La determinazione del valore delle abitazioni è un classico esempio di utilizzo del machine learning (ML). Un'influenza significativa fu esercitata da Harrison e Rubinfeld (1978), che pubblicarono un documento e un dataset innovativi che divennero informalmente noti come dataset sugli alloggi di Boston. Questo lavoro fondamentale proponeva un metodo per stimare i prezzi delle case in funzione di numerose dimensioni, inclusa la qualità dell’aria, che era l’obiettivo principale della loro ricerca. Quasi 50 anni dopo, la stima dei prezzi delle case è diventata un importante strumento didattico per studenti e professionisti interessati all’utilizzo dei dati e del machine learning nei processi decisionali aziendali.
In questo post discutiamo dell'uso di un modello open source appositamente progettato per l'attività di risposta visiva alle domande (VQA). Con VQA puoi porre una domanda su una foto utilizzando il linguaggio naturale e ricevere una risposta alla tua domanda, anche in un linguaggio semplice. Il nostro obiettivo in questo post è ispirare e dimostrare cosa è possibile utilizzare questa tecnologia. Proponiamo di utilizzare questa funzionalità con il file Amazon Sage Maker piattaforma di servizi per migliorare l'accuratezza del modello di regressione in un caso d'uso ML e in modo indipendente, per il tagging automatizzato di immagini visive.
Forniamo un corrispondente Video Youtube ciò dimostra quanto discusso qui. La riproduzione del video inizierà a metà per evidenziare il punto più saliente. Ti suggeriamo di seguire questa lettura con il video per rafforzare e acquisire una comprensione più approfondita del concetto.
Modelli di fondazione
Questa soluzione è incentrata sull'uso di un modello di fondazione pubblicato nel repository del modello Hugging Face. Qui usiamo il termine modello di fondazione per descrivere una capacità di intelligenza artificiale (AI) che è stata pre-addestrata su un insieme di dati ampio e diversificato. I modelli di base a volte possono essere pronti per l'uso senza l'onere di addestrare un modello da zero. Alcuni modelli di base possono essere perfezionati, il che significa insegnare loro modelli aggiuntivi rilevanti per la tua attività ma mancanti nel modello pubblicato originale e generalizzato. A volte è necessaria una messa a punto per fornire risposte corrette che siano uniche per il tuo caso d'uso o per il tuo insieme di conoscenze.
Nel Abbracciare il viso repository, ci sono diversi modelli VQA tra cui scegliere. Abbiamo selezionato il modello con il maggior numero di download al momento in cui scriviamo. Sebbene questo post dimostri la possibilità di utilizzare un modello da un repository di modelli open source, lo stesso concetto si applicherebbe a un modello addestrato da zero o utilizzato da un altro fornitore affidabile.
Un approccio moderno a un caso d'uso classico
La stima del prezzo della casa avviene tradizionalmente attraverso dati tabulari in cui le caratteristiche della proprietà vengono utilizzate per informare il prezzo. Sebbene le caratteristiche da considerare siano centinaia, alcuni esempi fondamentali sono la dimensione della casa nello spazio finito, il numero di camere da letto e bagni e l'ubicazione della residenza.
L'apprendimento automatico è in grado di incorporare diverse fonti di input oltre ai dati tabulari, come audio, immagini fisse, video in movimento e linguaggio naturale. Nell'intelligenza artificiale, il termine multimodale si riferisce all'uso di una varietà di tipi di media, come immagini e dati tabulari. In questo post mostriamo come utilizzare i dati multimodali per trovare e liberare il valore nascosto rinchiuso nell'abbondante scarico digitale prodotto dal mondo moderno di oggi.
Con questa idea in mente, dimostriamo l'uso di modelli di fondazione per estrarre caratteristiche latenti dalle immagini della proprietà. Utilizzando le informazioni trovate nelle immagini, non precedentemente disponibili nei dati tabulari, possiamo migliorare la precisione del modello. Sia le immagini che i dati tabellari discussi in questo post sono stati originariamente resi disponibili e pubblicati su GitHub di Ahmed e Moustafa (2016).
Un'immagine vale più di mille parole
Ora che abbiamo compreso le capacità di VQA, consideriamo le due immagini seguenti di cucine. Come valuteresti il valore della casa da queste immagini? Quali sono alcune domande che ti faresti? Ogni immagine può suscitare decine di domande nella tua mente. Alcune di queste domande possono portare a risposte significative che migliorano il processo di valutazione della casa.
