Pemrosesan bahasa alami (NLP) adalah bidang pembelajaran mesin (ML) yang berkaitan dengan memberikan komputer kemampuan untuk memahami teks dan kata-kata yang diucapkan dengan cara yang sama seperti yang bisa dilakukan manusia. Baru-baru ini, arsitektur canggih seperti arsitektur transformator digunakan untuk mencapai performa mendekati manusia pada tugas hilir NLP seperti peringkasan teks, klasifikasi teks, pengenalan entitas, dan banyak lagi.
Model bahasa besar (LLM) adalah model berbasis transformator yang dilatih pada sejumlah besar teks tak berlabel yang berjumlah ratusan juta (BERTI) hingga lebih dari satu triliun parameter (MiCS), dan ukurannya membuat pelatihan GPU tunggal menjadi tidak praktis. Karena kompleksitas yang melekat, melatih LLM dari awal adalah tugas yang sangat menantang yang hanya mampu dilakukan oleh sedikit organisasi. Praktik umum untuk tugas hilir NLP adalah mengambil LLM terlatih dan menyempurnakannya. Untuk informasi lebih lanjut tentang penyesuaian, lihat Penyempurnaan Adaptasi Domain dari Model Fondasi di Amazon SageMaker JumpStart pada data Keuangan dan Sempurnakan model bahasa transformator untuk keragaman linguistik dengan Hugging Face di Amazon SageMaker.
Pembelajaran zero-shot di NLP memungkinkan a LLM terlatih untuk menghasilkan respons terhadap tugas-tugas yang belum dilatih secara eksplisit (bahkan tanpa penyesuaian). Secara khusus berbicara tentang klasifikasi teks, klasifikasi teks zero-shot adalah tugas dalam pemrosesan bahasa alami di mana model NLP digunakan untuk mengklasifikasikan teks dari kelas yang tidak terlihat, berbeda dengan klasifikasi yang diawasi, dimana model NLP hanya dapat mengklasifikasikan teks milik kelas dalam data pelatihan.
Kami baru-baru ini meluncurkan dukungan model klasifikasi zero-shot di Mulai Lompatan Amazon SageMaker. SageMaker JumpStart adalah pusat ML Amazon SageMaker yang menyediakan akses ke model dasar (FM) terlatih, LLM, algoritme bawaan, dan template solusi untuk membantu Anda memulai ML dengan cepat. Dalam postingan ini, kami menunjukkan bagaimana Anda dapat melakukan klasifikasi zero-shot menggunakan model terlatih di SageMaker Jumpstart. Anda akan mempelajari cara menggunakan SageMaker Jumpstart UI dan SageMaker Python SDK untuk menerapkan solusi dan menjalankan inferensi menggunakan model yang tersedia.
Pembelajaran zero-shot
Klasifikasi zero-shot adalah paradigma di mana model dapat mengklasifikasikan contoh-contoh baru yang belum terlihat milik kelas-kelas yang tidak ada dalam data pelatihan. Misalnya, model bahasa yang telah dilatih untuk memahami bahasa manusia dapat digunakan untuk mengklasifikasikan tweet resolusi Tahun Baru di beberapa kelas seperti career
, health
, dan finance
, tanpa model bahasa dilatih secara eksplisit pada tugas klasifikasi teks. Hal ini berbeda dengan penyempurnaan model, karena penyempurnaan model berarti melatih ulang model (melalui pembelajaran transfer), sedangkan pembelajaran zero-shot tidak memerlukan pelatihan tambahan.
Diagram berikut mengilustrasikan perbedaan antara pembelajaran transfer (kiri) vs. pembelajaran zero-shot (kanan).
Yin dkk. mengusulkan kerangka kerja untuk membuat pengklasifikasi zero-shot menggunakan inferensi bahasa alami (NLI). Kerangka kerja ini bekerja dengan mengajukan urutan untuk diklasifikasikan sebagai premis NLI dan membangun hipotesis dari setiap label kandidat. Misalnya, jika kita ingin mengevaluasi apakah suatu barisan termasuk dalam kelasnya politics
, kita dapat membuat hipotesis โTeks ini tentang politik.โ Probabilitas keterlibatan dan kontradiksi kemudian diubah menjadi probabilitas label. Sebagai tinjauan singkat, NLI mempertimbangkan dua kalimat: premis dan hipotesis. Tugasnya adalah menentukan apakah hipotesis itu benar (entailment) atau salah (kontradiksi) berdasarkan premisnya. Tabel berikut memberikan beberapa contoh.
