान कैसे चलाएं
- सेजमेकर जम्पस्टार्ट में पूर्व-प्रशिक्षित शून्य-शॉट टेक्स्ट वर्गीकरण मॉडल तक पहुंचने के लिए सेजमेकर पायथन एसडीके का उपयोग कैसे करें और वास्तविक समय टेक्स्ट वर्गीकरण उपयोग मामले के लिए मॉडल को सेजमेकर एंडपॉइंट पर तैनात करने के लिए अनुमान स्क्रिप्ट का उपयोग कैसे करें
- पूर्व-प्रशिक्षित शून्य-शॉट टेक्स्ट वर्गीकरण मॉडल तक पहुंचने के लिए सेजमेकर पायथन एसडीके का उपयोग कैसे करें और बैच टेक्स्ट वर्गीकरण उपयोग मामले के लिए सेजमेकर बैच ट्रांसफॉर्म का उपयोग कैसे करें
सेजमेकर जम्पस्टार्ट लोकप्रिय एमएल कार्यों में पूर्व-प्रशिक्षित मॉडलों की एक विस्तृत विविधता के लिए एक-क्लिक फाइन-ट्यूनिंग और तैनाती प्रदान करता है, साथ ही सामान्य व्यावसायिक समस्याओं को हल करने वाले एंड-टू-एंड समाधानों का चयन भी प्रदान करता है। ये सुविधाएँ एमएल प्रक्रिया के प्रत्येक चरण से भारी भार को हटाती हैं, उच्च-गुणवत्ता वाले मॉडल के विकास को सरल बनाती हैं और तैनाती के समय को कम करती हैं। जम्पस्टार्ट एपीआई आपको अपने स्वयं के डेटासेट पर पूर्व-प्रशिक्षित मॉडलों के विशाल चयन को प्रोग्रामेटिक रूप से परिनियोजित करने और फाइन-ट्यून करने की अनुमति देता है।
जम्पस्टार्ट मॉडल हब बड़ी संख्या में एनएलपी मॉडल तक पहुंच प्रदान करता है जो कस्टम डेटासेट पर ट्रांसफर लर्निंग और फाइन-ट्यूनिंग को सक्षम बनाता है। इस लेखन के समय, जम्पस्टार्ट मॉडल हब में विभिन्न प्रकार के लोकप्रिय मॉडलों जैसे कि स्टेबल डिफ्यूजन, फ़्लान टी300, एलेक्सा टीएम, ब्लूम और अन्य में 5 से अधिक टेक्स्ट मॉडल शामिल हैं।
ध्यान दें कि इस अनुभाग में दिए गए चरणों का पालन करके, आप अपने AWS खाते में बुनियादी ढाँचा तैनात करेंगे जिसमें लागत लग सकती है।
एक स्टैंडअलोन शून्य-शॉट टेक्स्ट वर्गीकरण मॉडल तैनात करें
इस अनुभाग में, हम प्रदर्शित करते हैं कि सेजमेकर जम्पस्टार्ट का उपयोग करके शून्य-शॉट वर्गीकरण मॉडल को कैसे तैनात किया जाए। आप जम्पस्टार्ट लैंडिंग पृष्ठ के माध्यम से पूर्व-प्रशिक्षित मॉडल तक पहुंच सकते हैं अमेज़ॅन सैजमेकर स्टूडियो. निम्नलिखित चरणों को पूरा करें:
- सेजमेकर स्टूडियो में, जम्पस्टार्ट लैंडिंग पृष्ठ खोलें।
का संदर्भ लें जंपस्टार्ट खोलें और उपयोग करें सेजमेकर जम्पस्टार्ट पर नेविगेट करने के तरीके के बारे में अधिक जानकारी के लिए। - में पाठ मॉडल हिंडोला, "जीरो-शॉट टेक्स्ट वर्गीकरण" मॉडल कार्ड का पता लगाएं।
- चुनें मॉडल देखें का उपयोग करने के लिए
facebook-bart-large-mnli
मॉडल.
