Mulai Lompatan Amazon SageMaker adalah pusat pembelajaran mesin (ML) yang menawarkan algoritme, model, dan solusi ML. Dengan SageMaker JumpStart, praktisi ML dapat memilih dari daftar kinerja terbaik yang terus berkembang dan tersedia untuk umum model pondasi (FM) seperti BERKEMBANG, Lama 2, Elang-40B, Difusi Stabil, BukaLLaMA, Flan-T5/UL2, atau FM dari Bersatu dan Lampu menyala.
Dalam postingan ini dan notebook yang menyertainya, kami mendemonstrasikan cara menerapkan model dasar BloomZ 176B menggunakan SageMaker Python menyederhanakan SDK in Mulai Lompatan Amazon SageMaker sebagai titik akhir dan menggunakannya untuk berbagai tugas pemrosesan bahasa alami (NLP). Anda juga dapat mengakses model pondasi melalui Studio Amazon SageMaker. Model BloomZ 176B, salah satu model terbesar yang tersedia untuk umum, adalah model yang disesuaikan dengan instruksi yang canggih yang dapat melakukan berbagai tugas NLP pembelajaran beberapa tembakan dalam konteks dan pembelajaran nol tembakan. Penyetelan instruksi adalah teknik yang melibatkan penyempurnaan model bahasa pada kumpulan tugas NLP menggunakan instruksi. Untuk mempelajari lebih lanjut tentang penyetelan instruksi, lihat Permintaan zero-shot untuk model dasar Flan-T5 di Amazon SageMaker JumpStart.
Pembelajaran zero-shot di NLP memungkinkan LLM terlatih untuk menghasilkan respons terhadap tugas yang belum dilatih secara khusus. Dalam teknik ini, model dilengkapi dengan input teks dan prompt yang menjelaskan output yang diharapkan dari model dalam bahasa natural. Pembelajaran zero-shot digunakan dalam berbagai tugas NLP, seperti berikut ini:
- Teks multibahasa dan klasifikasi sentimen
- Pertanyaan dan jawaban multibahasa
- Pembuatan kode
- Pengubahan paragraf
- Peringkasan
- Penalaran akal sehat dan inferensi bahasa alami
- Menjawab pertanyaan
- Klasifikasi kalimat dan sentimen
- Pembuatan artikel imajiner berdasarkan judul
- Meringkas judul berdasarkan artikel
Pembelajaran beberapa tembakan melibatkan pelatihan model untuk melakukan tugas-tugas baru dengan memberikan hanya beberapa contoh. Ini berguna ketika data berlabel terbatas tersedia untuk pelatihan. Pembelajaran beberapa pertunjukan digunakan dalam berbagai tugas, termasuk yang berikut:
- Peringkasan teks
- Pembuatan kode
- Pengakuan entitas nama
- Menjawab pertanyaan
- Koreksi tata bahasa dan ejaan
- Deskripsi produk dan generalisasi
- Klasifikasi kalimat dan sentimen
- Chatbot dan AI percakapan
- Pembuatan Tweet
- Mesin penerjemah
- Klasifikasi maksud
Tentang Mekar
Model bahasa BigScience Large Open-science Open-access Multilingual (BLOOM) adalah model bahasa besar (LLM) berbasis transformator. BLOOM adalah LLM autoregresif yang dilatih untuk melanjutkan teks dari perintah pada sejumlah besar data teks menggunakan sumber daya komputasi skala industri. Dengan demikian, ia mampu menghasilkan teks koheren yang sulit dibedakan dari teks yang ditulis oleh manusia. BLOOM juga dapat diinstruksikan untuk melakukan tugas teks yang belum dilatih secara eksplisit dengan mentransmisikannya sebagai tugas pembuatan teks.
Dengan 176 miliar parameternya, BLOOM mampu menghasilkan teks dalam 46 bahasa alami dan 13 bahasa pemrograman. Untuk hampir semuanya, seperti bahasa Spanyol, Prancis, dan Arab, BLOOM adalah model bahasa pertama dengan lebih dari 100 miliar parameter yang pernah dibuat. Peneliti bisa unduh, jalankan, dan pelajari BLOOM untuk menyelidiki kinerja dan perilaku LLM yang baru dikembangkan hingga ke operasi internal terdalamnya.
Ikhtisar solusi
Dalam posting ini, kami menunjukkan cara menggunakan model BloomZ 176B yang disetel dengan instruksi canggih dari Wajah Memeluk untuk pembuatan teks. Anda dapat menggunakan model BloomZ 176B dengan pembelajaran beberapa tembakan dan pembelajaran tanpa tembakan untuk banyak tugas NLP, tanpa menyempurnakan modelnya. Tidak perlu melatih model baru karena model seperti BloomZ 176B memiliki jumlah parameter yang signifikan sehingga dapat dengan mudah beradaptasi dengan banyak konteks tanpa dilatih ulang. Model BloomZ 176B telah dilatih dengan sejumlah besar data, menjadikannya dapat diterapkan untuk banyak tugas tujuan umum.
Kode untuk semua langkah dalam demo ini tersedia berikut ini buku catatan.
Penyetelan instruksi
Ukuran dan kompleksitas LLM telah meledak dalam beberapa tahun terakhir. LLM telah menunjukkan kemampuan luar biasa dalam mempelajari semantik bahasa alami dan menghasilkan tanggapan seperti manusia. Banyak LLM baru-baru ini disesuaikan dengan teknik hebat yang disebut penyetelan instruksi, yang membantu model melakukan tugas baru atau menghasilkan respons terhadap prompt baru tanpa penyesuaian khusus prompt. Model yang disesuaikan dengan instruksi menggunakan pemahamannya tentang tugas atau konsep terkait untuk menghasilkan prediksi ke petunjuk baru. Karena teknik ini tidak melibatkan pemutakhiran bobot model, teknik ini menghindari proses komputasi yang memakan waktu dan mahal yang diperlukan untuk menyempurnakan model untuk tugas baru yang sebelumnya tidak terlihat.
Penyesuaian instruksi melibatkan penyempurnaan model bahasa pada kumpulan tugas NLP menggunakan instruksi. Dalam teknik ini, model dilatih untuk melakukan tugas dengan mengikuti instruksi tekstual, bukan kumpulan data khusus untuk setiap tugas. Model ini disesuaikan dengan serangkaian contoh input dan output untuk setiap tugas, yang memungkinkan model untuk menggeneralisasi ke tugas baru yang belum dilatih secara eksplisit selama prompt disediakan untuk tugas tersebut. Penyesuaian instruksi membantu meningkatkan akurasi dan efektivitas model dan membantu dalam situasi di mana kumpulan data besar tidak tersedia untuk tugas tertentu.