Credito fotografico Francesca Tosolini (a sinistra) e Sidekix Media (a destra) su Unsplash
La tabella seguente fornisce esempi aneddotici di interazioni VQA mostrando le domande accanto alle risposte corrispondenti. Le risposte possono arrivare sotto forma di risposte categoriche, di valore continuo o binarie.
Domanda di esempio | Esempio di risposta dal modello di fondazione |
Di cosa sono fatti i controsoffitti? | granito, piastrelle, marmo, laminato, ecc. |
È una cucina costosa? | si No |
Quanti lavandini separati ci sono? | 0, 1, 2 |
Architettura di riferimento
In questo post, usiamo Gestore di dati di Amazon SageMaker per porre una serie uniforme di domande visive per migliaia di foto nel set di dati. SageMaker Data Wrangler è progettato appositamente per semplificare il processo di preparazione dei dati e di ingegneria delle funzionalità. Fornendo più di 300 trasformazioni integrate, SageMaker Data Wrangler aiuta a ridurre da settimane a minuti il tempo necessario per preparare i dati tabulari e di immagine per il machine learning. In questo caso, SageMaker Data Wrangler combina le funzionalità dei dati del set tabulare originale con le funzionalità fotografiche del modello di base per l'addestramento del modello.
Successivamente, costruiamo un modello di regressione con l'uso di Tela di Amazon SageMaker. SageMaker Canvas può creare un modello, senza scrivere alcun codice, e fornire risultati preliminari in soli 2-15 minuti. Nella sezione seguente viene fornita un'architettura di riferimento utilizzata per rendere possibile questa guida alla soluzione.
Molti modelli popolari di Hugging Face e altri fornitori sono implementabili con un clic JumpStart di Amazon SageMaker. Ci sono centinaia di migliaia di modelli disponibili in questi repository. Per questo post scegliamo un modello non disponibile in SageMaker JumpStart, che richiede la distribuzione da parte del cliente. Come mostrato nella figura seguente, distribuiamo un modello Hugging Face per l'inferenza utilizzando un Amazon Sage Maker Studio taccuino. Il notebook viene utilizzato per distribuire un endpoint per l'inferenza in tempo reale. Il notebook utilizza risorse che includono il modello binario Hugging Face, un puntatore a un'immagine del contenitore e uno script inference.py appositamente creato che corrisponde all'input e all'output previsti del modello. Mentre leggi questo, il mix di modelli VQA disponibili potrebbe cambiare. L'importante è esaminare i modelli VQA disponibili nel momento in cui leggi questo articolo ed essere pronto a distribuire il modello scelto, che avrà un proprio contratto di richiesta e risposta API.
Dopo che il modello VQA è stato servito dall'endpoint SageMaker, utilizziamo SageMaker Data Wrangler per orchestrare la pipeline che alla fine combina dati tabulari e funzionalità estratte dalle immagini digitali e rimodella i dati per l'addestramento del modello. La figura successiva offre una visione di come viene eseguito il lavoro di trasformazione dei dati su vasta scala.
Nella figura seguente utilizziamo SageMaker Data Wrangler per orchestrare le attività di preparazione dei dati e SageMaker Canvas per l'addestramento del modello. Innanzitutto, SageMaker Data Wrangler utilizza Servizio di localizzazione Amazon per convertire i codici postali disponibili nei dati grezzi in caratteristiche di latitudine e longitudine. In secondo luogo, SageMaker Data Wrangler è in grado di coordinare l'invio di migliaia di foto a un endpoint ospitato da SageMaker per un'inferenza in tempo reale, ponendo una serie uniforme di domande per scena. Il risultato è una ricca gamma di caratteristiche che descrivono le caratteristiche osservate in cucine, bagni, esterni domestici e altro ancora. Dopo che i dati sono stati preparati da SageMaker Data Wrangler, un set di dati di addestramento è disponibile in Servizio di archiviazione semplice Amazon (Amazon S3). Utilizzando i dati S3 come input, SageMaker Canvas è in grado di addestrare un modello in soli 2-15 minuti, senza scrivere alcun codice.
