Mentre ci addentriamo sempre più nell’era digitale, lo sviluppo di modelli multimodali è stato fondamentale per migliorare la comprensione delle macchine. Questi modelli elaborano e generano contenuti in vari moduli di dati, come testo e immagini. Una caratteristica chiave di questi modelli sono le loro capacità di conversione da immagine a testo, che hanno dimostrato una notevole competenza in compiti come la didascalia delle immagini e la risposta visiva alle domande.
Traducendo le immagini in testo, sblocchiamo e sfruttiamo la ricchezza di informazioni contenute nei dati visivi. Ad esempio, nell'e-commerce, la conversione da immagine a testo può automatizzare la categorizzazione dei prodotti in base alle immagini, migliorando l'efficienza e la precisione della ricerca. Allo stesso modo, può aiutare a generare descrizioni automatiche di foto, fornendo informazioni che potrebbero non essere incluse nei titoli o nelle descrizioni dei prodotti, migliorando così l'esperienza dell'utente.
In questo post, forniamo una panoramica dei modelli multimodali più diffusi. Dimostreremo anche come distribuire questi modelli pre-addestrati su Amazon Sage Maker. Inoltre, discutiamo le diverse applicazioni di questi modelli, concentrandoci in particolare su diversi scenari del mondo reale, come la generazione di tag zero-shot e di attribuzione per l'e-commerce e la generazione automatica di prompt dalle immagini.
Background dei modelli multimodali
I modelli di machine learning (ML) hanno raggiunto progressi significativi in campi come l’elaborazione del linguaggio naturale (NLP) e la visione artificiale, dove i modelli possono mostrare prestazioni simili a quelle umane nell’analisi e nella generazione di contenuti da un’unica fonte di dati. Più recentemente, c'è stata una crescente attenzione nello sviluppo di modelli multimodali, in grado di elaborare e generare contenuti attraverso diverse modalità. Questi modelli, come la fusione delle reti visive e linguistiche, hanno guadagnato importanza grazie alla loro capacità di integrare informazioni provenienti da diverse fonti e modalità, migliorando così le loro capacità di comprensione ed espressione.
In questa sezione, forniamo una panoramica di due popolari modelli multimodali: CLIP (Pre-formazione contrastiva linguaggio-immagine) e BLIP (Pre-formazione preliminare sul bootstrap di linguaggio-immagine).
Modello CLIP
CLIP è un modello di visione e linguaggio multimodale, che può essere utilizzato per la somiglianza tra immagini e testo e per la classificazione delle immagini a scatto zero. CLIP viene addestrato su un set di dati di 400 milioni di coppie immagine-testo raccolte da una varietà di fonti pubblicamente disponibili su Internet. L'architettura del modello è costituita da un codificatore di immagini e da un codificatore di testo, come illustrato nel diagramma seguente.
Durante l'addestramento, un'immagine e il frammento di testo corrispondente vengono inseriti nei codificatori per ottenere un vettore di funzionalità di immagine e un vettore di funzionalità di testo. L'obiettivo è fare in modo che le caratteristiche dell'immagine e del testo per una coppia abbinata abbiano un'elevata somiglianza del coseno, mentre le caratteristiche delle coppie non corrispondenti abbiano una bassa somiglianza. Ciò avviene attraverso una perdita contrastiva. Questo pre-addestramento contrastivo si traduce in codificatori che mappano immagini e testo in uno spazio di incorporamento comune in cui la semantica è allineata.
Gli encoder possono quindi essere utilizzati per l'apprendimento del trasferimento zero-shot per le attività a valle. Al momento dell'inferenza, il codificatore pre-addestrato di immagini e testo elabora il rispettivo input e lo trasforma in una rappresentazione vettoriale ad alta dimensione o in un incorporamento. Gli incorporamenti dell'immagine e del testo vengono quindi confrontati per determinare la loro somiglianza, ad esempio la somiglianza del coseno. Il prompt di testo (classi, categorie o tag dell'immagine) il cui incorporamento è più simile (ad esempio, ha la distanza più piccola) all'incorporamento dell'immagine è considerato il più rilevante e l'immagine viene classificata di conseguenza.
