データベース内の列に保存されている情報などの固定パターンに従うデータとして定義される構造化データと、テキスト、画像、ソーシャル メディア投稿などの特定の形式やパターンを持たない非構造化データは、どちらも生成および消費されるにつれて増加し続けます。さまざまな団体によって。 たとえば、International Data Corporation (IDC) によると、世界のデータ量は 2025 年までに 2 倍に増加し、非構造化データが大きな部分を占めると予想されています。 企業は、インテリジェントな機能を拡張するために、ファイル タイプ、作成日、サイズなどの標準メタデータに加えて、ドキュメント タイプ (W-XNUMX フォームまたは給与明細)、名前、組織、住所などのさまざまなエンティティ タイプなどのカスタム メタデータを追加したい場合があります。ドキュメントを取り込みながら検索します。 カスタム メタデータは、組織や企業が好みの方法で情報を分類するのに役立ちます。 たとえば、メタデータはフィルタリングや検索に使用できます。 お客様は次を使用してカスタム メタデータを作成できます。 Amazon Comprehend、AWS が管理する自然言語処理 (NLP) サービスで、ドキュメントの内容に関する洞察を抽出し、それを アマゾンケンドラ データとともにインデックスに追加されます。 Amazon Kendra は、Machine Learning (AWS) を利用した高精度で使いやすいエンタープライズ検索サービスです。 カスタム メタデータを使用してコンテンツを強化し、より良いものにすることができます。 フィルタリングとファセット 能力。 Amazon Kendra では、ファセットは一連の検索結果の範囲指定されたビューです。 たとえば、世界中の都市の検索結果を提供し、ドキュメントが関連付けられている特定の都市でフィルター処理されるようにすることができます。 ファセットを作成して、特定の作成者による結果を表示することもできます。
保険会社は、処理しなければならない請求件数が増加するという負担を負っています。 さらに、関係する保険書類の種類が多様になり、各書類に税関が存在するため、保険請求処理の複雑さも増しています。 この投稿では、保険会社向けのカスタム コンテンツ強化の使用例について説明します。 保険会社は、住宅保険、自動車保険、生命保険など、さまざまな種類の保険について、受取人の弁護士から支払い請求を受け取ります。 この使用例では、保険会社が受け取るドキュメントには、特定のエンティティやクラスに基づいてコンテンツを検索できるメタデータが含まれていません。 保険プロバイダーは、ビジネス ドメインに固有のカスタム エンティティとクラスに基づいて Kendra コンテンツをフィルタリングしたいと考えています。 この投稿では、Amazon Comprehend のカスタムモデルを使用してメタデータ生成を自動化および簡素化する方法を説明します。 生成されたメタデータは、Amazon Kendra による取り込みプロセス中にカスタマイズできます。 カスタム ドキュメント エンリッチメント (CDE) カスタムロジック。
フィルタリング機能とファセット機能を使用した場合と使用しない場合の Amazon Kendra 検索の例をいくつか見てみましょう。
次のスクリーンショットでは、Amazon Kendra は検索結果を提供しますが、フィルターを使用して検索結果をさらに絞り込むオプションはありません。
次のスクリーンショットは、検索結果を絞り込むためにカスタムメタデータによって作成された、法律事務所、ポリシー番号などのさまざまなファセットを使用して Amazon Kendra の検索結果をフィルタリングできることを示しています。
この投稿で説明したソリューションは、医療、製造、研究などの他のビジネス/ユースケースにも簡単に適用できます。
ソリューションの概要
この提案されたソリューションでは、1) 保険請求の提出をさまざまなクラスに分類し、2) これらの文書から保険固有のエンティティを取得します。 これが完了すると、文書を適切な部門または下流プロセスにルーティングできます。
次の図は、提案されたソリューション アーキテクチャの概要を示しています。
Amazon Comprehend カスタム分類 API は、定義したカテゴリ (クラス) にドキュメントを整理するために使用されます。 カスタム分類は XNUMX 段階のプロセスです。 まず、カスタム分類モデル (分類器とも呼ばれます) をトレーニングして、関心のあるクラスを認識します。 次に、モデルを使用して、任意の数のドキュメント セットを分類します。
Amazon Comprehend カスタム エンティティの認識 この機能は、サービスで利用可能なものを超えて、特定のエンティティ タイプ (保険会社名、保険会社名、保険契約番号) を識別するために使用されます。 一般的なエンティティ タイプ デフォルトでは。 カスタム エンティティ認識モデルを構築することは、文字列一致や正規表現を使用してドキュメントからエンティティを抽出するよりも効果的なアプローチです。 カスタム エンティティ認識モデルは、それらの名前が表示される可能性があるコンテキストを学習できます。 さらに、文字列マッチングでは、タイプミスがあるエンティティや新しい命名規則に従っているエンティティは検出されませんが、これはカスタム モデルを使用すると可能です。
