A csalások felderítése fontos probléma, amelyet a pénzügyi szolgáltatásokban, a közösségi médiában, az e-kereskedelemben, a játékban és más iparágakban alkalmaznak. Ez a bejegyzés egy csalásészlelési megoldás megvalósítását mutatja be, amely a Relational Graph Convolutional Network (RGCN) modellt használja, hogy előre jelezze annak valószínűségét, hogy egy tranzakció csaló, mind a transzduktív, mind az induktív következtetési módban. Megvalósításunkat telepítheti egy Amazon SageMaker végpont valós idejű csalásészlelési megoldásként, külső gráftárolás vagy hangszerelés nélkül, ezáltal jelentősen csökkentve a modell telepítési költségeit.
Azok a vállalkozások is használhatják, akik teljes körűen felügyelt AWS AI-szolgáltatást keresnek a csalások felderítésére Amazon csalásészlelő, amellyel azonosíthatja a gyanús online fizetéseket, észlelheti az új fiókcsalásokat, megelőzheti a próbaverzióval és a hűségprogramokkal való visszaélést, vagy javíthatja a fiókátvétel észlelését.
Megoldás áttekintése
A következő ábra egy példaértékű pénzügyi tranzakciós hálózatot ír le, amely különböző típusú információkat tartalmaz. Minden tranzakció olyan információkat tartalmaz, mint az eszközazonosítók, Wi-Fi-azonosítók, IP-címek, fizikai helyek, telefonszámok stb. A tranzakciós adatkészleteket heterogén gráfon keresztül ábrázoljuk, amely különböző típusú csomópontokat és éleket tartalmaz. Ezután a csalásészlelési problémát csomópontosztályozási feladatként kezeljük ezen a heterogén gráfon.
A gráf neurális hálózatok (GNN-ek) nagy ígéretet tettek a csalásfelderítési problémák leküzdésében, felülmúlva az olyan népszerű felügyelt tanulási módszereket, mint a gradiens-növelt döntési fák vagy a teljesen összekapcsolt előrecsatolt hálózatok a benchmarking adatkészleteken. Egy tipikus csalásészlelési beállításban a betanítási szakaszban egy GNN-modellt betanítanak egy sor címkézett tranzakcióra. Minden képzési tranzakcióhoz bináris címke tartozik, amely jelzi, ha csalárd. Ez a betanított modell használható a csalárd tranzakciók észlelésére a címkézetlen tranzakciók halmaza között a következtetési fázisban. Két különböző következtetési mód létezik: a transzduktív következtetés vs. az induktív következtetés (amelyről ebben a bejegyzésben később bővebben is kitérünk).
A GNN-alapú modellek, mint például az RGCN, kihasználhatják a topológiai információkat, kombinálva a gráfszerkezetet, valamint a csomópontok és élek jellemzőit, hogy megtanuljanak egy értelmes ábrázolást, amely megkülönbözteti a rosszindulatú tranzakciókat a jogszerű tranzakcióktól. Az RGCN hatékonyan képes megtanulni különböző típusú csomópontok és élek (relációk) ábrázolását heterogén gráfbeágyazással. Az előző diagramban minden tranzakció célcsomópontként van modellezve, és az egyes tranzakciókhoz társított több entitás nem célcsomópont-típusként, mint pl. ProductCD
és a P_emaildomain
. A célcsomópontokhoz numerikus és kategorikus jellemzők vannak hozzárendelve, míg más csomóponttípusok jellegtelenek. Az RGCN-modell minden nem célcsomópont-típushoz megtanul egy beágyazást. Egy célcsomópont beágyazásához egy konvolúciós műveletet használnak a beágyazás kiszámításához a jellemzői és a szomszédsági beágyazások segítségével. A bejegyzés további részében a GNN és az RGCN kifejezéseket felcserélhetően használjuk.
