Saat kita mempelajari lebih dalam era digital, pengembangan model multimodalitas sangat penting dalam meningkatkan pemahaman mesin. Model ini memproses dan menghasilkan konten dalam berbagai bentuk data, seperti teks dan gambar. Fitur utama dari model ini adalah kemampuan gambar-ke-teks, yang telah menunjukkan kemahiran luar biasa dalam tugas-tugas seperti pembuatan teks gambar dan menjawab pertanyaan visual.
Dengan menerjemahkan gambar menjadi teks, kami membuka dan memanfaatkan kekayaan informasi yang terkandung dalam data visual. Misalnya, dalam e-niaga, gambar-ke-teks dapat mengotomatiskan kategorisasi produk berdasarkan gambar, sehingga meningkatkan efisiensi dan akurasi pencarian. Demikian pula, ini dapat membantu menghasilkan deskripsi foto otomatis, memberikan informasi yang mungkin tidak disertakan dalam judul atau deskripsi produk, sehingga meningkatkan pengalaman pengguna.
Dalam postingan ini, kami memberikan gambaran umum tentang model multimodalitas yang populer. Kami juga mendemonstrasikan cara menerapkan model terlatih ini Amazon SageMaker. Selain itu, kami mendiskusikan beragam penerapan model ini, dengan fokus khusus pada beberapa skenario dunia nyata, seperti tag zero-shot dan pembuatan atribusi untuk e-niaga serta pembuatan perintah otomatis dari gambar.
Latar belakang model multimodalitas
Model pembelajaran mesin (ML) telah mencapai kemajuan signifikan di bidang seperti pemrosesan bahasa alami (NLP) dan visi komputer, di mana model dapat menunjukkan performa seperti manusia dalam menganalisis dan menghasilkan konten dari satu sumber data. Baru-baru ini, terdapat peningkatan perhatian dalam pengembangan model multimodalitas, yang mampu memproses dan menghasilkan konten dalam berbagai modalitas. Model-model ini, seperti perpaduan jaringan visi dan bahasa, menjadi terkenal karena kemampuannya untuk mengintegrasikan informasi dari beragam sumber dan modalitas, sehingga meningkatkan kemampuan pemahaman dan ekspresi mereka.
Pada bagian ini, kami memberikan gambaran umum tentang dua model multimodalitas yang populer: CLIP (Pra-pelatihan Gambar-Bahasa Kontrasif) dan BLIP (Pra-pelatihan Gambar-Bahasa Bootstrapping).
model KLIP
CLIP adalah model visi dan bahasa multi-modal, yang dapat digunakan untuk kesamaan gambar-teks dan untuk klasifikasi gambar zero-shot. CLIP dilatih berdasarkan kumpulan data 400 juta pasangan gambar-teks yang dikumpulkan dari berbagai sumber yang tersedia untuk umum di internet. Arsitektur model terdiri dari encoder gambar dan encoder teks, seperti yang ditunjukkan pada diagram berikut.
Selama pelatihan, gambar dan cuplikan teks terkait dimasukkan melalui encoder untuk mendapatkan vektor fitur gambar dan vektor fitur teks. Tujuannya adalah agar fitur gambar dan teks pada pasangan yang cocok memiliki kesamaan cosinus yang tinggi, sedangkan fitur untuk pasangan yang tidak cocok memiliki kesamaan yang rendah. Hal ini dilakukan melalui kerugian yang kontras. Pra-pelatihan kontrastif ini menghasilkan pembuat enkode yang memetakan gambar dan teks ke ruang penyematan umum tempat semantik diselaraskan.
Pembuat enkode kemudian dapat digunakan untuk pembelajaran transfer zero-shot untuk tugas-tugas hilir. Pada waktu inferensi, pembuat enkode terlatih gambar dan teks memproses masukannya masing-masing dan mengubahnya menjadi representasi vektor berdimensi tinggi, atau embedding. Penyematan gambar dan teks kemudian dibandingkan untuk menentukan kesamaannya, seperti kesamaan kosinus. Perintah teks (kelas gambar, kategori, atau tag) yang penyematannya paling mirip (misalnya, memiliki jarak terkecil) dengan penyematan gambar dianggap paling relevan, dan gambar tersebut diklasifikasikan sesuai dengan itu.
