Ahogy egyre mélyebbre ásunk a digitális korszakban, a multimodalitási modellek fejlesztése kulcsfontosságú volt a gépek megértésének javításában. Ezek a modellek különféle adatformákban dolgoznak fel és generálnak tartalmat, például szöveget és képeket. Ezeknek a modelleknek a legfontosabb jellemzője a kép-szövegké alakítás képessége, amely figyelemre méltó jártasságot mutatott olyan feladatokban, mint a képaláírás és a vizuális kérdések megválaszolása.
A képek szöveggé fordításával felszabadítjuk és hasznosítjuk a vizuális adatokban rejlő rengeteg információt. Például az e-kereskedelemben a kép-szöveg automatizálhatja a termékek képek alapján történő kategorizálását, javítva a keresés hatékonyságát és pontosságát. Hasonlóképpen segíthet az automatikus fotóleírások létrehozásában, olyan információkat biztosítva, amelyek esetleg nem szerepelnek a termékcímekben vagy -leírásokban, ezáltal javítva a felhasználói élményt.
Ebben a bejegyzésben áttekintést nyújtunk a népszerű multimodalitási modellekről. Azt is bemutatjuk, hogyan telepítsük ezeket az előre betanított modelleket Amazon SageMaker. Ezen túlmenően megvitatjuk e modellek változatos alkalmazásait, különös tekintettel több valós forgatókönyvre, mint például a nulla-shot címke és a hozzárendelés generálása az e-kereskedelemhez, valamint az automatikus prompt generálás képekből.
A multimodalitási modellek háttere
A gépi tanulási (ML) modellek jelentős előrelépéseket értek el olyan területeken, mint a természetes nyelvi feldolgozás (NLP) és a számítógépes látás, ahol a modellek emberhez hasonló teljesítményt tudnak felmutatni egyetlen adatforrásból származó tartalom elemzésében és létrehozásában. A közelmúltban egyre nagyobb figyelem irányul a multimodalitási modellek fejlesztésére, amelyek különböző módokon keresztül képesek tartalom feldolgozására és előállítására. Ezek a modellek, mint például a látásmód és a nyelvi hálózatok fúziója, a különféle forrásokból és módozatokból származó információk integrálására való képességük révén váltak előtérbe, ezáltal javítva a megértési és kifejezési képességeiket.
Ebben a részben két népszerű multimodalitási modellről adunk áttekintést: CLIP (Kontrasztív nyelv-kép előképzés) és BLIP (Bootstrapping Language-Image előképzés).
CLIP modell
A CLIP egy multimodális látás- és nyelvi modell, amely felhasználható kép-szöveg hasonlóságra és zero-shot képosztályozásra. A CLIP egy 400 millió kép-szöveg párból álló adathalmazra van kiképezve, amelyeket különféle nyilvánosan elérhető forrásokból gyűjtöttek össze az interneten. A modellarchitektúra egy képkódolóból és egy szövegkódolóból áll, amint az a következő ábrán látható.
A képzés során egy kép és a hozzá tartozó szövegrészlet a kódolókon keresztül kerül átadásra, így képjellemző-vektort és szövegjellemző-vektort kap. A cél az, hogy az egyező pár kép- és szövegjellemzői nagy koszinuszos hasonlósággal rendelkezzenek, míg az össze nem illő párok jellemzői alacsony hasonlósággal rendelkezzenek. Ez kontrasztív veszteséggel történik. Ez a kontrasztos előképzés olyan kódolókat eredményez, amelyek a képeket és a szöveget egy közös beágyazási térbe képezik, ahol a szemantika igazodik.
A kódolók ezután használhatók a nullapontos átviteli tanuláshoz a downstream feladatokhoz. Következtetési időben a kép és szöveg előre betanított kódoló feldolgozza a megfelelő bemenetet, és átalakítja azt nagydimenziós vektoros reprezentációvá, vagy beágyazás. A kép és a szöveg beágyazásait ezután összehasonlítják, hogy meghatározzák hasonlóságukat, például a koszinusz hasonlóságot. A legrelevánsabbnak az a szöveges prompt (képosztályok, kategóriák vagy címkék), amelynek beágyazása leginkább hasonlít (például a legkisebb távolsága van) a képbeágyazáshoz, és a kép ennek megfelelően kerül besorolásra.
