גילוי הונאה הוא בעיה חשובה שיש לה יישומים בשירותים פיננסיים, מדיה חברתית, מסחר אלקטרוני, משחקים ותעשיות אחרות. פוסט זה מציג יישום של פתרון זיהוי הונאה באמצעות מודל ה-Relational Graph Convolutional Network (RGCN) כדי לחזות את ההסתברות שעסקה היא הונאה באמצעות מצבי ההסקה התמרה והאינדוקטיבית. אתה יכול לפרוס את היישום שלנו ל- אמזון SageMaker נקודת קצה כפתרון לגילוי הונאה בזמן אמת, ללא צורך באחסון גרפים או תזמור חיצוני, ובכך להפחית משמעותית את עלות הפריסה של המודל.
עסקים המחפשים שירות AWS AI מנוהל במלואו לזיהוי הונאה יכולים גם להשתמש גלאי הונאות של אמזון, שבו אתה יכול להשתמש כדי לזהות תשלומים מקוונים חשודים, לזהות הונאה בחשבון חדש, למנוע שימוש לרעה בניסוי ובתוכנית נאמנות, או לשפר את זיהוי השתלטות על חשבון.
סקירת פתרונות
התרשים הבא מתאר רשת עסקאות פיננסיות לדוגמה הכוללת סוגים שונים של מידע. כל עסקה מכילה מידע כמו מזהי מכשירים, מזהי Wi-Fi, כתובות IP, מיקומים פיזיים, מספרי טלפון ועוד. אנו מייצגים את מערכי הנתונים של העסקאות באמצעות גרף הטרוגני המכיל סוגים שונים של צמתים וקצוות. לאחר מכן, בעיית זיהוי ההונאה מטופלת כמשימת סיווג צמתים בגרף ההטרוגני הזה.
רשתות עצביות גרפיות (GNNs) הראו הבטחה גדולה בהתמודדות עם בעיות גילוי הונאה, תוך ביצועים טובים יותר משיטות למידה מפוקחות פופולריות כמו עצי החלטה בעלות שיפוע או רשתות הזנה קדימה מחוברות במלואן על מערכי נתונים של מידוד. במערך זיהוי הונאה טיפוסי, במהלך שלב ההדרכה, מודל GNN מאומן על קבוצה של עסקאות מסומנות. כל עסקת אימון מסופקת עם תווית בינארית המציינת אם היא הונאה. לאחר מכן ניתן להשתמש במודל מיומן זה כדי לזהות עסקאות הונאה בין קבוצה של עסקאות ללא תווית במהלך שלב ההסקה. קיימים שני אופנים שונים של הסקה: הסקה מתמרה לעומת הסקה אינדוקטיבית (עליהם נדון יותר בהמשך הפוסט הזה).
מודלים מבוססי GNN, כמו RGCN, יכולים לנצל מידע טופולוגי, תוך שילוב של מבנה גרף ותכונות של צמתים וקצוות כדי ללמוד ייצוג משמעותי שמבדיל בין עסקאות זדוניות לבין עסקאות לגיטימיות. RGCN יכול ללמוד ביעילות לייצג סוגים שונים של צמתים וקצוות (יחסים) באמצעות הטמעת גרפים הטרוגנית. בתרשים הקודם, כל טרנזקציה מעוצבת כצומת יעד, ומספר ישויות המשויכות לכל עסקה מקבלות מודל כסוגי צומת שאינם יעד, כמו ProductCD
ו P_emaildomain
. לצמתי יעד הוקצו תכונות מספריות וקטגוריות, בעוד שסוגי צמתים אחרים הם חסרי תכונה. מודל RGCN לומד הטמעה עבור כל סוג של צומת שאינו יעד. להטמעה של צומת יעד, פעולת קונבולוציונית משמשת כדי לחשב את ההטמעה שלו באמצעות התכונות וההטבעות השכונתיות שלו. בשאר הפוסט, אנו משתמשים במונחים GNN ו-RGCN לסירוגין.