Modello BLIP
Un altro modello multimodale popolare è BLIP. Introduce una nuova architettura del modello in grado di adattarsi a diversi compiti del linguaggio visivo e impiega una tecnica unica di bootstrap del set di dati per apprendere dai dati web rumorosi. L'architettura BLIP include un codificatore di immagini e un codificatore di testo: il codificatore di testo basato su immagine inserisce informazioni visive nel blocco trasformatore del codificatore di testo e il decodificatore testo basato su immagine incorpora informazioni visive nel blocco decodificatore trasformatore. Con questa architettura, BLIP dimostra prestazioni eccezionali in uno spettro di compiti di linguaggio visivo che implicano la fusione di informazioni visive e linguistiche, dalla ricerca basata su immagini e generazione di contenuti ai sistemi di dialogo visivo interattivo. In un post precedente, abbiamo proposto a soluzione di moderazione dei contenuti basata sul modello BLIP che ha affrontato molteplici sfide utilizzando approcci ML unimodali di visione artificiale.
Caso d'uso 1: generazione di tag o attributi zero-shot per una piattaforma di e-commerce
Le piattaforme di e-commerce fungono da mercati dinamici ricchi di idee, prodotti e servizi. Con milioni di prodotti elencati, un ordinamento e una categorizzazione efficaci rappresentano una sfida significativa. È qui che entra in gioco la potenza della codifica automatica e della generazione di attributi. Sfruttando tecnologie avanzate come ML e NLP, questi processi automatizzati possono rivoluzionare le operazioni delle piattaforme di e-commerce.
Uno dei principali vantaggi della codifica automatica o della generazione di attributi risiede nella sua capacità di migliorare la ricercabilità. I prodotti etichettati accuratamente possono essere trovati dai clienti in modo rapido ed efficiente. Ad esempio, se un cliente sta cercando una "t-shirt girocollo in cotone con un logo davanti", la codifica automatica e la generazione di attributi consentono al motore di ricerca di individuare prodotti che corrispondono non solo alla categoria più ampia "t-shirt", ma anche gli attributi specifici del “cotone” e del “girocollo”. Questo abbinamento preciso può facilitare un'esperienza di acquisto più personalizzata e aumentare la soddisfazione del cliente. Inoltre, i tag o gli attributi generati automaticamente possono migliorare sostanzialmente gli algoritmi di raccomandazione dei prodotti. Con una profonda comprensione delle caratteristiche del prodotto, il sistema può suggerire prodotti più rilevanti ai clienti, aumentando così la probabilità di acquisto e migliorando la soddisfazione del cliente.
CLIP offre una soluzione promettente per automatizzare il processo di generazione di tag o attributi. Richiede un'immagine del prodotto e un elenco di descrizioni o tag come input, generando una rappresentazione vettoriale o incorporamento per ciascun tag. Questi incorporamenti esistono in uno spazio ad alta dimensione, con le loro relative distanze e direzioni che riflettono le relazioni semantiche tra gli input. CLIP è pre-addestrato su larga scala di coppie immagine-testo per incapsulare questi incorporamenti significativi. Se un tag o un attributo descrive accuratamente un'immagine, i relativi incorporamenti dovrebbero essere relativamente vicini in questo spazio. Per generare tag o attributi corrispondenti, è possibile inserire un elenco di potenziali tag nella parte di testo del modello CLIP e archiviare gli incorporamenti risultanti. Idealmente, questo elenco dovrebbe essere esaustivo e coprire tutte le potenziali categorie e attributi rilevanti per i prodotti sulla piattaforma di e-commerce. La figura seguente mostra alcuni esempi.