BLIP modell
Egy másik népszerű multimodalitási modell a BLIP. Egy új modellarchitektúrát vezet be, amely képes alkalmazkodni a különféle látásnyelvi feladatokhoz, és egyedi adatkészlet-betöltési technikát alkalmaz a zajos webes adatokból való tanuláshoz. A BLIP architektúra egy képkódolót és egy szövegkódolót tartalmaz: a képföldelt szövegkódoló vizuális információt injektál a szövegkódoló transzformátor blokkjába, a képföldelt szövegdekódoló pedig vizuális információkat épít be a transzformátor dekódoló blokkjába. Ezzel az architektúrával a BLIP kiemelkedő teljesítményt nyújt a vizuális és nyelvi információk fúzióját magában foglaló látásnyelvi feladatok során, a képalapú kereséstől és a tartalomgenerálástól az interaktív vizuális párbeszédrendszerekig. Egy korábbi bejegyzésünkben javasoltuk a BLIP modellen alapuló tartalommoderálási megoldás amely számos kihívást kezelt a számítógépes látás unimodális ML megközelítéseivel.
1. használati eset: Zero-shot címke vagy attribútum létrehozása e-kereskedelmi platformon
Az e-kereskedelmi platformok dinamikus piacterekként szolgálnak, amelyek tele vannak ötletekkel, termékekkel és szolgáltatásokkal. A listán szereplő termékek millióinak köszönhetően a hatékony válogatás és kategorizálás jelentős kihívást jelent. Itt jelenik meg az automatikus címkézés és az attribútumgenerálás ereje. A fejlett technológiák, például az ML és az NLP kihasználásával ezek az automatizált folyamatok forradalmasíthatják az e-kereskedelmi platformok működését.
Az automatikus címkézés vagy attribútumgenerálás egyik legfontosabb előnye, hogy javítja a kereshetőséget. A pontosan megjelölt termékeket a vásárlók gyorsan és hatékonyan megtalálhatják. Például, ha egy ügyfél „pamut nyakú, logóval ellátott pólót keres”, az automatikus címkézés és az attribútumgenerálás lehetővé teszi a keresőmotor számára, hogy olyan termékeket találjon, amelyek nem csupán a tágabb „póló” kategóriának felelnek meg, hanem a „pamut” és a „crew neck” sajátos attribútumait is. Ez a pontos párosítás elősegítheti a személyre szabott vásárlási élményt és növelheti a vásárlók elégedettségét. Ezenkívül az automatikusan generált címkék vagy attribútumok jelentősen javíthatják a termékajánló algoritmusokat. A termékjellemzők mélyreható megértésével a rendszer relevánsabb termékeket tud javasolni az ügyfeleknek, ezáltal növelve a vásárlások valószínűségét és a vásárlói elégedettséget.
A CLIP ígéretes megoldást kínál a címke- vagy attribútumgenerálási folyamat automatizálására. Bemenetként egy termékképet és a leírások vagy címkék listáját vesz igénybe, és minden címkéhez vektoros ábrázolást vagy beágyazást generál. Ezek a beágyazások egy nagy dimenziós térben léteznek, relatív távolságuk és irányaik a bemenetek közötti szemantikai kapcsolatokat tükrözik. A CLIP kép-szöveg párok nagy skáláján van előképzett, hogy beágyazza ezeket az értelmes beágyazásokat. Ha egy címke vagy attribútum pontosan leír egy képet, akkor a beágyazásuknak viszonylag közel kell lenniük ezen a téren. A megfelelő címkék vagy attribútumok generálásához a lehetséges címkék listája beírható a CLIP-modell szöveges részébe, és az eredményül kapott beágyazások tárolhatók. Ideális esetben ennek a listának kimerítőnek kell lennie, és magában kell foglalnia az e-kereskedelmi platformon található termékekre vonatkozó összes lehetséges kategóriát és attribútumot. A következő ábra néhány példát mutat be.
A CLIP-modell SageMaker rendszerben történő üzembe helyezéséhez kövesse a notebookot a következőkben GitHub repo. Előre beépített SageMaker-t használunk nagy modellkövetkeztetési (LMI) konténerek a modell üzembe helyezéséhez. Az LMI konténerek használják DJL tálalás hogy a modelled szolgáljon következtetésre. Ha többet szeretne megtudni a nagy modellek SageMaker-en való tárolásáról, lásd: Telepítsen nagy modelleket az Amazon SageMaker-en a DJLServing és a DeepSpeed modell párhuzamos következtetésével és a Telepítsen nagy modelleket nagy teljesítménnyel az Amazon SageMaker FasterTransformer segítségével.