वैकल्पिक रूप से, आप खोज बार में शून्य-शॉट वर्गीकरण मॉडल खोज सकते हैं और सेजमेकर जम्पस्टार्ट में मॉडल तक पहुंच सकते हैं। - एक परिनियोजन कॉन्फ़िगरेशन निर्दिष्ट करें, सेजमेकर होस्टिंग इंस्टेंस प्रकार, एंडपॉइंट नाम, अमेज़न सरल भंडारण सेवा (अमेज़ॅन S3) बकेट नाम, और अन्य आवश्यक पैरामीटर।
- वैकल्पिक रूप से, आप जैसे सुरक्षा कॉन्फ़िगरेशन निर्दिष्ट कर सकते हैं AWS पहचान और अभिगम प्रबंधन (आईएएम) भूमिका, वीपीसी सेटिंग्स, और AWS प्रमुख प्रबंधन सेवा (एडब्ल्यूएस केएमएस) एन्क्रिप्शन कुंजी।
- चुनें तैनाती सेजमेकर एंडपॉइंट बनाने के लिए।
इस चरण को पूरा होने में कुछ मिनट लगते हैं। जब यह पूरा हो जाए, तो आप सेजमेकर एंडपॉइंट के विरुद्ध अनुमान चला सकते हैं जो शून्य-शॉट वर्गीकरण मॉडल को होस्ट करता है।
निम्नलिखित वीडियो में, हम इस अनुभाग के चरणों का पूर्वाभ्यास दिखाते हैं।
सेजमेकर एसडीके के साथ प्रोग्रामेटिक रूप से जम्पस्टार्ट का उपयोग करें
सेजमेकर स्टूडियो के सेजमेकर जम्पस्टार्ट अनुभाग में, नीचे त्वरित शुरुआत समाधान, आप पा सकते हैं समाधान टेम्पलेट. सेजमेकर जंपस्टार्ट समाधान टेम्पलेट कई सामान्य एमएल उपयोग मामलों के लिए एक-क्लिक, एंड-टू-एंड समाधान हैं। इस लेखन के समय, एकाधिक उपयोग के मामलों के लिए 20 से अधिक समाधान उपलब्ध हैं, जैसे कि मांग का पूर्वानुमान, धोखाधड़ी का पता लगाना और वैयक्तिकृत अनुशंसाएँ।
"जीरो शॉट टेक्स्ट क्लासिफिकेशन विद हगिंग फेस" समाधान विशिष्ट लेबल के लिए मॉडल को प्रशिक्षित करने की आवश्यकता के बिना टेक्स्ट को वर्गीकृत करने का एक तरीका प्रदान करता है (शून्य-शॉट वर्गीकरण) पूर्व-प्रशिक्षित टेक्स्ट क्लासिफायर का उपयोग करके। इस समाधान के लिए डिफ़ॉल्ट शून्य-शॉट वर्गीकरण मॉडल है फेसबुक-बार्ट-लार्ज-एमएनएलआई (बार्ट) मॉडल। इस समाधान के लिए, हम इसका उपयोग करते हैं 2015 नए साल के संकल्प डेटासेट संकल्पों को वर्गीकृत करने के लिए. मूल डेटासेट का एक उपसमूह जिसमें केवल शामिल है Resolution_Category
(जमीनी सच्चाई लेबल) और text
कॉलम समाधान की परिसंपत्तियों में शामिल है.
इनपुट डेटा में टेक्स्ट स्ट्रिंग्स, वर्गीकरण के लिए वांछित श्रेणियों की एक सूची, और सिंक्रोनस (वास्तविक समय) अनुमान के लिए वर्गीकरण मल्टी-लेबल है या नहीं। एसिंक्रोनस (बैच) अनुमान के लिए, हम टेक्स्ट स्ट्रिंग्स की एक सूची, प्रत्येक स्ट्रिंग के लिए श्रेणियों की सूची, और JSON लाइन स्वरूपित टेक्स्ट फ़ाइल में वर्गीकरण मल्टी-लेबल है या नहीं प्रदान करते हैं।
अनुमान का परिणाम एक JSON ऑब्जेक्ट है जो निम्न स्क्रीनशॉट जैसा कुछ दिखता है।
हमारे पास मूल पाठ है sequence
फ़ील्ड, पाठ वर्गीकरण के लिए उपयोग किए जाने वाले लेबल labels
फ़ील्ड, और फ़ील्ड में प्रत्येक लेबल (उपस्थिति के समान क्रम में) को निर्दिष्ट संभावना scores
.