Per distribuire il modello CLIP su SageMaker, è possibile seguire il notebook di seguito Repository GitHub. Usiamo SageMaker precostruito contenitori LMI (Large Model Inference). per distribuire il modello. I contenitori LMI utilizzano Servizio DJL per servire il tuo modello per l'inferenza. Per ulteriori informazioni sull'hosting di modelli di grandi dimensioni su SageMaker, fare riferimento a Distribuisci modelli di grandi dimensioni su Amazon SageMaker utilizzando DJLServing e l'inferenza parallela del modello DeepSpeed ed Distribuisci modelli di grandi dimensioni ad alte prestazioni utilizzando FasterTransformer su Amazon SageMaker.
In questo esempio, forniamo i file serving.properties
, model.py
e requirements.txt
per preparare gli artefatti del modello e memorizzarli in un file tarball.
serving.properties
è il file di configurazione che può essere utilizzato per indicare a DJL Serving quali librerie di parallelizzazione del modello e ottimizzazione dell'inferenza desideri utilizzare. A seconda delle tue necessità, puoi impostare la configurazione appropriata. Per maggiori dettagli sulle opzioni di configurazione e un elenco esaustivo, fare riferimento a Configurazioni e impostazioni.model.py
è lo script che gestisce tutte le richieste di servizio.requirements.txt
è il file di testo contenente eventuali ruote pip aggiuntive da installare.
Se vuoi scaricare il modello da Abbracciare il viso direttamente, è possibile impostare il file option.model_id
parametro nel serving.properties
file come ID modello di un modello pre-addestrato ospitato all'interno di un repository di modelli su huggingface.com. Il contenitore utilizza questo ID modello per scaricare il modello corrispondente durante la fase di distribuzione. Se imposti il model_id
a un Servizio di archiviazione semplice Amazon (Amazon S3), DJL scaricherà gli artefatti del modello da Amazon S3 e scambierà i file model_id
alla posizione effettiva degli artefatti del modello. Nello script puoi puntare a questo valore per caricare il modello pre-addestrato. Nel nostro esempio, utilizziamo quest'ultima opzione, perché il contenitore LMI utilizza s5cmd per scaricare i dati da Amazon S3, riducendo significativamente la velocità di caricamento dei modelli durante la distribuzione. Vedere il seguente codice:
Nel modello.py script, carichiamo il percorso del modello utilizzando l'ID modello fornito nel file delle proprietà:
Dopo che gli artefatti del modello sono stati preparati e caricati su Amazon S3, puoi distribuire il modello CLIP all'hosting SageMaker con poche righe di codice:
Quando l'endpoint è in servizio, è possibile richiamare l'endpoint con un'immagine di input e un elenco di etichette come prompt di input per generare le probabilità delle etichette:
Caso d'uso 2: generazione automatica di prompt dalle immagini
Un'applicazione innovativa che utilizza i modelli multimodali è quella di generare suggerimenti informativi da un'immagine. Nell’intelligenza artificiale generativa, a pronto si riferisce all'input fornito a un modello linguistico o ad un altro modello generativo per istruirlo sul tipo di contenuto o risposta desiderata. Il prompt è essenzialmente un punto di partenza o un insieme di istruzioni che guidano il processo di generazione del modello. Può assumere la forma di una frase, una domanda, un testo parziale o qualsiasi input che trasmetta al modello il contesto o l'output desiderato. La scelta di un prompt ben realizzato è fondamentale per generare immagini di alta qualità con precisione e pertinenza. Ingegneria rapida è il processo di ottimizzazione o creazione di un input testuale per ottenere le risposte desiderate da un modello linguistico, spesso comportando aggiustamenti di parole, formato o contesto.
La tempestiva progettazione per la generazione di immagini pone diverse sfide, tra cui:
- Definire accuratamente i concetti visivi – Descrivere concetti visivi a parole può talvolta essere impreciso o ambiguo, rendendo difficile trasmettere l’esatta immagine desiderata. Catturare dettagli intricati o scene complesse tramite istruzioni testuali potrebbe non essere semplice.
- Specificare gli stili desiderati in modo efficace – Comunicare preferenze stilistiche specifiche, come l’umore, la tavolozza dei colori o lo stile artistico, può essere difficile attraverso il solo testo. Tradurre concetti estetici astratti in istruzioni concrete per il modello può essere complicato.