Ebben a példában a fájlokat adjuk meg serving.properties
, model.py
és requirements.txt
a modellműtermékek előkészítése és tarballfájlban való tárolása.
serving.properties
az a konfigurációs fájl, amellyel jelezheti a DJL Serving felé, hogy mely modellpárhuzamosítási és következtetésoptimalizáló könyvtárakat szeretné használni. Igényeitől függően beállíthatja a megfelelő konfigurációt. A konfigurációs beállításokkal és a teljes listával kapcsolatos további részletekért lásd: Konfigurációk és beállítások.model.py
az a szkript, amely kezeli a kiszolgálásra vonatkozó kéréseket.requirements.txt
az a szövegfájl, amely további telepítendő pip kerekeket tartalmaz.
Ha szeretné letölteni a modellt a Átölelő arc közvetlenül beállíthatja a option.model_id
paraméter a serving.properties
fájl egy modell tárolójában tárolt előre betanított modell modellazonosítójaként huggingface.co. A tároló ezt a modellazonosítót használja a megfelelő modell letöltéséhez a központi telepítés során. Ha beállítja a model_id
egy Amazon egyszerű tárolási szolgáltatás (Amazon S3) URL, a DJL letölti a modell műtermékeit az Amazon S3-ról, és felcseréli model_id
a modell műtermékeinek tényleges helyére. A szkriptben rámutathat erre az értékre az előre betanított modell betöltéséhez. Példánkban az utóbbi lehetőséget használjuk, mert az LMI konténer használja s5cmd adatok letöltéséhez az Amazon S3-ból, ami jelentősen csökkenti a sebességet a modellek telepítés közbeni betöltésekor. Lásd a következő kódot:
A modell.py script, betöltjük a modell elérési útját a tulajdonságfájlban megadott modellazonosító használatával:
A modelltermékek előkészítése és Amazon S3-ra való feltöltése után néhány sornyi kóddal telepítheti a CLIP-modellt a SageMaker tárhelyre:
Amikor a végpont szolgáltatásban van, meghívhatja a végpontot egy bemeneti képpel és egy címkék listájával beviteli promptként a címkevalószínűség generálásához:
2. használati eset: Automatikus prompt generálás képekből
A multimodalitási modelleket használó egyik innovatív alkalmazás a képből tájékoztató üzenetek generálása. A generatív AI-ban a azonnali a nyelvi modellhez vagy más generatív modellhez biztosított bemenetre utal, amely arra utasítja, hogy milyen típusú tartalomra vagy válaszra van szükség. A prompt lényegében egy kiindulási pont vagy utasításkészlet, amely a modell generálási folyamatát irányítja. Ez lehet mondat, kérdés, részszöveg vagy bármilyen bemenet, amely közvetíti a kontextust vagy a kívánt kimenetet a modellhez. A jól kidolgozott prompt kiválasztása kulcsfontosságú a precíz és relevancia kiváló minőségű képek előállításához. Gyors tervezés A szöveges bevitel optimalizálásának vagy kialakításának folyamata a kívánt válaszok elérése érdekében egy nyelvi modellből, gyakran szóhasználattal, formátummal vagy kontextus-módosítással.
A képgenerálás azonnali tervezése számos kihívást jelent, köztük a következőket:
- A vizuális fogalmak pontos meghatározása – A vizuális fogalmak szavakkal történő leírása néha pontatlan vagy kétértelmű lehet, ami megnehezíti a kívánt kép pontos közvetítését. A bonyolult részletek vagy összetett jelenetek szöveges felszólításokkal történő rögzítése nem feltétlenül egyszerű.
- A kívánt stílusok hatékony meghatározása – A konkrét stíluspreferenciák, például a hangulat, a színpaletta vagy a művészi stílus közlése önmagában a szövegen keresztül is kihívást jelenthet. Az absztrakt esztétikai fogalmak konkrét utasításokká fordítása a modell számára bonyolult lehet.