さらに深く掘り下げる前に、Amazon Kendra について少し調べてみましょう。 Amazon Kendra は、機械学習を活用した高精度で使いやすいエンタープライズ検索サービスです。 これにより、ユーザーは、Web サイトやデータベースからイントラネット サイトに至るまで、組織全体に広がる膨大な量のコンテンツの中から必要な情報を見つけることができます。 まず、ドキュメントを取り込むための Amazon Kendra インデックスを作成します。 データを取り込む際には、カスタム データ エンリッチメント (CDE) の概念を考慮することが重要です。 CDE を使用すると、外部の知識を検索インデックスに組み込むことで検索機能を強化できます。 詳細については、以下を参照してください。 取り込み中にドキュメントを充実させる。 この投稿では、CDE ロジックが Amazon Comprehend のカスタム API を呼び出して、識別されたクラスとエンティティでドキュメントを強化します。 最後に、Amazon Kendra 検索ページを使用して、メタデータがファセット機能とフィルタリング機能を追加することで検索機能をどのように強化したかを示します。
このソリューションを実装するための高レベルの手順は次のとおりです。
- トレーニングデータを使用して Amazon Comprehend カスタム分類子をトレーニングする
- トレーニングデータを使用して Amazon Comprehend カスタムエンティティ認識をトレーニングします
- Amazon Comprehend カスタム分類子とカスタムエンティティ認識エンドポイントを作成する
- 抽出後のエンリッチメントのための Lambda 関数を作成してデプロイする
- Amazon Kendra インデックスを作成して設定する
- 抽出されたエンティティを使用して、Amazon Kendra で検索をフィルタリングします。
サンプルアプリケーションも提供しています。 GitHubレポ 参考のため。
データセキュリティとIAMの考慮事項
セキュリティを最優先に考えたこのソリューションは、使用されるサービスと機能に対して最小限の権限のアクセス許可の原則に従います。 Amazon Comprehend カスタム分類とカスタムエンティティ認識で使用される IAM ロールには、テストバケットからのみデータセットにアクセスする権限があります。 Amazon Kendra サービスは、comprehend API を呼び出すために使用される特定の S3 バケットと Lambda 関数にアクセスできます。 Lambda 関数には、Amazon Comprehend API のみを呼び出す権限があります。 詳細については、ノートブックのセクション 1.2 および 1.3 を参照してください。
実稼働環境にソリューションを実装する前に、非実稼働環境で次の作業を実行することをお勧めします。
トレーニング データを使用して Comprehend カスタム分類器をトレーニングする
Amazon Comprehend カスタム分類は、アノテーション ファイルの XNUMX つのデータ形式タイプをサポートしています。
データはすでにラベル付けされ、CSV ファイルに保存されているため、例として注釈ファイルに CSV ファイル形式を使用します。 ラベル付きトレーニング データを CSV ファイル内の UTF-8 エンコード テキストとして提供する必要があります。 CSV ファイルにはヘッダー行を含めないでください。 ファイルにヘッダー行を追加すると、実行時エラーが発生する可能性があります。 トレーニング データ CSV ファイルの例は次のとおりです。
分類器トレーニング データを準備するには、を参照してください。 分類器トレーニングデータの準備。 CSV ファイルの各行の最初の列には 8 つ以上のクラス ラベルが含まれます。 クラス ラベルには、任意の有効な UTF-XNUMX 文字列を使用できます。 意味が重複しない明確なクラス名を使用することをお勧めします。 名前には空白を含めることができ、アンダースコアまたはハイフンで接続された複数の単語で構成することもできます。 行内の値を区切るカンマの前後にスペース文字を残さないでください。
次に、次のいずれかを使用してトレーニングします。 マルチクラスモード or マルチラベルモード。 具体的には、マルチクラス モードでは、分類によってドキュメントごとに XNUMX つのクラスが割り当てられますが、マルチラベル モードでは、個々のクラスが相互に排他的ではない異なるカテゴリを表します。 この例では、プレーンテキスト モデルにマルチクラス モードを使用します。
Amazon Comprehend カスタム分類子のトレーニングとモデルの評価用に、個別のトレーニング データセットとテスト データセットを準備できます。 または、トレーニングとテストの両方に 10 つのデータセットのみを提供します。 Comprehend は、提供されたデータセットの XNUMX% をテスト データとして使用するために自動的に選択します。 この例では、個別のトレーニング データセットとテスト データセットを提供しています。