Premis | label | Hipotesa |
Seorang pria memeriksa seragam seorang tokoh di beberapa negara Asia Timur. | Kontradiksi | Pria itu sedang tidur. |
Seorang pria tua dan muda tersenyum. | Netral | Dua pria tersenyum dan menertawakan kucing yang bermain di lantai. |
Sebuah permainan sepak bola dengan banyak laki-laki bermain. | mensyaratkan | Beberapa pria sedang berolahraga. |
Ikhtisar solusi
Dalam posting ini, kita membahas hal-hal berikut:
- Cara menerapkan model klasifikasi teks zero-shot terlatih menggunakan UI SageMaker JumpStart dan menjalankan inferensi pada model yang diterapkan menggunakan data teks pendek
- Cara menggunakan SageMaker Python SDK untuk mengakses model klasifikasi teks zero-shot yang telah dilatih sebelumnya di SageMaker JumpStart dan menggunakan skrip inferensi untuk menyebarkan model ke titik akhir SageMaker untuk kasus penggunaan klasifikasi teks real-time
- Cara menggunakan SageMaker Python SDK untuk mengakses model klasifikasi teks zero-shot yang telah dilatih sebelumnya dan menggunakan transformasi batch SageMaker untuk kasus penggunaan klasifikasi teks batch
SageMaker JumpStart menyediakan penyempurnaan dan penerapan sekali klik untuk beragam model terlatih di seluruh tugas ML populer, serta pilihan solusi menyeluruh yang memecahkan masalah bisnis umum. Fitur-fitur ini menghilangkan beban berat dari setiap langkah proses ML, menyederhanakan pengembangan model berkualitas tinggi dan mengurangi waktu penerapan. Itu API JumpStart memungkinkan Anda menerapkan dan menyempurnakan secara terprogram banyak pilihan model yang telah dilatih sebelumnya pada kumpulan data Anda sendiri.
Hub model JumpStart menyediakan akses ke sejumlah besar model NLP yang memungkinkan pembelajaran transfer dan penyesuaian pada kumpulan data khusus. Saat tulisan ini dibuat, hub model JumpStart berisi lebih dari 300 model teks di berbagai model populer, seperti Difusi Stabil, Flan T5, Alexa TM, Bloom, dan banyak lagi.
Perhatikan bahwa dengan mengikuti langkah-langkah di bagian ini, Anda akan menerapkan infrastruktur ke akun AWS Anda yang mungkin dikenakan biaya.
Menerapkan model klasifikasi teks zero-shot yang berdiri sendiri
Di bagian ini, kami mendemonstrasikan cara menerapkan model klasifikasi zero-shot menggunakan SageMaker JumpStart. Anda dapat mengakses model terlatih melalui halaman arahan JumpStart di Studio Amazon SageMaker. Selesaikan langkah-langkah berikut:
- Di SageMaker Studio, buka halaman arahan JumpStart.
Lihat Buka dan gunakan JumpStart untuk detail selengkapnya tentang cara menavigasi ke SageMaker JumpStart. - Dalam majalah Model Teks carousel, cari kartu model โKlasifikasi Teks Zero-Shotโ.
- Pilih Lihat model untuk mengakses
facebook-bart-large-mnli
Model.
Alternatifnya, Anda dapat mencari model klasifikasi zero-shot di bilah pencarian dan mendapatkan model tersebut di SageMaker JumpStart. - Tentukan konfigurasi penerapan, jenis instans hosting SageMaker, nama titik akhir, Layanan Penyimpanan Sederhana Amazon Nama bucket (Amazon S3), dan parameter lain yang diperlukan.
- Secara opsional, Anda dapat menentukan konfigurasi keamanan seperti Identitas AWS dan Manajemen Akses (IAM), pengaturan VPC, dan Layanan Manajemen Kunci AWS (AWS KMS) kunci enkripsi.
- Pilih Menyebarkan untuk membuat titik akhir SageMaker.
Langkah ini membutuhkan waktu beberapa menit untuk diselesaikan. Setelah selesai, Anda dapat menjalankan inferensi terhadap titik akhir SageMaker yang menghosting model klasifikasi zero-shot.
Dalam video berikut, kami menunjukkan panduan langkah-langkah di bagian ini.