- A komplexitás kiegyensúlyozása a modell túlterhelésének elkerülése érdekében – A kidolgozott promptok megzavarhatják a modellt, vagy információkkal való túlterheléshez vezethetnek, ami befolyásolhatja a generált kimenetet. Alapvetően fontos megtalálni a megfelelő egyensúlyt a megfelelő útmutatás nyújtása és a túlzott bonyolultság elkerülése között.
Ezért a képalkotáshoz szükséges hatékony promptok elkészítése időigényes, ami ismétlődő kísérletezést és finomítást igényel a pontosság és a kreativitás megfelelő egyensúlyának megteremtése érdekében, így ez egy erőforrás-igényes feladat, amely nagymértékben támaszkodik az emberi szakértelemre.
A KLIP Kihallgató egy automatikus prompt mérnöki eszköz a képekhez, amely a CLIP-et és a BLIP-et kombinálja, hogy optimalizálja a szöveges promptokat, hogy megfeleljenek egy adott képnek. Az eredményül kapott promptokat használhatja szöveggé képpé modellekhez, például Stabil diffúzió menő művészet létrehozásához. A CLIP Interrogator által készített promptok átfogó leírást kínálnak a képről, nemcsak annak alapvető elemeiről, hanem a művészi stílusról, a kép mögött rejlő lehetséges inspirációról, a médiumról, ahol a képet felhasználhatták vagy felhasználhatják, és azon túl is. Könnyedén üzembe helyezheti a CLIP Interrogator megoldást a SageMakeren, hogy egyszerűsítse a telepítési folyamatot, és kihasználja a teljes körűen felügyelt szolgáltatás által nyújtott skálázhatóságot, költséghatékonyságot és robusztus biztonságot. A következő ábra ennek a megoldásnak a folyamatlogikáját mutatja be.
Használhatja a következőket jegyzetfüzet hogy üzembe helyezze a CLIP Interrogator megoldást a SageMakeren. Hasonlóképpen, a CLIP-modell hosztolásához a SageMaker LMI tárolót használjuk a megoldás tárolására a SageMakeren a DJL szolgáltatás használatával. Ebben a példában egy további bemeneti fájlt adtunk meg a modell melléktermékeivel, amely meghatározza a SageMaker végpontra telepített modelleket. Különböző CLIP vagy BLIP modelleket választhat a feliratmodell nevének és a klipmodell nevének átadásával model_name.json
a következő kóddal létrehozott fájl:
A következtetési szkript model.py
tartalmaz egy kezelő függvényt, amellyel a DJL Serving ennek a függvénynek a meghívásával futtatja a kérést. A belépési pont szkriptjének elkészítéséhez átvettük az eredeti kódot clip_interrogator.py fájlt, és módosította, hogy működjön a DJL Serving szolgáltatással a SageMaker tárhelyen. Az egyik frissítés a BLIP modell betöltése. A BLIP és CLIP modellek betöltése a következőn keresztül történik load_caption_model()
és a load_clip_model()
funkciót az Interrogator objektum inicializálása során. A BLIP modell betöltéséhez először letöltöttük a modell műtermékeit a Hugging Face webhelyről, és feltöltöttük az Amazon S3-ra, mint a model_id
a tulajdonságfájlban. Ennek az az oka, hogy a BLIP-modell lehet nagy fájl, például a blip2-opt-2.7b modell, amely több mint 15 GB méretű. A modell telepítése során a Hugging Face webhelyről történő letöltése több időt vesz igénybe a végpont létrehozásához. Ezért rámutatunk a model_id
a BLIP3 modell Amazon S2 helyére, és töltse be a modellt a tulajdonságfájlban megadott modellútvonalról. Vegye figyelembe, hogy az üzembe helyezés során a modell elérési útja felcserélődik arra a helyi tárolóútvonalra, amelyre a DJL Serving letöltötte a modell melléktermékeit az Amazon S3 helyről. Lásd a következő kódot:
Mivel a CLIP modell nem túl nagy méretű, ezért használjuk open_clip
hogy a modellt közvetlenül a Hugging Face alkalmazásból töltse be, ami megegyezik az eredetivel clip_interrogator
végrehajtás:
Hasonló kóddal telepítjük a CLIP Interrogator megoldást egy SageMaker végpontra, és egy bemeneti képpel hívjuk meg a végpontot, hogy megkapjuk a hasonló képek generálására használható promptokat.