Rekayasa cepat untuk tugas NLP zero-shot dan few-shot pada model BLOOM
Rekayasa cepat berkaitan dengan pembuatan prompt berkualitas tinggi untuk memandu model menuju respons yang diinginkan. Anjuran perlu dirancang berdasarkan tugas spesifik dan kumpulan data yang digunakan. Tujuannya di sini adalah untuk menyediakan model dengan informasi yang diperlukan untuk menghasilkan respons berkualitas tinggi sambil meminimalkan kebisingan. Ini dapat melibatkan kata kunci, konteks tambahan, pertanyaan, dan lainnya.
Prompt yang dirancang dengan baik dapat membuat model lebih kreatif dan tergeneralisasi sehingga dapat dengan mudah beradaptasi dengan tugas baru. Anjuran juga dapat membantu menggabungkan pengetahuan domain pada tugas tertentu dan meningkatkan kemampuan interpretasi. Rekayasa cepat dapat sangat meningkatkan kinerja model pembelajaran zero-shot dan few-shot. Membuat prompt berkualitas tinggi membutuhkan pertimbangan yang cermat terhadap tugas yang ada, serta pemahaman yang mendalam tentang kekuatan dan keterbatasan model.
Pada tabel berikut, model BloomZ 176B digunakan untuk menghasilkan respons untuk berbagai tugas NLP zero-shot dan few-shot. Kolom pertama menampilkan tugas, kolom kedua berisi prompt yang disediakan untuk model (di mana teks template dicetak tebal dan teks yang tidak dicetak tebal adalah input contoh) dan kolom ketiga adalah respons dari model saat ditanyakan terhadap prompt
Untuk semua tugas berikut, kami menetapkan hyperparameters sebagai 600 menjadi max_length
, num_return_sequences
, top_k
menjadi 250, top_p
menjadi 0.95, dan tidak ada pengambilan sampel.
tugas | Masukan Cepat | Keluaran |
Tugas pembelajaran zero-shot | ||
Teks multibahasa atau klasifikasi sentimen (Cina ke Inggris) | ไธไธชไผ ๅฅ็ๅผ็ซฏ๏ผไธไธชไธ็็ฅ่ฏ๏ผ่ฟไธไป ไป ๆฏไธ้จ็ตๅฝฑ๏ผ่ๆฏไฝไธบไธไธช่ตฐ่ฟๆฐๆถไปฃ็ๆ ็ญพ๏ผ ๆฐธ ่ฟ ๅฝช ็ณ ๅฒ ๅใApakah Anda akan menilai ulasan sebelumnya sebagai positif, netral, atau negatif? | positif |
Menjawab pertanyaan multibahasa (Bahasa Inggris ke Bahasa Mandarin) | Jelaskan kepada saya dalam bahasa Tionghoa Tradisional apa backpropagation | peralatan medis yang canggihๅๆๅคฑๅฝๆฐใ |
Pembuatan kode | Menulis untuk pohon pencarian biner dengan O(log(n)) kompleksitas komputasi. {code_start} |
def pencarian_biner(a, x): rendah = 0 tinggi = len(a) โ 1 sementara rendah <= tinggi: tengah = (rendah + tinggi) // 2 jika a[pertengahan] < x: rendah = sedang + 1 elif a[pertengahan] > x: tinggi = sedang โ 1 lain: kembali pertengahan kembali -1โฒ ... lain: kembali pertengahan kembali rendah' Keluaran terpotong |
Pengubahan paragraf | Amazon Web Services (AWS) telah mengumumkan sembilan pembaruan utama baru untuk platform pembelajaran mesin berbasis cloud, SageMaker. SageMaker bertujuan untuk menyediakan layanan machine learning yang dapat digunakan untuk membangun, melatih, dan menerapkan model ML untuk hampir semua kasus penggunaan. Selama konferensi re:Invent tahun ini, AWS membuat beberapa pengumuman untuk lebih meningkatkan kemampuan SageMaker.nnBagaimana Anda akan mengulanginya secara singkat menggunakan bahasa Inggris?,Amazon Web Services (AWS) telah mengumumkan sembilan pembaruan utama baru untuk platform pembelajaran mesin berbasis cloud, SageMaker. SageMaker bertujuan untuk menyediakan layanan machine learning yang dapat digunakan untuk membangun, melatih, dan menerapkan model ML untuk hampir semua kasus penggunaan. Selama konferensi re:Invent tahun ini, AWS membuat beberapa pengumuman untuk lebih meningkatkan kemampuan SageMaker. NKalimat di atas sangat rumit. Tolong berikan saya versi sinonim sederhana yang terdiri dari beberapa kalimat: |
Amazon SageMaker mendapatkan pembaruan besar Amazon Web Services (AWS) telah mengumumkan sembilan pembaruan utama baru untuk platform pembelajaran mesin berbasis cloud, SageMaker. SageMaker bertujuan untuk menyediakan layanan machine learning yang dapat digunakan untuk membangun, melatih, dan menerapkan model ML untuk hampir semua kasus penggunaan |
Peringkasan | Amazon Comprehend menggunakan pemrosesan bahasa alami (NLP) untuk mengekstrak wawasan tentang konten dokumen. Ini mengembangkan wawasan dengan mengenali entitas, frase kunci, bahasa, sentimen, dan elemen umum lainnya dalam sebuah dokumen. Gunakan Amazon Comprehend untuk membuat produk baru berdasarkan pemahaman struktur dokumen. Misalnya, menggunakan Amazon Comprehend Anda dapat mencari umpan jejaring sosial untuk menyebutkan produk atau memindai seluruh gudang dokumen untuk frasa kunci. Anda dapat mengakses kemampuan analisis dokumen Amazon Comprehend menggunakan konsol Amazon Comprehend atau menggunakan API Amazon Comprehend. Anda dapat menjalankan analisis real-time untuk beban kerja kecil atau Anda dapat memulai tugas analisis asinkron untuk kumpulan dokumen besar. Anda dapat menggunakan model terlatih yang disediakan Amazon Comprehend, atau Anda dapat melatih model kustom Anda sendiri untuk klasifikasi dan pengenalan entitas. Semua fitur Amazon Comprehend menerima dokumen teks UTF-8 sebagai masukan. Selain itu, klasifikasi kustom dan pengenalan entitas kustom menerima file gambar, file PDF, dan file Word sebagai input. Amazon Comprehend dapat memeriksa dan menganalisis dokumen dalam berbagai bahasa, bergantung pada fitur tertentu. Untuk informasi selengkapnya, lihat Bahasa yang didukung di Amazon Comprehend. Kemampuan bahasa Dominan Amazon Comprehend dapat memeriksa dokumen dan menentukan bahasa dominan untuk pilihan bahasa yang jauh lebih luas.nn===nTulis ringkasan teks sebelumnya dalam bahasa Inggris: |
