Postingan ini ditulis bersama oleh Shirsha Ray Chaudhuri, Harpreet Singh Baath, Rashmi B Pawar, dan Palvika Bansal dari Thomson Reuters.
Thomson Reuters (TR), sebuah perusahaan global yang berbasis konten dan teknologi, telah menggunakan kecerdasan buatan (AI) dan pembelajaran mesin (ML) dalam produk informasi profesionalnya selama beberapa dekade. Thomson Reuters Labs, tim inovasi berdedikasi perusahaan, telah menjadi bagian integral dari karya perintisnya dalam bidang AI dan pemrosesan bahasa alami (NLP). Tonggak penting adalah peluncuran Westlaw Is Natural (WIN) pada tahun 1992. Teknologi ini adalah salah satu teknologi pertama yang menggunakan NLP untuk penelitian hukum yang lebih efisien dan alami. Maju cepat ke tahun 2023, dan Thomson Reuters terus menentukan masa depan profesional melalui inovasi cepat, solusi kreatif, dan teknologi canggih.
Pengenalan AI generatif memberikan kesempatan lain bagi Thomson Reuters untuk bekerja dengan pelanggan dan sekali lagi memajukan cara mereka melakukan pekerjaan mereka, membantu para profesional mendapatkan wawasan dan mengotomatiskan alur kerja, memungkinkan mereka memfokuskan waktu mereka pada hal yang paling penting. Meskipun Thomson Reuters mendorong batasan mengenai manfaat AI generatif dan teknologi lainnya bagi para profesional modern, bagaimana mereka menggunakan kekuatan teknologi ini untuk timnya sendiri?
Thomson Reuters sangat fokus dalam meningkatkan kesadaran dan pemahaman tentang AI di antara rekan kerja di setiap tim dan area bisnis. Dimulai dari prinsip dasar tentang apa itu AI dan cara kerja ML, perusahaan ini menyampaikan program berkelanjutan berupa sesi kesadaran AI di seluruh perusahaan, termasuk webinar, materi pelatihan, dan diskusi panel. Selama sesi ini, gagasan tentang bagaimana AI dapat digunakan mulai muncul saat rekan kerja mempertimbangkan cara menggunakan alat yang membantu mereka menggunakan AI untuk tugas sehari-hari serta melayani pelanggan.
Dalam postingan ini, kami membahas bagaimana Thomson Reuters Labs menciptakan Open Arena, taman bermain model bahasa besar (LLM) skala perusahaan milik Thomson Reuters yang dikembangkan melalui kerja sama dengan AWS. Konsep aslinya berasal dari AI/ML Hackathon yang didukung oleh Simone Zucchet (AWS Solutions Architect) dan Tim Precious (AWS Account Manager) dan dikembangkan menjadi produksi menggunakan layanan AWS dalam waktu kurang dari 6 minggu dengan dukungan dari AWS. Layanan yang dikelola AWS seperti AWS Lambda, Amazon DynamoDB, dan Amazon SageMaker, serta Hugging Face Deep Learning Containers (DLC) yang telah dibuat sebelumnya, berkontribusi terhadap laju inovasi. Open Arena telah membantu membuka eksperimen AI generatif di seluruh perusahaan dalam lingkungan yang aman dan terkendali.
Lebih dalam lagi, Open Arena adalah taman bermain berbasis web yang memungkinkan pengguna bereksperimen dengan serangkaian alat yang diaktifkan dengan LLM. Hal ini memberikan akses non-program untuk karyawan Thomson Reuters yang tidak memiliki latar belakang coding namun ingin mengeksplorasi seni dengan AI generatif di TR. Open Arena telah dikembangkan untuk mendapatkan jawaban cepat dari beberapa rangkaian korpora, seperti untuk agen dukungan pelanggan, solusi untuk mendapatkan jawaban cepat dari situs web, solusi untuk merangkum dan memverifikasi poin dalam dokumen, dan banyak lagi. Kemampuan Open Arena terus berkembang seiring dengan pengalaman karyawan di Thomson Reuters yang memacu ide-ide baru dan munculnya tren baru di bidang AI generatif. Ini semua difasilitasi oleh arsitektur AWS tanpa server modular yang mendasari solusi ini.
Membayangkan Arena Terbuka
Tujuan Thomson Reuters jelas: membangun platform yang aman, terjamin, dan ramah penggunaโsebuah โarena terbukaโโsebagai arena bermain bagi seluruh perusahaan. Di sini, tim internal tidak hanya dapat mengeksplorasi dan menguji berbagai LLM yang dikembangkan sendiri dan yang berasal dari komunitas sumber terbuka seperti kemitraan AWS dan Hugging Face, namun juga menemukan kasus penggunaan unik dengan menggabungkan kemampuan LLM dengan Thomson Reuters data perusahaan yang luas. Platform semacam ini akan meningkatkan kemampuan tim untuk menghasilkan solusi inovatif, meningkatkan produk dan layanan yang dapat ditawarkan Thomson Reuters kepada kliennya.