Vegyük példaként a következő képet. A SageMakeren telepített CLIP Interrogator végpont használatával a következő szöveges leírást generálja: croissant on a plate, pexels contest winner, aspect ratio 16:9, cgsocietywlop, 8 h, golden cracks, the artist has used bright, picture of a loft in morning, object features, stylized border, pastry, french emperor.
Tovább kombinálhatjuk a CLIP Interrogator megoldást a stabil diffúzióval és az azonnali tervezési technikákkal – a kreatív lehetőségek teljesen új dimenziója jelenik meg. Ez az integráció lehetővé teszi számunkra, hogy ne csak képeket írjunk le szöveggel, hanem az eredeti képek különféle változatait is manipuláljuk és generáljuk. A stabil diffúzió az előállított kimenet iteratív finomításával biztosítja a szabályozott képszintézist, a stratégiai azonnali tervezés pedig a kívánt eredmények felé irányítja a generálási folyamatot.
A a jegyzetfüzet második része, részletezzük azokat a lépéseket, amelyek segítségével azonnali tervezést használhatunk a képek átszínezéséhez a Stable Diffusion modellel (Stable Diffusion XL 1.0). Használjuk a Stabilitási AI SDK hogy telepítse ezt a modellt a SageMaker JumpStartból, miután előfizetett erre a modellre az AWS-en piactér. Mert ez egy újabb és jobb verzió a képgeneráláshoz, amelyet a Stabilitás AI, az eredeti bemeneti kép alapján jó minőségű képeket kaphatunk. Ezenkívül, ha az előző leírást előtagozzuk, és egy további promptot adunk hozzá, amely egy ismert művészt és egy művét említi, csodálatos eredményeket érünk el az újrastílussal. A következő kép a promptot használja: This scene is a Van Gogh painting with The Starry Night style, croissant on a plate, pexels contest winner, aspect ratio 16:9, cgsocietywlop, 8 h, golden cracks, the artist has used bright, picture of a loft in morning, object features, stylized border, pastry, french emperor.
A következő kép a promptot használja: This scene is a Hokusai painting with The Great Wave off Kanagawa style, croissant on a plate, pexels contest winner, aspect ratio 16:9, cgsocietywlop, 8 h, golden cracks, the artist has used bright, picture of a loft in morning, object features, stylized border, pastry, french emperor.
Következtetés
Az olyan multimodalitási modellek megjelenése, mint a CLIP és a BLIP, valamint alkalmazásaik gyorsan átalakítják a képből szöveggé konverziót. A vizuális és szemantikai információk közötti szakadék áthidalásával olyan eszközöket biztosítanak számunkra, amelyek segítségével felszabadíthatjuk a vizuális adatokban rejlő hatalmas lehetőségeket, és olyan módon hasznosíthatjuk azokat, amelyek korábban elképzelhetetlenek voltak.
Ebben a bejegyzésben a multimodalitási modellek különböző alkalmazásait mutattuk be. Ezek az e-kereskedelmi platformokon történő keresés hatékonyságának és pontosságának fokozásától az automatikus címkézésen és kategorizáláson át a szöveg-képes modellekhez, például a Stable Diffusion felszólítások generálásáig terjednek. Ezek az alkalmazások új távlatokat nyitnak meg egyedi és vonzó tartalom létrehozásához. Javasoljuk, hogy többet tudjon meg a SageMaker különféle multimodalitási modelljeinek felfedezésével, és készítsen olyan megoldást, amely innovatív az Ön vállalkozása számára.
A szerzőkről
Yanwei Cui, PhD, az AWS vezető gépi tanulási specialistája. Gépi tanulási kutatásokat kezdett az IRISA-nál (Research Institute of Computer Science and Random Systems), és több éves tapasztalattal rendelkezik AI-alapú ipari alkalmazások kiépítésében a számítógépes látás, a természetes nyelvi feldolgozás és az online felhasználói viselkedés előrejelzése terén. Az AWS-nél megosztja tartományi szakértelmét, és nagyszabású gépi tanulással segít ügyfeleinek feltárni az üzleti lehetőségeket, és megvalósítható eredményeket elérni. Munkán kívül szeret olvasni és utazni.
Raghu Ramesha az Amazon SageMaker Service csapatának vezető ML Solutions Architect. Arra összpontosít, hogy segítse az ügyfeleket az ML termelési munkaterhelések nagyarányú SageMaker-re való felépítésében, telepítésében és migrálásában. A gépi tanulás, a mesterséges intelligencia és a számítógépes látás tartományaira specializálódott, és az UT Dallas Egyetemen szerzett mesterfokozatot számítástechnikából. Szabadidejében szívesen utazik és fényképez.