- Bilanciare la complessità per evitare di sovraccaricare il modello – Prompt elaborati potrebbero confondere il modello o portare a sovraccaricarlo di informazioni, influenzando l’output generato. È essenziale trovare il giusto equilibrio tra fornire orientamenti sufficienti ed evitare una complessità eccessiva.
Pertanto, creare suggerimenti efficaci per la generazione di immagini richiede molto tempo, il che richiede sperimentazione iterativa e perfezionamento per trovare il giusto equilibrio tra precisione e creatività, rendendolo un compito ad alta intensità di risorse che si basa fortemente sulle competenze umane.
Il Interrogatore CLIP è uno strumento di ingegneria automatica dei prompt per le immagini che combina CLIP e BLIP per ottimizzare i prompt di testo in modo che corrispondano a una determinata immagine. È possibile utilizzare i prompt risultanti con modelli da testo a immagine come Diffusione stabile per creare arte interessante. I suggerimenti creati da CLIP Interrogator offrono una descrizione completa dell'immagine, coprendo non solo i suoi elementi fondamentali ma anche lo stile artistico, la potenziale ispirazione dietro l'immagine, il mezzo in cui l'immagine avrebbe potuto o potrebbe essere utilizzata e altro ancora. Puoi distribuire facilmente la soluzione CLIP Interrogator su SageMaker per semplificare il processo di distribuzione e sfruttare la scalabilità, l'efficienza in termini di costi e la solida sicurezza fornita dal servizio completamente gestito. Il diagramma seguente mostra la logica di flusso di questa soluzione.
Puoi usare quanto segue taccuino per implementare la soluzione CLIP Interrogator su SageMaker. Allo stesso modo, per l'hosting del modello CLIP, utilizziamo il contenitore LMI SageMaker per ospitare la soluzione su SageMaker utilizzando DJL Serving. In questo esempio, abbiamo fornito un file di input aggiuntivo con gli artefatti del modello che specifica i modelli distribuiti sull'endpoint SageMaker. Puoi scegliere diversi modelli CLIP o BLIP passando il nome del modello di didascalia e il nome del modello di clip attraverso il file model_name.json
file creato con il seguente codice:
Lo script di inferenza model.py
contiene una funzione di handle con cui DJL Serving eseguirà la tua richiesta invocando questa funzione. Per preparare questo script del punto di ingresso, abbiamo adottato il codice dell'originale clip_interrogator.py file e lo ho modificato per funzionare con DJL Serving sull'hosting SageMaker. Un aggiornamento è il caricamento del modello BLIP. I modelli BLIP e CLIP vengono caricati tramite il file load_caption_model()
ed load_clip_model()
funzione durante l'inizializzazione dell'oggetto Interrogator. Per caricare il modello BLIP, abbiamo prima scaricato gli artefatti del modello da Hugging Face e li abbiamo caricati su Amazon S3 come valore target del model_id
nel file delle proprietà. Questo perché il modello BLIP può essere un file di grandi dimensioni, come il file blip2-opt-2.7b modello con dimensioni superiori a 15 GB. Il download del modello da Hugging Face durante la distribuzione del modello richiederà più tempo per la creazione dell'endpoint. Pertanto segnaliamo il model_id
nella posizione Amazon S3 del modello BLIP2 e caricare il modello dal percorso del modello specificato nel file delle proprietà. Tieni presente che, durante la distribuzione, il percorso del modello verrà scambiato con il percorso del contenitore locale in cui gli artefatti del modello sono stati scaricati da DJL Serving dalla posizione Amazon S3. Vedere il seguente codice:
Poiché il modello CLIP non è di dimensioni molto grandi, utilizziamo open_clip
per caricare il modello direttamente da Hugging Face, che è uguale all'originale clip_interrogator
implementazione:
Utilizziamo un codice simile per distribuire la soluzione CLIP Interrogator su un endpoint SageMaker e invochiamo l'endpoint con un'immagine di input per ottenere i prompt che possono essere utilizzati per generare immagini simili.