Amazon Comprehend menggunakan pemrosesan bahasa alami (NLP) untuk mengekstrak wawasan tentang konten dokumen. Ini mengembangkan wawasan dengan mengenali entitas, frase kunci, bahasa, sentimen, dan elemen umum lainnya dalam sebuah dokumen. Gunakan Amazon Comprehend untuk membuat produk baru berdasarkan pemahaman struktur dokumen. Misalnya, menggunakan Amazon Comprehend Anda dapat mencari umpan jejaring sosial untuk menyebutkan produk atau memindai seluruh gudang dokumen untuk frasa kunci. Anda dapat mengakses kemampuan analisis dokumen Amazon Comprehend menggunakan konsol Amazon Comprehend atau menggunakan API Amazon Comprehend. Anda dapat menjalankan analisis real-time untuk beban kerja kecil atau Anda dapat memulai tugas analisis asinkron untuk kumpulan dokumen besar. Anda dapat menggunakan model terlatih yang disediakan Amazon Comprehend, atau Anda dapat melatih model kustom Anda sendiri untuk klasifikasi dan pengenalan entitas. Semua fitur Amazon Comprehend menerima dokumen teks UTF-8 sebagai masukan. Selain itu, klasifikasi kustom dan pengenalan entitas kustom menerima file gambar, file PDF, dan file Word sebagai input. Amazon Comprehend dapat memeriksa dan menganalisis dokumen dalam berbagai bahasa, bergantung pada fitur tertentu. Untuk informasi selengkapnya, lihat Bahasa yang didukung di Amazon Comprehend. Kemampuan bahasa Dominan Amazon Comprehend dapat memeriksa dokumen dan menentukan bahasa dominan untuk pilihan bahasa yang jauh lebih luas. |
Penalaran akal sehat dan inferensi bahasa alami | Mengingat bahwa Piala dunia telah dimulai di Los Angeles, Amerika Serikat. Apakah itu mengikuti itu Piala dunia berlangsung di Amerika Serikat. Ya atau tidak?, Piala dunia telah dimulai di Los Angeles, Amerika Serikat. Hanya menggunakan deskripsi di atas dan apa yang Anda ketahui tentang dunia โPiala dunia berlangsung di Amerika Serikatโ pasti benar? Ya atau tidak?, |
Yes |
Menjawab pertanyaan | pertanyaan: apa fitur utama dari Kindle baru?Konteks: Kindle terbaru dan paling inovatif memungkinkan Anda mencatat jutaan buku dan dokumen, menulis daftar dan jurnal, dan banyak lagi. Untuk pembaca yang selalu berharap bisa menulis di eBuku mereka, Kindle baru Amazon memungkinkan mereka melakukan hal itu. Kindle Scribe adalah Kindle pertama untuk membaca dan menulis dan memungkinkan pengguna melengkapi buku dan dokumen mereka dengan catatan, daftar, dan lainnya. Inilah semua yang perlu Anda ketahui tentang Kindle Scribe, termasuk pertanyaan yang sering diajukan. Kindle Scribe memudahkan untuk membaca dan menulis seperti yang Anda lakukan di atas kertas Kindle Scribe menampilkan layar 10.2 inci, bebas silau (yang terbesar dari semua perangkat Kindle), resolusi 300 ppi yang jernih, dan 35 lampu depan LED yang secara otomatis menyesuaikan dengan lingkungan Anda. Personalisasi lebih lanjut pengalaman Anda dengan cahaya hangat yang dapat disesuaikan, ukuran font, spasi baris, dan banyak lagi. Muncul dengan pilihan Pena Dasar atau Pena Premium, yang Anda gunakan untuk menulis di layar seperti yang Anda lakukan di atas kertas. Mereka juga menempel secara magnetis ke Kindle Anda dan tidak perlu diisi daya. Pena Premium menyertakan penghapus khusus dan tombol pintasan yang dapat disesuaikan. Kindle Scribe memiliki opsi penyimpanan paling banyak dari semua perangkat Kindle: pilih dari 8 GB, 16 GB, atau 32 GB yang sesuai dengan tingkat membaca dan menulis Anda. Jawaban |
mencatat jutaan buku dan dokumen, menulis daftar dan jurnal, dan banyak lagi |
Klasifikasi kalimat dan sentimen | Ulasan: nMoive ini sangat bagus dan sekali lagi mempesona dan menyenangkan kitaApakah kalimat resensi film ini negatif atau positif?nPILIHAN: n-positif n-negatif | Positif |
Pembuatan artikel imajiner berdasarkan judul | Judul: โUniversitas memiliki fasilitas baru yang akan datangโnMengingat judul artikel imajiner di atas, bayangkan artikel itu.nโโโ |
Proyek senilai ยฃ1.2 juta akan melihat penciptaan pusat pengajaran dan pembelajaran baru di University of the Highlands and Islands (UHI) di Inverness. Itu akan dibangun di situs bekas Inverness College of Commerce. UHI mengatakan fasilitas baru itu akan digunakan untuk belajar mengajar, serta dukungan dan administrasi siswa. Universitas mengatakan itu juga akan digunakan untuk konferensi dan acara. Gedung baru akan dibangun di lokasi bekas Inverness College of Commerce Pihak universitas mengatakan gedung baru itu akan dibangun di lokasi bekas Inverness College of Commerce, yang ditutup pada 2013. Dikatakan fasilitas baru akan digunakan untuk mengajar dan belajar, serta dukungan dan administrasi siswa. Itu juga akan digunakan untuk konferensi dan acara. UHI mengatakan fasilitas baru itu akan dibangun di lokasi bekas Inverness College of Commerce Pihak universitas mengatakan gedung baru itu akan dibangun di lokasi bekas Inverness College of Commerce, yang ditutup pada 2013. Dikatakan fasilitas baru akan digunakan untuk mengajar dan belajar, serta dukungan dan administrasi siswa. UHI mengatakan fasilitas baru akan dibangun di lokasi bekas Invernessโฆ |