हगिंग फेस समाधान के साथ जीरो शॉट टेक्स्ट वर्गीकरण को तैनात करने के लिए, निम्नलिखित चरणों को पूरा करें:
- सेजमेकर जम्पस्टार्ट लैंडिंग पृष्ठ पर, चुनें मॉडल, नोटबुक, समाधान नेविगेशन फलक में
- में समाधान ढूंढे अनुभाग चुनते हैं, सभी समाधान खोजें.
- पर समाधान ढूंढे पृष्ठ पर, हगिंग फेस मॉडल कार्ड के साथ जीरो शॉट टेक्स्ट वर्गीकरण चुनें।
- परिनियोजन विवरण की समीक्षा करें और यदि आप सहमत हैं, तो चुनें लांच.
परिनियोजन वास्तविक समय अनुमान के लिए सेजमेकर वास्तविक समय समापन बिंदु और बैच परिवर्तन परिणामों को संग्रहीत करने के लिए एक S3 बाल्टी का प्रावधान करेगा।
निम्नलिखित चित्र इस पद्धति की वास्तुकला को दर्शाता है।
शून्य-शॉट वर्गीकरण मॉडल का उपयोग करके वास्तविक समय में अनुमान लगाएं
इस अनुभाग में, हम समीक्षा करते हैं कि सेजमेकर एंडपॉइंट का उपयोग करके वास्तविक समय में शून्य-शॉट टेक्स्ट वर्गीकरण (किसी भी उपलब्ध मॉडल का उपयोग करके) चलाने के लिए पायथन एसडीके का उपयोग कैसे करें।
- सबसे पहले, हम मॉडल के लिए अनुमान पेलोड अनुरोध को कॉन्फ़िगर करते हैं। यह मॉडल पर निर्भर है, लेकिन BART मॉडल के लिए, इनपुट निम्नलिखित संरचना के साथ एक JSON ऑब्जेक्ट है:
- ध्यान दें कि BART मॉडल स्पष्ट रूप से प्रशिक्षित नहीं है
candidate_labels
. हम पाठ अनुक्रम को अनदेखी कक्षाओं में वर्गीकृत करने के लिए शून्य-शॉट वर्गीकरण तकनीक का उपयोग करेंगे। निम्नलिखित कोड नए साल के संकल्प डेटासेट और परिभाषित कक्षाओं से पाठ का उपयोग करने वाला एक उदाहरण है: - इसके बाद, आप शून्य-शॉट पेलोड के साथ सेजमेकर एंडपॉइंट को लागू कर सकते हैं। सेजमेकर एंडपॉइंट को सेजमेकर जम्पस्टार्ट समाधान के हिस्से के रूप में तैनात किया गया है।
- अनुमान प्रतिक्रिया ऑब्जेक्ट में मूल अनुक्रम, अधिकतम से न्यूनतम तक स्कोर द्वारा क्रमबद्ध लेबल और प्रति लेबल स्कोर शामिल हैं:
पायथन एसडीके का उपयोग करके सेजमेकर बैच ट्रांसफ़ॉर्म कार्य चलाएँ
यह अनुभाग वर्णन करता है कि शून्य-शॉट वर्गीकरण के साथ बैच ट्रांसफ़ॉर्म अनुमान कैसे चलाया जाए facebook-bart-large-mnli
मॉडल का उपयोग कर सेजमेकर पायथन एसडीके. निम्नलिखित चरणों को पूरा करें:
- इनपुट डेटा को JSON लाइन्स फॉर्मेट में फ़ॉर्मेट करें और फ़ाइल को Amazon S3 पर अपलोड करें।
SageMaker बैच ट्रांसफ़ॉर्म S3 फ़ाइल में अपलोड किए गए डेटा बिंदुओं पर अनुमान लगाएगा। - निम्नलिखित मापदंडों के साथ मॉडल परिनियोजन कलाकृतियों को सेट करें:
- मॉडल_आईडी - उपयोग
huggingface-zstc-facebook-bart-large-mnli
. - परिनियोजन_छवि_यूरी - उपयोग
image_uris
पूर्व-निर्मित सेजमेकर डॉकर छवि प्राप्त करने के लिए पायथन एसडीके फ़ंक्शनmodel_id
. फ़ंक्शन लौटाता है अमेज़ॅन इलास्टिक कंटेनर रजिस्ट्री (अमेज़ॅन ईसीआर) यूआरआई। - परिनियोजन_स्रोत_यूरी - उपयोग
script_uris
एस3 यूआरआई को पुनः प्राप्त करने के लिए उपयोगिता एपीआई जिसमें पूर्व-प्रशिक्षित मॉडल अनुमान चलाने के लिए स्क्रिप्ट शामिल हैं। हम निर्दिष्ट करते हैंscript_scope
asinference
. - मॉडल_यूरी - उपयोग
model_uri
निर्दिष्ट के लिए अमेज़न S3 से मॉडल कलाकृतियाँ प्राप्त करने के लिएmodel_id
.