Érdemes megjegyezni, hogy az olyan alternatív stratégiák, mint például a nem cél entitások jellemzőként való kezelése és egyben történő kódolásuk, gyakran megvalósíthatatlanok ezen entitások nagy száma miatt. Ezzel szemben a gráf entitásokként való kódolás lehetővé teszi a GNN modell számára, hogy kihasználja az entitáskapcsolatok implicit topológiáját. Például azok a tranzakciók, amelyek egy telefonszámon ismert csaló tranzakciókkal osztoznak, nagyobb valószínűséggel lesznek csalók is.
A GNN-ek által alkalmazott gráf-ábrázolás némi bonyolultságot okoz a megvalósításukban. Ez különösen igaz az olyan alkalmazásokra, mint például a csalásészlelés, amelyekben a gráfábrázolás kibővülhet az újonnan hozzáadott csomópontokkal történő következtetés során, amelyek megfelelnek a modell betanítása során nem ismert entitásoknak. Ezt a következtetési forgatókönyvet általában úgy nevezik induktív mód. Ellentétben, transzduktív mód egy olyan forgatókönyv, amely feltételezi, hogy a modelltanítás során felépített gráfábrázolás nem változik a következtetés során. A GNN-modelleket gyakran transzduktív módban értékelik úgy, hogy a betanítási és tesztpéldák kombinált halmazából grafikonábrázolásokat készítenek, miközben a tesztcímkéket elfedik a visszaterjesztés során. Ez biztosítja, hogy a gráfábrázolás statikus legyen, és ott a GNN-modellnek nincs szüksége olyan műveletekre, amelyek a gráfot új csomópontokkal bővítik a következtetés során. Sajnos a statikus grafikonábrázolás nem feltételezhető, ha valós környezetben hamis tranzakciókat észlel. Ezért szükség van az induktív következtetés támogatására, amikor a GNN-modelleket a csalásészlelésre termelési környezetekben telepítik.
Ezen túlmenően a csalárd tranzakciók valós idejű felderítése kulcsfontosságú, különösen olyan üzleti esetekben, amikor csak egy esély van az illegális tevékenységek megállítására. A csaló felhasználók például csak egyszer viselkedhetnek rosszindulatúan egy fiókkal, és soha többé nem használják ugyanazt a fiókot. A GNN-modellek valós idejű következtetései további összetettséget jelentenek a megvalósításban. Gyakran szükség van részgráf-kivonási műveletek végrehajtására a valós idejű következtetés támogatásához. A részgráf-kivonási műveletre azért van szükség, hogy csökkentse a következtetési késleltetést, amikor a gráf reprezentációja nagy, és a teljes gráfon történő következtetés végrehajtása rendkívül költségessé válik. Az RGCN modell valós idejű induktív következtetésének algoritmusa a következőképpen fut:
- Adott egy köteg tranzakciót és egy betanított RGCN-modellt, bővítse ki a gráfábrázolást a kötegből származó entitásokkal.
- Rendelje hozzá az új, nem célcsomópontok beágyazási vektorait a megfelelő csomóponttípus átlagos beágyazási vektorához.
- Kivon egy részgráfot, amelyet indukált k-ugrás ki a célcsomópontok szomszédságából a kötegből.
- Végezzen következtetést az algráfon, és adja vissza az előrejelzési pontszámokat a köteg célcsomópontjaira.
- Tisztítsa meg a gráfábrázolást az újonnan hozzáadott csomópontok eltávolításával (ez a lépés biztosítja, hogy a modellkövetkeztetés memóriaigénye állandó marad).
Ennek a bejegyzésnek a legfontosabb hozzájárulása egy valós idejű induktív következtetési algoritmust megvalósító RGCN modell bemutatása. RGCN-megvalósításunkat a SageMaker-végponton telepítheti valós idejű csalásészlelési megoldásként. Megoldásunk nem igényel külső gráftárolást vagy hangszerelést, és jelentősen csökkenti az RGCN-modell telepítési költségét a csalásfelderítési feladatokhoz. A modell transzduktív következtetési módot is megvalósít, lehetővé téve, hogy kísérleteket végezzünk a modell teljesítményének összehasonlítására induktív és transzduktív módokban. A modellkód és a kísérleteket tartalmazó notebookok a címről érhetők el AWS-példák GitHub repo.