Meringkas judul berdasarkan artikel | 'Kindle terbaru dan paling inovatif memungkinkan Anda mencatat jutaan buku dan dokumen, menulis daftar dan jurnal, dan banyak lagi. Untuk pembaca yang selalu berharap bisa menulis di eBuku mereka, Kindle baru Amazon memungkinkan mereka melakukan hal itu. Kindle Scribe adalah Kindle pertama untuk membaca dan menulis dan memungkinkan pengguna melengkapi buku dan dokumen mereka dengan catatan, daftar, dan lainnya. Inilah semua yang perlu Anda ketahui tentang Kindle Scribe, termasuk pertanyaan yang sering diajukan. Kindle Scribe memudahkan untuk membaca dan menulis seperti yang Anda lakukan di atas kertas Kindle Scribe menampilkan layar 10.2 inci, bebas silau (yang terbesar dari semua perangkat Kindle), resolusi 300 ppi yang jernih, dan 35 lampu depan LED yang secara otomatis menyesuaikan dengan lingkungan Anda. Personalisasi lebih lanjut pengalaman Anda dengan cahaya hangat yang dapat disesuaikan, ukuran font, spasi baris, dan banyak lagi. Muncul dengan pilihan Pena Dasar atau Pena Premium, yang Anda gunakan untuk menulis di layar seperti yang Anda lakukan di atas kertas. Mereka juga menempel secara magnetis ke Kindle Anda dan tidak perlu diisi daya. Pena Premium menyertakan penghapus khusus dan tombol pintasan yang dapat disesuaikan. Kindle Scribe memiliki opsi penyimpanan paling banyak dari semua perangkat Kindle: pilih dari 8 GB, 16 GB, atau 32 GB yang sesuai dengan tingkat membaca dan menulis Anda. nn nnBeri saya judul yang bagus untuk artikel di atas. |
Kindle Scribe Amazon: Semua yang perlu Anda ketahui |
Tugas belajar beberapa tembakan | ||
Peringkasan | [Asli]: Ilmuwan Amazon, bekerja sama dengan peneliti dari University of Sheffield, membuat ekstraksi fakta skala besar dan kumpulan data verifikasi tersedia untuk umum untuk pertama kalinya. Kumpulan data, yang terdiri dari lebih dari 185,000 klaim yang didukung bukti, tersedia untuk mengkatalisasi penelitian dan pengembangan yang diharapkan dapat mengatasi masalah ekstraksi fakta dan verifikasi dalam aplikasi perangkat lunak atau layanan berbasis cloud yang melakukan ekstraksi informasi otomatis. [Ringkasan]: Peneliti Amazon dan Universitas membuat dataset ekstraksi fakta dan verifikasi tersedia untuk umum. # # # [Asli]: Anggota Perdana di AS bisa mendapatkan lebih banyak pengiriman ke rumah mereka dengan keanggotaan Perdana. Anggota sekarang dapat menikmati satu tahun Grubhub+ senilai $9.99 per bulan secara gratisโtanpa biaya tambahan untuk keanggotaan Perdana mereka. Untuk mengaktifkan kesepakatan ini, kunjungi amazon.com/grubhub. Penawaran baru ini mencakup biaya pengiriman makanan $0 tanpa batas untuk pesanan di atas $12 serta fasilitas eksklusif untuk anggota Grubhub+ dan hadiah seperti makanan gratis dan diskon pesanan. Selain itu, pengunjung dapat "makan enak sambil berbuat baik" dengan memilih program Donasi Perubahan Grubhub, inisiatif pencocokan donasi yang mengumpulkan lebih dari $25 juta pada tahun 2021 saja, menguntungkan lebih dari 20 organisasi amal di seluruh negeri. [Ringkasan]: Anggota utama di AS dapat menikmati satu tahun Grubhub+ secara gratis, tanpa biaya pengiriman makanan untuk pesanan yang memenuhi syarat. # # # [Asli]: Ilmuwan Amazon, bekerja sama dengan peneliti dari University of Sheffield, membuat ekstraksi fakta skala besar dan kumpulan data verifikasi tersedia untuk umum untuk pertama kalinya. Kumpulan data, yang terdiri dari lebih dari 185,000 klaim yang didukung bukti, tersedia untuk mengkatalisasi penelitian dan pengembangan yang diharapkan dapat mengatasi masalah ekstraksi fakta dan verifikasi dalam aplikasi perangkat lunak atau layanan berbasis cloud yang melakukan ekstraksi informasi otomatis. [Ringkasan]: |
[Ringkasan]: Peneliti Amazon dan Universitas membuat dataset ekstraksi dan verifikasi fakta tersedia untuk umum. |
Pembuatan kode | deskripsi: tombol oranye bertuliskan stop kode: Berhenti # # # keterangan: kotak biru yang berisi lingkaran kuning dengan batas merah kode: # # # deskripsi: Judul yang mengatakan Selamat datang di AI kode: |
kode: Selamat datang di AI ' |
Pengakuan entitas nama | [Teks]: Fred adalah seorang pengusaha serial. Salah satu pendiri dan CEO Platform.sh, dia sebelumnya ikut mendirikan Commerce Guys, penyedia e-niaga Drupal terkemuka. Misinya adalah untuk menjamin bahwa saat kami melanjutkan perjalanan ambisius untuk secara mendalam mengubah cara penggunaan dan persepsi cloud computing, kami tetap membumi dengan baik melanjutkan pertumbuhan pesat yang telah kami nikmati hingga sekarang. [Nama]: Fred [Posisi]: Co-founder dan CEO [Perusahaan]: Platform.sh # # # [Teks]: Microsoft (kata yang menjadi portmanteau dari "perangkat lunak komputer mikro") didirikan oleh Bill Gates pada tanggal 4 April 1975, untuk mengembangkan dan menjual juru bahasa BASIC untuk Altair 8800. Steve Ballmer menggantikan Gates sebagai CEO pada tahun 2000, dan kemudian membayangkan strategi "perangkat dan layanan". [Nama]: Steve Ballmer [Posisi]: CEO [Perusahaan]: Microsoft # # # [Teks]: Franck Riboud lahir pada 7 November 1955 di Lyon. Dia adalah putra dari Antoine Riboud, CEO sebelumnya, yang mengubah mantan pembuat kaca BSN Group Eropa menjadi pemain terkemuka di industri makanan. Dia adalah CEO di Danone. [Nama]: Franck Riboud [Posisi]: CEO [Perusahaan]: Danone # # # [Teks]: David Melvin adalah seorang profesional investasi dan jasa keuangan di CITIC CLSA dengan pengalaman lebih dari 30 tahun dalam perbankan investasi dan ekuitas swasta. Saat ini beliau adalah Penasihat Senior CITIC CLSA. |
[Nama]: Fred [Posisi]: Co-founder dan CEO [Perusahaan]: Platform.sh |