Sam Edwards, felhőmérnök (AI/ML) az AWS Sydney-nél, a gépi tanulásra és az Amazon SageMakerre szakosodott. Szenvedélyesen segít ügyfeleinek a gépi tanulási munkafolyamatokkal kapcsolatos problémák megoldásában, és új megoldásokat hoz létre számukra. Munkán kívül szeret ütősportolni és utazni.
Melanie Li, PhD, az AWS vezető AI/ML specialistája, Sydney-ben, Ausztráliában. Segít a vállalati ügyfeleknek megoldásokat építeni a legkorszerűbb AI/ML eszközökkel az AWS-en, és útmutatást ad az ML-megoldások megtervezéséhez és megvalósításához a legjobb gyakorlatok alapján. Szabadidejében szereti felfedezni a természetet, családjával és barátaival tölteni az időt.
Gordon Wang az AWS vezető AI/ML specialistája. A stratégiai ügyfeleket számos iparágon átívelő AI/ML legjobb gyakorlatokkal támogatja. Szenvedélye a számítógépes látás, az NLP, a generatív AI és az MLOps. Szabadidejében szeret futni és túrázni.
Dhawal Patel az AWS vezető gépi tanulási építésze. Az elosztott számítástechnikával és a mesterséges intelligenciával kapcsolatos problémákon a nagyvállalatoktól a közepes méretű induló vállalkozásokig szervezetekkel dolgozott együtt. A mély tanulásra összpontosít, beleértve az NLP és a Computer Vision tartományokat. Segít az ügyfeleknek abban, hogy a SageMaker-en nagy teljesítményű modellkövetkeztetést érjenek el.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/build-an-image-to-text-generative-ai-application-using-multimodality-models-on-amazon-sagemaker/
- :van
- :is
- :nem
- :ahol
- 1
- 10
- 100
- 12
- 15%
- 16
- 400
- 7
- 8
- 9
- 97
- a
- képesség
- Rólunk
- KIVONAT
- Eszerint
- pontosság
- pontosan
- Elérése
- elért
- át
- tényleges
- hozzá
- További
- Ezen kívül
- címzett
- kiigazítások
- fogadott
- fejlett
- fejlesztések
- Előny
- érintő
- Után
- AI
- AI-hajtású
- AI / ML
- algoritmusok
- igazított
- Minden termék
- lehetővé teszi, hogy
- kizárólag
- Is
- elképesztő
- amazon
- Amazon SageMaker
- Az Amazon Web Services
- an
- elemzése
- és a
- bármilyen
- Alkalmazás
- alkalmazások
- megközelít
- megfelelő
- építészet
- VANNAK
- Művészet
- mesterséges
- mesterséges intelligencia
- művész
- művészi
- AS
- megjelenés
- segít
- At
- figyelem
- attribútumok
- Ausztrália
- automatizált
- Automatizált
- Automatikus
- automatizálás
- elérhető
- elkerülve
- AWS
- Egyenleg
- alapján
- BE
- mert
- óta
- viselkedés
- mögött
- Előnyök
- BEST
- legjobb gyakorlatok
- Jobb
- között
- Túl
- Nagy
- Blokk
- test
- fellendítésére
- határ
- áthidaló
- Fényes
- tágabb
- épít
- Épület
- üzleti
- de
- by
- TUD
- Kaphat
- képességek
- képes
- Rögzítése
- eset
- CAT
- kategóriák
- Kategória
- Macskák
- kihívás
- kihívások
- kihívást
- választás
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- osztályok
- besorolás
- osztályozott
- közel
- felhő
- kód
- szín
- össze
- kombájnok
- jön
- Közös
- kommunikáció
- képest
- bonyolult
- bonyolultság
- átfogó
- számítógép
- Computer Science
- Számítógépes látás
- számítástechnika
- fogalmak
- Configuration
- figyelembe vett
- áll
- tartalmazott
- Konténer
- Konténerek
- tartalmaz
- tartalom
- Tartalomgenerálás
- kontextus