- मॉडल_आईडी - उपयोग
- उपयोग
HF_TASK
हगिंग फेस ट्रांसफार्मर पाइपलाइन के लिए कार्य को परिभाषित करने के लिए औरHF_MODEL_ID
पाठ को वर्गीकृत करने के लिए प्रयुक्त मॉडल को परिभाषित करने के लिए:कार्यों की पूरी सूची के लिए देखें पाइप लाइनें हगिंग फेस दस्तावेज़ में।
- सेजमेकर बैच ट्रांसफॉर्म जॉब के साथ तैनात करने के लिए एक हगिंग फेस मॉडल ऑब्जेक्ट बनाएं:
- बैच कार्य चलाने के लिए एक ट्रांसफॉर्म बनाएं:
- बैच ट्रांसफ़ॉर्म कार्य प्रारंभ करें और इनपुट के रूप में S3 डेटा का उपयोग करें:
आप सेजमेकर कंसोल पर अपने बैच प्रोसेसिंग कार्य की निगरानी कर सकते हैं (चुनें)। बैच परिवर्तन नौकरियां के अंतर्गत अनुमान नेविगेशन फलक में)। जब कार्य पूरा हो जाए, तो आप निर्दिष्ट S3 फ़ाइल में मॉडल पूर्वानुमान आउटपुट की जांच कर सकते हैं output_path
.
सेजमेकर जम्पस्टार्ट में सभी उपलब्ध पूर्व-प्रशिक्षित मॉडलों की सूची के लिए, देखें पूर्व-प्रशिक्षित मॉडल टेबल के साथ बिल्ट-इन एल्गोरिदम. शून्य-शॉट पाठ वर्गीकरण करने में सक्षम सभी मॉडलों का पता लगाने के लिए खोज बार में कीवर्ड "zstc" (शून्य-शॉट पाठ वर्गीकरण के लिए संक्षिप्त) का उपयोग करें।
क्लीन अप
नोटबुक चलाना समाप्त करने के बाद, इस प्रक्रिया में बनाए गए सभी संसाधनों को हटाना सुनिश्चित करें ताकि यह सुनिश्चित हो सके कि इस गाइड में तैनात संपत्तियों द्वारा की जाने वाली लागत रोक दी गई है। तैनात संसाधनों को साफ़ करने के लिए कोड शून्य-शॉट पाठ वर्गीकरण समाधान और मॉडल से जुड़े नोटबुक में प्रदान किया गया है।
डिफ़ॉल्ट सुरक्षा कॉन्फ़िगरेशन
सेजमेकर जम्पस्टार्ट मॉडल निम्नलिखित डिफ़ॉल्ट सुरक्षा कॉन्फ़िगरेशन का उपयोग करके तैनात किए गए हैं:
सेजमेकर सुरक्षा-संबंधी विषयों के बारे में अधिक जानने के लिए देखें Amazon SageMaker में सुरक्षा कॉन्फ़िगर करें.