model BLIP
Model multimodalitas populer lainnya adalah BLIP. Ini memperkenalkan arsitektur model baru yang mampu beradaptasi dengan beragam tugas bahasa visi dan menggunakan teknik bootstrapping kumpulan data unik untuk belajar dari data web yang berisik. Arsitektur BLIP mencakup encoder gambar dan encoder teks: encoder teks berbasis gambar memasukkan informasi visual ke dalam blok transformator dari encoder teks, dan decoder teks berbasis gambar memasukkan informasi visual ke dalam blok decoder transformator. Dengan arsitektur ini, BLIP menunjukkan kinerja luar biasa di seluruh spektrum tugas bahasa penglihatan yang melibatkan perpaduan informasi visual dan linguistik, mulai dari pencarian berbasis gambar dan pembuatan konten hingga sistem dialog visual interaktif. Pada postingan sebelumnya, kami mengusulkan a solusi moderasi konten berdasarkan model BLIP yang mengatasi berbagai tantangan menggunakan pendekatan ML unimodal visi komputer.
Kasus penggunaan 1: Pembuatan tag atau atribut zero-shot untuk platform e-niaga
Platform e-niaga berfungsi sebagai pasar dinamis yang penuh dengan ide, produk, dan layanan. Dengan jutaan produk terdaftar, penyortiran dan kategorisasi yang efektif menimbulkan tantangan yang signifikan. Di sinilah kekuatan pemberian tag otomatis dan pembuatan atribut berperan penting. Dengan memanfaatkan teknologi canggih seperti ML dan NLP, proses otomatis ini dapat merevolusi pengoperasian platform e-niaga.
Salah satu manfaat utama pemberian tag otomatis atau pembuatan atribut terletak pada kemampuannya untuk meningkatkan kemampuan penelusuran. Produk yang diberi tag secara akurat dapat ditemukan oleh pelanggan dengan cepat dan efisien. Misalnya, jika pelanggan menelusuri โkaos katun crew neck dengan logo di depannyaโ, pemberian tag otomatis dan pembuatan atribut memungkinkan mesin telusur untuk menentukan produk yang tidak hanya cocok dengan kategori โkaosโ yang lebih luas, tetapi juga atribut spesifik dari โkapasโ dan โleher kruโ. Pencocokan yang tepat ini dapat memfasilitasi pengalaman belanja yang lebih personal dan meningkatkan kepuasan pelanggan. Selain itu, tag atau atribut yang dibuat secara otomatis dapat meningkatkan algoritme rekomendasi produk secara signifikan. Dengan pemahaman mendalam tentang atribut produk, sistem dapat menyarankan produk yang lebih relevan kepada pelanggan, sehingga meningkatkan kemungkinan pembelian dan meningkatkan kepuasan pelanggan.
CLIP menawarkan solusi yang menjanjikan untuk mengotomatisasi proses pembuatan tag atau atribut. Dibutuhkan gambar produk dan daftar deskripsi atau tag sebagai masukan, menghasilkan representasi vektor, atau penyematan, untuk setiap tag. Penyematan ini ada di ruang berdimensi tinggi, dengan jarak dan arah relatif yang mencerminkan hubungan semantik antar masukan. CLIP telah dilatih sebelumnya pada pasangan gambar-teks berskala besar untuk merangkum penyematan yang bermakna ini. Jika tag atau atribut mendeskripsikan gambar secara akurat, penyematannya harus relatif berdekatan di ruang ini. Untuk menghasilkan tag atau atribut yang sesuai, daftar tag potensial dapat dimasukkan ke bagian teks model CLIP, dan hasil penyematannya disimpan. Idealnya, daftar ini harus lengkap, mencakup semua kategori dan atribut potensial yang relevan dengan produk di platform e-commerce. Gambar berikut menunjukkan beberapa contoh.
Untuk menerapkan model CLIP pada SageMaker, Anda dapat mengikuti notebook berikut ini GitHub repo. Kami menggunakan SageMaker yang sudah dibuat sebelumnya wadah inferensi model besar (LMI). untuk menyebarkan model. Wadah LMI digunakan Melayani DJL untuk melayani model Anda untuk inferensi. Untuk mempelajari lebih lanjut tentang menghosting model besar di SageMaker, lihat Terapkan model besar di Amazon SageMaker menggunakan inferensi paralel model DJLServing dan DeepSpeed dan Terapkan model besar dengan kinerja tinggi menggunakan FasterTransformer di Amazon SageMaker.