Platform Open Arena yang diharapkan akan melayani berbagai tim di Thomson Reuters secara global, menyediakan tempat bermain bagi mereka untuk berinteraksi secara bebas dengan LLM. Kemampuan untuk melakukan interaksi ini dalam lingkungan yang terkendali akan memungkinkan tim untuk mengungkap aplikasi dan metodologi baru yang mungkin tidak terlihat jika tidak terlibat secara langsung dengan model yang kompleks ini.
Membangun Arena Terbuka
Membangun Open Arena adalah proses yang memiliki banyak aspek. Kami bertujuan untuk memanfaatkan kemampuan layanan nirserver dan ML AWS untuk menciptakan solusi yang memungkinkan karyawan Thomson Reuters bereksperimen dengan LLM terbaru dengan lancar. Kami melihat potensi layanan ini tidak hanya memberikan skalabilitas dan pengelolaan tetapi juga memastikan efektivitas biaya.
Ikhtisar solusi
Mulai dari menciptakan lingkungan yang kuat untuk penerapan model dan penyesuaian hingga memastikan pengelolaan data yang cermat dan memberikan pengalaman pengguna yang lancar, TR memerlukan setiap aspek untuk berintegrasi dengan beberapa layanan AWS. Arsitektur Open Arena dirancang komprehensif namun intuitif, menyeimbangkan kompleksitas dengan kemudahan penggunaan. Diagram berikut menggambarkan arsitektur ini.
SageMaker berfungsi sebagai tulang punggung, memfasilitasi penerapan model sebagai titik akhir SageMaker dan menyediakan lingkungan yang kuat untuk menyempurnakan model. Kami memanfaatkan DLC Hugging Face on SageMaker yang ditawarkan oleh AWS untuk meningkatkan proses penerapan kami. Selain itu, kami menggunakan SageMaker Hugging Face Inference Toolkit dan perpustakaan Accelerate untuk mempercepat proses inferensi dan secara efektif menangani tuntutan menjalankan model yang kompleks dan intensif sumber daya. Alat komprehensif ini berperan penting dalam memastikan penerapan LLM kami dengan cepat dan lancar. Fungsi Lambda, dipicu oleh Gerbang API Amazon, mengelola API, memastikan prapemrosesan dan pascapemrosesan data yang cermat.
Dalam upaya kami untuk memberikan pengalaman pengguna yang lancar, kami mengadopsi API Gateway yang aman untuk menghubungkan front end yang dihosting Layanan Penyimpanan Sederhana Amazon (Amazon S3) ke backend Lambda. Kami menerapkan front end sebagai situs statis pada bucket S3, memastikan autentikasi pengguna dengan bantuan Amazon CloudFront dan mekanisme sistem masuk tunggal perusahaan kami.
Open Arena telah dirancang untuk berintegrasi secara mulus dengan beberapa LLM melalui REST API. Hal ini memastikan bahwa platform tersebut cukup fleksibel untuk bereaksi dan berintegrasi dengan cepat ketika model-model canggih baru dikembangkan dan dirilis dalam ruang AI generatif yang bergerak cepat. Sejak awal, Open Arena dirancang untuk menyediakan taman bermain AI/ML perusahaan yang aman dan terlindungi, sehingga karyawan Thomson Reuters dapat bereksperimen dengan LLM canggih apa pun segera setelah dirilis. Penggunaan model Wajah Memeluk di SageMaker memungkinkan tim menyempurnakan model dalam lingkungan yang aman karena semua data dienkripsi dan tidak keluar dari virtual private cloud (VPC), sehingga memastikan bahwa data tetap bersifat pribadi dan rahasia.
DynamoDB, layanan database NoSQL pilihan kami, secara efisien menyimpan dan mengelola berbagai macam data, termasuk kueri pengguna, respons, waktu respons, dan data pengguna. Untuk menyederhanakan proses pengembangan dan penerapan, kami menggunakan Pembuatan Kode AWS dan Pipa Kode AWS untuk integrasi berkelanjutan dan pengiriman berkelanjutan (CI/CD). Memantau infrastruktur dan memastikan fungsi optimalnya dapat dilakukan dengan amazoncloudwatch, yang menyediakan dasbor khusus dan kemampuan logging yang komprehensif.