次の例は、さまざまなドキュメントに関連付けられたクラス名を含む CSV ファイルを示しています。
カスタム分類モデルをトレーニングすると、ドキュメント上のさまざまなクラスの保険 (住宅保険、自動車保険、または生命保険) をキャプチャできます。
トレーニングデータを使用して Amazon Comprehend カスタムエンティティレコグナイザー (NER) をトレーニングします。
Amazon Comprehend Custom Entity Recognition (NER) のトレーニング データセットは、次の XNUMX つの異なる方法のいずれかで準備できます。
- 注釈 – モードトレーニング用の注釈付きエンティティを含むデータセットを提供します
- エンティティ リスト (プレーン テキストのみ) – エンティティとそのラベル タイプ (「保険会社名」など) のリストと、モデル トレーニング用にそれらのエンティティを含む注釈のないドキュメントのセットを提供します。
詳細については、 エンティティ認識トレーニング データの準備.
エンティティ リストを使用してモデルをトレーニングする場合、エンティティ名のリストとそれに関連付けられたカスタム エンティティ タイプ、およびエンティティが表示される注釈のないドキュメントのコレクションという XNUMX つの情報を提供する必要があります。
自動トレーニングには、サンプル ドキュメントとエンティティ リストまたは注釈の XNUMX 種類の情報が必要です。 認識エンジンがトレーニングされると、それを使用してドキュメント内のカスタム エンティティを検出できるようになります。 少量のテキストをリアルタイムで迅速に分析したり、非同期ジョブを使用して大規模なドキュメントのセットを分析したりできます。
Amazon Comprehend カスタムエンティティ認識トレーニングとモデル評価用に、個別のトレーニングデータセットとテストデータセットを準備できます。 または、トレーニングとテストの両方に 10 つのデータセットのみを提供します。 Amazon Comprehend は、提供されたデータセットの XNUMX% をテストデータとして使用するために自動的に選択します。 以下の例では、トレーニング データセットを次のように指定しました。 Documents.S3Uri
下 InputDataConfig
.
次の例は、エンティティを含む CSV ファイルを示しています。
カスタム エンティティ (NER) モデルがトレーニングされると、「」のようなさまざまなエンティティを抽出できるようになります。PAYOUT
"、"INSURANCE_COMPANY
"、"LAW_FIRM
"、"POLICY_HOLDER_NAME
"、"POLICY_NUMBER
"
Amazon Comprehend カスタム分類子とカスタムエンティティ (NER) エンドポイントを作成する
Amazon Comprehend のエンドポイントを使用すると、カスタムモデルをリアルタイムの分類に使用できるようになります。 エンドポイントを作成した後、ビジネス ニーズの変化に応じてエンドポイントに変更を加えることができます。 たとえば、エンドポイントの使用率を監視し、自動スケーリングを適用して、容量のニーズに合わせてエンドポイント プロビジョニングを自動的に設定できます。 すべてのエンドポイントを XNUMX つのビューから管理でき、エンドポイントが不要になった場合は削除してコストを節約できます。 Amazon Comprehend は同期オプションと非同期オプションの両方をサポートしています。ユースケースにリアルタイム分類が必要ない場合は、非同期データ分類のためにバッチジョブを Amazon Comprehend に送信できます。
この使用例では、エンドポイントを作成してカスタム モデルをリアルタイム分析に利用できるようにします。
テキスト処理のニーズを満たすために、推論ユニットをエンドポイントに割り当てます。各ユニットでは 100 秒あたり XNUMX 文字のスループットが可能になります。 その後、スループットを上下に調整できます。
抽出後のエンリッチメントのための Lambda 関数を作成してデプロイする
抽出後の Lambda 関数を使用すると、取り込まれたドキュメントから Amazon Kendra によって抽出されたテキストを処理するロジックを実装できます。 構成した抽出後関数は、Amazon Comprehend を呼び出すコードを実装して、カスタム エンティティを検出し、Amazon Kendra によって抽出されたテキストからドキュメントをカスタム分類し、それらを使用してドキュメントのメタデータを更新します。ドキュメントのメタデータは、Amazon Kendra 検索でファセットとして表示されます。 。 関数コードはノートブックに埋め込まれています。 の PostExtractionLambda
コードは次のように動作します。
- ページテキストを、理解の最大バイト長制限を超えないセクションに分割します。
detect_entities
API。 (見る 境界 ).