ראוי לציין כי אסטרטגיות חלופיות, כגון התייחסות לישויות שאינן מטרה כאל תכונות וקידוד חם אחד שלהן, לרוב לא ניתנות לביצוע בגלל הקרדינליות הגדולה של הישויות הללו. לעומת זאת, קידודם כישויות גרפים מאפשר למודל GNN לנצל את הטופולוגיה המרומזת בקשרי הישויות. לדוגמה, עסקאות שחולקות מספר טלפון עם עסקאות הונאה ידועות נוטות יותר להיות גם הונאה.
ייצוג הגרף המופעל על ידי GNN יוצר מורכבות מסוימת ביישום שלהם. זה נכון במיוחד עבור יישומים כגון זיהוי הונאה, שבהם ייצוג הגרף עשוי להתגבר במהלך ההסקה עם צמתים שנוספו לאחרונה התואמים לישויות שאינן ידועות במהלך אימון המודל. תרחיש מסקנות זה מכונה בדרך כלל מצב אינדוקטיבי. בניגוד, מצב התמרה הוא תרחיש שמניח שהייצוג הגרף שנבנה במהלך אימון המודל לא ישתנה במהלך ההסקה. מודלים של GNN מוערכים לעתים קרובות במצב התמרה על ידי בניית ייצוגי גרפים מקבוצה משולבת של דוגמאות אימון ובדיקות, תוך מיסוך תוויות בדיקה במהלך התפשטות לאחור. זה מבטיח שהייצוג של הגרף הוא סטטי, ושם מודל ה-GNN לא מצריך יישום של פעולות להרחבת הגרף עם צמתים חדשים במהלך ההסקה. למרבה הצער, לא ניתן להניח ייצוג גרף סטטי בעת זיהוי עסקאות הונאה בסביבה אמיתית. לכן, נדרשת תמיכה בהסקה אינדוקטיבית בעת פריסת דגמי GNN לזיהוי הונאה בסביבות ייצור.
בנוסף, זיהוי עסקאות הונאה בזמן אמת הוא קריטי, במיוחד במקרים עסקיים שבהם יש רק סיכוי אחד להפסקת פעילות בלתי חוקית. לדוגמה, משתמשים הונאה יכולים להתנהג בזדון רק פעם אחת עם חשבון ולעולם לא להשתמש באותו חשבון שוב. הסקת מסקנות בזמן אמת על מודלים של GNN מציגה מורכבות נוספת ליישום. לעתים קרובות יש צורך ליישם פעולות חילוץ תת-גרפים כדי לתמוך בהסקת מסקנות בזמן אמת. פעולת חילוץ התת-גרף נחוצה כדי להפחית את זמן ההסקה כאשר ייצוג הגרף גדול וביצוע ההסקה על הגרף כולו הופך להיות יקר באופן בלתי רגיל. אלגוריתם להסקה אינדוקטיבית בזמן אמת עם מודל RGCN פועל באופן הבא:
- בהינתן אצווה של עסקאות ומודל RGCN מאומן, הרחב את ייצוג הגרף עם ישויות מהאצווה.
- הקצה וקטורי הטבעה של צמתים חדשים שאינם יעד עם וקטור ההטמעה הממוצע של סוג הצומת המתאים להם.
- חלץ תת-גרף המושרה על ידי k-הופ מחוץ לשכונה של צמתי היעד מהאצווה.
- בצע הסקה על תת-גרף והחזר ציוני חיזוי עבור צמתי היעד של האצווה.
- נקה את ייצוג הגרף על ידי הסרת צמתים שנוספו לאחרונה (שלב זה מבטיח שדרישת הזיכרון להסקת המודל נשארת קבועה).
התרומה המרכזית של פוסט זה היא הצגת מודל RGCN המיישם את אלגוריתם ההסקת ההסקה האינדוקטיבית בזמן אמת. אתה יכול לפרוס את הטמעת RGCN שלנו לנקודת קצה של SageMaker כפתרון לגילוי הונאה בזמן אמת. הפתרון שלנו אינו דורש אחסון גרפים או תזמור חיצוני, ומפחית באופן משמעותי את עלות הפריסה של מודל RGCN למשימות זיהוי הונאה. המודל מיישם גם מצב הסקה מתמרה, המאפשר לנו לבצע ניסויים כדי להשוות את ביצועי המודל במצבים אינדוקטיביים והתמרה. ניתן לגשת לקוד הדגם ולמחברות עם ניסויים מה- דוגמאות של AWS ריפו של GitHub.