Prendiamo come esempio la seguente immagine. Utilizzando l'endpoint CLIP Interrogator distribuito su SageMaker, genera la seguente descrizione testuale: 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.
Possiamo combinare ulteriormente la soluzione CLIP Interrogator con la diffusione stabile e le tecniche di ingegneria rapida: emerge una dimensione completamente nuova di possibilità creative. Questa integrazione ci consente non solo di descrivere le immagini con testo, ma anche di manipolare e generare diverse variazioni delle immagini originali. La diffusione stabile garantisce una sintesi controllata delle immagini perfezionando in modo iterativo l'output generato, mentre il prompt engineering strategico guida il processo di generazione verso i risultati desiderati.
Nel seconda parte del quaderno, descriviamo in dettaglio i passaggi per utilizzare il prompt engineering per rinnovare le immagini con il modello di diffusione stabile (Diffusione stabile XL 1.0). Noi usiamo il SDK per l'intelligenza artificiale per la stabilità per distribuire questo modello da SageMaker JumpStart dopo la sottoscrizione a questo modello su AWS mercato. Perché questa è una versione più recente e migliore per la generazione di immagini fornita da Stabilità AI, possiamo ottenere immagini di alta qualità basate sull'immagine di input originale. Inoltre, se anteponiamo la descrizione precedente e aggiungiamo un ulteriore suggerimento che menziona un artista noto e una sua opera, otteniamo risultati sorprendenti con il restyling. L'immagine seguente utilizza il 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.
L'immagine seguente utilizza il 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.
Conclusione
L’emergere di modelli multimodali, come CLIP e BLIP, e le loro applicazioni stanno rapidamente trasformando il panorama della conversione da immagine a testo. Colmando il divario tra informazione visiva e semantica, ci stanno fornendo gli strumenti per sbloccare il vasto potenziale dei dati visivi e sfruttarlo in modi prima inimmaginabili.
In questo post abbiamo illustrato diverse applicazioni dei modelli multimodali. Questi vanno dal miglioramento dell'efficienza e dell'accuratezza della ricerca nelle piattaforme di e-commerce attraverso la codifica e la categorizzazione automatiche alla generazione di prompt per modelli text-to-image come Stable Diffusion. Queste applicazioni aprono nuovi orizzonti per la creazione di contenuti unici e coinvolgenti. Ti invitiamo a saperne di più esplorando i vari modelli multimodali su SageMaker e a creare una soluzione innovativa per la tua azienda.
Informazioni sugli autori
Yanwei Cui, PhD, è un Senior Machine Learning Specialist Solutions Architect presso AWS. Ha iniziato la ricerca sull'apprendimento automatico presso l'IRISA (Istituto di ricerca di informatica e sistemi casuali) e ha diversi anni di esperienza nella creazione di applicazioni industriali basate sull'intelligenza artificiale nella visione artificiale, nell'elaborazione del linguaggio naturale e nella previsione del comportamento degli utenti online. In AWS, condivide la sua esperienza nel settore e aiuta i clienti a sbloccare potenziali aziendali e ottenere risultati attuabili con l'apprendimento automatico su larga scala. Al di fuori del lavoro, gli piace leggere e viaggiare.
Raghu Ramesha è un Senior ML Solutions Architect presso il team di assistenza Amazon SageMaker. Il suo obiettivo è aiutare i clienti a creare, distribuire e migrare carichi di lavoro di produzione ML su SageMaker su larga scala. È specializzato in ambiti di machine learning, intelligenza artificiale e visione artificiale e ha conseguito un master in informatica presso l'UT di Dallas. Nel tempo libero gli piace viaggiare e fotografare.
Sam Edwards, è un Cloud Engineer (AI/ML) presso AWS Sydney specializzato in machine learning e Amazon SageMaker. La sua passione è aiutare i clienti a risolvere i problemi relativi ai flussi di lavoro di machine learning e creare nuove soluzioni per loro. Al di fuori del lavoro gli piace praticare sport con la racchetta e viaggiare.