Ez a bejegyzés a bejegyzésre épül Építsen GNN-alapú valós idejű csalásészlelő megoldást az Amazon SageMaker, az Amazon Neptune és a Deep Graph Library segítségével. Az előző bejegyzés egy RGCN-alapú valós idejű csalásészlelő megoldást épített fel a SageMaker segítségével, Amazon Neptun, És a Deep Graph Library (DGL). A korábbi megoldás egy Neptune adatbázist használt külső gráftárolóként, szükség volt rá AWS Lambda hangszereléshez valós idejű következtetéshez, és csak transzduktív módban végzett kísérleteket tartalmazott.
Az ebben a bejegyzésben bemutatott RGCN-modell a valós idejű induktív következtetési algoritmus összes műveletét megvalósítja, csak a DGL-t használva függőségként, és nem igényel külső gráftárolást vagy hangszerelést a telepítéshez.
Először értékeljük az RGCN modell teljesítményét transzduktív és induktív módokban egy benchmark adatkészleten. Ahogy az várható volt, a modell teljesítménye induktív módban valamivel alacsonyabb, mint transzduktív módban. Tanulmányozzuk a hiperparaméter hatását is k a modell teljesítményéről. A hiperparaméter k szabályozza a valós idejű következtetési algoritmus 3. lépésében egy részgráf kinyeréséhez végrehajtott ugrások számát. Magasabb értékei k nagyobb részgráfokat fog előállítani, és jobb következtetési teljesítményhez vezethet a magasabb késleltetés rovására. Mint ilyen, időzítési kísérleteket is végzünk, hogy értékeljük az RGCN modell megvalósíthatóságát egy valós idejű alkalmazáshoz.
adatbázisba
Az általunk használt IEEE-CIS csalás adatkészlet, ugyanaz az adatkészlet, amelyet az előzőben is használtunk Hozzászólás. Az adatkészlet több mint 590,000 XNUMX tranzakciórekordot tartalmaz, amelyek bináris csalási címkével (a isFraud
oszlop). Az adatok két táblára vannak osztva: tranzakció és identitás. Azonban nem minden tranzakciórekord rendelkezik megfelelő azonosító információval. Csatlakozunk a két asztalhoz TransactionID
oszlopot, amely összesen 144,233 XNUMX tranzakciós rekordot hagy számunkra. A táblát tranzakciós időbélyeg szerint rendezzük (a TransactionDT
oszlop), és hozzon létre egy 80/20 százalékos idő szerinti felosztást, ami 115,386 28,847, illetve XNUMX XNUMX tranzakciót eredményez a képzési és tesztelési célokra.
Az adatkészlettel és a DGL bemeneti követelményeinek megfelelő formázásával kapcsolatos további részletekért lásd: Csalás észlelése heterogén hálózatokban az Amazon SageMaker és a Deep Graph Library segítségével.
Grafikonépítés
Az általunk használt TransactionID
oszlopot a célcsomópontok generálásához. A következő oszlopokat használjuk 11 típusú nem célcsomópont létrehozására:
card1
keresztülcard6
ProductCD
addr1
és aaddr2
P_emaildomain
és aR_emaildomain
A célcsomópontok kategorikus jellemzőiként 38 oszlopot használunk:
M1
keresztülM9
DeviceType
és aDeviceInfo
id_12
keresztülid_38
A célcsomópontok numerikus jellemzőiként 382 oszlopot használunk:
TransactionAmt
dist1
és adist2
id_01
keresztülid_11
C1
keresztülC14
D1
keresztülD15
V1
keresztülV339
A betanítási tranzakciókból összeállított gráfunk 217,935 2,653,878 csomópontot és XNUMX XNUMX XNUMX élt tartalmaz.