הפוסט הזה מתבסס על הפוסט בנה פתרון זיהוי הונאה בזמן אמת מבוסס GNN באמצעות Amazon SageMaker, Amazon Neptune ו-Deep Graph Library. הפוסט הקודם בנה פתרון זיהוי הונאה בזמן אמת מבוסס RGCN באמצעות SageMaker, אמזון נפטון, וה ספריית גרפים עמוקה (DGL). הפתרון הקודם השתמש במסד נתונים של נפטון כאחסון גרפים חיצוני, נדרש AWS למבדה לתזמור להסקת מסקנות בזמן אמת, וכללה רק ניסויים במצב התמרה.
מודל RGCN שהוצג בפוסט זה מיישם את כל הפעולות של אלגוריתם ההסקה האינדוקטיבי בזמן אמת תוך שימוש רק ב-DGL כתלות, ואינו דורש אחסון גרפים חיצוני או תזמור לפריסה.
תחילה אנו מעריכים את הביצועים של מודל RGCN במצבי תמרה ואינדוקטיביים על מערך נתונים בנצ'מרק. כצפוי, ביצועי הדגם במצב אינדוקטיבי נמוכים מעט מאשר במצב התמרה. אנו גם חוקרים את ההשפעה של היפרפרמטר k על ביצועי הדגם. ההיפרפרמטר k שולט במספר הקפיצות שבוצעו כדי לחלץ תת-גרף בשלב 3 של אלגוריתם ההסקה בזמן אמת. ערכים גבוהים יותר של k ייצור תת-גרפים גדולים יותר ויכול להוביל לביצועי מסקנות טובים יותר על חשבון חביון גבוה יותר. ככזה, אנו גם עורכים ניסויי תזמון כדי להעריך את ההיתכנות של מודל RGCN עבור יישום בזמן אמת.
מערך נתונים
אנו משתמשים מערך הונאות IEEE-CIS, אותו מערך נתונים שהיה בשימוש הקודם פוסט. מערך הנתונים מכיל למעלה מ-590,000 רשומות עסקאות בעלות תווית הונאה בינארית (ה isFraud
טור). הנתונים מחולקים לשתי טבלאות: עסקה וזהות. עם זאת, לא לכל רשומות העסקאות יש מידע זהות תואם. אנו מצטרפים לשני השולחנות על TransactionID
עמודה, מה שמותיר אותנו עם סך של 144,233 רשומות עסקאות. אנו ממיינים את הטבלה לפי חותמת זמן של עסקה (ה TransactionDT
עמודה) וצור חלוקה של 80/20 אחוז לפי זמן, מה שיוצר 115,386 ו-28,847 עסקאות לאימון ובדיקה, בהתאמה.
לפרטים נוספים על מערך הנתונים וכיצד לעצב אותו כך שיתאים לדרישת הקלט של ה-DGL, עיין ב גילוי הונאה ברשתות הטרוגניות באמצעות אמזון SageMaker וספריית הגרפים העמוקים.
בניית גרפים
אנו משתמשים TransactionID
עמודה ליצירת צמתי יעד. אנו משתמשים בעמודות הבאות כדי ליצור 11 סוגים של צמתים שאינם יעד:
card1
דרךcard6
ProductCD
addr1
וaddr2
P_emaildomain
וR_emaildomain
אנו משתמשים ב-38 עמודות כמאפיינים קטגוריים של צמתי יעד:
M1
דרךM9
DeviceType
וDeviceInfo
id_12
דרךid_38
אנו משתמשים ב-382 עמודות כמאפיינים מספריים של צמתי יעד:
TransactionAmt
dist1
וdist2
id_01
דרךid_11
C1
דרךC14
D1
דרךD15
V1
דרךV339
הגרף שלנו שנבנה מעסקאות האימון מכיל 217,935 צמתים ו-2,653,878 קצוות.