Menjawab pertanyaan | Konteks: NLP Cloud didirikan pada tahun 2021 ketika tim menyadari bahwa tidak ada cara mudah untuk memanfaatkan Pemrosesan Bahasa Alami dalam produksi secara andal. Pertanyaan: Kapan NLP Cloud didirikan? Jawaban: 2021 # # # Konteks: NLP Cloud mengembangkan API mereka pada pertengahan 2020 dan mereka menambahkan banyak model sumber terbuka pra-pelatihan sejak saat itu. Pertanyaan: Apa yang dikembangkan oleh NLP Cloud? Jawaban: API # # # Konteks: Semua paket dapat dihentikan kapan saja. Anda hanya membayar selama Anda menggunakan layanan ini. Jika terjadi downgrade, Anda akan mendapatkan diskon untuk invoice berikutnya. Pertanyaan: Kapan rencana dapat dihentikan? Jawaban: Kapan saja # # # Konteks: Tantangan utama dengan GPT-J adalah konsumsi memori. Disarankan menggunakan paket GPU. Pertanyaan: Paket mana yang direkomendasikan untuk GPT-J? Menjawab:""" |
Jawaban: Paket GPU' |
Koreksi tata bahasa dan ejaan | Saya suka pergi ke pantai. Koreksi: Saya suka pergi ke pantai. # # # Biarkan aku memilikinya! Koreksi: Biarkan aku memilikinya! # # # Terlalu banyak kekurangannya. Koreksi: Ini memiliki terlalu banyak kekurangan. # # # Saya tidak ingin pergi Koreksi: |
Koreksi: Saya tidak ingin pergi |
Deskripsi produk dan generalisasi | Hasilkan deskripsi produk dari kata kunci. Kata kunci: sepatu, wanita, $59 Kalimat: Sepatu cantik untuk wanita dengan harga $59. # # # Kata kunci: celana panjang, pria, $69 Kalimat: Celana modern untuk pria, seharga $69 saja. # # # Kata kunci: sarung tangan, musim dingin, $19 Kalimat: Sarung tangan yang luar biasa panas untuk musim dingin, seharga $19. # # # Kata kunci: t-shirt, pria, $39 Kalimat: |
Kalimat: T-shirt keren untuk pria, seharga $39 saja. |
Klasifikasi kalimat dan sentimen | Pesan: Saat pesawat ruang angkasa mendarat di Mars, seluruh umat manusia sangat bersemangat Topik: ruang # # # Pesan: Saya suka bermain tenis dan golf. Saya berlatih dua kali seminggu. Topik: olahraga # # # Pesan: Mengelola tim penjualan adalah pekerjaan yang sulit tetapi bermanfaat. Topik: bisnis # # # Pesan: Saya mencoba memasak ayam dengan tomat. Topik: |
Topik: makanan |
Chatbot dan AI percakapan | Ini adalah diskusi antara [manusia] dan [robot]. [Robot] itu sangat bagus dan empatik. [manusia]: Halo, senang bertemu denganmu. [robot]: Senang bertemu denganmu juga. # # # [manusia]: Bagaimana hari ini? [robot]: Tidak terlalu buruk, terima kasih! Bagaimana denganmu? # # # [manusia]: Saya baik-baik saja, tapi saya agak sedihโฆ [robot]: Oh? Mengapa itu? # # # [manusia]: Saya terserang flu [robot]: |
[robot]: Oh tidak, saya menyesal mendengarnya! |
Pembuatan Tweet | kata kunci: pasar menciak: Ambil umpan balik dari alam dan pasar, bukan dari orang # # # kata kunci: anak-anak menciak: Mungkin kita mati sehingga kita bisa kembali sebagai anak-anak. # # # kata kunci: startup tweet: Startup tidak perlu khawatir tentang cara memadamkan api, mereka harus khawatir tentang cara memulainya. # # # kata kunci: nlp menciak: |
menciak: NLP adalah alat, bukan tujuan. |
Mesin penerjemah | Memeluk Menghadapi revolusi NLP. Terjemahan: Hugging Face merevolusi NLP. # # # Ini sungguh luar biasa! Terjemahan: Ini luar biasa! # # # Tentu saja itu tidak mungkin. Terjemahan: Maaf tapi saya tidak bisa. # # # NLP Cloud memungkinkan penggelaran NLP dalam fasilitas produksi. Terjemahan: |
Terjemahan: NLP Cloud memudahkan penerapan NLP dalam produksi. |
Klasifikasi maksud | Saya ingin memulai coding besok karena sepertinya sangat menyenangkan! Niat: mulai pengkodean # # # Tolong tunjukkan gambar terakhir yang Anda miliki. Maksud: tampilkan gambar # # # Cari semua file ini secepat mungkin. Maksud: cari file # # # Bisakah Anda mengajari saya bahasa Mandarin minggu depan? Maksud: |
Niat: ajari saya bahasa Cina |
Akses model yang disesuaikan dengan instruksi BloomZ 176B di SageMaker
SageMaker JumpStart menyediakan dua cara untuk mulai menggunakan model Bloom yang disesuaikan dengan instruksi ini: Studio Amazon SageMaker dan SDK SageMaker. Bagian berikut mengilustrasikan tampilan masing-masing opsi ini dan cara mengaksesnya.
Akses model dengan SageMaker JumpStart SDK yang disederhanakan
Grafik SageMaker JumpStart SDK yang disederhanakan memfasilitasi pelatihan dan penerapan model SageMaker JumpStart bawaan dengan beberapa baris kode. Ini memberi Anda akses ke seluruh pustaka model SageMaker JumpStart, termasuk model pondasi terbaru dan model pembuatan gambar, tanpa harus memberikan masukan apa pun selain ID model.
Anda dapat memanfaatkan nilai default khusus model yang kami sediakan untuk menentukan konfigurasi, seperti gambar Docker, jenis instans ML, lokasi artefak model, dan hyperparameter, di antara bidang lainnya. Atribut ini hanyalah nilai default; Anda dapat menggantinya dan mempertahankan kontrol terperinci atas model AWS yang Anda buat. Sebagai hasil dari perubahan ini, upaya untuk menulis alur kerja Python untuk menerapkan dan melatih model JumpStart SageMaker telah dikurangi, memungkinkan Anda menghabiskan lebih banyak waktu untuk tugas yang penting. Fitur ini tersedia di semua Wilayah yang mendukung JumpStart, dan dapat diakses dengan SDK Python SageMaker versi 2.154.0 atau lebih baru.
Anda dapat menerapkan titik akhir secara terprogram melalui SageMaker SDK. Anda harus menentukan ID model dari model yang Anda inginkan di hub model SageMaker dan jenis instans yang digunakan untuk penerapan. URI model, yang berisi skrip inferensi, dan URI container Docker diperoleh melalui SageMaker SDK. URI ini disediakan oleh SageMaker JumpStart dan dapat digunakan untuk menginisialisasi objek model SageMaker untuk diterapkan.