निष्कर्ष
इस पोस्ट में, हमने आपको दिखाया कि सेजमेकर जंपस्टार्ट यूआई का उपयोग करके शून्य-शॉट वर्गीकरण मॉडल को कैसे तैनात किया जाए और तैनात एंडपॉइंट का उपयोग करके अनुमान लगाया जाए। हमने यह दिखाने के लिए सेजमेकर जम्पस्टार्ट नए साल के रिज़ॉल्यूशन समाधान का उपयोग किया कि आप एंड-टू-एंड समाधान बनाने और शून्य-शॉट वर्गीकरण एप्लिकेशन को लागू करने के लिए सेजमेकर पायथन एसडीके का उपयोग कैसे कर सकते हैं। सेजमेकर जंपस्टार्ट कंप्यूटर विज़न, प्राकृतिक भाषा प्रसंस्करण, अनुशंसा प्रणाली और अन्य कार्यों के लिए सैकड़ों पूर्व-प्रशिक्षित मॉडल और समाधान तक पहुंच प्रदान करता है। समाधान स्वयं आज़माएं और हमें अपने विचार बताएं।
लेखक के बारे में
डेविड लारेडो LATAM में AWS एनविज़न इंजीनियरिंग में एक प्रोटोटाइप आर्किटेक्ट हैं, जहाँ उन्होंने कई मशीन लर्निंग प्रोटोटाइप विकसित करने में मदद की है। पहले, उन्होंने मशीन लर्निंग इंजीनियर के रूप में काम किया है और 5 वर्षों से अधिक समय से मशीन लर्निंग कर रहे हैं। उनकी रुचि के क्षेत्र एनएलपी, टाइम सीरीज़ और एंड-टू-एंड एमएल हैं।
विक्रम एलंगो वर्जीनिया, अमेरिका में स्थित अमेज़ॅन वेब सर्विसेज में एआई/एमएल स्पेशलिस्ट सॉल्यूशंस आर्किटेक्ट हैं। विक्रम वित्तीय और बीमा उद्योग के ग्राहकों को बड़े पैमाने पर मशीन लर्निंग एप्लिकेशन बनाने और तैनात करने के लिए डिजाइन और विचार नेतृत्व के साथ मदद करता है। वह वर्तमान में पूरे उद्यम में प्राकृतिक भाषा प्रसंस्करण, जिम्मेदार एआई, अनुमान अनुकूलन और स्केलिंग एमएल पर केंद्रित है। अपने खाली समय में, वह अपने परिवार के साथ यात्रा करना, लंबी पैदल यात्रा करना, खाना बनाना और शिविर लगाना पसंद करते हैं।
डॉ विवेक मदनी अमेज़ॅन सेजमेकर जम्पस्टार्ट टीम के साथ एक अनुप्रयुक्त वैज्ञानिक है। उन्होंने अर्बाना-शैंपेन में इलिनोइस विश्वविद्यालय से पीएचडी प्राप्त की और जॉर्जिया टेक में पोस्ट डॉक्टरेट शोधकर्ता थे। वह मशीन लर्निंग और एल्गोरिथम डिज़ाइन में एक सक्रिय शोधकर्ता हैं और उन्होंने EMNLP, ICLR, COLT, FOCS और SODA सम्मेलनों में पेपर प्रकाशित किए हैं।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
- प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- प्लेटोईएसजी. ऑटोमोटिव/ईवीएस, कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
- प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
- चार्टप्राइम. चार्टप्राइम के साथ अपने ट्रेडिंग गेम को उन्नत करें। यहां पहुंचें।
- BlockOffsets. पर्यावरणीय ऑफसेट स्वामित्व का आधुनिकीकरण। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/zero-shot-text-classification-with-amazon-sagemaker-jumpstart/
- :हैस
- :है
- :नहीं
- :कहाँ
- $यूपी
- 1
- 10
- 100
- 12
- 16
- 17
- 20
- 22
- 30
- 7
- 8
- 9
- a
- क्षमता
- About
- ऊपर
- पहुँच
- लेखा
- पाना
- के पार
- सक्रिय
- अतिरिक्त
- के खिलाफ
- AI
- ऐ / एमएल
- AL
- एलेक्सा
- कलन विधि