היפרפרמטרים
פרמטרים אחרים מוגדרים כך שיתאימו לפרמטרים שדווחו בקודם פוסט. הקטע הבא ממחיש את האימון של מודל RGCN במצבי התמרה ואינדוקטיביים:
מצב אינדוקטיבי מול מתמר
אנו מבצעים חמישה ניסויים עבור אינדוקטיבי וחמישה ניסויים עבור מצב התמרה. עבור כל ניסיון, אנו מאמנים דגם RGCN ושומרים אותו בדיסק, ומשיגים 10 דגמים. אנו מעריכים כל דגם בדוגמאות בדיקה תוך הגדלת מספר הכשות (פרמטר k) משמש לחילוץ תת-גרף להסקת מסקנות, הגדרה k ל-1, 2 ו-3. אנו חוזים על כל דוגמאות המבחנים בבת אחת, ומחשבים את ציון ה-ROC AUC עבור כל ניסוי. העלילה הבאה מציגה את רווחי הסמך הממוצעים ו-95% של ציוני AUC.
אנו יכולים לראות שהביצועים במצב התמרה מעט גבוהים יותר מאשר במצב אינדוקטיבי. ל k=2, ציוני AUC ממוצעים עבור מצבים אינדוקטיביים והתמרה הם 0.876 ו-0.883, בהתאמה. זה צפוי מכיוון שמודל ה-RGCN מסוגל ללמוד הטמעות של כל צמתי הישות במצב התמרה, כולל אלה במערך הבדיקה. לעומת זאת, מצב אינדוקטיבי רק מאפשר למודל ללמוד הטמעות של צמתים של ישות שנמצאים בדוגמאות האימון, ולכן יש למלא צמתים מסוימים במהלך ההסקה. יחד עם זאת, הירידה בביצועים בין מצבי התמרה לאינדוקטיביים אינה משמעותית, ואפילו במצב אינדוקטיבי, מודל RGCN משיג ביצועים טובים עם AUC של 0.876. אנו גם רואים שביצועי המודל אינם משתפרים עבור ערכים של k>2. זה מרמז על ההגדרה הזו k=2 יחלץ תת-גרף גדול מספיק במהלך הסקת מסקנות, וכתוצאה מכך ביצועים מיטביים. תצפית זו מאושרת גם על ידי הניסוי הבא שלנו.
ראוי גם לציין שבמצב התמרה, ה-AUC של הדגם שלנו של 0.883 גבוה מה-AUC המקביל של 0.870 שדווח בקוד הקודם פוסט. אנו משתמשים ביותר עמודות כתכונות מספריות וקטגוריות של צמתי יעד, מה שיכול להסביר את ציון ה-AUC הגבוה יותר. כמו כן, נציין כי הניסויים בפוסט הקודם ביצעו רק ניסוי בודד.
הסקה על אצווה קטנה
עבור ניסוי זה, אנו מעריכים את מודל RGCN בהגדרת הסקת אצווה קטנה. אנו משתמשים בחמישה מודלים שהוכשרו במצב אינדוקטיבי בניסוי הקודם. אנו משווים את הביצועים של מודלים אלה בעת חיזוי בשתי הגדרות: הסקת אצווה מלאה וקטנה. להסקת אצווה מלאה, אנו חוזים על מערך הבדיקות כולו, כפי שנעשה בניסוי הקודם. להסקת אצווה קטנה, אנו חוזים באצוות קטנות על ידי חלוקת מערך הבדיקה ל-28 אצווה בגודל שווה עם כ-1,000 עסקאות בכל אצווה. אנו מחשבים ציוני AUC עבור שתי ההגדרות באמצעות ערכים שונים של k. העלילה הבאה מציגה את רווחי הסמך הממוצעים ו-95% עבור הגדרות הסקת מסקנות מלאות וקטנות.