Dalam contoh ini, kami menyediakan file serving.properties
, model.py
, dan requirements.txt
untuk menyiapkan artefak model dan menyimpannya dalam file tarball.
serving.properties
adalah file konfigurasi yang dapat digunakan untuk menunjukkan ke DJL Melayani pustaka paralelisasi model dan optimasi inferensi mana yang ingin Anda gunakan. Tergantung pada kebutuhan Anda, Anda dapat mengatur konfigurasi yang sesuai. Untuk detail selengkapnya tentang opsi konfigurasi dan daftar lengkapnya, lihat Konfigurasi dan pengaturan.model.py
adalah skrip yang menangani permintaan penayangan apa pun.requirements.txt
adalah file teks yang berisi roda pip tambahan untuk dipasang.
Jika Anda ingin mengunduh model dari Wajah Memeluk secara langsung, Anda dapat mengaturnya option.model_id
parameter di serving.properties
file sebagai id model dari model terlatih yang dihosting di dalam repositori model pelukanface.co. Kontainer menggunakan id model ini untuk mengunduh model yang sesuai selama waktu penerapan. Jika Anda mengatur model_id
ke Layanan Penyimpanan Sederhana Amazon (Amazon S3), DJL akan mengunduh artefak model dari Amazon S3 dan menukarnya model_id
ke lokasi sebenarnya dari artefak model. Dalam skrip Anda, Anda dapat menunjuk ke nilai ini untuk memuat model yang telah dilatih sebelumnya. Dalam contoh kami, kami menggunakan opsi terakhir, karena wadah LMI menggunakan s5cmd untuk mengunduh data dari Amazon S3, yang secara signifikan mengurangi kecepatan saat memuat model selama penerapan. Lihat kode berikut:
Dalam majalah model.py skrip, kami memuat jalur model menggunakan ID model yang disediakan di file properti:
Setelah artefak model disiapkan dan diunggah ke Amazon S3, Anda dapat menerapkan model CLIP ke hosting SageMaker dengan beberapa baris kode:
Saat titik akhir dalam layanan, Anda dapat memanggil titik akhir dengan gambar masukan dan daftar label sebagai perintah masukan untuk menghasilkan probabilitas label:
Kasus penggunaan 2: Pembuatan prompt otomatis dari gambar
Salah satu aplikasi inovatif yang menggunakan model multimodalitas adalah menghasilkan petunjuk informatif dari sebuah gambar. Dalam AI generatif, a cepat mengacu pada masukan yang diberikan kepada model bahasa atau model generatif lainnya untuk menginstruksikan jenis konten atau respons apa yang diinginkan. Prompt pada dasarnya adalah titik awal atau serangkaian instruksi yang memandu proses pembuatan model. Bentuknya bisa berupa kalimat, pertanyaan, sebagian teks, atau masukan apa pun yang menyampaikan konteks atau keluaran yang diinginkan ke model. Pilihan prompt yang dibuat dengan baik sangat penting dalam menghasilkan gambar berkualitas tinggi dengan presisi dan relevansi. Rekayasa cepat adalah proses mengoptimalkan atau menyusun masukan tekstual untuk mencapai respons yang diinginkan dari model bahasa, sering kali melibatkan penyesuaian kata, format, atau konteks.
Rekayasa yang cepat untuk menghasilkan gambar menimbulkan beberapa tantangan, termasuk yang berikut:
- Mendefinisikan konsep visual secara akurat โ Mendeskripsikan konsep visual dengan kata-kata terkadang tidak tepat atau ambigu, sehingga sulit untuk menyampaikan gambaran persis yang diinginkan. Menangkap detail rumit atau pemandangan kompleks melalui perintah tekstual mungkin tidak mudah.
- Menentukan gaya yang diinginkan secara efektif โ Mengkomunikasikan preferensi gaya tertentu, seperti suasana hati, palet warna, atau gaya artistik, dapat menjadi tantangan hanya melalui teks. Menerjemahkan konsep estetika abstrak ke dalam instruksi konkret untuk suatu model bisa jadi rumit.