Terapkan model dan kueri titik akhir
Notebook ini membutuhkan ipywidgets. Instal ipywidgets lalu gunakan peran eksekusi yang terkait dengan notebook saat ini sebagai peran akun AWS dengan akses SageMaker.
Pilih model pra-terlatih
Kami memilih bloomz-176b-fp16
model pra-terlatih:
Buku catatan di bagian berikut menggunakan MekarZ 176B sebagai contoh. Untuk daftar lengkap model terlatih SageMaker, lihat Algoritma bawaan dengan Tabel Model yang telah dilatih sebelumnya.
Ambil artefak dan terapkan titik akhir
Dengan SageMaker, kami dapat melakukan inferensi pada model yang telah dilatih sebelumnya tanpa menyempurnakannya terlebih dahulu pada kumpulan data baru. Kita mulai dengan mengambil file deploy_image_uri
, deploy_source_uri
, dan model_uri
untuk model pra-terlatih. Untuk menghosting model pra-terlatih, kami membuat instance dari sagemaker.model.Model dan menyebarkannya. Ini mungkin memakan waktu beberapa menit.
Sekarang kita dapat menerapkan model menggunakan SageMaker JumpStart SDK yang disederhanakan dengan baris kode berikut:
Kami menggunakan Kontainer inferensi model besar (LMI) SageMaker untuk menampung model BloomZ 176B. LMI adalah tumpukan (wadah) perangkat lunak LLM buatan AWS yang menawarkan fungsi yang mudah digunakan dan peningkatan kinerja pada model AI generatif. Itu disematkan dengan paralelisme model, kompilasi, kuantisasi, dan tumpukan lainnya untuk mempercepat inferensi. Untuk detailnya, lihat Terapkan BLOOM-176B dan OPT-30B di Amazon SageMaker dengan inferensi model besar Deep Learning Containers dan DeepSpeed.
Perhatikan bahwa penerapan model ini memerlukan instans p4de.24xlarge dan penerapan biasanya membutuhkan waktu sekitar 1 jam. Jika Anda tidak memiliki kuota untuk instans tersebut, minta penambahan kuota di konsol AWS Service Quotas.
Buat kueri titik akhir dan parsing respons menggunakan berbagai parameter untuk mengontrol teks yang dihasilkan
Masukan ke titik akhir adalah string teks apa pun yang diformat sebagai JSON dan disandikan dalam format utf-8. Output dari titik akhir adalah file JSON dengan teks yang dihasilkan.
Pada contoh berikut, kami menyediakan beberapa contoh input teks. Anda dapat memasukkan teks apa pun dan model memprediksi kata berikutnya dalam urutan. Urutan teks yang lebih panjang dapat dihasilkan dengan memanggil model berulang kali. Kode berikut menunjukkan cara memanggil titik akhir dengan argumen ini:
Kami mendapatkan output berikut:
['How to make a pasta? boil a pot of water and add salt. Add the pasta to the water and cook until al dente. Drain the pasta.']
Akses model di SageMaker Studio
Anda juga dapat mengakses model ini melalui Halaman arahan JumpStart di Studio. Halaman ini mencantumkan solusi ML end-to-end yang tersedia, model terlatih, dan notebook contoh.
Pada saat posting diterbitkan, BloomZ 176B hanya tersedia di us-east-2
Wilayah.
Anda dapat memilih kartu model BloomZ 176B untuk melihat notebook.
Anda kemudian dapat mengimpor notebook untuk menjalankan notebook lebih lanjut.
Membersihkan
Untuk menghindari tagihan berkelanjutan, hapus titik akhir inferensi SageMaker. Anda dapat menghapus titik akhir melalui konsol SageMaker atau dari notebook SageMaker Studio menggunakan perintah berikut:
predictor.delete_model()
predictor.delete_endpoint()
Kesimpulan
Dalam posting ini, kami memberikan ikhtisar tentang manfaat pembelajaran zero-shot dan few-shot dan menjelaskan bagaimana rekayasa yang cepat dapat meningkatkan kinerja model yang disesuaikan dengan instruksi. Kami juga menunjukkan cara mudah menerapkan model BloomZ 176B yang disesuaikan dengan instruksi dari SageMaker JumpStart dan memberikan contoh untuk menunjukkan bagaimana Anda dapat melakukan berbagai tugas NLP menggunakan titik akhir model BloomZ 176B yang diterapkan di SageMaker.
Kami mendorong Anda untuk menerapkan model BloomZ 176B dari SageMaker JumpStart dan membuat petunjuk Anda sendiri untuk kasus penggunaan NLP.
Untuk mempelajari selengkapnya tentang SageMaker JumpStart, lihat yang berikut ini:
Tentang Penulis
Rajakumar Sampatkumar adalah Manajer Akun Teknis Utama di AWS, yang memberikan panduan kepada pelanggan tentang penyelarasan teknologi bisnis dan mendukung penemuan kembali model dan proses operasi cloud mereka. Dia bersemangat tentang cloud dan pembelajaran mesin. Raj juga merupakan spesialis pembelajaran mesin dan bekerja dengan pelanggan AWS untuk merancang, menerapkan, dan mengelola beban kerja dan arsitektur AWS mereka.
Dr Xin Huang adalah Ilmuwan Terapan untuk Amazon SageMaker JumpStart dan algoritma bawaan Amazon SageMaker. Dia berfokus pada pengembangan algoritme pembelajaran mesin yang dapat diskalakan. Minat penelitiannya adalah di bidang pemrosesan bahasa alami, pembelajaran mendalam yang dapat dijelaskan pada data tabular, dan analisis yang kuat dari pengelompokan ruang-waktu non-parametrik. Dia telah menerbitkan banyak makalah di ACL, ICDM, konferensi KDD, dan jurnal Royal Statistical Society: Series A.
Evan Kravitz adalah seorang insinyur perangkat lunak di Amazon Web Services, bekerja di SageMaker JumpStart. Dia menikmati memasak dan berjalan-jalan di New York City.