Hiperparaméterek
A többi paraméter úgy van beállítva, hogy megfeleljen az előzőekben közölt paramétereknek Hozzászólás. A következő részlet szemlélteti az RGCN modell betanítását transzduktív és induktív módokban:
Induktív vs. transzduktív mód
Öt próbát végzünk az induktív és öt próbát a transzduktív módra. Minden próba alkalmával betanítunk egy RGCN modellt, és lemezre mentjük, így 10 modellt kapunk. Minden modellt tesztpéldákon értékelünk, miközben növeljük az ugrások számát (paraméter k) egy részgráf kinyerésére szolgál a következtetéshez, beállításhoz k 1-re, 2-re és 3-ra. Az összes tesztpéldán egyszerre jósolunk, és minden kísérlethez kiszámítjuk a ROC AUC pontszámot. A következő diagram az AUC-pontszámok átlagát és 95%-os konfidenciaintervallumát mutatja.
Láthatjuk, hogy a teljesítmény transzduktív módban valamivel magasabb, mint induktív módban. Mert k=2, az átlagos AUC pontszám az induktív és a transzduktív módokra 0.876, illetve 0.883. Ez várható, mert az RGCN modell képes megtanulni az összes entitáscsomópont beágyazását transzduktív módban, beleértve a tesztkészletben lévőket is. Ezzel szemben az induktív mód csak a betanítási példákban szereplő entitáscsomópontok beágyazását teszi lehetővé a modell számára, ezért egyes csomópontokat a következtetés során átlagosan ki kell tölteni. Ugyanakkor a teljesítmény csökkenése a transzduktív és induktív módok között nem jelentős, és még induktív módban is jó teljesítményt ér el az RGCN modell 0.876-os AUC értékkel. Azt is megfigyeljük, hogy a modell teljesítménye nem javul a következő értékeknél k>2. Ez azt a beállítást jelenti k=2 kellően nagy részgráfot vonna ki a következtetés során, ami optimális teljesítményt eredményez. Ezt a megfigyelést a következő kísérletünk is megerősíti.
Azt is érdemes megjegyezni, hogy a transzduktív mód esetében modellünk 0.883-as AUC-értéke magasabb, mint az előzőekben közölt megfelelő 0.870-es AUC Hozzászólás. Több oszlopot használunk a célcsomópontok numerikus és kategorikus jellemzőiként, ami megmagyarázhatja a magasabb AUC pontszámot. Azt is megjegyezzük, hogy az előző bejegyzésben szereplő kísérletek csak egyetlen kísérletet hajtottak végre.
Következtetés egy kis tételre
Ehhez a kísérlethez az RGCN-modellt egy kis köteg-következtetési beállításban értékeljük. Öt modellt használunk, amelyeket az előző kísérletben induktív módban tanítottunk. Ezeknek a modelleknek a teljesítményét hasonlítjuk össze, amikor két beállításban jósolunk: teljes és kis köteggel kapcsolatos következtetést. A teljes tételes következtetéshez a teljes tesztkészletre jósolunk, ahogy az előző kísérletben is megtettük. Kis kötegekre vonatkozó következtetésekhez kis kötegekben jósolunk úgy, hogy a tesztkészletet 28 azonos méretű kötegre osztjuk fel, mindegyik kötegben körülbelül 1,000 tranzakcióval. Mindkét beállítás AUC-pontszámait különböző értékekkel számítjuk ki k. A következő diagram az átlagot és a 95%-os konfidencia intervallumot mutatja a teljes és kis kötegű következtetési beállításokhoz.