Trasformazione dei dati utilizzando SageMaker Data Wrangler
La schermata seguente mostra un flusso di lavoro di SageMaker Data Wrangler. Il flusso di lavoro inizia con migliaia di foto di case archiviate in Amazon S3. Successivamente, un rilevatore di scene determina la scena, ad esempio la cucina o il bagno. Infine, alle immagini viene posta una serie di domande specifiche per la scena, ottenendo un set di dati tabellare più ricco disponibile per l'addestramento.
Di seguito è riportato un esempio del codice di trasformazione personalizzata SageMaker Data Wrangler utilizzato per interagire con il modello di fondazione e ottenere informazioni sulle immagini delle cucine. Nello screenshot precedente, se si dovesse scegliere il nodo caratteristiche cucina, comparirebbe il seguente codice:
Come considerazione di sicurezza, devi prima abilitare SageMaker Data Wrangler a chiamare il tuo endpoint in tempo reale SageMaker tramite Gestione dell'identità e dell'accesso di AWS (SONO). Allo stesso modo, qualsiasi risorsa AWS richiamata tramite SageMaker Data Wrangler avrà bisogno di autorizzazioni di autorizzazione simili.
Strutture dati prima e dopo SageMaker Data Wrangler
In questa sezione, discutiamo la struttura dei dati tabulari originali e dei dati migliorati. I dati migliorati contengono nuove funzionalità dei dati relative a questo caso d'uso di esempio. Nella tua applicazione, prenditi del tempo per immaginare la serie diversificata di domande disponibili nelle tue immagini per facilitare la tua attività di classificazione o regressione. L'idea è quella di immaginare quante più domande possibili e poi testarle per assicurarsi che forniscano un valore aggiunto.
Struttura dei dati tabulari originali
Come descritto nella fonte Repository GitHub, il set di dati di esempio contiene 535 record tabulari, incluse quattro immagini per proprietà. La tabella seguente illustra la struttura dei dati tabulari originali.
caratteristica | Commento |
Numero di camere da letto | . |
Numero di bagni | . |
Area (piedi quadrati) | . |
Cap | . |
Prezzo | Questa è la variabile target da prevedere. |
Struttura dei dati potenziati
La tabella seguente illustra la struttura dati migliorata, che contiene diverse nuove funzionalità derivate dalle immagini.
caratteristica | Commento |
Numero di camere da letto | . |
Numero di bagni | . |
Area (piedi quadrati) | . |
Latitudine | Calcolato passando il codice postale originale ad Amazon Location Service. Questo è il valore del baricentro per lo ZIP. |
Longitudine | Calcolato passando il codice postale originale ad Amazon Location Service. Questo è il valore del baricentro per lo ZIP. |
La camera da letto ha un soffitto a volta? | 0 = no; 1 = sì |
Il bagno è caro? | 0 = no; 1 = sì |
La cucina è costosa? | 0 = no; 1 = sì |
Prezzo | Questa è la variabile target da prevedere. |
Addestramento del modello con SageMaker Canvas
Un processo di elaborazione di SageMaker Data Wrangler prepara e rende completamente disponibile l'intero set di dati di addestramento tabulare in Amazon S3. Successivamente, SageMaker Canvas affronta la fase di creazione del modello del ciclo di vita ML. Canvas inizia aprendo il set di formazione S3. Essere in grado di comprendere un modello è spesso un requisito fondamentale del cliente. Senza scrivere codice e in pochi clic, SageMaker Canvas fornisce un feedback visivo dettagliato sulle prestazioni del modello. Come mostrato nello screenshot nella sezione seguente, SageMaker Canvas mostra come le singole funzionalità informano il modello.
Modello addestrato con dati tabulari originali e caratteristiche derivate da immagini immobiliari
Possiamo vedere dallo screenshot seguente che le funzionalità sviluppate dalle immagini della proprietà erano importanti. Sulla base di questi risultati, la domanda "Questa cucina è costosa" nella foto era più significativa del "numero di camere da letto" nella tabella originale, con valori di importanza delle caratteristiche rispettivamente pari a 7.08 e 5.498.