Melanie Li, PhD, è TAM senior AI/ML Specialist presso AWS con sede a Sydney, Australia. Aiuta i clienti aziendali a creare soluzioni utilizzando strumenti AI/ML all'avanguardia su AWS e fornisce indicazioni sull'architettura e l'implementazione di soluzioni ML con le migliori pratiche. Nel tempo libero ama esplorare la natura e trascorrere del tempo con la famiglia e gli amici.
Gordon Wang è un TAM specialista AI/ML senior presso AWS. Supporta i clienti strategici con le migliori pratiche AI/ML in molti settori. È appassionato di visione artificiale, PNL, intelligenza artificiale generativa e MLOps. Nel tempo libero ama correre e fare escursioni.
Dhawal Patel è un Principal Machine Learning Architect presso AWS. Ha lavorato con organizzazioni che vanno dalle grandi imprese alle startup di medie dimensioni su problemi legati all'informatica distribuita e all'intelligenza artificiale. Si concentra sull'apprendimento profondo, inclusi i domini della PNL e della visione artificiale. Aiuta i clienti a ottenere l'inferenza del modello ad alte prestazioni su SageMaker.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
- PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
- PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
- Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/build-an-image-to-text-generative-ai-application-using-multimodality-models-on-amazon-sagemaker/
- :ha
- :È
- :non
- :Dove
- 1
- 10
- 100
- 12
- 15%
- 16
- 400
- 7
- 8
- 9
- 97
- a
- capacità
- WRI
- ABSTRACT
- di conseguenza
- precisione
- con precisione
- Raggiungere
- raggiunto
- operanti in
- presenti
- aggiungere
- aggiuntivo
- Inoltre
- indirizzata
- regolazioni
- adottato
- Avanzate
- avanzamenti
- Vantaggio
- che interessano
- Dopo shavasana, sedersi in silenzio; saluti;
- AI
- AI-alimentato
- AI / ML
- Algoritmi
- Allineati
- Tutti
- consente
- da solo
- anche
- stupefacente
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- an
- l'analisi
- ed
- in qualsiasi
- Applicazioni
- applicazioni
- approcci
- opportuno
- architettura
- SONO
- Arte
- artificiale
- intelligenza artificiale
- artista
- artistico
- AS
- aspetto
- assistere
- At
- attenzione
- gli attributi
- Australia
- automatizzare
- Automatizzata
- Automatico
- Automatizzare
- disponibile
- evitando
- AWS
- Equilibrio
- basato
- BE
- perché
- stato
- comportamento
- dietro
- vantaggi
- MIGLIORE
- best practice
- Meglio
- fra
- Al di là di
- Big
- Bloccare
- stile di vita
- Incremento
- sistema
- bridging
- Brillants
- più ampia
- costruire
- Costruzione
- affari
- ma
- by
- Materiale
- Può ottenere
- funzionalità
- capace
- Catturare
- Custodie
- CAT
- categoria
- Categoria
- Gatti
- Challenge
- sfide
- impegnativo
- scegliere
- Scegli
- classi
- classificazione
- classificato
- Chiudi
- Cloud
- codice
- colore
- combinare
- combina
- viene
- Uncommon
- comunicare
- rispetto
- complesso
- complessità
- globale
- computer
- Informatica
- Visione computerizzata
- informatica
- concetti
- Configurazione
- considerato
- consiste
- contenute
- Contenitore
- Tecnologie Container
- contiene
- contenuto
- Generazione di contenuti
- contesto
- controllata
- Conversione
- Froids
- Corrispondente
- potuto
- copertura
- creare
- creato
- Creazione
- creazione
- Creative
- la creatività
- critico
- Cross
- cliente