Megfigyeljük ezt a teljesítményt kis köteggel kapcsolatos következtetésekhez, amikor k=1 alacsonyabb, mint a teljes kötegnél. A kis köteg következtetési teljesítménye azonban megegyezik a teljes köteggel, amikor k>1. Ez annak tudható be, hogy a kis tételekhez sokkal kisebb részgráfokat vonnak ki. Ezt megerősítjük, ha összehasonlítjuk a részgráfok méretét a betanítási tranzakciókból összeállított teljes gráf méretével. A gráfméreteket a csomópontok számában hasonlítjuk össze. Mert k=1, az átlagos részgráf mérete kis köteges következtetéshez kisebb, mint a betanítási grafikon 2%-a. És a teljes köteggel kapcsolatos következtetéshez, hogy mikor k=1, a részgráf mérete 22%. Amikor k=2, a kis és a teljes kötegkövetkeztetés részgráf mérete 54%, illetve 64%. Végül mindkét következtetési beállítás részgráf mérete eléri a 100%-ot k=3. Más szóval, mikor k>1, egy kis köteg részgráfja kellően nagy lesz, lehetővé téve, hogy a kis kötegek következtetései ugyanazt a teljesítményt érjék el, mint a teljes köteg következtetés.
Minden kötegnél rögzítjük az előrejelzési késleltetést is. Kísérleteinket ml.r5.12xlarge példányon végezzük, de használhat egy kisebb példányt is 64 G memóriával ugyanazon kísérletek futtatásához. A következő diagram a kis kötegek előrejelzési késésének átlagát és 95%-os konfidencia intervallumát mutatja a különböző értékekre. k.
A késleltetés magában foglalja a valós idejű induktív következtetési algoritmus mind az öt lépését. Látjuk, hogy mikor k=2, 1,030 tranzakció előrejelzése átlagosan 5.4 másodpercet vesz igénybe, ami 190 tranzakció/másodperc átvitelt eredményez. Ez megerősíti, hogy az RGCN-modell megvalósítása alkalmas valós idejű csalásfelderítésre. Azt is megjegyezzük, hogy az előző Hozzászólás megvalósításukhoz nem adtak meg kemény késleltetési értékeket.
Következtetés
Az ezzel a bejegyzéssel kiadott RGCN modell a valós idejű induktív következtetés algoritmusát valósítja meg, és nem igényel külső gráftárolást vagy hangszerelést. A paraméter k Az algoritmus 3. lépésében meghatározza az ugrások számát a részgráf következtetés céljából történő kinyeréséhez, és kompromisszumot eredményez a modell pontossága és az előrejelzési késleltetés között. Használtuk a IEEE-CIS csalás adatkészlet kísérleteinkben, és empirikusan validáltuk, hogy a paraméter optimális értéke k ennél az adatkészletnél 2, ami 0.876-os AUC-pontszámot és 6 tranzakciónként 1,000 másodpercnél kevesebb előrejelzési késést ér el.
Ez a bejegyzés lépésről lépésre bemutatja az RGCN-modell betanítását és értékelését a valós idejű csalásfelderítéshez. A mellékelt modellosztály a modell teljes életciklusára vonatkozó metódusokat valósít meg, beleértve a szerializációs és deszerializációs módszereket is. Ez lehetővé teszi, hogy a modellt valós idejű csalások észlelésére használják. A modellt PyTorch SageMaker becslőként betaníthatja, majd telepítheti egy SageMaker végpontra a következő módszerrel jegyzetfüzet mint sablon. A végpont képes valós időben megjósolni a csalást a nyers tranzakciók kis kötegeiben. Használhatod is Amazon SageMaker Inference Recommender a legjobb példánytípus és konfiguráció kiválasztásához a következtetési végponthoz a munkaterhelések alapján.
A témával és a megvalósítással kapcsolatos további információkért javasoljuk, hogy fedezze fel és tesztelje saját szkriptjeinket. A jegyzetfüzeteket és a kapcsolódó modellosztály kódját a következőről érheti el AWS-példák GitHub repo.