- Menyeimbangkan kompleksitas untuk mencegah kelebihan beban pada model โ Perintah yang rumit dapat membingungkan model atau menyebabkan kelebihan informasi pada model, sehingga memengaruhi keluaran yang dihasilkan. Mencapai keseimbangan yang tepat antara memberikan panduan yang memadai dan menghindari kerumitan yang berlebihan sangatlah penting.
Oleh karena itu, menyusun perintah yang efektif untuk menghasilkan gambar memerlukan waktu yang lama, sehingga memerlukan eksperimen berulang dan penyempurnaan untuk mencapai keseimbangan yang tepat antara presisi dan kreativitas, sehingga hal ini merupakan tugas intensif sumber daya yang sangat bergantung pada keahlian manusia.
Grafik CLIP Interogator adalah alat rekayasa prompt otomatis untuk gambar yang menggabungkan CLIP dan BLIP untuk mengoptimalkan perintah teks agar cocok dengan gambar tertentu. Anda dapat menggunakan petunjuk yang dihasilkan dengan model teks-ke-gambar seperti Difusi Stabil untuk menciptakan karya seni yang keren. Petunjuk yang dibuat oleh CLIP Interrogator menawarkan deskripsi komprehensif tentang gambar, tidak hanya mencakup elemen fundamentalnya tetapi juga gaya artistik, potensi inspirasi di balik gambar, media di mana gambar tersebut mungkin pernah atau mungkin digunakan, dan seterusnya. Anda dapat dengan mudah menerapkan solusi CLIP Interrogator di SageMaker untuk menyederhanakan proses penerapan, dan memanfaatkan skalabilitas, efisiensi biaya, dan keamanan tangguh yang disediakan oleh layanan yang dikelola sepenuhnya. Diagram berikut menunjukkan logika aliran solusi ini.
Anda dapat menggunakan yang berikut ini: buku catatan untuk menerapkan solusi CLIP Interrogator di SageMaker. Demikian pula, untuk hosting model CLIP, kami menggunakan wadah LMI SageMaker untuk menghosting solusi di SageMaker menggunakan DJL Serving. Dalam contoh ini, kami menyediakan file input tambahan dengan artefak model yang menentukan model yang disebarkan ke titik akhir SageMaker. Anda dapat memilih model CLIP atau BLIP yang berbeda dengan meneruskan nama model keterangan dan nama model klip melalui model_name.json
file dibuat dengan kode berikut:
Skrip inferensi model.py
berisi fungsi pegangan yang DJL Serving akan menjalankan permintaan Anda dengan menjalankan fungsi ini. Untuk menyiapkan skrip titik masuk ini, kami mengadopsi kode dari aslinya clip_interrogator.py file dan memodifikasinya agar berfungsi dengan DJL Serving di hosting SageMaker. Salah satu pembaruan adalah pemuatan model BLIP. Model BLIP dan CLIP dimuat melalui load_caption_model()
dan load_clip_model()
berfungsi selama inisialisasi objek Interogator. Untuk memuat model BLIP, pertama-tama kami mengunduh artefak model dari Hugging Face dan mengunggahnya ke Amazon S3 sebagai nilai target dari model_id
di file properti. Hal ini karena model BLIP dapat berupa file berukuran besar, seperti blip2-opt-2.7b model, yang berukuran lebih dari 15 GB. Mengunduh model dari Hugging Face selama penerapan model akan memerlukan lebih banyak waktu untuk pembuatan titik akhir. Oleh karena itu, kami menunjukkannya model_id
ke lokasi Amazon S3 model BLIP2 dan memuat model dari jalur model yang ditentukan dalam file properti. Perhatikan bahwa, selama penerapan, jalur model akan ditukar ke jalur kontainer lokal tempat artefak model diunduh oleh DJL Serving dari lokasi Amazon S3. Lihat kode berikut:
Karena model CLIP ukurannya tidak terlalu besar, kami menggunakan open_clip
untuk memuat model langsung dari Hugging Face yang sama dengan aslinya clip_interrogator
penerapan:
Kami menggunakan kode serupa untuk menyebarkan solusi CLIP Interrogator ke titik akhir SageMaker dan memanggil titik akhir dengan gambar masukan untuk mendapatkan perintah yang dapat digunakan untuk menghasilkan gambar serupa.