注意 スクリプトでは、簡素化のために単純な文字長分割アルゴリズムを使用しています。実稼働ユースケースでは、UTF8 バイト長に基づいて重複または文境界分割を実装する必要があります。 - テキストのセクションごとに、カスタム エンティティとカスタム分類子の comprehend リアルタイム エンドポイントを呼び出して、次のエンティティ タイプを検出します。
PAYOUT
"、"INSURANCE_COMPANY
"、"LAW_FIRM
"、"POLICY_HOLDER_NAME
"、"POLICY_NUMBER
"、"INSURANCE_TYPE
「]。 - 信頼スコアしきい値を下回る検出されたエンティティをフィルターで除外します。 0.50 のしきい値を使用しています。これは、信頼度 50% 以上のエンティティのみが使用されることを意味します。 これは、ユースケースと要件に基づいて調整できます。
- 各エンティティの頻度カウントを追跡します。
- 出現頻度に基づいて、各ページの上位 N (10) 個の一意のエンティティのみを選択します。
- 文書分類の場合、マルチクラス分類器は各文書に XNUMX つのクラスのみを割り当てます。 この Lambda 関数では、ドキュメントは自動車保険、住宅保険、または生命保険に分類されます。
この記事の執筆時点では、CDE は同期呼び出しのみをサポートしているか、非同期にする必要がある場合は明示的な待機ループが必要であることに注意してください。 抽出後の Lambda の場合、 最大実行時間 は1分です。 Lambda カスタム ロジックは、ユースケースに合わせた要件に基づいて変更できます。
Amazon Kendra インデックスを作成して設定する
このステップでは、データを Amazon Kendra インデックスに取り込み、ユーザーが検索できるようにします。 取り込み中に、前のステップで作成した Lambda 関数を抽出後のステップとして使用し、Lambda 関数はカスタム分類およびカスタム エンティティ認識 (NER) エンドポイントを呼び出してカスタム メタデータ フィールドを作成します。
このソリューションを実装するための高レベルの手順は次のとおりです。
- 創造する Amazon ケンドラ インデックス.
- 創造する Amazon Kendra データソース – データセットの取り込みに使用できるさまざまなデータ ソースがあります。 この投稿では、S3 バケットを使用します。
- ファセットの作成
Law_Firm
,Payout
,Insurance_Company
,Policy_Number
,Policy_Holder_Name
,Insurance_Type
文字列タイプを「」とするSTRING_LIST_VALUE
'。 - Kendra CDE を作成し、以前に作成した抽出後の Lambda 関数をポイントします。
- 同期プロセスを実行してデータセットを取り込みます。
完了したら、抽出後のラムダを備えた Kendra CDE を使用してインデックスに保険データを入力でき、カスタム エンティティ タイプとカスタム メタデータ フィールドとしてのカスタム分類に基づいて検索をフィルタリングできます。
抽出されたエンティティを使用して Kendra で検索をフィルタリングします。
これでインデックスが設定され、使用できるようになりました。 Amazon Kendra コンソールで、次を選択します データ管理でインデックス付きコンテンツを検索する そして次のことを行います。
次のようにクエリします。 保険の申請が遅れて不合格になった保険のリストはありますか?