La schermata seguente fornisce informazioni importanti sul modello. Innanzitutto, il grafico residuo mostra la maggior parte dei punti dell'insieme raggruppati attorno alla zona ombreggiata viola. Qui, due valori anomali sono stati annotati manualmente all'esterno di SageMaker Canvas per questa illustrazione. Questi valori anomali rappresentano divari significativi tra il valore reale della casa e il valore previsto. Inoltre, la R2 valore, che ha un intervallo possibile compreso tra 0 e 100%, viene visualizzato al 76%. Ciò indica che il modello è imperfetto e non dispone di punti informativi sufficienti per tenere conto di tutta la varietà necessaria per stimare completamente i valori delle case.
Possiamo utilizzare i valori anomali per trovare e proporre segnali aggiuntivi per costruire un modello più completo. Ad esempio, queste proprietà anomale possono includere una piscina o essere situate su grandi appezzamenti di terreno. Il set di dati non includeva queste funzionalità; tuttavia, potresti essere in grado di individuare questi dati e addestrare un nuovo modello con "ha piscina" incluso come funzionalità aggiuntiva. Idealmente, al tuo prossimo tentativo, il R2 il valore aumenterebbe e i valori MAE e RMSE diminuirebbero.
Modello addestrato senza funzionalità derivate da immagini immobiliari
Infine, prima di passare alla sezione successiva, esploriamo se le funzionalità delle immagini sono state utili. Lo screenshot seguente fornisce un altro modello addestrato per SageMaker Canvas senza le funzionalità del modello VQA. Notiamo che il tasso di errore del modello è aumentato, da un RMSE di 282 a un RMSE di 352. Da ciò possiamo concludere che tre semplici domande poste dalle immagini hanno migliorato la precisione del modello di circa il 20%. Non mostrato, ma per essere completo, il R2 anche il valore per il modello successivo è peggiorato, scendendo a un valore del 62% da un valore del 76% con le funzionalità VQA fornite. Questo è un esempio di come SageMaker Canvas semplifica la sperimentazione e l'utilizzo rapidi di un approccio basato sui dati che produce un modello in grado di soddisfare le esigenze della tua azienda.
Guardando al futuro
Molte organizzazioni stanno diventando sempre più interessate ai modelli di fondazione, soprattutto da quando i trasformatori generali pre-addestrati (GPT) sono diventati ufficialmente un argomento di interesse principale nel dicembre 2022. Gran parte dell'interesse per i modelli di fondazione è incentrato sui compiti dei modelli di linguaggio di grandi dimensioni (LLM). ; tuttavia, sono disponibili altri casi d'uso diversi, come la visione artificiale e, più in senso stretto, l'attività VQA specializzata qui descritta.
Questo post è un esempio per ispirare l'uso dei dati multimodali per risolvere casi d'uso del settore. Sebbene abbiamo dimostrato l'uso e i vantaggi della VQA in un modello di regressione, può anche essere utilizzata per etichettare e taggare le immagini per la ricerca successiva o l'instradamento del flusso di lavoro aziendale. Immagina di poter cercare gli immobili elencati in vendita o in affitto. Supponiamo che tu voglia trovare una proprietà con pavimenti in piastrelle o ripiani in marmo. Oggi potresti dover ottenere un lungo elenco di proprietà candidate e filtrarti in base alla vista mentre sfogli ciascun candidato. Immagina invece di poter filtrare gli elenchi che contengono queste funzionalità, anche se una persona non li ha taggati esplicitamente. Nel settore assicurativo, immagina la capacità di stimare i danni o di indirizzare le azioni successive in un flusso di lavoro aziendale dalle immagini. Nelle piattaforme di social media, le foto potrebbero essere taggate automaticamente per un utilizzo successivo.
Sommario
Questo post ha dimostrato come utilizzare la visione artificiale abilitata da un modello di base per migliorare un classico caso d'uso di ML utilizzando la piattaforma SageMaker. Come parte della soluzione proposta, abbiamo individuato un popolare modello VQA disponibile su un registro di modelli pubblico e lo abbiamo distribuito utilizzando un endpoint SageMaker per l'inferenza in tempo reale.
Successivamente, abbiamo utilizzato SageMaker Data Wrangler per orchestrare un flusso di lavoro in cui venivano poste domande uniformi alle immagini al fine di generare un ricco set di dati tabulari. Infine, abbiamo utilizzato SageMaker Canvas per addestrare un modello di regressione. È importante notare che il set di dati di esempio era molto semplice e, pertanto, imperfetto per progettazione. Anche così, SageMaker Canvas semplifica la comprensione dell'accuratezza del modello e la ricerca di segnali aggiuntivi per migliorare l'accuratezza di un modello di base.