Mari kita ambil gambar berikut sebagai contoh. Menggunakan titik akhir CLIP Interrogator yang diterapkan di SageMaker, ini menghasilkan deskripsi teks berikut: 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.
Kami selanjutnya dapat menggabungkan solusi CLIP Interrogator dengan Difusi Stabil dan teknik rekayasa cepatโsebuah dimensi baru dari kemungkinan-kemungkinan kreatif muncul. Integrasi ini memungkinkan kami tidak hanya mendeskripsikan gambar dengan teks, tetapi juga memanipulasi dan menghasilkan beragam variasi gambar asli. Difusi Stabil memastikan sintesis gambar terkontrol dengan menyempurnakan keluaran yang dihasilkan secara berulang, dan rekayasa cepat strategis memandu proses pembuatan menuju hasil yang diinginkan.
Dalam majalah bagian kedua dari buku catatan, kami merinci langkah-langkah untuk menggunakan rekayasa cepat untuk mengubah gaya gambar dengan model Difusi Stabil (Difusi Stabil XL 1.0). Kami menggunakan Stabilitas AI SDK untuk menerapkan model ini dari SageMaker JumpStart setelah berlangganan model ini di AWS pasar. Karena ini adalah versi yang lebih baru dan lebih baik untuk pembuatan gambar yang disediakan oleh Stabilitas AI, kita bisa mendapatkan gambar berkualitas tinggi berdasarkan gambar masukan asli. Selain itu, jika kita mengawali deskripsi sebelumnya dan menambahkan prompt tambahan yang menyebutkan artis terkenal dan salah satu karyanya, kita mendapatkan hasil yang luar biasa dengan penataan ulang. Gambar berikut menggunakan prompt: 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.
Gambar berikut menggunakan prompt: 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.
Kesimpulan
Munculnya model multimodalitas, seperti CLIP dan BLIP, serta penerapannya dengan cepat mengubah lanskap konversi gambar menjadi teks. Dengan menjembatani kesenjangan antara informasi visual dan semantik, mereka memberi kita alat untuk membuka potensi besar data visual dan memanfaatkannya dengan cara yang tidak terbayangkan sebelumnya.
Dalam posting ini, kami mengilustrasikan berbagai penerapan model multimodalitas. Hal ini berkisar dari peningkatan efisiensi dan keakuratan penelusuran di platform e-niaga melalui penandaan dan kategorisasi otomatis hingga pembuatan perintah untuk model teks-ke-gambar seperti Difusi Stabil. Aplikasi ini membuka cakrawala baru untuk membuat konten yang unik dan menarik. Kami mendorong Anda untuk mempelajari lebih lanjut dengan menjelajahi berbagai model multimodalitas di SageMaker dan membangun solusi yang inovatif untuk bisnis Anda.
Tentang Penulis
Yan Wei Cui, PhD, adalah Arsitek Solusi Spesialis Pembelajaran Mesin Senior di AWS. Dia memulai penelitian pembelajaran mesin di IRISA (Lembaga Penelitian Ilmu Komputer dan Sistem Acak), dan memiliki pengalaman beberapa tahun dalam membangun aplikasi industri bertenaga AI dalam visi komputer, pemrosesan bahasa alami, dan prediksi perilaku pengguna online. Di AWS, dia berbagi keahlian domainnya dan membantu pelanggan membuka potensi bisnis dan mendorong hasil yang dapat ditindaklanjuti dengan pembelajaran mesin dalam skala besar. Di luar pekerjaan, dia suka membaca dan bepergian.
Raghu Ramesha adalah Arsitek Solusi ML Senior di tim Layanan Amazon SageMaker. Dia berfokus membantu pelanggan membangun, menerapkan, dan memigrasikan beban kerja produksi ML ke SageMaker dalam skala besar. Ia berspesialisasi dalam pembelajaran mesin, AI, dan domain visi komputer, serta meraih gelar master di bidang Ilmu Komputer dari UT Dallas. Di waktu luangnya, ia menikmati jalan-jalan dan fotografi.