結果には、ポリシー タイプからの回答が表示されます。 HOME INSURANCE
ともたらす text_18
および text_14
上位の結果として。
左側の「検索結果をフィルタリング」を選択します。 これで、Comprehend を使用して抽出されたすべてのエンティティ タイプと分類値が表示され、エンティティ値と分類ごとに一致するドキュメントの数が表示されます。
INSURANCE_TYPE
「自動車保険」を選択すると、回答が表示されます。 text_25
ファイルにソフトウェアを指定する必要があります。
実際の結果は、スクリーンショットに示されている結果と若干異なる場合があることに注意してください。
独自のクエリを使用して検索を試し、Amazon Comprehend によって識別されたエンティティとドキュメント分類によって次のことがどのように迅速に可能になるかを観察してください。
- 検索結果がカテゴリ全体にどのように分布しているかを確認します。
- エンティティ/分類値のいずれかをフィルターして検索を絞り込みます。
クリーンアップ
検索を試し、Github リポジトリで提供されているノートブックを試した後、不要な料金が発生しないように、AWS アカウントにプロビジョニングしたインフラストラクチャを削除します。 ノートブックでクリーンアップ セルを実行できます。 あるいは、AWS コンソールからリソースを手動で削除することもできます。
- Amazon ケンドラ インデックス
- カスタム分類子とカスタム エンティティ認識 (NER) エンドポイントを理解する
- カスタム分類子とカスタム エンティティ認識 (NER) カスタム モデルを理解する
- ラムダ関数
- S3バケット
- IAMの役割とポリシー
まとめ
この投稿では、Amazon Comprehend カスタムエンティティとカスタム分類子により、CDE 機能を利用した Amazon Kendra 検索が可能になり、エンドユーザーが構造化/非構造化データに対してより適切な検索を実行できるようにする方法を説明しました。 Amazon Comprehend のカスタムエンティティとカスタム分類子は、さまざまなユースケースやさまざまなドメイン固有のデータに非常に役立ちます。 Amazon Comprehend の使用方法の詳細については、以下を参照してください。 Amazon Comprehend 開発者リソース Amazon Kendra については、以下を参照してください。 Amazon Kendra 開発者リソース.
あなたのユースケースに合わせてこのソリューションを試してみてください。 ぜひコメント欄にフィードバックを残してください。
著者について
アミット・チャウダリー アマゾン ウェブ サービスのシニア ソリューション アーキテクトです。 彼の重点分野は AI/ML であり、生成 AI、大規模言語モデル、および迅速なエンジニアリングで顧客を支援しています。 仕事以外では、アミットは家族と時間を過ごすことを楽しんでいます。
張棪燕 は、AWS プロフェッショナル サービスの Energy Delivery チームのシニア データ サイエンティストです。 彼女は、AI/ML の知識を活用して顧客が実際の問題を解決できるよう支援することに情熱を持っています。 最近、彼女は生成 AI と LLM の可能性を探求することに重点を置いています。 仕事以外では、旅行、ワークアウト、新しいことの探索が大好きです。
ニキル・ジャー アマゾンウェブサービスのシニアテクニカルアカウントマネージャーです。 彼の重点分野には、AI/MLと分析が含まれます。 余暇には、娘とバドミントンをしたり、アウトドアを楽しんだりしています。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
- プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
- プラトンESG。 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
- プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 こちらからアクセスしてください。
- 情報源: https://aws.amazon.com/blogs/machine-learning/use-custom-metadata-created-by-amazon-comprehend-to-intelligently-process-insurance-claims-using-amazon-kendra/
- :持っている
- :は
- :not
- :どこ
- $UP
- 1
- 1.3
- 10
- 100
- 19
- 2025
- 33
- 50
- 500
- 7
- 9
- a
- できる
- 私たちについて
- アクセス
- 従った
- 会計
- 正確な
- 越えて
- 加えます
- 追加
- 添加
- さらに
- 住所
- 後
- AI
- AI / ML
- アルゴリズム
- すべて
- ことができます
- 沿って
- 既に
- また
- Amazon