- vezérelt
- Átalakítás
- Hűvös
- Megfelelő
- tudott
- fedő
- teremt
- készítette
- létrehozása
- teremtés
- Kreatív
- kreativitás
- kritikai
- Kereszt
- vevő
- Vevői elégedettség
- Ügyfelek
- Dallas
- dátum
- mély
- mély tanulás
- mélyebb
- Fok
- ás
- bizonyítani
- mutatja
- attól
- telepíteni
- telepített
- bevetés
- leírni
- leírás
- kívánatos
- részlet
- részletek
- Határozzuk meg
- Fejlesztés
- eszköz
- Párbeszéd
- különböző
- nehéz
- Diffusion
- digitális
- Dimenzió
- közvetlenül
- megvitatni
- távolság
- megosztott
- elosztott számítástechnika
- számos
- domain
- domainek
- csinált
- letöltés
- hajtás
- két
- alatt
- dinamikus
- minden
- könnyen
- e-kereskedelem
- Hatékony
- hatékonyság
- eredményesen
- Bonyolult
- elemek
- más
- beágyazás
- megjelenése
- kiemelkedik
- alkalmaz
- lehetővé
- ösztönzése
- Endpoint
- vonzó
- Motor
- mérnök
- Mérnöki
- növelése
- fokozása
- biztosítja
- Vállalkozás
- Vállalatok
- belépés
- Ez volt
- alapvető
- lényegében
- példa
- példák
- kiállít
- létezik
- tapasztalat
- szakvélemény
- feltárása
- Feltárása
- kifejezés
- Arc
- megkönnyítése
- család
- Funkció
- Jellemzők
- Fed
- kevés
- Fields
- Ábra
- filé
- Fájlok
- vezetéknév
- áramlási
- koncentrál
- összpontosítás
- következik
- következő
- A
- forma
- formátum
- formák
- talált
- Ingyenes
- francia
- barátok
- ból ből
- front
- teljesen
- funkció
- alapvető
- további
- Továbbá
- magfúzió
- szerzett
- rés
- generál
- generált
- generál
- generáló
- generáció
- nemző
- Generatív AI
- kap
- adott
- cél
- Aranysárga
- nagy
- útmutatást
- Útmutatók
- fogantyú
- Fogantyúk
- hám
- hasznosítása
- Legyen
- he
- súlyosan
- segít
- segít
- neki
- Magas
- jó minőségű
- övé
- tart
- Horizons
- vendéglátó
- házigazdája
- tárhely
- Hogyan
- How To
- HTML
- http
- HTTPS
- emberi
- ID
- ideálisan
- ötletek
- if
- kép
- Képosztályozás
- képek
- végrehajtás
- végrehajtási
- importál
- javul
- javuló
- in
- beleértve
- magában foglalja a
- Beleértve
- növekvő
- jelez
- ipari
- iparágak
- információ
- tájékoztató
- újító
- bemenet
- bemenet
- belső
- Ihlet
- telepíteni
- példa
- Intézet
- utasítás
- integrálni
- integráció
- Intelligencia
- interaktív
- Internet
- bele
- Bemutatja
- vonja
- bevonásával
- kérdések
- IT
- ITS
- jpg
- json
- Kulcs
- ismert
- Címke
- Címkék
- táj
- nyelv
- nagy
- Nagy vállalkozások
- vezet
- TANUL
- tanulás
- Li
- könyvtárak
- fekszik
- mint
- valószínűség
- vonalak
- Lista
- Listázott
- kiszámításának
- betöltés
- helyi
- elhelyezkedés
- logika
- logo
- le
- szeret
- Elő/Utó
- gép
- gépi tanulás
- csinál
- Gyártás
- sikerült
- sok
- térkép
- piacterek
- mester
- Mérkőzés
- párosított
- egyező
- jelentőségteljes
- közepes
- csupán
- esetleg
- vándorol
- millió
- Több millió
- ML
- MLOps
- modell
- modellek
- mérséklet
- módosított
- több
- Ráadásul
- Reggel
- a legtöbb
- többszörös
- név
- Természetes
- Természetes nyelvi feldolgozás
- Természet
- Szükség
- hálózatok
- Új
- új távlatok
- éjszaka
- NLP
- Egyik sem
- jegyzetfüzet
- regény
- tárgy
- of
- kedvezmény
- ajánlat
- Ajánlatok
- gyakran
- on
- ONE
- online
- csak
- nyitva
- Művelet