Ci auguriamo che questo post ti abbia incoraggiato a utilizzare i dati multimodali che la tua organizzazione potrebbe possedere. Inoltre, ci auguriamo che il post ti abbia ispirato a considerare l'addestramento del modello come un processo iterativo. Con un po' di pazienza si può ottenere un ottimo modello. I modelli quasi perfetti potrebbero essere troppo belli per essere veri, forse il risultato di una perdita o di un adattamento eccessivo del target. Uno scenario ideale inizierebbe con un modello buono, ma non perfetto. Utilizzando errori, perdite e grafici residui, è possibile ottenere ulteriori segnali di dati per aumentare la precisione rispetto alla stima di base iniziale.
AWS offre il set più ampio e completo di servizi ML e supporta l'infrastruttura cloud, mettendo il ML nelle mani di ogni sviluppatore, data scientist e professionista esperto. Se sei curioso di saperne di più sulla piattaforma SageMaker, inclusi SageMaker Data Wrangler e SageMaker Canvas, contatta il team del tuo account AWS e avvia una conversazione. Inoltre, valuta la possibilità di leggere ulteriori informazioni su SageMaker Data Wrangler trasformazioni personalizzate.
Riferimenti
Ahmed, EH e Moustafa, M. (2016). Stima del prezzo delle case da caratteristiche visive e testuali. IJCCI 2016-Atti dell'ottava conferenza congiunta internazionale sull'intelligenza computazionale, 8, 3–62.
Harrison Jr, D. e Rubinfeld, DL (1978). Prezzi immobiliari edonistici e domanda di aria pulita. Giornale di economia e gestione ambientale, 5(1), 81-102.
Kim, W., Figlio, B. e Kim, I.. (2021). ViLT: trasformatore di visione e linguaggio senza convoluzione o supervisione regionale. Atti della 38a conferenza internazionale sull'apprendimento automatico, in Atti della ricerca sull'apprendimento automatico. 139:5583-5594.
Circa l'autore
Carlo Laughlin è Principal AI/ML Specialist Solution Architect e lavora nel team di assistenza Amazon SageMaker presso AWS. Aiuta a definire la roadmap del servizio e collabora quotidianamente con diversi clienti AWS per contribuire a trasformare le loro attività utilizzando tecnologie AWS all'avanguardia e leadership di pensiero. Charles ha conseguito un master in Supply Chain Management e un dottorato di ricerca. in scienza dei dati.
- 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/use-foundation-models-to-improve-model-accuracy-with-amazon-sagemaker/
- :ha
- :È
- :non
- :Dove
- $ SU
- 08
- 1
- 100
- 2016
- 2021
- 2022
- 32
- 49
- 50
- 50 anni
- 7
- 8
- 8°
- a
- capacità
- capace
- WRI
- abbondante
- accesso
- Il mio account
- precisione
- raggiunto
- azioni
- aggiuntivo
- Inoltre
- indirizzi
- Dopo shavasana, sedersi in silenzio; saluti;
- ahmed
- AI
- AI / ML
- ARIA
- Tutti
- consentire
- quasi
- a fianco di
- anche
- Sebbene il
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- amp
- an
- ed
- Un altro
- rispondere
- risposte
- in qualsiasi
- api
- apparire
- Applicazioni
- APPLICA
- approccio
- architettura
- SONO
- in giro
- Italia
- artificiale
- intelligenza artificiale
- Intelligenza artificiale (AI)
- AS
- chiedere
- chiedendo
- valutare
- Attività
- At
- tentativo
- Audio
- Automatizzata
- disponibile
- AWS
- basato
- Linea di base
- BE
- è diventato
- diventare
- diventando
- stato
- prima
- iniziare