- Amazon Comprehend
- アマゾンケンドラ
- Amazon Webサービス
- 量
- an
- 分析
- 分析論
- 分析します
- および
- 回答
- どれか
- API
- API
- 現れる
- 申し込み
- 適用された
- 申し込む
- アプローチ
- 適切な
- 建築
- です
- AREA
- エリア
- AS
- 関連する
- At
- 弁護士
- 著者
- オート
- 自動化する
- 自動的に
- 利用できます
- 避ける
- AWS
- AWSプロフェッショナルサービス
- ベース
- BE
- き
- 以下
- より良いです
- 越えて
- ボディ
- 両言語で
- 境界
- もたらす
- 建物
- ビジネス
- 焙煎が極度に未発達や過発達のコーヒーにて、クロロゲン酸の味わいへの影響は強くなり、金属を思わせる味わいと乾いたマウスフィールを感じさせます。
- by
- コール
- 呼ばれます
- コール
- 缶
- 機能
- 機能
- 容量
- キャプチャー
- 場合
- 例
- カテゴリ
- 原因となる
- 細胞
- 一定
- 変更
- 変更
- 文字
- 文字
- 課金
- 選択する
- 都市
- 市町村
- クレーム
- class
- クラス
- 分類
- 分類された
- 分類します
- クリア
- コード
- コレクション
- コラム
- コラム
- 注釈
- 企業
- 会社
- コンプリート
- 記入済みの
- 複雑さ
- 理解する
- コンセプト
- 信頼
- 設定された
- 交流
- 検討
- 領事
- 消費
- 含む
- 含まれています
- コンテンツ
- コンテキスト
- 続ける
- 規則
- 株式会社
- コスト
- 可能性
- 作ります
- 作成した
- カスタム
- Customers
- カスタマイズ
- データ
- 日付の充実
- データ管理
- データサイエンティスト
- データセット
- データベースを追加しました
- データセット
- 日付
- より深い
- デフォルト
- 定義します
- 定義済みの
- 配達
- 部門
- 展開します
- 説明する
- 検出
- 検出された
- Developer
- 異なります
- 異なって
- 議論する
- ディスプレイ
- 配布
- 異なる
- ダイビング
- do
- ドキュメント
- ドキュメント
- ドメイン
- ドン
- ドント
- ダウン
- 原因
- 間に
- e
- E&T
- 各
- 簡単に
- 使いやすい
- 効果的な
- どちら
- el
- 埋め込まれた
- 可能
- エンドポイント
- エネルギー
- エンジニアリング
- 高めます
- 強化された
- 豊かにする
- 充実
- Enterprise
- 企業
- エンティティ
- エンティティ
- 環境
- エラー
- 本質的な
- 評価
- 進化
- 例
- 例
- 超えます
- 除く
- 例外
- 特別
- 実行
- 終了
- 予想される
- 探る
- 探る
- 表現
- 伸ばす
- 外部
- エキス
- 抽出
- ファセット
- Failed:
- 家族
- 特徴
- 特徴
- フィードバック
- 少数の
- フィールズ
- File
- ファイリング
- filter
- フィルタリング
- フィルター
- 最後に
- もう完成させ、ワークスペースに掲示しましたか?
- 会社
- 名
- フィット
- 固定の
- フォーカス
- フォロー中
- 次
- フォーム
- 形式でアーカイブしたプロジェクトを保存します.
- フォーム
- 周波数
- から
- function
- さらに
- 生成された
- 世代
- 生々しい
- 生成AI
- 取得する
- GitHubの
- 成長する
- 持ってる
- 持って
- he
- ヘルスケア
- 助けます
- 助け
- ことができます
- 彼女の
- ハイレベル
- より高い
- 最高
- 非常に
- 彼の
- ホーム
- 認定条件
- How To
- HTML
- HTTPS
- i
- IDC
- 特定され
- 識別する
- if
- 説明する
- 画像
- 実装する
- 実装
- 実装する
- in
- include
- 組み込む
- 増える
- の増加
- index
- 索引付けされた
- 個人
- 情報
- インフラ
- 洞察
- 保険
- インテリジェント-
- 関心
- 世界全体
- International Data Corporation(IDC)
- に
- 招待
- 呼び出す
- 関係する
- IT
- ジョブ
- JSON
- 知識
- ラベル
- ラベル
- 言語
- 大
- 遅く
- 法律
- 法律事務所
- LEARN
- 学習
- 最低
- コメントを残す
- 左
- 長さ
- 生活
- ような
- 可能性が高い
- LIMIT
- リスト
- リスト
- LLM
- ロジック
- より長いです
- 見て
- で
- 機械
- 機械学習
- make
- 作る
- 管理します
- マネージド
- 管理
- マネージャー
- 手動で
- 製造業
- マッチング
- マックス
- 五月..
- 意味
- 手段
- メディア
- 大会
- 分
- モード
- モデル
- 瞬間
- モニター
- 他には?