- 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/zero-shot-and-few-shot-prompting-for-the-bloomz-176b-foundation-model-with-the-simplified-amazon-sagemaker-jumpstart-sdk/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 000
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 16
- 20
- 2000
- 2013
- 2021
- 24
- 250
- 30
- 32
- 33
- 7
- 8
- a
- Sanggup
- Tentang Kami
- atas
- Setuju
- mengakses
- diakses
- Akun
- ketepatan
- di seluruh
- menyesuaikan
- menambahkan
- menambahkan
- tambahan
- Tambahan
- alamat
- disesuaikan
- administrasi
- Keuntungan
- lagi
- terhadap
- AI
- Model AI
- bertujuan
- AL
- algoritma
- penjajaran
- Semua
- Membiarkan
- memungkinkan
- sendirian
- juga
- Altair
- selalu
- am
- Amazon
- Amazon Comprehend
- Amazon SageMaker
- Mulai Lompatan Amazon SageMaker
- Amazon Web Services
- Layanan Web Amazon (AWS)
- ambisius
- antara
- jumlah
- jumlah
- an
- analisis
- menganalisa
- dan
- Angeles
- mengumumkan
- Pengumuman
- Apa pun
- api
- Lebah
- berlaku
- aplikasi
- terapan
- April
- Arab
- ADALAH
- DAERAH
- argumen
- artikel
- AS
- terkait
- At
- melampirkan
- atribut
- secara otomatis
- secara otomatis
- tersedia
- menghindari
- AWS
- kembali
- Buruk
- Perbankan
- berdasarkan
- dasar
- BE
- Pantai
- indah
- karena
- menjadi
- laku
- makhluk
- menguntungkan
- Manfaat
- selain
- TERBAIK
- antara
- tagihan
- Bill Gates
- Milyar
- Bit
- Berkembang
- Biru
- pin
- Buku-buku
- batas
- lahir
- Kotak
- secara singkat
- BSN
- membangun
- Bangunan
- dibangun di
- built-in
- tapi
- tombol
- by
- bernama
- panggilan
- CAN
- Bisa Dapatkan
- tidak bisa
- kemampuan
- kemampuan
- kartu
- hati-hati
- kasus
- kasus
- pengecoran
- tertangkap
- pusat
- ceo
- menantang
- perubahan
- Perubahan
- dibebankan
- beban
- memeriksa
- anak-anak
- Cina
- pilihan
- Pilih
- lingkaran
- Kota
- klaim
- klasifikasi
- tertutup
- awan
- komputasi awan
- kekelompokan
- Co-founder
- kode
- Pengkodean
- KOHEREN
- dingin
- kolaborasi
- koleksi
- Perguruan tinggi
- Kolom
- bagaimana
- datang
- kedatangan
- Perdagangan
- Umum
- perusahaan
- lengkap
- kompleksitas
- rumit
- memahami
- terdiri
- komputasi
- konsep
- Konferensi
- konferensi
- konfigurasi
- pertimbangan
- Terdiri dari
- konsul
- konsumsi
- Wadah
- Wadah
- mengandung
- Konten
- Konteks
- terus
- terus-menerus
- kontrol
- percakapan
- dingin
- benar
- Biaya
- bisa
- negara
- sepasang
- membuat
- dibuat
- membuat
- penciptaan
- Kreatif
- Cangkir
- terbaru
- Sekarang
- adat
- pelanggan
- disesuaikan
- data
- kumpulan data
- David
- transaksi
- Penawaran
- dedicated
- mendalam
- belajar mendalam
- terdalam
- Default
- disampaikan
- pengiriman
- demo
- mendemonstrasikan
- menunjukkan
- Tergantung
- menyebarkan
- dikerahkan
- deployer
- penggelaran
- penyebaran
- dijelaskan
- deskripsi
- Mendesain
- dirancang
- diinginkan
- rincian
- Menentukan
- mengembangkan
- dikembangkan
- berkembang
- Pengembangan
- mengembangkan
- Devices
- MELAKUKAN
- Mati
- berbeda
- Diskon
- diskon
- diskusi
- do
- Buruh pelabuhan
- dokumen
- dokumen
- Tidak
- melakukan
- domain
- dominan
- menyumbangkan
- Dont
- Oleh
- turun
- Downgrade
- menguras
- kekurangannya
- setiap
- mudah
- Mudah
- mudah digunakan
- eBook
- e-commerce
- efektivitas
- usaha
- elemen
- berhak
- tertanam
- memungkinkan
- mendorong
- ujung ke ujung
- Titik akhir
- insinyur
- Teknik
- Inggris
- menikmati
- Seluruh
- entitas
- entitas
- Pengusaha
- Lingkungan Hidup
- keadilan
- Eropa
- Bahkan
- peristiwa
- pERNAH
- segala sesuatu
- memeriksa
- contoh
- contoh
- Eksklusif
- eksekusi
- diharapkan
- mahal
- pengalaman
- ekstrak
- Menghadapi
- memfasilitasi
- Fasilitas
- fakta
- jauh
- FAST
- Fitur
- Fitur
- umpan balik
- Biaya
- kaki
- beberapa
- Fields
- File
- File
- keuangan
- jasa keuangan
- kebakaran
- Pertama
- pertama kali
- berfokus
- mengikuti
- berikut
- makanan
- pengantaran makanan
- Untuk
- format
- Bekas
- Prinsip Dasar
- Didirikan di
- Gratis
- Perancis
- sering
- dari
- depan
- fungsi
- lebih lanjut
- Mendapatkan
- Gates
- tujuan umum
- menghasilkan
- dihasilkan
- generasi
- generatif
- AI generatif
- mendapatkan
- memberikan
- tujuan
- akan
- golf
- baik
- GPU
- besar
- sangat
- Tanah
- Kelompok
- Pertumbuhan
- Pertumbuhan
- menjamin
- bimbingan
- membimbing
- tangan
- Memiliki
- memiliki
- he
- membintangi
- mendengar
- tinggi
- membantu
- bermanfaat
- membantu
- di sini
- High
- berkualitas tinggi
- -nya
- Mudah-mudahan
- tuan rumah
- PANAS
- jam
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- HTTPS
- huang
- Pusat
- manusia
- Kemanusiaan
- Manusia
- i
- ID
- if
- gambar
- imajiner
- membayangkan
- mengimpor
- memperbaiki
- in
- termasuk
- Termasuk
- menggabungkan
- industri
- informasi
- ekstraksi informasi
- Prakarsa
- inovatif
- memasukkan
- input
- wawasan
- install
- contoh
- sebagai gantinya
- instruksi
- kepentingan
- intern
- ke
- menyelidiki
- investasi
- perbankan investasi
- melibatkan
- Kepulauan
- IT
- NYA
- Pekerjaan
- Jobs
- majalah
- perjalanan
- jpg
- json
- hanya
- Menjaga
- kunci
- kata kunci
- Tahu
- pengetahuan
- pendaratan
- bahasa
- Bahasa
- besar
- besar-besaran
- terbesar
- Terakhir
- kemudian
- Terbaru
- terkemuka
- BELAJAR
- pengetahuan
- Dipimpin
- membiarkan
- Lets
- Tingkat
- Leverage
- Perpustakaan
- cahaya
- 'like'
- keterbatasan
- Terbatas
- baris
- baris
- Daftar
- daftar
- LLM
- tempat
- Panjang
- lagi
- melihat
- terlihat seperti
- itu
- Los Angeles
- cinta
- Rendah
- mesin
- Mesin belajar
- terbuat
- Utama
- utama
- membuat
- MEMBUAT
- Membuat
- mengelola
- manajer
- pelaksana
- banyak
- pasar
- Maret
- hal
- Mungkin..