- optimalizálás
- Optimalizálja
- optimalizálása
- opció
- Opciók
- or
- szervezetek
- eredeti
- OS
- Más
- mi
- eredmények
- teljesítmény
- kívül
- kiemelkedő
- áttekintés
- túlnyomó
- saját
- festmény
- pár
- párok
- palettán
- Párhuzamos
- paraméter
- rész
- különösen
- Múló
- szenvedélyes
- ösvény
- teljesítmény
- Személyre
- phd
- fényképezés
- kép
- döntő
- emelvény
- Platformok
- Plató
- Platón adatintelligencia
- PlatoData
- játék
- dugó
- pont
- Népszerű
- pózok
- lehetőségek
- állás
- potenciális
- potenciálokat
- hatalom
- gyakorlat
- pontos
- Pontosság
- előrejelzés
- preferenciák
- Készít
- előkészített
- megakadályozása
- előző
- korábban
- Fő
- problémák
- folyamat
- Folyamatok
- feldolgozás
- Termékek
- Termelés
- Termékek
- kiemelkedés
- biztató
- ingatlanait
- ingatlan
- javasolt
- ad
- feltéve,
- biztosít
- amely
- nyilvánosan
- vásárlások
- kérdés
- véletlen
- hatótávolság
- kezdve
- gyorsan
- hányados
- Olvasás
- való Világ
- nemrég
- Ajánlást
- csökkenti
- utal
- kifejezés
- finomítás
- tükrözve
- vidék
- összefüggő
- Kapcsolatok
- relatív
- viszonylag
- relevancia
- figyelemre méltó
- raktár
- képviselet
- kérni
- kéri
- szükség
- megköveteli,
- kutatás
- erőforrás-igényes
- azok
- válasz
- válaszok
- kapott
- Eredmények
- visszatérés
- forradalmasítani
- jobb
- erős
- futás
- futás
- sagemaker
- azonos
- elégedettség
- skálázhatóság
- Skála
- forgatókönyvek
- színhely
- jelenetek
- Tudomány
- forgatókönyv
- Keresés
- kereső
- keres
- Rész
- biztonság
- lát
- MAGA
- szemantika
- idősebb
- mondat
- szolgál
- szolgáltatás
- Szolgáltatások
- szolgáló
- készlet
- számos
- Megoszt
- ő
- Bevásárlás
- kellene
- mutatott
- Műsorok
- jelentős
- jelentősen
- hasonló
- Hasonlóképpen
- Egyszerű
- egyetlen
- Méret
- töredék
- megoldások
- Megoldások
- SOLVE
- néhány
- néha
- forrás
- Források
- Hely
- szakember
- specializált
- specializálódott
- különleges
- meghatározott
- Spektrum
- sebesség
- költ
- Sport
- stabil
- csillagos
- kezdődött
- Kezdve
- Startups
- csúcs-
- Lépései
- tárolás
- tárolni
- memorizált
- egyértelmű
- Stratégiai
- áramvonal
- sztrájk
- stílus
- lényegesen
- ilyen
- elegendő
- javasol
- Támogatja
- csere
- gyorsan
- sydney
- rendszer
- Systems
- TAG
- Vesz
- tart
- cél
- Feladat
- feladatok
- csapat
- technika
- Technologies
- sablon
- szöveg
- szövegi
- mint
- hogy
- A
- A táj
- azok
- Őket
- akkor
- Ott.
- ezáltal
- ebből adódóan
- Ezek
- ők
- ezt
- Keresztül
- idő
- címei
- nak nek
- szerszám
- szerszámok
- felé
- kiképzett
- Képzések
- átruházás
- transzformátor
- transzformáló
- transzformáció
- Utazó
- kettő
- típus
- megértés
- elképzelhetetlen
- egyedi
- kinyit
- Frissítések
- feltöltve
- URL
- us
- használ
- használt
- használó
- User Experience
- használ
- segítségével
- érték
- fajta
- különféle
- Hatalmas
- változat
- nagyon
- keresztül
- látomás
- W
- akar
- hullám
- módon
- we
- Vagyon
- háló
- webes szolgáltatások
- voltak
- Mit
- amikor
- ami
- míg
- egész
- akinek
- lesz
- győztes
- val vel
- megfogalmazás
- szavak
- Munka
- dolgozott
- munkafolyamatok
- művek
- lenne
- év
- te
- A te
- zephyrnet