- Soddisfazione del cliente
- Clienti
- Dallas
- dati
- deep
- apprendimento profondo
- più profondo
- Laurea
- scavare
- dimostrare
- dimostra
- Dipendente
- schierare
- schierato
- deployment
- descrivere
- descrizione
- desiderato
- dettaglio
- dettagli
- Determinare
- Mercato
- dispositivo
- dialogo
- diverso
- difficile
- Emittente
- digitale
- Dimensioni
- direttamente
- discutere
- distanza
- distribuito
- calcolo distribuito
- paesaggio differenziato
- dominio
- domini
- fatto
- scaricare
- guidare
- dovuto
- durante
- dinamico
- ogni
- facilmente
- ecommerce
- Efficace
- efficienza
- in modo efficiente
- Elaborare
- elementi
- altro
- incorporamento
- emersione
- emerge
- impiega
- enable
- incoraggiare
- endpoint
- impegnandosi
- motore
- ingegnere
- Ingegneria
- accrescere
- migliorando
- assicura
- Impresa
- aziende
- iscrizione
- epoca
- essential
- essenzialmente
- esempio
- Esempi
- mostra
- esistere
- esperienza
- competenza
- esplora
- Esplorare
- espressione
- Faccia
- facilitare
- famiglia
- caratteristica
- Caratteristiche
- Federale
- pochi
- campi
- figura
- Compila il
- File
- Nome
- flusso
- si concentra
- messa a fuoco
- seguire
- i seguenti
- Nel
- modulo
- formato
- forme
- essere trovato
- Gratis
- Francese
- amici
- da
- anteriore
- completamente
- function
- fondamentale
- ulteriormente
- Inoltre
- fusione
- guadagnato
- divario
- generare
- generato
- genera
- la generazione di
- ELETTRICA
- generativo
- AI generativa
- ottenere
- dato
- scopo
- d'oro
- grande
- guida
- Guide
- maniglia
- Maniglie
- cintura da arrampicata
- Sfruttamento
- Avere
- he
- pesantemente
- aiutare
- aiuta
- suo
- Alta
- alta qualità
- il suo
- detiene
- Orizzonte
- host
- ospitato
- di hosting
- Come
- Tutorial
- HTML
- http
- HTTPS
- umano
- ID
- idealmente
- idee
- if
- Immagine
- Classificazione delle immagini
- immagini
- implementazione
- Implementazione
- importare
- competenze
- miglioramento
- in
- incluso
- inclusi
- Compreso
- crescente
- indicare
- industriale
- industrie
- informazioni
- informativo
- creativi e originali
- ingresso
- Ingressi
- interno
- Ispirazione
- install
- esempio
- Istituto
- istruzioni
- integrare
- integrazione
- Intelligence
- interattivo
- Internet
- ai miglioramenti
- Introduce
- coinvolgere
- coinvolgendo
- sicurezza
- IT
- SUO
- jpg
- json
- Le
- conosciuto
- Discografica
- per il tuo brand
- paesaggio
- Lingua
- grandi
- Grandi imprese
- portare
- IMPARARE
- apprendimento
- Li
- biblioteche
- si trova
- piace
- probabilità
- Linee
- Lista
- elencati
- caricare
- Caricamento in corso
- locale
- località
- logica
- logo
- spento
- ama
- Basso
- macchina
- machine learning
- make
- Fare
- gestito
- molti
- carta geografica
- mercati
- master
- partita
- abbinato
- corrispondenza
- significativo
- medie
- semplicemente
- forza
- migrare
- milione
- milioni
- ML
- MLOp
- modello
- modelli
- moderazione
- modificato
- Scopri di più
- Inoltre
- Mattina
- maggior parte
- multiplo
- Nome
- Naturale
- Elaborazione del linguaggio naturale
- Natura
- Bisogno
- reti
- New
- nuovi orizzonti
- notte
- nlp
- Nessuna
- taccuino
- romanzo
- oggetto
- of
- MENO
- offrire
- Offerte
- di frequente
- on
- ONE
- online
- esclusivamente
- aprire
- Operazioni
- ottimizzazione
- OTTIMIZZA
- ottimizzazione
- Opzione
- Opzioni
- or