Pengembangan dan integrasi model
Inti dari Open Arena adalah beragam LLM, yang terdiri dari model sumber terbuka dan model yang dikembangkan sendiri. Model-model ini telah disesuaikan untuk memberikan respons mengikuti permintaan pengguna tertentu.
Kami telah bereksperimen dengan LLM yang berbeda untuk kasus penggunaan yang berbeda di Open Arena, termasuk Flan-T5-XL, Open Assistant, MPT, Falcon, dan Flan-T5-XL yang disempurnakan pada kumpulan data sumber terbuka yang tersedia menggunakan parameter fine-tuning yang efisien teknik. Kami menggunakan integrasi bitsandbytes dari Hugging Face untuk bereksperimen dengan berbagai teknik kuantisasi. Hal ini memungkinkan kami mengoptimalkan LLM kami untuk meningkatkan kinerja dan efisiensi, membuka jalan bagi inovasi yang lebih besar. Saat memilih model sebagai backend di balik kasus penggunaan ini, kami mempertimbangkan berbagai aspek, seperti seperti apa performa model ini pada tugas NLP yang relevan dengan Thomson Reuters. Selain itu, kami perlu mempertimbangkan aspek teknis, seperti berikut:
- Peningkatan efisiensi saat membangun aplikasi dengan LLM โ Mengintegrasikan dan menerapkan LLM canggih dengan cepat ke dalam aplikasi dan beban kerja kami yang berjalan di AWS, menggunakan kontrol dan integrasi yang familiar dengan kedalaman dan keluasan AWS
- Kustomisasi yang aman โ Memastikan bahwa semua data yang digunakan untuk menyempurnakan LLM tetap terenkripsi dan tidak keluar dari VPC
- keluwesan โ Kemampuan untuk memilih dari beragam pilihan LLM asli dan sumber terbuka AWS untuk menemukan model yang tepat untuk beragam kasus penggunaan kami
Kami telah mengajukan pertanyaan seperti apakah biaya yang lebih tinggi pada model yang lebih besar dapat dibenarkan oleh peningkatan kinerja yang signifikan? Bisakah model ini menangani dokumen yang panjang?
Diagram berikut menggambarkan arsitektur model kami.
Kami telah mengevaluasi model-model ini berdasarkan aspek-aspek sebelumnya pada kumpulan data hukum sumber terbuka dan kumpulan data internal Thomson Reuters untuk menilai model-model tersebut untuk kasus penggunaan tertentu.
Untuk kasus penggunaan berbasis konten (pengalaman yang memerlukan jawaban dari korpus tertentu), kami memiliki a pengambilan augmented generation (RAG) sudah tersedia, yang akan mengambil konten paling relevan terhadap kueri. Dalam alur seperti itu, dokumen dipecah menjadi beberapa bagian dan kemudian penyematan dibuat dan disimpan di OpenSearch. Untuk mendapatkan dokumen atau potongan yang paling cocok, kami menggunakan pendekatan pengambilan/pemeringkat ulang berdasarkan model bi-encoder dan cross-encoder. Pencocokan terbaik yang diambil kemudian diteruskan sebagai masukan ke LLM bersama dengan kueri untuk menghasilkan respons terbaik.
Integrasi konten internal Thomson Reuters dengan pengalaman LLM berperan penting dalam memungkinkan pengguna mendapatkan hasil yang lebih relevan dan berwawasan luas dari model-model ini. Yang lebih penting lagi, hal ini memicu munculnya ide-ide di antara setiap tim mengenai kemungkinan penerapan solusi berbasis AI dalam alur kerja bisnis mereka.
Ubin Arena Terbuka: Memfasilitasi interaksi pengguna
Open Arena mengadopsi antarmuka yang ramah pengguna, dirancang dengan ubin pengaktifan yang telah ditentukan sebelumnya untuk setiap pengalaman, seperti yang ditunjukkan pada tangkapan layar berikut. Ubin ini berfungsi sebagai interaksi yang telah ditentukan sebelumnya yang memenuhi kebutuhan spesifik pengguna.
Misalnya, ubin Eksperimen dengan LLM Sumber Terbuka membuka saluran interaksi seperti obrolan dengan LLM sumber terbuka.
Ubin Tanyakan Dokumen Anda memungkinkan pengguna mengunggah dokumen dan mengajukan pertanyaan spesifik terkait konten dari LLM. Ubin Eksperimen dengan Peringkasan memungkinkan pengguna menyaring sejumlah besar teks menjadi ringkasan ringkas, seperti yang ditunjukkan dalam tangkapan layar berikut.