- mungkin
- me
- Pelajari
- Anggota
- keanggotaan
- Memori
- Pria
- sebutan
- Microsoft
- Menengah
- juta
- jutaan
- meminimalkan
- menit
- Misi
- ML
- model
- model
- modern
- Bulan
- lebih
- paling
- film
- beberapa
- nama
- Alam
- Pengolahan Bahasa alami
- Alam
- ne
- perlu
- Perlu
- negatif
- jaringan
- Netral
- tak pernah
- New
- produk baru
- NY
- new york city
- Terbaru
- berikutnya
- minggu depan
- bagus
- nLP
- tidak
- Kebisingan
- buku catatan
- Catatan
- novel
- November
- sekarang
- jumlah
- obyek
- diperoleh
- of
- lepas
- menawarkan
- menawarkan
- Penawaran
- oh
- on
- sekali
- ONE
- terus-menerus
- hanya
- open source
- operasi
- Operasi
- Opsi
- or
- Jeruk
- urutan
- perintah
- organisasi
- asli
- Lainnya
- kami
- di luar
- keluaran
- lebih
- mengesampingkan
- ikhtisar
- sendiri
- halaman
- kertas
- dokumen
- parameter
- bergairah
- Membayar
- Konsultan Ahli
- untuk
- dirasakan
- Melakukan
- prestasi
- melakukan
- tunjangan
- Personalisasi
- frase
- Film
- Tempat
- rencana
- rencana
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- pemain
- bermain
- silahkan
- plus
- posisi
- positif
- mungkin
- Pos
- kuat
- ppi
- Prediksi
- Predictor
- Prediksi
- Premium
- sebelumnya
- sebelumnya
- harga pompa cor beton mini
- Perdana
- Utama
- swasta
- Ekuitas Pribadi
- masalah
- proses
- proses
- pengolahan
- memproduksi
- Produk
- Produksi
- Produk
- profesional
- program
- Pemrograman
- bahasa pemrograman
- proyek
- memberikan
- disediakan
- pemberi
- menyediakan
- menyediakan
- di depan umum
- diterbitkan
- Penerbitan
- menempatkan
- Ular sanca
- pertanyaan
- Pertanyaan
- menonjol
- cepat
- Penilaian
- RE
- Baca
- pembaca
- Bacaan
- real-time
- menyadari
- baru
- baru-baru ini
- pengakuan
- mengenali
- direkomendasikan
- Merah
- mengurangi
- wilayah
- daerah
- terkait
- luar biasa
- BERKALI-KALI
- ulang
- diganti
- gudang
- permintaan
- wajib
- membutuhkan
- penelitian
- penelitian dan pengembangan
- peneliti
- Resolusi
- Sumber
- tanggapan
- tanggapan
- mengakibatkan
- menahan
- ulasan
- merevolusi
- bermanfaat
- Hadiah
- robot
- kuat
- Peran
- kerajaan
- Run
- berjalan
- s
- pembuat bijak
- Inferensi SageMaker
- Tersebut
- penjualan
- garam
- mengatakan
- mengatakan
- terukur
- pemindaian
- ilmuwan
- ilmuwan
- Layar
- SDK
- Pencarian
- Kedua
- bagian
- melihat
- tampaknya
- seleksi
- menjual
- semantik
- senior
- rasa
- putusan pengadilan
- sentimen
- perasaan
- Urutan
- serial
- Seri
- Seri A
- layanan
- Layanan
- set
- set
- pengaturan
- beberapa
- harus
- Menunjukkan
- menunjukkan
- Pertunjukkan
- penting
- disederhanakan
- sejak
- situs web
- situasi
- Ukuran
- ukuran
- kecil
- lebih kecil
- So
- Sosial
- Jaringan sosial
- Masyarakat
- Perangkat lunak
- Software Engineer
- padat
- Solusi
- beberapa
- putra
- Spanyol
- spesialis
- tertentu
- Secara khusus
- kecepatan
- ejaan
- menghabiskan
- tumpukan
- Tumpukan
- awal
- mulai
- Startups
- state-of-the-art
- Negara
- statistik
- Tangga
- Steve
- terhenti
- penyimpanan
- opsi penyimpanan
- Penyelarasan
- kekuatan
- Tali
- struktur
- mahasiswa
- studio
- Belajar
- seperti itu
- setelan
- RINGKASAN
- suplemen
- menyediakan
- mendukung
- Didukung
- pendukung
- identik
- tabel
- Mengambil
- Dibutuhkan
- tugas
- tugas
- Pengajaran
- tim
- Teknis
- Template
- dari
- terima kasih
- bahwa
- Grafik
- Daerah
- Dunia
- mereka
- Mereka
- kemudian
- Sana.
- Ini
- mereka
- Ketiga
- ini
- Melalui
- melalui
- waktu
- membuang-buang waktu
- Judul
- untuk
- hari ini
- besok
- terlalu
- alat
- sulit
- terhadap
- tradisional
- Pelatihan VE
- terlatih
- Pelatihan
- Mengubah
- berubah
- Terjemahan
- pohon
- menciak
- Dua kali
- dua
- mengetik
- kami
- pemahaman
- Serikat
- Amerika Serikat
- universitas
- tak terbatas
- sampai
- Memperbarui
- Pembaruan
- memperbarui
- menggunakan
- gunakan case
- bekas
- Pengguna
- kegunaan
- menggunakan
- biasanya
- dihargai
- Nilai - Nilai
- variasi
- berbagai
- Luas
- Verifikasi
- versi
- sangat
- melalui
- View
- sebenarnya
- Mengunjungi
- ingin
- hangat
- adalah
- air
- Cara..
- cara
- we
- jaringan
- layanan web
- minggu
- selamat datang
- BAIK
- Apa
- Apa itu
- ketika
- yang
- sementara
- putih
- SIAPA
- seluruh
- mengapa
- lebih luas
- lebar
- akan
- Musim dingin
- dengan
- tanpa
- Wanita
- Word
- kata
- Alur kerja
- kerja
- bekerja
- dunia
- Piala Dunia
- kuatir
- akan
- menulis
- penulisan
- tertulis
- X
- tahun
- tahun
- iya nih
- namun
- York
- Kamu
- Anda
- zephyrnet.dll
- Pembelajaran Zero-Shot