Gunakan JumpStart secara terprogram dengan SageMaker SDK
Di bagian SageMaker JumpStart di SageMaker Studio, di bawah Solusi mulai cepat, Anda dapat menemukan templat solusi. Templat solusi SageMaker JumpStart adalah solusi menyeluruh sekali klik untuk banyak kasus penggunaan ML umum. Saat tulisan ini dibuat, lebih dari 20 solusi tersedia untuk berbagai kasus penggunaan, seperti perkiraan permintaan, deteksi penipuan, dan rekomendasi yang dipersonalisasi, dan masih banyak lagi.
Solusi โKlasifikasi Teks Zero Shot dengan Wajah Memelukโ memberikan cara untuk mengklasifikasikan teks tanpa perlu melatih model untuk label tertentu (klasifikasi zero-shot) dengan menggunakan pengklasifikasi teks terlatih. Model klasifikasi zero-shot default untuk solusi ini adalah facebook-bart-besar-mnli (BART). Untuk solusi ini, kami menggunakan Kumpulan data Resolusi Tahun Baru 2015 untuk mengklasifikasikan resolusi. Subset dari kumpulan data asli yang hanya berisi Resolution_Category
(label kebenaran dasar) dan text
kolom disertakan dalam aset solusi.
Data masukan mencakup string teks, daftar kategori yang diinginkan untuk klasifikasi, dan apakah klasifikasi tersebut multi-label atau tidak untuk inferensi sinkron (waktu nyata). Untuk inferensi asinkron (batch), kami menyediakan daftar string teks, daftar kategori untuk setiap string, dan apakah klasifikasinya multi-label atau tidak dalam file teks berformat baris JSON.
Hasil inferensinya adalah objek JSON yang tampilannya seperti screenshot berikut.
Kami memiliki teks asli di dalamnya sequence
bidang, label yang digunakan untuk klasifikasi teks di labels
bidang, dan probabilitas yang ditetapkan untuk setiap label (dalam urutan kemunculan yang sama) di bidang tersebut scores
.
Untuk menerapkan solusi Klasifikasi Teks Zero Shot dengan Wajah Memeluk, selesaikan langkah-langkah berikut:
- Di halaman arahan SageMaker JumpStart, pilih Model, notebook, solusi di panel navigasi.
- Dalam majalah Solusi bagian, pilih Jelajahi Semua Solusi.
- pada Solusi halaman, pilih kartu model Klasifikasi Teks Zero Shot dengan Wajah Memeluk.
- Tinjau detail penerapan dan jika Anda setuju, pilih Launch.
Penerapan ini akan menyediakan titik akhir real-time SageMaker untuk inferensi real-time dan bucket S3 untuk menyimpan hasil transformasi batch.
Diagram berikut menggambarkan arsitektur metode ini.
Lakukan inferensi waktu nyata menggunakan model klasifikasi zero-shot
Di bagian ini, kami meninjau cara menggunakan Python SDK untuk menjalankan klasifikasi teks zero-shot (menggunakan salah satu model yang tersedia) secara real-time menggunakan titik akhir SageMaker.
- Pertama, kami mengonfigurasi permintaan payload inferensi ke model. Ini bergantung pada model, tetapi untuk model BART, inputnya adalah objek JSON dengan struktur berikut:
- Perhatikan bahwa model BART tidak dilatih secara eksplisit tentang hal ini
candidate_labels
. Kami akan menggunakan teknik klasifikasi zero-shot untuk mengklasifikasikan urutan teks ke kelas yang tidak terlihat. Kode berikut adalah contoh penggunaan teks dari kumpulan data resolusi Tahun Baru dan kelas yang ditentukan: - Selanjutnya, Anda dapat memanggil titik akhir SageMaker dengan payload zero-shot. Titik akhir SageMaker disebarkan sebagai bagian dari solusi SageMaker JumpStart.
- Objek respons inferensi berisi urutan asli, label yang diurutkan berdasarkan skor dari maks hingga min, dan skor per label:
Jalankan pekerjaan transformasi batch SageMaker menggunakan Python SDK
Bagian ini menjelaskan cara menjalankan inferensi transformasi batch dengan klasifikasi zero-shot facebook-bart-large-mnli
model menggunakan SDK Python SageMaker. Selesaikan langkah-langkah berikut:
- Format data input dalam format baris JSON dan unggah file ke Amazon S3.