Ubin ini menyederhanakan konsumsi pengguna atas solusi kerja berkemampuan AI dan proses navigasi dalam platform, memicu kreativitas dan mendorong penemuan kasus penggunaan inovatif.
Dampak dari Arena Terbuka
Peluncuran Open Arena menandai tonggak penting dalam perjalanan Thomson Reuters dalam mengembangkan budaya inovasi dan kolaborasi. Kesuksesan platform ini tidak dapat dipungkiri, dan manfaatnya menjadi nyata dengan cepat di seluruh perusahaan.
Desain Open Arena yang intuitif dan berbasis obrolan tidak memerlukan pengetahuan teknis yang signifikan, sehingga dapat diakses oleh berbagai tim dan peran pekerjaan berbeda di seluruh dunia. Kemudahan penggunaan ini meningkatkan tingkat keterlibatan, mendorong lebih banyak pengguna untuk menjelajahi platform dan mengungkap kasus penggunaan yang inovatif.
Dalam waktu kurang dari sebulan, Open Arena melayani lebih dari 1,000 pengguna internal bulanan dari jangkauan global TR, dengan rata-rata waktu interaksi 5 menit per pengguna. Dengan tujuan untuk mendorong eksperimen internal TR LLM dan pembuatan kasus penggunaan LLM secara crowdsource, peluncuran Open Arena menghasilkan masuknya kasus penggunaan baru, yang secara efektif memanfaatkan kekuatan LLM yang dikombinasikan dengan sumber daya data Thomson Reuters yang sangat besar.
Inilah yang dikatakan beberapa pengguna kami tentang Open Arena:
โOpen Arena memberikan kesempatan kepada karyawan dari seluruh bagian perusahaan untuk bereksperimen dengan LLM dengan cara yang praktis dan langsung. Membaca tentang alat AI adalah satu hal, dan menggunakannya sendiri adalah satu hal. Platform ini meningkatkan upaya pembelajaran AI kami di Thomson Reuters.โ
โ Abby Pinto, Pimpinan Solusi Pengembangan Bakat, Fungsi Sumber Daya Manusia
โOA (Open Arena) memungkinkan saya bereksperimen dengan masalah penerjemahan berita yang rumit untuk Layanan Bahasa Jerman Reuters yang tidak dapat ditangani oleh perangkat lunak terjemahan konvensional, dan melakukannya di lingkungan yang aman di mana saya dapat menggunakan berita aktual tanpa rasa takut. kebocoran data. Tim di belakang OA sangat responsif terhadap saran untuk fitur-fitur baru, yang merupakan jenis layanan yang hanya dapat Anda impikan dengan perangkat lunak lain.โ
โ Scot W. Stevenson, Koresponden Senior Breaking News untuk Layanan Bahasa Jerman, Berlin, Jerman
โSaat saya menggunakan Open Arena, saya mendapat ide untuk membangun antarmuka serupa untuk tim agen dukungan pelanggan kami. Taman bermain ini membantu kami membayangkan kembali berbagai kemungkinan dengan GenAI.โ
โ Marcel Batista, Gerente de Servicos, Layanan & Dukungan Pelanggan Operasi
โOpen Arena yang didukung oleh layanan tanpa server AWS, Amazon SageMaker, dan Hugging Face membantu kami dengan cepat mengekspos LLM mutakhir dan alat AI generatif kepada kolega kami, sehingga membantu mendorong inovasi di seluruh perusahaan.โ
โ Shirsha Ray Chaudhuri, Direktur, Teknik Penelitian, Thomson Reuters Labs
Dalam skala yang lebih luas, diperkenalkannya Open Arena mempunyai dampak yang besar terhadap perusahaan. Hal ini tidak hanya meningkatkan kesadaran AI di kalangan karyawan tetapi juga merangsang semangat inovasi dan kolaborasi. Platform ini menyatukan tim untuk mengeksplorasi, bereksperimen, dan menghasilkan ide, memupuk lingkungan di mana konsep-konsep inovatif dapat diwujudkan menjadi kenyataan.
Selain itu, Open Arena juga memberikan pengaruh positif terhadap layanan dan produk AI Thomson Reuters. Platform ini berfungsi sebagai sandbox untuk AI, memungkinkan tim mengidentifikasi dan menyempurnakan aplikasi AI sebelum menggabungkannya ke dalam penawaran kami. Oleh karena itu, hal ini telah mempercepat pengembangan dan peningkatan layanan AI Thomson Reuters, sehingga memberikan pelanggan solusi yang terus berkembang dan terdepan dalam kemajuan teknologi.