- एल्गोरिदम
- सब
- अनुमति देना
- की अनुमति देता है
- वीरांगना
- अमेज़न SageMaker
- अमेज़न SageMaker जम्पस्टार्ट
- अमेज़ॅन वेब सेवा
- राशि
- an
- और
- कोई
- एपीआई
- आवेदन
- अनुप्रयोगों
- लागू
- स्थापत्य
- हैं
- क्षेत्रों के बारे में जानकारी का उपयोग करके ट्रेडिंग कर सकते हैं।
- AS
- एशियाई
- संपत्ति
- सौंपा
- जुड़े
- At
- स्वतः
- उपलब्ध
- एडब्ल्यूएस
- बार
- आधार
- आधारित
- BE
- किया गया
- जा रहा है
- अंतर्गत आता है
- के बीच
- फूल का खिलना
- परिवर्तन
- पुस्तकें
- सुबह का नाश्ता
- निर्माण
- में निर्मित
- व्यापार
- लेकिन
- by
- कर सकते हैं
- उम्मीदवार
- सक्षम
- कार्ड
- कैरियर
- हिंडोला
- मामलों
- श्रेणियाँ
- बिल्ली की
- चुनौतीपूर्ण
- चेक
- चुनें
- कक्षा
- कक्षाएं
- वर्गीकरण
- वर्गीकृत
- वर्गीकृत
- कोड
- स्तंभ
- सामान्य
- पूरा
- जटिलता
- कंप्यूटर
- Computer Vision
- कंप्यूटर्स
- चिंतित
- सम्मेलनों
- विन्यास
- समझता है
- कंसोल
- निर्माण
- कंटेनर
- शामिल हैं
- इसके विपरीत
- परिवर्तित
- लागत
- सका
- देश
- युगल
- बनाना
- बनाया
- बनाना
- वर्तमान में
- रिवाज
- ग्राहक
- तिथि
- डेटा अंक
- डेटासेट
- समर्पित
- चूक
- परिभाषित
- परिभाषित
- मांग
- मांग पूर्वानुमान
- दिखाना
- निर्भरता
- निर्भर
- तैनात
- तैनात
- तैनाती
- डिज़ाइन
- वांछित
- विवरण
- खोज
- निर्धारित करना
- विकसित करना
- विकास
- मतभेद
- प्रसार
- चर्चा करना
- विविधता
- डाक में काम करनेवाला मज़दूर
- दस्तावेज़ीकरण
- नहीं करता है
- कर
- किया
- दो
- ई एंड टी
- से प्रत्येक
- पूर्व
- शिक्षा
- ईमेल
- सक्षम
- एन्क्रिप्शन
- शुरू से अंत तक
- endpoint
- इंजीनियर
- अभियांत्रिकी
- सुनिश्चित
- उद्यम
- सत्ता
- कल्पना करना
- मूल्यांकन करें
- और भी
- उदाहरण
- उदाहरण
- चेहरा
- असत्य
- परिवार
- विशेषताएं
- कुछ
- खेत
- आकृति
- पट्टिका
- वित्त
- वित्तीय
- खोज
- मंज़िल
- ध्यान केंद्रित
- निम्नलिखित
- के लिए
- प्रारूप
- बुनियाद
- ढांचा
- धोखा
- धोखाधड़ी का पता लगाना
- से
- समारोह
- खेल
- उत्पन्न
- जॉर्जिया
- मिल
- GitHub
- दी
- देते
- जमीन
- विकास
- गाइड
- हैंडलिंग
- है
- he
- स्वास्थ्य
- mmmmm
- भार उठाना
- मदद
- मदद की
- मदद करता है
- उच्च गुणवत्ता
- उसके
- होस्टिंग
- मेजबान
- कैसे
- How To
- एचटीएमएल
- http
- HTTPS
- हब
- मानव
- हास्य
- सैकड़ों
- लाखों में सैकड़ों
- ID
- पहचान
- if
- इलेनॉइस
- दिखाता है
- की छवि
- लागू करने के
- आयात
- in
- शामिल
- शामिल
- उद्योग
- करें-
- इंफ्रास्ट्रक्चर
- निहित
- निवेश
- निविष्टियां
- उदाहरण
- बीमा
- ब्याज
- IT
- काम
- नौकरियां
- जेपीजी
- JSON
- कुंजी
- Instagram पर
- जानना
- लेबल
- लेबल
- अवतरण
- भाषा
- बड़ा
- LATAM
- शुभारंभ
- नेतृत्व
- जानें
- सीख रहा हूँ
- बाएं
- चलो
- उत्तोलक
- पसंद
- लाइन
- पंक्तियां
- सूची
- एलएलएम
- लोड हो रहा है
- लग रहा है
- मशीन
- यंत्र अधिगम
- बनाना
- बनाता है
- आदमी
- प्रबंध
- बहुत
- मैक्स
- मई..