Transformasi batch SageMaker akan melakukan inferensi pada titik data yang diunggah dalam file S3. - Siapkan artefak penerapan model dengan parameter berikut:
- model_id - Gunakan
huggingface-zstc-facebook-bart-large-mnli
. - deploy_image_uri - Menggunakan
image_uris
Fungsi Python SDK untuk mendapatkan image SageMaker Docker yang sudah dibuat sebelumnya untukmodel_id
. Fungsi mengembalikan Registry Kontainer Elastis Amazon (Amazon ECR) URI. - deploy_source_uri โ Gunakan
script_uris
API utilitas untuk mengambil URI S3 yang berisi skrip untuk menjalankan inferensi model terlatih. Kami menentukanscript_scope
asinference
. - model_uri - Gunakan
model_uri
untuk mendapatkan artefak model dari Amazon S3 untuk yang ditentukanmodel_id
.
- model_id - Gunakan
- penggunaan
HF_TASK
untuk menentukan tugas pipa transformator Hugging Face danHF_MODEL_ID
untuk menentukan model yang digunakan untuk mengklasifikasikan teks:Untuk daftar tugas lengkap, lihat Jaringan pipa dalam dokumentasi Memeluk Wajah.
- Buat objek model Hugging Face untuk disebarkan dengan tugas transformasi batch SageMaker:
- Buat transformasi untuk menjalankan tugas batch:
- Mulai pekerjaan transformasi batch dan gunakan data S3 sebagai input:
Anda dapat memantau pekerjaan pemrosesan batch Anda di konsol SageMaker (pilih Pekerjaan transformasi batch bawah Kesimpulan di panel navigasi). Ketika pekerjaan selesai, Anda dapat memeriksa keluaran prediksi model dalam file S3 yang ditentukan di output_path
.
Untuk daftar semua model terlatih yang tersedia di SageMaker JumpStart, lihat Algoritma bawaan dengan Tabel Model yang telah dilatih sebelumnya. Gunakan kata kunci โzstcโ (kependekan dari klasifikasi teks zero-shot) di bilah pencarian untuk menemukan semua model yang mampu melakukan klasifikasi teks zero-shot.
Membersihkan
Setelah Anda selesai menjalankan notebook, pastikan untuk menghapus semua sumber daya yang dibuat dalam proses untuk memastikan bahwa biaya yang dikeluarkan oleh aset yang disebarkan dalam panduan ini dihentikan. Kode untuk membersihkan sumber daya yang disebarkan disediakan di buku catatan yang terkait dengan solusi dan model klasifikasi teks zero-shot.
Konfigurasi keamanan default
Model SageMaker JumpStart disebarkan menggunakan konfigurasi keamanan default berikut:
Untuk mempelajari lebih lanjut tentang topik terkait keamanan SageMaker, lihat Konfigurasikan keamanan di Amazon SageMaker.
Kesimpulan
Dalam postingan ini, kami menunjukkan kepada Anda cara menerapkan model klasifikasi zero-shot menggunakan UI SageMaker JumpStart dan melakukan inferensi menggunakan titik akhir yang diterapkan. Kami menggunakan solusi resolusi Tahun Baru SageMaker JumpStart untuk menunjukkan bagaimana Anda dapat menggunakan SageMaker Python SDK untuk membangun solusi end-to-end dan mengimplementasikan aplikasi klasifikasi zero-shot. SageMaker JumpStart menyediakan akses ke ratusan model dan solusi terlatih untuk tugas-tugas seperti visi komputer, pemrosesan bahasa alami, sistem rekomendasi, dan banyak lagi. Cobalah sendiri solusinya dan beri tahu kami pendapat Anda.
Tentang penulis
David Laredo adalah Arsitek Prototipe di AWS Envision Engineering di LATAM, tempat dia membantu mengembangkan beberapa prototipe pembelajaran mesin. Sebelumnya, beliau pernah bekerja sebagai Machine Learning Engineer dan telah melakukan pembelajaran mesin selama lebih dari 5 tahun. Bidang minatnya adalah NLP, time series, dan ML end-to-end.
Vikram Elango adalah Arsitek Solusi Spesialis AI/ML di Amazon Web Services, yang berbasis di Virginia, AS. Vikram membantu pelanggan industri keuangan dan asuransi dengan kepemimpinan desain dan pemikiran untuk membangun dan menerapkan aplikasi pembelajaran mesin dalam skala besar. Saat ini dia berfokus pada pemrosesan bahasa alami, AI yang bertanggung jawab, pengoptimalan inferensi, dan penskalaan ML di seluruh perusahaan. Di waktu luangnya, ia menikmati jalan-jalan, hiking, memasak, dan berkemah bersama keluarganya.