Kesimpulan
Di dunia AI yang bergerak cepat, kemajuan sangatlah penting, dan Thomson Reuters berkomitmen untuk melakukan hal tersebut. Tim di balik Open Arena terus berupaya menambahkan lebih banyak fitur dan meningkatkan kemampuan platform, menggunakan layanan AWS seperti Batuan Dasar Amazon dan Jumpstart Amazon SageMaker, memastikan bahwa ini tetap menjadi sumber daya yang berharga bagi tim kami. Seiring dengan kemajuan kami, kami bertujuan untuk mengimbangi lanskap AI generatif dan LLM yang berkembang pesat. AWS menyediakan layanan yang dibutuhkan TR untuk mengimbangi bidang AI generatif yang terus berkembang.
Selain pengembangan platform Open Arena yang sedang berlangsung, kami secara aktif berupaya memproduksi banyak kasus penggunaan yang dihasilkan oleh platform tersebut. Hal ini akan memungkinkan kami menyediakan solusi AI yang lebih canggih dan efisien kepada pelanggan kami, yang disesuaikan dengan kebutuhan spesifik mereka. Selain itu, kami akan terus memupuk budaya inovasi dan kolaborasi, sehingga memungkinkan tim kami mengeksplorasi ide-ide baru dan penerapan teknologi AI.
Saat kami memulai perjalanan menarik ini, kami yakin Open Arena akan memainkan peran penting dalam mendorong inovasi dan kolaborasi di seluruh Thomson Reuters. Dengan tetap menjadi yang terdepan dalam kemajuan AI, kami akan memastikan bahwa produk dan layanan kami terus berkembang dan memenuhi permintaan pelanggan kami yang terus berubah.
Tentang Penulis
Shirsha Ray Chaudhuri (Direktur, Teknik Riset) mengepalai tim Teknik ML di Bangalore untuk Thomson Reuters Labs, di mana dia memimpin pengembangan dan penerapan solusi yang dirancang dengan baik di AWS dan platform cloud lainnya untuk proyek ML yang mendorong efisiensi dan nilai untuk fitur berbasis AI dalam produk, platform, dan sistem bisnis Thomson Reuters. Dia bekerja dengan komunitas di bidang AI untuk proyek yang berdampak baik dan sosial, serta di bidang teknologi untuk bidang D&I. Dia senang berjejaring dengan orang-orang yang menggunakan AI dan teknologi modern untuk membangun dunia yang lebih baik, lebih inklusif, lebih digital, dan bersama-sama menciptakan masa depan yang lebih baik.
Harpreet Singh Baath adalah Senior Cloud dan DevOps Engineer di Thomson Reuters Labs, yang membantu para insinyur riset dan ilmuwan mengembangkan solusi pembelajaran mesin pada platform cloud. Dengan pengalaman lebih dari 6 tahun, keahlian Harpreet mencakup arsitektur cloud, otomatisasi, containerisasi, pengaktifan praktik DevOps, dan optimalisasi biaya. Dia sangat tertarik pada efisiensi dan efektivitas biaya, memastikan sumber daya cloud dimanfaatkan secara optimal.
Rashmi B Pawar adalah Insinyur Pembelajaran Mesin di Thomson Reuters. Dia memiliki banyak pengalaman dalam memproduksi model, membuat inferensi, dan membuat jalur pelatihan yang disesuaikan untuk berbagai aplikasi pembelajaran mesin. Selain itu, dia memiliki keahlian yang signifikan dalam menggabungkan alur kerja pembelajaran mesin ke dalam sistem dan produk yang ada.
Palvika Bansal adalah Associate Applied Research Scientist di Thomson Reuters. Dia telah mengerjakan proyek di berbagai sektor untuk memecahkan masalah bisnis bagi pelanggan yang menggunakan AI/ML. Dia sangat bersemangat dengan pekerjaannya dan antusias menghadapi tantangan baru. Di luar pekerjaan, dia menikmati jalan-jalan, memasak, dan membaca.
Simon Zucchet adalah Arsitek Solusi Senior di AWS. Dengan pengalaman hampir satu dekade sebagai Arsitek Cloud, Simone senang mengerjakan proyek inovatif yang membantu mengubah cara organisasi mendekati masalah bisnis. Dia membantu mendukung pelanggan perusahaan besar di AWS dan merupakan bagian dari Machine Learning TFC. Di luar kehidupan profesionalnya, ia senang mengerjakan mobil dan fotografi.