- essendo
- beneficio
- fra
- Al di là di
- stile di vita
- Boston
- entrambi
- costruire
- Costruzione
- incassato
- onere
- affari
- aziende
- ma
- by
- chiamata
- Materiale
- candidato
- tela
- funzionalità
- capacità
- capace
- Custodie
- casi
- soffitto
- centrato
- centri
- catena
- il cambiamento
- caratteristiche
- Charles
- Scegli
- rivendicare
- classico
- classificazione
- cavedano
- Cloud
- infrastruttura cloud
- il clustering
- codice
- codici
- collabora
- colore
- combina
- Venire
- completamento di una
- globale
- computazionale
- computer
- Visione computerizzata
- concetto
- concludere
- Convegno
- Prendere in considerazione
- considerazione
- contenere
- Contenitore
- contiene
- continuo
- contratto
- Conversazione
- convertire
- coordinare
- correggere
- Corrispondente
- potuto
- credito
- curioso
- costume
- cliente
- Clienti
- bordo tagliente
- alle lezioni
- dati
- Preparazione dei dati
- scienza dei dati
- scienziato di dati
- set di dati
- Struttura dati
- data-driven
- Dicembre
- Decision Making
- diminuire
- più profondo
- consegnare
- Richiesta
- dimostrare
- dimostrato
- dimostra
- schierare
- schierato
- deployment
- derivato
- descrivere
- descritta
- Design
- progettato
- determina
- sviluppato
- Costruttori
- digitale
- dimensioni
- discutere
- discusso
- paesaggio differenziato
- do
- effettua
- non
- download
- decine
- lancio
- e
- ogni
- facile
- Economia
- enable
- abilitato
- incoraggiato
- endpoint
- Ingegneria
- migliorata
- abbastanza
- Intero
- ambientale
- errore
- errori
- particolarmente
- stima
- eccetera
- Anche
- Ogni
- esempio
- Esempi
- previsto
- costoso
- esperimento
- esperto
- espressamente
- esplora
- estratto
- Faccia
- caratteristica
- Caratteristiche
- feedback
- Piedi
- pochi
- figura
- filtro
- Infine
- Trovate
- Nome
- Pavimento
- Focus
- seguire
- i seguenti
- segue
- Nel
- modulo
- essere trovato
- Fondazione
- quattro
- da
- su vasta scala
- completamente
- function
- funzioni
- fondamentale
- Guadagno
- lacune
- Generale
- generare
- ottenere
- scopo
- buono
- grafico
- grande
- innovativo
- guida
- Mani
- Avere
- he
- Aiuto
- utile
- aiuta
- qui
- nascosto
- Highlight
- detiene
- Casa
- Case
- speranza
- ospitato
- Casa
- alloggiamento
- Come
- Tutorial
- Tuttavia
- http
- HTTPS
- centinaia
- i
- idea
- ideale
- idealmente
- Identità
- if
- illustra
- Immagine
- immagini
- immagine
- importare
- importanza
- importante
- competenze
- migliorata
- in
- includere
- incluso
- Compreso
- incorporando
- Aumento
- è aumentato
- sempre più
- indipendentemente
- indica
- industria
- influenza
- far sapere
- informazioni
- Infrastruttura
- inizialmente
- ingresso
- intuizioni
- ispirare
- fonte di ispirazione
- invece
- assicurazione
- Intelligence
- interagire
- interazioni
- interesse
- interessato
- Internazionale
- ai miglioramenti
- IT
- SUO
- Lavoro
- giunto
- jpg
- json
- Le
- Kim
- conoscenze
- conosciuto
- Discografica
- Paese
- Lingua
- grandi
- dopo
- portare
- Leadership
- IMPARARE
- apprendimento
- ciclo di vita
- Lista
- elencati
- Annunci
- piccolo
- LLM
- collocato
- località
- bloccato
- Lunghi
- perdite
- macchina
- machine learning
- fatto
- corrente principale
- make
- FA
- gestione
- manualmente
- molti
- fiammiferi
- Maggio..