אנו רואים את הביצועים האלה עבור הסקת אצווה קטנה כאשר k=1 נמוך יותר מאשר עבור אצווה מלאה. עם זאת, ביצועי הסקת אצווה קטנה תואמים אצווה מלאה כאשר k>1. ניתן לייחס זאת לתת-גרפים קטנים בהרבה שחולצו עבור קבוצות קטנות. אנו מאשרים זאת על ידי השוואת גדלי תת-גרף לגודל הגרף כולו שנבנה מעסקאות ההדרכה. אנו משווים גדלי גרפים במונחים של מספר צמתים. ל k=1, גודל המשנה הממוצע להסקת אצווה קטנה הוא פחות מ-2% מגרף האימון. ולהסקת אצווה מלאה מתי k=1, גודל המשנה הוא 22%. מתי k=2, גדלי תת-גרפים להסקת אצווה קטנה ומלאה הם 54% ו-64%, בהתאמה. לבסוף, גדלי המשנה עבור שתי הגדרות ההסקה מגיעים ל-100% עבור k=3. במילים אחרות, מתי k>1, התת-גרף עבור אצווה קטנה הופך לגדול מספיק, מה שמאפשר להסקת אצווה קטנה להגיע לאותם ביצועים כמו מסקנות אצווה מלאה.
אנו גם רושמים זמן השהיית חיזוי עבור כל אצווה. אנו מבצעים את הניסויים שלנו על מופע ml.r5.12xlarge, אבל אתה יכול להשתמש במופע קטן יותר עם זיכרון של 64 G כדי להפעיל את אותם ניסויים. העלילה הבאה מציגה את רווחי הסמך הממוצעים ו-95% של זמן השהייה של חיזוי אצווה קטנה עבור ערכים שונים של k.
ההשהיה כוללת את כל חמשת השלבים של אלגוריתם ההסקה האינדוקטיבי בזמן אמת. אנחנו רואים את זה מתי k=2, חיזוי של 1,030 עסקאות לוקח 5.4 שניות בממוצע, וכתוצאה מכך תפוקה של 190 עסקאות בשנייה. זה מאשר שהטמעת מודל RGCN מתאימה לזיהוי הונאה בזמן אמת. נציין גם שהקודם פוסט לא סיפקו ערכי השהיה קשים ליישום שלהם.
סיכום
מודל RGCN ששוחרר עם פוסט זה מיישם את האלגוריתם להסקה אינדוקטיבית בזמן אמת, ואינו דורש אחסון גרפים חיצוני או תזמור. הפרמטר k בשלב 3 של האלגוריתם מציין את מספר הקפיצות שבוצעו כדי לחלץ את התת-גרף להסקת הסקת מסקנות, וגורם להחלפה בין דיוק המודל והשהיית חיזוי. השתמשנו ב מערך הונאות IEEE-CIS בניסויים שלנו, ואמתה אמפירית כי הערך האופטימלי של פרמטר k עבור מערך הנתונים הזה הוא 2, משיג ציון AUC של 0.876 וחביון חיזוי של פחות מ-6 שניות לכל 1,000 עסקאות.
פוסט זה סיפק תהליך שלב אחר שלב להדרכה והערכת מודל RGCN לזיהוי הונאה בזמן אמת. מחלקת המודלים הכלולה מיישמת שיטות לכל מחזור החיים של המודל, כולל שיטות סריאליזציה ו-deserialization. זה מאפשר להשתמש במודל לזיהוי הונאה בזמן אמת. אתה יכול לאמן את המודל כמעריך PyTorch SageMaker ולאחר מכן לפרוס אותו לנקודת קצה של SageMaker באמצעות הפעולות הבאות מחברה כתבנית. נקודת הקצה מסוגלת לחזות הונאה בקבוצות קטנות של עסקאות גולמיות בזמן אמת. אתה יכול גם להשתמש אמזון SageMaker Inference Recommend כדי לבחור את סוג המופע והתצורה הטובים ביותר עבור נקודת הקצה המסקנת על סמך עומסי העבודה שלך.
למידע נוסף על נושא זה והטמעה, אנו ממליצים לך לחקור ולבדוק את הסקריפטים שלנו בעצמך. אתה יכול לגשת למחברות ולקוד הכיתה הקשור לדגם מה- דוגמאות של AWS ריפו של GitHub.
על הכותבים
דמיטרי בספלוב הוא מדען יישומי בכיר במעבדת פתרונות למידת מכונה של אמזון, שם הוא עוזר ללקוחות AWS בתעשיות שונות להאיץ את אימוץ הבינה המלאכותית והענן שלהם.