Heiko Hotzo adalah Arsitek Solusi Senior untuk AI & Pembelajaran Mesin dengan fokus khusus pada pemrosesan bahasa alami, model bahasa besar, dan AI generatif. Sebelumnya, beliau menjabat sebagai Kepala Ilmu Data untuk Layanan Pelanggan UE Amazon. Heiko membantu pelanggan kami meraih kesuksesan dalam perjalanan AI/ML mereka di AWS dan telah bekerja dengan organisasi di banyak industri, termasuk asuransi, layanan keuangan, media dan hiburan, layanan kesehatan, utilitas, dan manufaktur. Di waktu luangnya, Heiko sering bepergian.
Joรฃo Moura adalah Arsitek Solusi Spesialis AI/ML di AWS, berbasis di Spanyol. Dia membantu pelanggan dengan pelatihan model pembelajaran mendalam dan pengoptimalan inferensi, dan secara lebih luas membangun platform ML berskala besar di AWS. Dia juga pendukung aktif perangkat keras khusus ML dan solusi ML kode rendah.
Georgios Schinas adalah Arsitek Solusi Spesialis untuk AI/ML di kawasan EMEA. Dia berbasis di London dan bekerja erat dengan pelanggan di Inggris dan Irlandia. Georgios membantu pelanggan merancang dan menerapkan aplikasi pembelajaran mesin dalam produksi di AWS, dengan minat khusus pada praktik MLOps dan memungkinkan pelanggan melakukan pembelajaran mesin dalam skala besar. Di waktu luangnya, ia menikmati jalan-jalan, memasak, dan menghabiskan waktu bersama teman dan keluarga.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Otomotif / EV, Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- ChartPrime. Tingkatkan Game Trading Anda dengan ChartPrime. Akses Di Sini.
- BlockOffset. Modernisasi Kepemilikan Offset Lingkungan. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-developed-open-arena-an-enterprise-grade-large-language-model-playground-in-under-6-weeks/
- :memiliki
- :adalah
- :bukan
- :Di mana
- 000
- 1
- 100
- 2023
- 7
- a
- kemampuan
- Tentang Kami
- mempercepat
- dipercepat
- mengakses
- dapat diakses
- Akun
- di seluruh
- aktif
- aktif
- sebenarnya
- menambahkan
- tambahan
- diadopsi
- Mengadopsi
- memajukan
- maju
- kemajuan
- kemajuan
- maju
- lagi
- terhadap
- agen
- AI
- AI & Pembelajaran Mesin
- Layanan AI
- AI / ML
- tujuan
- ditujukan
- Semua
- mengizinkan
- diizinkan
- Membiarkan
- memungkinkan
- sepanjang
- juga
- Amazon
- Amazon SageMaker
- Amazon Web Services
- antara
- diantara
- an
- dan
- Lain
- jawaban
- Apa pun
- api
- Lebah
- semu
- aplikasi
- terapan
- pendekatan
- arsitektur
- ADALAH
- DAERAH
- Arena
- Seni
- buatan
- kecerdasan buatan
- Kecerdasan buatan (AI)
- AS
- penampilan
- aspek
- menilai
- Asisten
- Menghubungkan
- bermacam-macam
- At
- ditambah
- Otentikasi
- mengotomatisasikan
- Otomatisasi
- tersedia
- rata-rata
- kesadaran
- AWS
- Tulang punggung
- Backend
- latar belakang
- balancing
- berdasarkan
- BE
- karena
- menjadi
- menjadi
- sebelum
- di belakang
- Manfaat
- Berlin
- TERBAIK
- Lebih baik
- Didorong
- kedua
- batas-batas
- luasnya
- Melanggar
- berita
- lebih luas
- secara luas
- Terbawa
- membangun
- Bangunan
- bisnis
- tapi
- by
- panggilan
- datang
- CAN
- kemampuan
- dikapitalisasi
- mobil
- kasus
- melayani
- tantangan
- kesempatan
- Saluran
- Pilih
- terpilih
- jelas
- klien
- Penyelesaian
- rapat
- awan
- Pengkodean
- kolaborasi
- rekan
- bergabung
- berkomitmen
- Masyarakat
- masyarakat
- perusahaan
- Perusahaan
- kompleks
- kompleksitas
- luas
- konsep
- konsep
- ringkas
- yakin
- Terhubung
- Karena itu
- Mempertimbangkan
- besar
- dianggap
- terus-menerus
- konsumsi
- Wadah