Dr Vivek Madan adalah Ilmuwan Terapan dengan tim JumpStart Amazon SageMaker. Dia mendapatkan gelar PhD dari University of Illinois di Urbana-Champaign dan merupakan Peneliti Pasca Doktoral di Georgia Tech. Dia adalah peneliti aktif dalam pembelajaran mesin dan desain algoritma dan telah menerbitkan makalah di konferensi EMNLP, ICLR, COLT, FOCS, dan SODA.
- 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-text-classification-with-amazon-sagemaker-jumpstart/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 1
- 10
- 100
- 12
- 16
- 17
- 20
- 22
- 30
- 7
- 8
- 9
- a
- kemampuan
- Tentang Kami
- atas
- mengakses
- Akun
- Mencapai
- di seluruh
- aktif
- Tambahan
- terhadap
- AI
- AI / ML
- AL
- Alexa
- algoritma
- algoritma
- Semua
- mengizinkan
- memungkinkan
- Amazon
- Amazon SageMaker
- Mulai Lompatan Amazon SageMaker
- Amazon Web Services
- jumlah
- an
- dan
- Apa pun
- api
- Aplikasi
- aplikasi
- terapan
- arsitektur
- ADALAH
- daerah
- AS
- Asia
- Aktiva
- ditugaskan
- terkait
- At
- secara otomatis
- tersedia
- AWS
- bar
- mendasarkan
- berdasarkan
- BE
- menjadi
- makhluk
- milik
- antara
- Berkembang
- tubuh
- Buku-buku
- Sarapan
- membangun
- built-in
- bisnis
- tapi
- by
- CAN
- calon
- mampu
- kartu
- Lowongan Kerja
- korsel
- kasus
- kategori
- Kucing
- menantang
- memeriksa
- Pilih
- kelas
- kelas-kelas
- klasifikasi
- tergolong
- Klasifikasi
- kode
- Kolom
- Umum
- lengkap
- kompleksitas
- komputer
- Visi Komputer
- komputer
- prihatin
- konferensi
- konfigurasi
- menganggap
- konsul
- membangun
- Wadah
- mengandung
- kontras
- dikonversi
- Biaya
- bisa
- negara
- sepasang
- membuat
- dibuat
- membuat
- Sekarang
- adat
- pelanggan
- data
- titik data
- kumpulan data
- dedicated
- Default
- menetapkan
- didefinisikan
- Permintaan
- Peramalan permintaan
- mendemonstrasikan
- ketergantungan
- tergantung
- menyebarkan
- dikerahkan
- penyebaran
- Mendesain
- diinginkan
- rincian
- Deteksi
- Menentukan
- mengembangkan
- Pengembangan
- perbedaan
- Difusi
- membahas
- Keragaman
- Buruh pelabuhan
- dokumentasi
- Tidak
- melakukan
- dilakukan
- dua
- E&T
- setiap
- Timur
- Pendidikan
- aktif
- enkripsi
- ujung ke ujung
- Titik akhir
- insinyur
- Teknik
- memastikan
- Enterprise
- entitas
- membayangkan
- mengevaluasi
- Bahkan
- contoh
- contoh
- Menghadapi
- palsu
- keluarga
- Fitur
- beberapa
- bidang
- Angka
- File
- keuangan
- keuangan
- Menemukan
- Lantai
- terfokus
- berikut
- Untuk
- format
- Prinsip Dasar
- Kerangka
- penipuan
- deteksi penipuan
- dari
- fungsi
- permainan
- menghasilkan
- Georgia
- mendapatkan
- GitHub
- diberikan
- Pemberian
- Tanah
- Pertumbuhan
- membimbing
- Penanganan
- Memiliki
- he
- Kesehatan
- berat
- angkat berat
- membantu
- membantu
- membantu
- berkualitas tinggi
- -nya
- tuan
- host
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- http
- HTTPS
- Pusat
- manusia
- humor
- Ratusan
- ratusan juta
- ID
- identitas
- if
- Illinois
- menggambarkan
- gambar
- melaksanakan
- mengimpor
- in
- termasuk
- termasuk
- industri
- informasi
- Infrastruktur
- inheren
- memasukkan
- input
- contoh
- asuransi
- bunga
- IT
- Pekerjaan
- Jobs
- jpg
- json
- kunci
- kunci-kunci
- Tahu
- label
- Label
- pendaratan
- bahasa
- besar
- LATAM
- diluncurkan
- Kepemimpinan
- BELAJAR
- pengetahuan
- meninggalkan
- membiarkan
- pengangkatan
- 'like'
- baris
- baris
- Daftar
- LLM
- pemuatan
- TERLIHAT
- mesin
- Mesin belajar
- membuat
- MEMBUAT
- pria
- pengelolaan
- banyak
- max
- Mungkin..