Sam Edwards, adalah Cloud Engineer (AI/ML) di AWS Sydney yang berspesialisasi dalam pembelajaran mesin dan Amazon SageMaker. Dia bersemangat membantu pelanggan memecahkan masalah terkait alur kerja pembelajaran mesin dan menciptakan solusi baru untuk mereka. Di luar pekerjaan, dia menikmati bermain olahraga raket dan jalan-jalan.
Melanie Li, PhD, adalah TAM Spesialis AI/ML Senior di AWS yang berbasis di Sydney, Australia. Dia membantu pelanggan perusahaan membangun solusi menggunakan alat AI/ML yang canggih di AWS dan memberikan panduan dalam merancang dan mengimplementasikan solusi ML dengan praktik terbaik. Di waktu luangnya, ia suka menjelajahi alam dan menghabiskan waktu bersama keluarga dan teman.
Gordon Wang adalah TAM Spesialis AI/ML Senior di AWS. Dia mendukung pelanggan strategis dengan praktik terbaik AI/ML di banyak industri. Dia menyukai visi komputer, NLP, AI generatif, dan MLOps. Di waktu luangnya, dia suka berlari dan mendaki.
Dhawal Patel adalah Arsitek Pembelajaran Mesin Utama di AWS. Dia telah bekerja dengan organisasi mulai dari perusahaan besar hingga perusahaan rintisan menengah pada masalah yang terkait dengan komputasi terdistribusi, dan Kecerdasan Buatan. Dia berfokus pada Deep learning termasuk domain NLP dan Computer Vision. Dia membantu pelanggan mencapai inferensi model kinerja tinggi di SageMaker.
- 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. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/build-an-image-to-text-generative-ai-application-using-multimodality-models-on-amazon-sagemaker/
- :memiliki
- :adalah
- :bukan
- :Di mana
- 1
- 10
- 100
- 12
- 15%
- 16
- 400
- 7
- 8
- 9
- 97
- a
- kemampuan
- Tentang Kami
- ABSTRAK
- demikian
- ketepatan
- akurat
- Mencapai
- dicapai
- di seluruh
- sebenarnya
- menambahkan
- Tambahan
- Selain itu
- dialamatkan
- penyesuaian
- diadopsi
- maju
- kemajuan
- Keuntungan
- mempengaruhi
- Setelah
- AI
- Bertenaga AI
- AI / ML
- algoritma
- selaras
- Semua
- memungkinkan
- sendirian
- juga
- menakjubkan
- Amazon
- Amazon SageMaker
- Amazon Web Services
- an
- menganalisis
- dan
- Apa pun
- Aplikasi
- aplikasi
- pendekatan
- sesuai
- arsitektur
- ADALAH
- Seni
- buatan
- kecerdasan buatan
- artis
- artistik
- AS
- penampilan
- membantu
- At
- perhatian
- atribut
- Australia
- mengotomatisasikan
- Otomatis
- secara otomatis
- mengotomatisasi
- tersedia
- menghindari
- AWS
- Saldo
- berdasarkan
- BE
- karena
- menjadi
- laku
- di belakang
- Manfaat
- TERBAIK
- Praktik Terbaik
- Lebih baik
- antara
- Luar
- Besar
- Memblokir
- tubuh
- mendorong
- batas
- menjembatani
- Bright
- lebih luas
- membangun
- Bangunan
- bisnis
- tapi
- by
- CAN
- Bisa Dapatkan
- kemampuan
- mampu
- Menangkap
- kasus
- KUCING
- kategori
- Kategori
- Kucing
- menantang
- tantangan
- menantang
- pilihan
- Pilih
- kelas-kelas
- klasifikasi
- tergolong
- Penyelesaian
- awan
- kode
- warna
- menggabungkan
- menggabungkan
- datang
- Umum
- berkomunikasi
- dibandingkan
- kompleks
- kompleksitas
- luas
- komputer
- Komputer Ilmu
- Visi Komputer
- komputasi
- konsep
- konfigurasi
- dianggap
- terdiri
- berisi
- Wadah
- Wadah
- mengandung
- Konten
- Pembuatan Konten
- konteks