- Konten
- terus
- terus
- kontinu
- berkontribusi
- dikendalikan
- kontrol
- konvensional
- Biaya
- bisa
- kerajinan
- dibuat
- membuat
- penciptaan
- Kreatif
- kreativitas
- sangat penting
- budaya
- adat
- pelanggan
- Layanan Pelanggan
- Customer Support
- pelanggan
- kustomisasi
- canggih
- dasbor
- data
- manajemen data
- ilmu data
- Basis Data
- kumpulan data
- hari ke hari
- dekade
- dedicated
- mendalam
- belajar mendalam
- lebih dalam
- menetapkan
- menyampaikan
- mengantarkan
- pengiriman
- tuntutan
- menyebarkan
- dikerahkan
- penggelaran
- penyebaran
- kedalaman
- Mendesain
- dirancang
- mengembangkan
- dikembangkan
- Pengembangan
- berbeda
- digital
- langsung
- Kepala
- menemukan
- penemuan
- membahas
- diskusi
- beberapa
- do
- dokumen
- dokumen
- tidak
- Tidak
- melakukan
- Dont
- seri
- mimpi
- mendorong
- penggerak
- selama
- setiap
- memudahkan
- kemudahan penggunaan
- efektif
- efisiensi
- efisien
- efisien
- upaya
- memulai
- EMEA
- muncul
- dipekerjakan
- karyawan
- aktif
- diaktifkan
- memungkinkan
- memungkinkan
- mendorong
- terenkripsi
- akhir
- interaksi
- insinyur
- Teknik
- Insinyur
- mempertinggi
- ditingkatkan
- cukup
- memastikan
- memastikan
- Enterprise
- kelas perusahaan
- Menghibur
- antusias
- Lingkungan Hidup
- membangun
- EU
- mengevaluasi
- Bahkan
- pERNAH
- selalu berubah
- Setiap
- jelas
- berkembang
- berkembang
- menarik
- ada
- pengalaman
- Pengalaman
- eksperimen
- keahlian
- menyelidiki
- luas
- ekstrak
- Menghadapi
- difasilitasi
- memfasilitasi
- akrab
- keluarga
- FAST
- serba cepat
- takut
- Fitur
- bidang
- keuangan
- jasa keuangan
- Menemukan
- Pertama
- fleksibel
- Fokus
- terfokus
- berikut
- Tapak
- Untuk
- garis terdepan
- Depan
- Membantu perkembangan
- membina
- teman
- dari
- depan
- Ujung depan
- berfungsi
- fungsi
- Selanjutnya
- masa depan
- Keuntungan
- pintu gerbang
- menghasilkan
- dihasilkan
- generatif
- AI generatif
- Jerman
- mendapatkan
- memberikan
- Aksi
- Secara global
- bumi
- tujuan
- baik
- lebih besar
- groundbreaking
- Tumbuh
- Pertumbuhan
- hackathon
- memiliki
- menangani
- hands-on
- Perangkat keras
- memanfaatkan
- Memanfaatkan
- Memiliki
- he
- kepala
- kepala
- kesehatan
- Hati
- membantu
- membantu
- membantu
- membantu
- dia
- di sini
- lebih tinggi
- sangat
- -nya
- host
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- http
- HTTPS
- i
- ide
- ide-ide
- mengenali
- menyalakan
- menggambarkan
- Dampak
- meningkatkan
- in
- lahirnya
- Termasuk
- Inklusif
- menggabungkan
- Pada meningkat
- luar biasa
- industri
- mempengaruhi
- arus
- informasi
- Infrastruktur
- Innovation
- Tim inovasi
- inovatif
- memasukkan
- berwawasan luas
- wawasan
- contoh
- instrumental
- asuransi
- integral
- mengintegrasikan
- Mengintegrasikan
- integrasi
- integrasi
- Intelijen
- berinteraksi
- interaksi
- interaksi
- bunga
- Antarmuka
- intern
- ke
- Pengantar
- intuitif
- Irlandia
- IT
- NYA
- Pekerjaan
- perjalanan
- jpg
- hanya
- Menjaga
- kunci
- tonggak penting
- Jenis
- pengetahuan
- Labs
- pemandangan
- bahasa
- besar
- besar-besaran
- lebih besar
- Terbaru
- jalankan
- memimpin
- terkemuka
- kebocoran
- pengetahuan
- Meninggalkan
- Dipimpin
- Informasi
- kurang
- adalah ide yang bagus
- Perpustakaan
- Hidup
- 'like'
- LLM
- penebangan
- London
- Panjang
- melihat
- terlihat seperti
- mencintai
- mesin
- Mesin belajar
- terbuat
- Membuat
- berhasil
- pengelolaan
- manajer
- pabrik
- banyak
- ditandai
- Cocok