- Pria
- metode
- jutaan
- menit
- menit
- ML
- model
- model
- Memantau
- lebih
- beberapa
- my
- nama
- Alam
- Pengolahan Bahasa alami
- Arahkan
- Navigasi
- Perlu
- New
- Tahun Baru
- nLP
- tidak
- buku catatan
- jumlah
- obyek
- of
- on
- hanya
- Buka
- optimasi
- or
- urutan
- organisasi
- asli
- Lainnya
- di luar
- keluaran
- lebih
- sendiri
- halaman
- pane
- dokumen
- pola pikir
- parameter
- bagian
- path
- untuk
- Melakukan
- prestasi
- Izin
- pribadi
- Personalized
- phd
- KEDERMAWANAN
- pipa saluran
- plato
- Kecerdasan Data Plato
- Data Plato
- bermain
- poin
- politik
- Populer
- Pos
- praktek
- ramalan
- Prediksi
- menyajikan
- sebelumnya
- masalah
- proses
- pengolahan
- diusulkan
- prototipe
- prototyping
- memberikan
- disediakan
- menyediakan
- ketentuan
- diterbitkan
- Ular sanca
- pytorch
- Cepat
- segera
- Baca
- nyata
- real-time
- baru-baru ini
- pengakuan
- Rekomendasi
- rekomendasi
- mengurangi
- menghapus
- permintaan
- membutuhkan
- wajib
- peneliti
- Sumber
- tanggapan
- tanggapan
- tanggung jawab
- mengakibatkan
- Hasil
- Pengembalian
- ulasan
- benar
- Peran
- Run
- berjalan
- s
- pembuat bijak
- sama
- Save
- Skala
- skala
- ilmuwan
- skor
- menggaruk
- script
- bergulir
- SDK
- Pencarian
- Bagian
- keamanan
- melihat
- seleksi
- Urutan
- Seri
- Layanan
- pengaturan
- Pendek
- tembakan
- Menunjukkan
- menunjukkan
- Sederhana
- menyederhanakan
- sejak
- Ukuran
- Sepak bola
- larutan
- Solusi
- MEMECAHKAN
- beberapa
- sesuatu
- berbicara
- spesialis
- tertentu
- Secara khusus
- ditentukan
- lisan
- Olahraga
- stabil
- standalone
- awal
- mulai
- state-of-the-art
- tinggal
- Langkah
- Tangga
- terhenti
- penyimpanan
- menyimpan
- Tali
- struktur
- studio
- seperti itu
- mendukung
- yakin
- sistem
- tabel
- Mengambil
- Dibutuhkan
- tugas
- tugas
- tim
- tech
- template
- Klasifikasi Teks
- bahwa
- Grafik
- mereka
- kemudian
- Ini
- ini
- pikir
- pemikiran kepemimpinan
- Melalui
- waktu
- Seri waktu
- TM
- untuk
- Topik
- Pelatihan VE
- terlatih
- Pelatihan
- transfer
- Mengubah
- Transformasi
- transformator
- transformer
- Perjalanan
- Triliun
- benar
- kebenaran
- mencoba
- tweet
- dua
- mengetik
- ui
- bawah
- memahami
- universitas
- upload
- us
- menggunakan
- bekas
- menggunakan
- kegunaan
- variasi
- Luas
- versi
- sangat
- Video
- virginia
- penglihatan
- vs
- walkthrough
- ingin
- adalah
- Cara..
- we
- jaringan
- layanan web
- BAIK
- adalah
- ketika
- apakah
- sementara
- yang
- lebar
- akan
- dengan
- tanpa
- kata
- bekerja
- bekerja
- penulisan
- tahun
- tahun
- Kamu
- Lebih muda
- Anda
- zephyrnet.dll
- nol
- Pembelajaran Zero-Shot