A szerzőkről
Dmitrij Beszpalov vezető alkalmazott tudós az Amazon Machine Learning Solutions Labnál, ahol különböző iparágakban segíti az AWS-ügyfeleket a mesterséges intelligencia és a felhő alkalmazásának felgyorsításában.
Ryan Brand az Amazon Machine Learning Solutions Lab alkalmazott tudósa. Konkrét tapasztalattal rendelkezik a gépi tanulás egészségügyi és élettudományi problémákra való alkalmazásában. Szabadidejében szívesen olvas történelmet és sci-fit.
Yanjun Qi Senior Applied Science Manager az Amazon Machine Learning Solution Labnál. Megújítja és alkalmazza a gépi tanulást, hogy segítse az AWS-ügyfeleket az AI és a felhő alkalmazásának felgyorsításában.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/build-a-gnn-based-real-time-fraud-detection-solution-using-the-deep-graph-library-without-using-external-graph-storage/
- 000
- 1
- 10
- 100
- 11
- 2%
- 28
- 7
- 95%
- a
- Képes
- Rólunk
- visszaélés
- gyorsul
- hozzáférés
- igénybe vett
- Fiók
- pontosság
- ér
- elérése
- át
- tevékenységek
- hozzáadott
- mellett
- További
- címek
- Örökbefogadás
- Előny
- AI
- algoritmus
- Minden termék
- lehetővé teszi, hogy
- alternatív
- amazon
- Amazon gépi tanulás
- Amazon Neptun
- Amazon SageMaker
- között
- és a
- Alkalmazás
- alkalmazások
- alkalmazott
- Alkalmazása
- körülbelül
- Sor
- kijelölt
- társult
- feltételezte
- bővített
- átlagos
- AWS
- alapján
- mert
- válik
- hogy
- benchmark
- benchmarking
- BEST
- Jobb
- között
- márka
- épít
- épít
- épült
- üzleti
- visz
- esetek
- esély
- változik
- osztály
- besorolás
- felhő
- felhő elfogadása
- kód
- Oszlop
- Oszlopok
- kombinált
- kombinálása
- összehasonlítani
- összehasonlítva
- bonyolultság
- Kiszámít
- Magatartás
- bizalom
- Configuration
- megerősít
- MEGERŐSÍTETT
- összefüggő
- állandó
- építése
- építés
- tartalmaz
- kontraszt
- hozzájárulás
- ellenőrzések
- Megfelelő
- Költség
- teremt
- teremt
- kritikus
- Ügyfelek
- dátum
- adatbázis
- adatkészletek
- döntés
- mély
- alapértelmezett
- meghatározott
- Függőség
- telepíteni
- bevezetéséhez
- bevetés
- részletek
- Érzékelés
- eszköz
- dgl
- DID
- különböző
- megvitatni
- Nem
- Csepp
- alatt
- minden
- e-kereskedelem
- hatás
- hatékonyan
- lehetővé teszi
- lehetővé téve
- ösztönzése
- Endpoint
- biztosítja
- Egész
- Szervezetek
- egység
- környezetek
- különösen
- értékelni
- értékelték
- értékelő
- Még
- Minden
- példa
- példák
- várható
- drága
- tapasztalat
- kísérlet
- Magyarázza
- feltárása
- terjed
- külső
- kivonat
- Jellemzők
- Fiction
- Végül
- pénzügyi
- pénzügyi szolgáltatások
- vezetéknév
- következő
- következik
- formátum
- csalás
- csalások felderítése
- csaló
- Ingyenes
- ból ből
- Tele
- teljesen
- szerencsejáték
- generál
- kap
- GitHub
- jó
- grafikon
- nagy
- Kemény
- egészségügyi
- segít
- segít
- <p></p>
- történelem
- Hogyan
- How To
- azonban
- HTML
- HTTPS