ריאן ברנד הוא מדען יישומי במעבדת פתרונות למידת מכונה של אמזון. יש לו ניסיון ספציפי ביישום למידת מכונה לבעיות בתחום הבריאות ומדעי החיים. בזמנו הפנוי הוא נהנה לקרוא היסטוריה ומדע בדיוני.
יאנג'ון צ'י הוא מנהל בכיר למדע יישומי במעבדת פתרונות למידת מכונה של אמזון. היא מחדשת ומיישמת למידת מכונה כדי לעזור ללקוחות AWS להאיץ את אימוץ הבינה המלאכותית והענן שלהם.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/build-a-gnn-based-real-time-fraud-detection-solution-using-the-deep-graph-library-without-using-external-graph-storage/
- 000
- 1
- 10
- 100
- 11
- 2%
- 28
- 7
- 95%
- a
- יכול
- אודות
- התעללות
- להאיץ
- גישה
- נצפה
- חֶשְׁבּוֹן
- דיוק
- משיגה
- השגתי
- לרוחב
- פעילויות
- הוסיף
- תוספת
- נוסף
- כתובות
- אימוץ
- יתרון
- AI
- אַלגוֹרִיתְם
- תעשיות
- מאפשר
- חלופה
- אמזון בעברית
- למידת מכונת אמזון
- אמזון נפטון
- אמזון SageMaker
- בין
- ו
- בקשה
- יישומים
- יישומית
- מריחה
- בערך
- מערך
- שהוקצה
- המשויך
- להניח
- מוגבר
- מְמוּצָע
- AWS
- מבוסס
- כי
- הופך להיות
- להיות
- בנצ 'מרק
- בהשוואות
- הטוב ביותר
- מוטב
- בֵּין
- מותג
- לִבנוֹת
- בונה
- נבנה
- עסקים
- לשאת
- מקרים
- סיכוי
- שינוי
- בכיתה
- מיון
- ענן
- אימוץ ענן
- קוד
- טור
- עמודות
- משולב
- שילוב
- לְהַשְׁווֹת
- השוואה
- מורכבות
- לחשב
- לנהל
- אמון
- תְצוּרָה
- לאשר
- מְאוּשָׁר
- מחובר
- קבוע
- בנייה
- בניה
- מכיל
- לעומת זאת
- תרומה
- בקרות
- תוֹאֵם
- עלות
- לִיצוֹר
- יוצר
- מכריע
- לקוחות
- נתונים
- מסד נתונים
- מערכי נתונים
- החלטה
- עמוק
- בְּרִירַת מֶחדָל
- מוגדר
- תלות
- לפרוס
- פריסה
- פריסה
- פרטים
- איתור
- מכשיר
- דגל
- DID
- אחר
- לדון
- לא
- ירידה
- בְּמַהֲלָך
- כל אחד
- מסחר אלקטרוני
- השפעה
- יעילות
- מאפשר
- מה שמאפשר
- לעודד
- נקודת קצה
- מבטיח
- שלם
- ישויות
- ישות
- סביבות
- במיוחד
- להעריך
- העריך
- הערכה
- אֲפִילוּ
- כל
- דוגמה
- דוגמאות
- צפוי
- יקר
- ניסיון
- לְנַסוֹת
- להסביר
- לחקור
- להאריך
- חיצוני
- תמצית
- תכונות
- פיקציה
- בסופו של דבר
- כספי
- שירותים פיננסיים
- ראשון
- הבא
- כדלקמן
- פוּרמָט
- הונאה
- גילוי הונאה
- רמאי
- חופשי
- החל מ-
- מלא
- לגמרי
- המשחקים
- ליצור
- לקבל
- GitHub
- טוב
- גרף
- גדול
- קשה
- בריאות
- לעזור
- עוזר
- גבוה יותר
- היסטוריה
- איך
- איך
- אולם
- HTML
- HTTPS
- לזהות
- זהות
- לא חוקי
- ליישם
- הפעלה
- יישום
- מיישמים
- לייבא
- חשוב