- पुरुषों
- तरीका
- लाखों
- मिनट
- मिनटों
- ML
- आदर्श
- मॉडल
- मॉनिटर
- अधिक
- विभिन्न
- my
- नाम
- प्राकृतिक
- प्राकृतिक भाषा संसाधन
- नेविगेट करें
- पथ प्रदर्शन
- आवश्यकता
- नया
- नया साल
- NLP
- नहीं
- नोटबुक
- संख्या
- वस्तु
- of
- on
- केवल
- खुला
- इष्टतमीकरण
- or
- आदेश
- संगठनों
- मूल
- अन्य
- आउट
- उत्पादन
- के ऊपर
- अपना
- पृष्ठ
- फलक
- कागजात
- मिसाल
- पैरामीटर
- भाग
- पथ
- प्रति
- निष्पादन
- प्रदर्शन
- अनुमतियाँ
- स्टाफ़
- निजीकृत
- पीएचडी
- लोकोपकार
- पाइपलाइन
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- खेल
- अंक
- राजनीति
- लोकप्रिय
- पद
- अभ्यास
- भविष्यवाणी
- भविष्यवाणियों
- वर्तमान
- पहले से
- समस्याओं
- प्रक्रिया
- प्रसंस्करण
- प्रस्तावित
- प्रोटोटाइप
- प्रोटोटाइप
- प्रदान करना
- बशर्ते
- प्रदान करता है
- प्रावधान
- प्रकाशित
- अजगर
- pytorch
- त्वरित
- जल्दी से
- पढ़ना
- वास्तविक
- वास्तविक समय
- हाल ही में
- मान्यता
- सिफारिश
- सिफारिशें
- को कम करने
- हटाना
- का अनुरोध
- की आवश्यकता होती है
- अपेक्षित
- शोधकर्ता
- उपयुक्त संसाधन चुनें
- प्रतिक्रिया
- प्रतिक्रियाएं
- जिम्मेदार
- परिणाम
- परिणाम
- रिटर्न
- की समीक्षा
- सही
- भूमिका
- रन
- दौड़ना
- s
- sagemaker
- वही
- सहेजें
- स्केल
- स्केलिंग
- वैज्ञानिक
- स्कोर
- खरोंच
- लिपियों
- स्क्रॉलिंग
- एसडीके
- Search
- अनुभाग
- सुरक्षा
- देखना
- चयन
- अनुक्रम
- कई
- सेवाएँ
- सेटिंग्स
- कम
- शॉट
- दिखाना
- पता चला
- सरल
- सरल बनाने
- के बाद से
- आकार
- फुटबॉल
- समाधान
- समाधान ढूंढे
- हल
- कुछ
- कुछ
- बोल रहा हूँ
- विशेषज्ञ
- विशिष्ट
- विशेष रूप से
- विनिर्दिष्ट
- बात
- खेल
- स्थिर
- स्टैंडअलोन
- प्रारंभ
- शुरू
- राज्य के-the-कला
- रहना
- कदम
- कदम
- रोक
- भंडारण
- भंडारण
- तार
- संरचना
- स्टूडियो
- ऐसा
- समर्थन
- निश्चित
- सिस्टम
- तालिका
- लेना
- लेता है
- कार्य
- कार्य
- टीम
- तकनीक
- टेम्पलेट्स
- पाठ वर्गीकरण
- कि
- RSI
- लेकिन हाल ही
- फिर
- इन
- इसका
- विचार
- वैचारिक नेतृत्व
- यहाँ
- पहर
- समय श्रृंखला
- TM
- सेवा मेरे
- विषय
- रेलगाड़ी
- प्रशिक्षित
- प्रशिक्षण
- स्थानांतरण
- बदालना
- परिवर्तन
- ट्रांसफार्मर
- ट्रान्सफ़ॉर्मर
- यात्रा का
- खरब
- <strong>उद्देश्य</strong>
- सच
- कोशिश
- tweets
- दो
- टाइप
- ui
- के अंतर्गत
- समझना
- विश्वविद्यालय
- अपलोड की गई
- us
- उपयोग
- प्रयुक्त
- का उपयोग
- उपयोगिता
- विविधता
- व्यापक
- संस्करण
- बहुत
- वीडियो
- वर्जीनिया
- दृष्टि
- vs
- walkthrough
- करना चाहते हैं
- था
- मार्ग..
- we
- वेब
- वेब सेवाओं
- कुंआ
- थे
- कब
- या
- जब
- किसका
- चौड़ा
- मर्जी
- साथ में
- बिना
- शब्द
- काम किया
- कार्य
- लिख रहे हैं
- वर्ष
- साल
- आप
- छोटा
- आपका
- जेफिरनेट
- शून्य
- जीरो-शॉट लर्निंग