- azonosítani
- Identitás
- Illegális
- végre
- végrehajtás
- végrehajtási
- munkagépek
- importál
- fontos
- javul
- in
- Más
- beleértve
- magában foglalja a
- Beleértve
- növekvő
- iparágak
- információ
- bemenet
- példa
- Bevezetett
- Bemutatja
- IP
- IP-címeket
- IT
- csatlakozik
- Kulcs
- ismert
- labor
- Címke
- Címkék
- nagy
- nagyobb
- Késleltetés
- vezet
- TANUL
- tanulás
- könyvtár
- élet
- Life Sciences
- életciklus
- Valószínű
- kiszámításának
- helyszínek
- keres
- Hűség
- hűségprogram
- gép
- gépi tanulás
- menedzser
- Mérkőzés
- jelentőségteljes
- Média
- Memory design
- mód
- ML
- Mód
- modell
- modellek
- módok
- több
- elengedhetetlen
- Neptun
- hálózat
- hálózatok
- neurális hálózatok
- Új
- következő
- csomópont
- csomópontok
- szám
- számok
- megfigyelni
- megszerzése
- ONE
- online
- online fizetések
- működés
- Művelet
- optimálisan
- hangszerelés
- Más
- jelzettnél jobb teljesítményt
- saját
- pandák
- paraméter
- paraméterek
- Elmúlt
- kifizetések
- százalék
- Teljesít
- teljesítmény
- előadó
- fázis
- telefon
- fizikai
- Plató
- Platón adatintelligencia
- PlatoData
- Népszerű
- állás
- előre
- előrejelzésére
- előrejelzés
- be
- ajándékot
- megakadályozása
- előző
- Előzetes
- Probléma
- problémák
- folyamat
- gyárt
- Termelés
- Program
- ígéret
- ad
- feltéve,
- pytorch
- Qi
- Nyers
- el
- Olvasás
- igazi
- való Világ
- real-time
- rekord
- nyilvántartások
- csökkenteni
- csökkenti
- csökkentő
- említett
- összefüggő
- kapcsolatok
- Kapcsolatok
- felszabaduló
- eltávolítása
- Számolt
- képvisel
- képviselet
- szükség
- kötelező
- követelmény
- azok
- REST
- kapott
- Eredmények
- visszatérés
- futás
- Ryan
- sagemaker
- SageMaker következtetés
- azonos
- Megtakarítás
- forgatókönyv
- Tudomány
- Tudományos fantasztikum
- TUDOMÁNYOK
- Tudós
- szkriptek
- Második
- másodperc
- idősebb
- szolgáltatás
- Szolgáltatások
- készlet
- beállítás
- beállítások
- felépítés
- számos
- Megosztás
- mutatott
- Műsorok
- jelentős
- jelentősen
- egyetlen
- Méret
- méretek
- kicsi
- kisebb
- So
- Közösség
- Közösségi média
- megoldások
- Megoldások
- néhány
- különleges
- sebesség
- osztott
- szakadások
- Lépés
- Lépései
- megállítás
- tárolás
- stratégiák
- struktúra
- Tanulmány
- részgráf
- algráfok
- ilyen
- Öltöny
- megfelelő
- támogatás
- gyanús
- táblázat
- Vesz
- átvenni
- tart
- cél
- Feladat
- feladatok
- sablon
- feltételek
- teszt
- Tesztelés
- A
- A grafikon
- azok
- ezáltal
- ebből adódóan
- Keresztül
- áteresztőképesség
- idő
- időbélyeg
- időzítés
- nak nek
- is
- téma
- Végösszeg
- Vonat
- kiképzett
- Képzések
- tranzakció
- Tranzakciók
- kezelésére
- Fák
- próba
- vizsgálatok
- igaz
- típusok
- tipikus
- us
- használ
- Felhasználók
- rendszerint
- érvényesített
- érték
- Értékek
- keresztül
- ami
- míg
- Wi-fi
- lesz
- nélkül
- szavak
- érdemes
- lenne
- te
- A te
- zephyrnet