- לשפר
- in
- באחר
- כלול
- כולל
- כולל
- גדל
- תעשיות
- מידע
- קלט
- למשל
- הציג
- מציג
- IP
- כתובות IP
- IT
- להצטרף
- מפתח
- ידוע
- מעבדה
- תווית
- תוויות
- גָדוֹל
- גדול יותר
- חֶבִיוֹן
- עוֹפֶרֶת
- לִלמוֹד
- למידה
- סִפְרִיָה
- החיים
- מדעי חיים
- מעגל החיים
- סביר
- לִטעוֹן
- מקומות
- הסתכלות
- נאמנות
- תכנית נאמנות
- מכונה
- למידת מכונה
- מנהל
- להתאים
- משמעותי
- מדיה
- זכרון
- שיטות
- ML
- מצב
- מודל
- מודלים
- מצבי
- יותר
- הכרחי
- נפטון
- רשת
- רשתות
- רשתות עצביות
- חדש
- הבא
- צומת
- צמתים
- מספר
- מספרים
- להתבונן
- להשיג
- ONE
- באינטרנט
- תשלומים מקוונים
- מבצע
- תפעול
- אופטימלי
- תזמור
- אחר
- ביצועים טובים יותר
- שֶׁלוֹ
- דובי פנדה
- פרמטר
- פרמטרים
- עבר
- תשלומים
- אחוזים
- לְבַצֵעַ
- ביצועים
- ביצוע
- שלב
- טלפון
- גופני
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- פופולרי
- הודעה
- לחזות
- ניבוי
- נבואה
- להציג
- מתנות
- למנוע
- קודם
- קודם
- בעיה
- בעיות
- תהליך
- לייצר
- הפקה
- תָכְנִית
- הבטחה
- לספק
- ובלבד
- פיטורך
- Qi
- חי
- לְהַגִיעַ
- קריאה
- ממשי
- עולם אמיתי
- זמן אמת
- שיא
- רשום
- להפחית
- מפחית
- הפחתה
- מכונה
- קָשׁוּר
- יחסים
- מערכות יחסים
- שוחרר
- הסרת
- דווח
- לייצג
- נציגות
- לדרוש
- נדרש
- דרישה
- אלה
- REST
- וכתוצאה מכך
- תוצאות
- לַחֲזוֹר
- הפעלה
- ריאן
- בעל חכמים
- SageMaker Inference
- אותו
- שמור
- תרחיש
- מדע
- מדע בדיוני
- מדעים
- מַדְעָן
- סקריפטים
- שְׁנִיָה
- שניות
- לחצני מצוקה לפנסיונרים
- שרות
- שירותים
- סט
- הצבה
- הגדרות
- התקנה
- כמה
- שיתוף
- הראה
- הופעות
- משמעותי
- באופן משמעותי
- יחיד
- מידה
- גדל
- קטן
- קטן יותר
- So
- חֶברָתִי
- מדיה חברתית
- פִּתָרוֹן
- פתרונות
- כמה
- ספציפי
- מְהִירוּת
- לפצל
- פיצולים
- שלב
- צעדים
- סְתִימָה
- אחסון
- אסטרטגיות
- מִבְנֶה
- לימוד
- תת-גרף
- תת-גרפים
- כזה
- כדלקמן
- מַתְאִים
- תמיכה
- חשוד
- שולחן
- לקחת
- השתלטות
- לוקח
- יעד
- המשימות
- משימות
- תבנית
- מונחים
- מבחן
- בדיקות
- השמיים
- הגרף
- שֶׁלָהֶם
- בכך
- לכן
- דרך
- תפוקה
- זמן
- חותם
- תזמון
- ל
- גַם
- נושא
- סה"כ
- רכבת
- מְאוּמָן
- הדרכה
- עסקה
- עסקות
- בטיפול
- עצים
- מִשׁפָּט
- ניסויים
- נָכוֹן
- סוגים
- טיפוסי
- us
- להשתמש
- משתמשים
- בְּדֶרֶך כְּלַל
- תוקף
- ערך
- ערכים
- באמצעות
- אשר
- בזמן
- חיבור אינטרנט אלחוטי
- יצטרך
- לְלֹא
- מילים
- ראוי
- היה
- אתה
- זפירנט