- organizzazioni
- i
- OS
- Altro
- nostro
- risultati
- produzione
- al di fuori
- eccezionale
- panoramica
- travolgente
- proprio
- pittura
- coppia
- coppie
- palette
- Parallel
- parametro
- parte
- particolarmente
- Di passaggio
- appassionato
- sentiero
- performance
- Personalizzata
- phd
- foto
- fotografia
- immagine
- centrale
- piattaforma
- Piattaforme
- Platone
- Platone Data Intelligence
- PlatoneDati
- gioco
- spina
- punto
- Popolare
- pone
- possibilità
- Post
- potenziale
- potenziali
- energia
- pratiche
- bisogno
- Precisione
- predizione
- preferenze
- Preparare
- preparato
- prevenire
- precedente
- in precedenza
- Direttore
- problemi
- processi
- i processi
- lavorazione
- Prodotto
- Produzione
- Prodotti
- prominenza
- promettente
- proprietà
- proprietà
- proposto
- fornire
- purché
- fornisce
- fornitura
- pubblicamente
- acquisti
- domanda
- casuale
- gamma
- che vanno
- rapidamente
- rapporto
- Lettura
- mondo reale
- recentemente
- Consigli
- riduce
- riferimento
- si riferisce
- raffinazione
- riflettendo
- regione
- relazionato
- Relazioni
- parente
- relativamente
- rilevanza
- pertinente
- notevole
- deposito
- rappresentazione
- richiesta
- richieste
- richiedere
- richiede
- riparazioni
- risorsa intensiva
- quelli
- risposta
- risposte
- risultante
- Risultati
- ritorno
- rivoluzionare
- destra
- robusto
- Correre
- running
- sagemaker
- stesso
- soddisfazione
- Scalabilità
- Scala
- Scenari
- scena
- Scene
- Scienze
- copione
- Cerca
- motore di ricerca
- ricerca
- Sezione
- problemi di
- vedere
- AUTO
- semantica
- anziano
- condanna
- servire
- servizio
- Servizi
- servizio
- set
- alcuni
- azioni
- lei
- Shopping
- dovrebbero
- mostrato
- Spettacoli
- significativa
- significativamente
- simile
- Allo stesso modo
- Un'espansione
- singolo
- Taglia
- frammento
- soluzione
- Soluzioni
- RISOLVERE
- alcuni
- a volte
- Fonte
- fonti
- lo spazio
- specialista
- specializzata
- specializzata
- specifico
- specificato
- Spettro
- velocità
- spendere
- Sports
- stabile
- stellato
- iniziato
- Di partenza
- Startup
- state-of-the-art
- Passi
- conservazione
- Tornare al suo account
- memorizzati
- lineare
- Strategico
- snellire
- sciopero
- style
- sostanzialmente
- tale
- sufficiente
- suggerire
- supporti
- swap
- rapidamente
- sydney
- sistema
- SISTEMI DI TRATTAMENTO
- TAG
- Fai
- prende
- Target
- Task
- task
- team
- per l'esame
- Tecnologie
- modello
- testo
- testuale
- di
- che
- Il
- Il paesaggio
- loro
- Li
- poi
- Là.
- in tal modo
- perciò
- Strumenti Bowman per analizzare le seguenti finiture:
- di
- questo
- Attraverso
- tempo
- titoli
- a
- strumenti
- verso
- allenato
- Training
- trasferimento
- trasformatore
- trasformazione
- trasforma
- Di viaggio
- seconda
- Digitare
- e una comprensione reciproca
- inimmaginabile
- unico
- sbloccare
- Aggiornanento
- caricato
- URL
- us
- uso
- utilizzato
- Utente
- Esperienza da Utente
- usa
- utilizzando
- APPREZZIAMO
- varietà
- vario
- Fisso
- versione
- molto
- via
- visione
- W
- volere
- Wave
- modi
- we
- Ricchezza
- sito web
- servizi web
- sono stati
- Che
- quando
- quale
- while
- tutto
- di chi
- volere
- vincitore
- con
- formulazione
- parole
- Lavora
- lavorato
- flussi di lavoro
- lavori
- sarebbe
- anni
- Tu
- Trasferimento da aeroporto a Sharm
- zefiro