- dikendalikan
- Konversi
- dingin
- Sesuai
- bisa
- penutup
- membuat
- dibuat
- membuat
- penciptaan
- Kreatif
- kreativitas
- kritis
- Cross
- pelanggan
- Kepuasan pelanggan
- pelanggan
- Dallas
- data
- mendalam
- belajar mendalam
- lebih dalam
- Derajat
- menggali
- mendemonstrasikan
- menunjukkan
- Tergantung
- menyebarkan
- dikerahkan
- penyebaran
- menggambarkan
- deskripsi
- diinginkan
- rinci
- rincian
- Menentukan
- Pengembangan
- alat
- dialog
- berbeda
- sulit
- Difusi
- digital
- Dimensi
- langsung
- membahas
- jarak
- didistribusikan
- komputasi terdistribusi
- beberapa
- domain
- domain
- dilakukan
- Download
- mendorong
- dua
- selama
- dinamis
- setiap
- mudah
- e-commerce
- Efektif
- efisiensi
- efisien
- Rumit
- elemen
- lain
- embedding
- munculnya
- muncul
- mempekerjakan
- aktif
- mendorong
- Titik akhir
- menarik
- Mesin
- insinyur
- Teknik
- mempertinggi
- meningkatkan
- Memastikan
- Enterprise
- perusahaan
- masuk
- Era
- penting
- dasarnya
- contoh
- contoh
- menunjukkan
- ada
- pengalaman
- keahlian
- menyelidiki
- Menjelajahi
- ekspresi
- Menghadapi
- memudahkan
- keluarga
- Fitur
- Fitur
- Fed
- beberapa
- Fields
- Angka
- File
- File
- Pertama
- aliran
- berfokus
- berfokus
- mengikuti
- berikut
- Untuk
- bentuk
- format
- bentuk
- ditemukan
- Gratis
- Perancis
- teman
- dari
- depan
- sepenuhnya
- fungsi
- mendasar
- lebih lanjut
- Selanjutnya
- fusi
- diperoleh
- celah
- menghasilkan
- dihasilkan
- menghasilkan
- menghasilkan
- generasi
- generatif
- AI generatif
- mendapatkan
- diberikan
- tujuan
- Keemasan
- besar
- bimbingan
- Panduan
- menangani
- Menangani
- memanfaatkan
- Memanfaatkan
- Memiliki
- he
- berat
- membantu
- membantu
- dia
- High
- berkualitas tinggi
- -nya
- memegang
- Horizons
- tuan rumah
- host
- tuan
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- http
- HTTPS
- manusia
- ID
- idealnya
- ide-ide
- if
- gambar
- Klasifikasi gambar
- gambar
- implementasi
- mengimplementasikan
- mengimpor
- memperbaiki
- meningkatkan
- in
- termasuk
- termasuk
- Termasuk
- meningkatkan
- menunjukkan
- industri
- industri
- informasi
- informatif
- inovatif
- memasukkan
- input
- dalam
- Inspirasi
- install
- contoh
- Lembaga
- instruksi
- mengintegrasikan
- integrasi
- Intelijen
- interaktif
- Internet
- ke
- Memperkenalkan
- melibatkan
- melibatkan
- masalah
- IT
- NYA
- jpg
- json
- kunci
- dikenal
- label
- Label
- pemandangan
- bahasa
- besar
- Perusahaan besar
- memimpin
- BELAJAR
- pengetahuan
- Li
- perpustakaan
- terletak
- 'like'
- kemungkinan
- baris
- Daftar
- Daftar
- memuat
- pemuatan
- lokal
- tempat
- logika
- logo
- lepas
- mencintai
- Rendah
- mesin
- Mesin belajar
- membuat
- Membuat
- berhasil
- banyak
- peta
- pasar
- tuan
- Cocok
- cocok
- sesuai
- berarti
- medium
- hanya
- mungkin
- bermigrasi
- juta
- jutaan
- ML
- MLOps
- model
- model
- moderasi
- dimodifikasi
- lebih
- Selain itu
- Pagi
- paling
- beberapa
- nama
- Alam
- Pengolahan Bahasa alami
- Alam
- Perlu
- jaringan
- New
- cakrawala baru
- malam
- nLP
- None
- buku catatan
- novel
- obyek
- of
- lepas
- menawarkan
- Penawaran
- sering
- on
- ONE
- secara online
- hanya
- Buka