- bahan
- Hal-hal
- me
- mekanisme
- Media
- Pelajari
- penggabungan
- metodologi
- teliti
- mungkin
- batu
- menit
- ML
- MLOps
- model
- model
- modern
- modular
- pemantauan
- Bulan
- bulanan
- lebih
- lebih efisien
- paling
- pindah
- maju kedepan
- banyak
- beberapa
- banyaknya
- asli
- Alam
- Pengolahan Bahasa alami
- Navigasi
- dibutuhkan
- kebutuhan
- jaringan
- New
- Fitur Baru
- berita
- nLP
- tidak
- tujuan
- of
- menawarkan
- ditawarkan
- Penawaran
- on
- sekali
- ONE
- terus-menerus
- hanya
- Buka
- open source
- membuka
- Operasi
- Kesempatan
- optimal
- optimasi
- Optimize
- or
- organisasi
- asli
- Lainnya
- kami
- di luar
- di luar
- lebih
- sendiri
- Perdamaian
- panel
- diskusi panel
- parameter
- bagian
- tertentu
- Kemitraan
- bagian
- Lulus
- bergairah
- Paving
- Konsultan Ahli
- untuk
- Melakukan
- prestasi
- fotografi
- Kepeloporan
- pipa saluran
- sangat penting
- Tempat
- Platform
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- Bermain
- poin
- positif
- kemungkinan
- mungkin
- Pos
- potensi
- kekuasaan
- didukung
- kuat
- Praktis
- praktek
- Berharga
- prinsip-prinsip
- Sebelumnya
- swasta
- masalah
- proses
- pengolahan
- Produksi
- Produk
- profesional
- profesional
- mendalam
- program
- memprojeksikan
- pendukung
- memberikan
- disediakan
- menyediakan
- menyediakan
- mendorong
- query
- pencarian
- Pertanyaan
- Cepat
- segera
- cepat
- cepat
- RAY
- Bereaksi
- Baca
- Bacaan
- Kenyataan
- memperhalus
- wilayah
- terkait
- dirilis
- relevansi
- relevan
- sisa
- wajib
- Persyaratan
- penelitian
- sumber
- intensif sumber daya
- Sumber
- tanggapan
- tanggapan
- responsif
- ISTIRAHAT
- Hasil
- Reuters
- benar
- kuat
- Peran
- peran
- bergulir
- Run
- berjalan
- aman
- pembuat bijak
- bak pasir
- melihat
- mengatakan
- Skalabilitas
- Skala
- Ilmu
- ilmuwan
- ilmuwan
- mulus
- mulus
- Sektor
- aman
- memilih
- seleksi
- senior
- melayani
- Tanpa Server
- layanan
- Layanan
- sesi
- set
- set
- beberapa
- dia
- ditunjukkan
- penting
- mirip
- Sederhana
- menyederhanakan
- tunggal
- situs web
- So
- masyarakat
- Perangkat lunak
- larutan
- Solusi
- MEMECAHKAN
- beberapa
- sumber
- Space
- Spanyol
- rentang
- khusus
- spesialis
- tertentu
- Pengeluaran
- semangat
- membagi
- mulai
- Mulai
- state-of-the-art
- penyimpanan
- tersimpan
- cerita
- mempersingkat
- sukses
- sukses
- seperti itu
- meringkaskan
- mendukung
- Didukung
- Permukaan
- sistem
- disesuaikan
- pengambilan
- Bakat
- tugas
- tim
- tim
- tech
- Teknis
- teknik
- teknologi
- Teknologi
- Teknologi
- uji
- bahwa
- Grafik
- Masa depan
- Inggris
- mereka
- Mereka
- kemudian
- Ini
- mereka
- hal
- ini
- Thomson Reuters
- itu
- Melalui
- Tim
- waktu
- kali
- untuk
- bersama
- besok
- toolkit
- alat
- terhadap
- Pelatihan
- Mengubah
- Terjemahan
- Perjalanan
- perjalanan
- Tren
- dipicu
- Berbalik
- Uk
- menemukan
- bawah
- pemahaman
- unik
- membuka kunci
- pembukaan
- us
- menggunakan
- bekas
- Pengguna
- Pengguna Pengalaman
- user-friendly
- Pengguna
- menggunakan
- keperluan
- dimanfaatkan
- Berharga
- nilai
- variasi
- berbagai
- Luas
- memeriksa
- maya
- volume
- W
- ingin
- adalah
- Cara..
- we
- jaringan
- layanan web
- berbasis web
- Webinars
- situs web
- minggu
- BAIK
- adalah
- Apa
- Apa itu
- ketika
- yang
- sementara
- SIAPA
- lebar
- akan
- menang
- dengan
- dalam
- tanpa
- Kerja
- bekerja
- Alur kerja
- kerja
- bekerja
- dunia
- akan
- tahun
- namun
- Kamu
- Anda
- diri
- zephyrnet.dll