- significativo
- si intende
- Media
- metodo
- a metà strada
- forza
- mente
- Minuti
- mancante
- scelta
- ML
- modello
- modelli
- moderno
- Scopri di più
- maggior parte
- movimento
- in movimento
- devono obbligatoriamente:
- Naturale
- Bisogno
- di applicazione
- New
- Nuove funzionalità
- GENERAZIONE
- no
- nodo
- taccuino
- numero
- numerose
- ottenere
- si è verificato
- of
- Offerte
- Ufficialmente
- di frequente
- on
- esclusivamente
- open source
- apertura
- or
- minimo
- organizzazione
- organizzazioni
- i
- originariamente
- Altro
- nostro
- su
- valore anomalo
- produzione
- al di fuori
- proprio
- Carta
- parte
- Di passaggio
- Pazienza
- modelli
- per
- perfetta
- performance
- Forse
- permessi
- persona
- fase
- foto
- Foto
- immagine
- Immagini
- conduttura
- pianura
- piattaforma
- Piattaforme
- Platone
- Platone Data Intelligence
- PlatoneDati
- per favore
- punto
- punti
- pool
- Popolare
- porzione
- possedere
- possibile
- Post
- previsto
- preliminare
- preparazione
- Preparare
- preparato
- prepara
- in precedenza
- prezzo
- Prezzi
- Direttore
- procedimento
- processi
- lavorazione
- Prodotto
- Scelto dai professionisti
- proprietà
- proprietà
- offre
- proposto
- fornire
- purché
- fornitore
- fornitori
- fornisce
- fornitura
- la percezione
- pubblicato
- Mettendo
- qualità
- domanda
- Domande
- rapidamente
- R
- gamma
- tasso
- Crudo
- raggiungere
- Leggi
- Lettura
- pronto
- tempo reale
- ricevere
- record
- ridurre
- riferimento
- si riferisce
- regione
- registro
- rafforzare
- parente
- pertinente
- Affitta
- deposito
- rappresentare
- richiesta
- requisito
- richiede
- riparazioni
- rimodellare
- Residenza
- Risorse
- rispettivamente
- risposta
- risposte
- colpevole
- risultante
- Risultati
- ritorno
- recensioni
- Ricco
- più ricco
- tabella di marcia
- strada
- instradamento
- Correre
- runtime
- s
- sagemaker
- vendita
- stesso
- Set di dati di esempio
- scenario
- scena
- Scienze
- Scienziato
- Scott
- copione
- Cerca
- Secondo
- Sezione
- problemi di
- vedere
- Cercare
- visto
- selezionato
- invio
- servire
- servito
- servizio
- Servizi
- set
- alcuni
- Forma
- mostrare attraverso le sue creazioni
- mostrato
- Spettacoli
- Vista
- Segnali
- significativa
- simile
- Allo stesso modo
- Un'espansione
- semplificare
- da
- singolo
- Taglia
- So
- Social
- Social Media
- piattaforme di social media
- soluzione
- RISOLVERE
- alcuni
- a volte
- è composta da
- Fonte
- fonti
- lo spazio
- specialista
- specializzata
- in particolare
- quadrato
- inizia a
- Ancora
- conservazione
- memorizzati
- lineare
- La struttura
- strutture
- Gli studenti
- successivo
- tale
- suggerire
- supervisione
- fornire
- supply chain
- gestione della catena di approvvigionamento
- Supporto
- sicuro
- tavolo
- TAG
- Fai
- prende
- Target
- Task
- task
- Insegnamento
- team
- Tecnologie
- Tecnologia
- termine
- test
- testuale
- di
- che
- Il
- L’ORIGINE
- loro
- Li
- poi
- Là.
- perciò
- Strumenti Bowman per analizzare le seguenti finiture:
- di
- cosa
- questo
- quelli
- pensiero
- leadership di pensiero
- mille
- migliaia
- tre
- Attraverso
- tempo
- a
- oggi
- di oggi
- pure
- argomento
- tradizionalmente
- Treni
- allenato
- Training
- Trasformare
- Trasformazione
- trasformazioni
- trasformatore
- trasformatori
- vero
- di fiducia
- seconda
- Digitare
- Tipi di
- in definitiva
- capire
- e una comprensione reciproca
- unico
- Unsplash
- uso
- caso d'uso
- utilizzato
- usa
- utilizzando
- Utilizzando
- Valorizzazione
- APPREZZIAMO
- valore aggiunto
- Valori
- variabile
- varietà
- molto
- Video
- Visualizza
- visibile
- visione
- visivo
- W
- volere
- Prima
- we
- sito web
- servizi web
- Settimane
- WELL
- sono stati
- Che
- Che cosa è l'
- quale
- OMS
- volere
- finestre
- con
- entro
- senza
- legno
- Lavora
- flusso di lavoro
- lavori
- mondo
- valore
- sarebbe
- scrittura
- anni
- i rendimenti
- Tu
- Trasferimento da aeroporto a Sharm
- te stesso
- youtube
- zefiro
- zero
- Codice postale