- Operasi
- optimasi
- Optimize
- mengoptimalkan
- pilihan
- Opsi
- or
- organisasi
- asli
- OS
- Lainnya
- kami
- hasil
- keluaran
- di luar
- terkemuka
- ikhtisar
- luar biasa
- sendiri
- lukisan
- pasangan
- pasang
- palet
- Paralel
- parameter
- bagian
- khususnya
- Lewat
- bergairah
- path
- prestasi
- Personalized
- phd
- foto
- fotografi
- gambar
- sangat penting
- Platform
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- bermain
- steker
- Titik
- Populer
- pose
- kemungkinan
- Pos
- potensi
- potensi
- kekuasaan
- praktek
- perlu
- Ketelitian
- ramalan
- preferensi
- Mempersiapkan
- siap
- mencegah
- sebelumnya
- sebelumnya
- Utama
- masalah
- proses
- proses
- pengolahan
- Produk
- Produksi
- Produk
- keunggulan
- menjanjikan
- properties
- milik
- diusulkan
- memberikan
- disediakan
- menyediakan
- menyediakan
- di depan umum
- pembelian
- pertanyaan
- acak
- jarak
- mulai
- cepat
- perbandingan
- Bacaan
- dunia nyata
- baru-baru ini
- Rekomendasi
- mengurangi
- lihat
- mengacu
- pengilangan
- mencerminkan
- wilayah
- terkait
- Hubungan
- relatif
- relatif
- relevansi
- relevan
- luar biasa
- gudang
- perwakilan
- permintaan
- permintaan
- membutuhkan
- membutuhkan
- penelitian
- intensif sumber daya
- itu
- tanggapan
- tanggapan
- dihasilkan
- Hasil
- kembali
- merevolusionerkan
- benar
- kuat
- Run
- berjalan
- pembuat bijak
- sama
- kepuasan
- Skalabilitas
- Skala
- skenario
- adegan
- adegan
- Ilmu
- naskah
- Pencarian
- mesin pencari
- mencari
- Bagian
- keamanan
- melihat
- DIRI
- semantik
- senior
- putusan pengadilan
- melayani
- layanan
- Layanan
- porsi
- set
- beberapa
- saham
- dia
- tas
- harus
- ditunjukkan
- Pertunjukkan
- penting
- signifikan
- mirip
- Demikian pula
- Sederhana
- tunggal
- Ukuran
- potongan
- larutan
- Solusi
- MEMECAHKAN
- beberapa
- kadang-kadang
- sumber
- sumber
- Space
- spesialis
- khusus
- spesialisasi
- tertentu
- ditentukan
- Spektrum
- kecepatan
- menghabiskan
- Olahraga
- stabil
- penuh bintang
- mulai
- Mulai
- Startups
- state-of-the-art
- Tangga
- penyimpanan
- menyimpan
- tersimpan
- mudah
- Strategis
- mempersingkat
- menyerang
- gaya
- substansial
- seperti itu
- cukup
- menyarankan
- Mendukung
- menukar
- dengan cepat
- sydney
- sistem
- sistem
- MENANDAI
- Mengambil
- Dibutuhkan
- target
- tugas
- tugas
- tim
- teknik
- Teknologi
- Template
- teks
- tekstual
- dari
- bahwa
- Grafik
- Pemandangan
- mereka
- Mereka
- kemudian
- Sana.
- dengan demikian
- karena itu
- Ini
- mereka
- ini
- Melalui
- waktu
- judul
- untuk
- alat
- alat
- terhadap
- terlatih
- Pelatihan
- transfer
- transformator
- mengubah
- transformasi
- Perjalanan
- dua
- mengetik
- pemahaman
- tak terbayangkan
- unik
- membuka kunci
- Memperbarui
- upload
- URL
- us
- menggunakan
- bekas
- Pengguna
- Pengguna Pengalaman
- kegunaan
- menggunakan
- nilai
- variasi
- berbagai
- Luas
- versi
- sangat
- melalui
- penglihatan
- W
- ingin
- Gelombang
- cara
- we
- Kekayaan
- jaringan
- layanan web
- adalah
- Apa
- ketika
- yang
- sementara
- seluruh
- yang
- akan
- pemenang
- dengan
- susunan kata
- kata
- Kerja
- bekerja
- Alur kerja
- bekerja
- akan
- tahun
- Kamu
- Anda
- zephyrnet.dll