- 最も
- の試合に
- しなければなりません
- 互いに
- 名
- 名
- 命名
- 狭い
- 必要
- 必要とされる
- ニーズ
- 新作
- NLP
- いいえ
- ノート
- 今
- 数
- 番号
- オブジェクト
- オブジェクト
- 観察する
- 発生
- of
- on
- かつて
- ONE
- の
- オプション
- オプション
- or
- 組織
- 組織
- その他
- 私たちの
- でる
- 屋外で
- 輪郭
- 外側
- 自分の
- ページ
- ペア
- 情熱的な
- パターン
- 以下のために
- 実行する
- パーミッション
- ピース
- シンプルスタイル
- プラトン
- プラトンデータインテリジェンス
- プラトデータ
- 再生
- ポイント
- 方針
- 人口
- 部分
- 可能
- ポスト
- 投稿
- 潜在的な
- パワード
- 優先
- 準備
- 準備
- PLM platform.
- 前
- 前に
- 原則
- 事前の
- 優先順位
- 特権
- 問題
- プロセス
- 処理
- 生産された
- 生産
- プロ
- 提案された
- 提供します
- 提供
- プロバイダー
- プロバイダ
- は、大阪で
- 提供
- クエリ
- すぐに
- 引用
- 測距
- 読む
- 準備
- リアル
- への
- 受け
- 受け取り
- 最近
- 認識
- 認識する
- 認識
- 推奨する
- 参照する
- 参照
- レギュラー
- 倉庫
- 表す
- の提出が必要です
- 要件
- 必要
- 研究
- リソース
- 結果
- 結果
- return
- レビュー
- 職種
- 役割
- 行
- ラン
- ランタイム
- 同じ
- Save
- スケーリング
- 科学者
- スコア
- スクリプト
- を検索
- 検索
- 検索
- 二番
- セクション
- セクション
- セキュリティ
- select
- シニア
- 文
- 別
- サービス
- サービス
- セッションに
- セット
- 彼女
- すべき
- 表示する
- 示されました
- 示す
- 作品
- 重要
- 単純
- 簡素化する
- サイト
- サイズ
- 小さい
- So
- 社会
- ソーシャルメディア
- ソーシャルメディアの投稿
- 溶液
- ソリューション
- 解決する
- ソース
- スペース
- 特定の
- 特に
- 指定の
- 支出
- 分割
- 広がる
- 標準
- 手順
- ステップ
- 店舗
- 保存され
- 文字列
- 提出
- 提出する
- そのような
- サポート
- サポート
- 同期。
- 取る
- チーム
- 技術的
- test
- テスト
- 클라우드 기반 AI/ML및 고성능 컴퓨팅을 통한 디지털 트윈의 기초 – Edward Hsu, Rescale CPO 많은 엔지니어링 중심 기업에게 클라우드는 R&D디지털 전환의 첫 단계일 뿐입니다. 클라우드 자원을 활용해 엔지니어링 팀의 제약을 해결하는 단계를 넘어, 시뮬레이션 운영을 통합하고 최적화하며, 궁극적으로는 모델 기반의 협업과 의사 결정을 지원하여 신제품을 결정할 때 데이터 기반 엔지니어링을 적용하고자 합니다. Rescale은 이러한 혁신을 돕기 위해 컴퓨팅 추천 엔진, 통합 데이터 패브릭, 메타데이터 관리 등을 개발하고 있습니다. 이번 자리를 빌려 비즈니스 경쟁력 제고를 위한 디지털 트윈 및 디지털 스레드 전략 개발 방법에 대한 인사이트를 나누고자 합니다.
- より
- それ
- 情報
- 世界
- アプリ環境に合わせて
- それら
- その後
- そこ。
- ボーマン
- 彼ら
- 物事
- この
- それらの
- しきい値
- 介して
- スループット
- 時間
- 〜へ
- top
- 追跡する
- トレーニング
- 訓練された
- トレーニング
- 旅行
- 治療する
- 試み
- 試します
- 調整された
- 2
- type
- 下
- アンダースコア
- ユニーク
- 単位
- ユニット
- 不要な
- アップデイト
- つかいます
- 使用事例
- 中古
- users
- 使用されます
- 有効な
- 値
- 価値観
- さまざまな
- 広大な
- 非常に
- 詳しく見る
- ビュー
- ボリューム
- wait
- 欲しいです
- 望んでいる
- 仕方..
- 方法
- we
- ウェブ
- Webサービス
- ウェブサイト
- WELL
- この試験は
- 何ですか
- いつ
- which
- while
- 白
- 意志
- 以内
- 無し
- 言葉
- 仕事
- ワーキング
- 働く
- 作品
- 世界
- 世界の
- 書き込み
- 書かれた
- You
- あなたの
- ゼファーネット