자연어 처리(NLP)는 컴퓨터가 인간과 같은 방식으로 텍스트와 음성 단어를 이해할 수 있도록 하는 기계 학습(ML) 분야입니다. 최근에는 다음과 같은 최첨단 아키텍처가 변압기 아키텍처 텍스트 요약, 텍스트 분류, 엔터티 인식 등과 같은 NLP 다운스트림 작업에서 사람에 가까운 성능을 달성하는 데 사용됩니다.
대규모 언어 모델(LLM)은 수억 개(BERT) XNUMX조 개 이상의 매개변수(마이크), 그 크기로 인해 단일 GPU 교육이 비실용적입니다. 본질적인 복잡성으로 인해 처음부터 LLM을 교육하는 것은 극소수의 조직이 감당할 수 있는 매우 어려운 작업입니다. NLP 다운스트림 작업에 대한 일반적인 관행은 사전 훈련된 LLM을 가져와 미세 조정하는 것입니다. 미세 조정에 대한 자세한 내용은 다음을 참조하십시오. 재무 데이터에서 Amazon SageMaker JumpStart의 기초 모델에 대한 도메인 적응 미세 조정 및 Amazon SageMaker의 Hugging Face를 사용하여 언어 다양성을 위한 변환기 언어 모델 미세 조정.
NLP의 제로샷 학습은 사전 훈련된 LLM 명시적으로 훈련되지 않은 작업에 대한 응답을 생성합니다(미세 조정 없이도). 구체적으로 텍스트 분류에 대해 말하자면, 제로샷 텍스트 분류 NLP 모델을 사용하여 보이지 않는 클래스의 텍스트를 분류하는 자연어 처리 작업입니다. 감독 분류, 여기서 NLP 모델은 교육 데이터의 클래스에 속하는 텍스트만 분류할 수 있습니다.
우리는 최근에 제로 샷 분류 모델 지원을 시작했습니다. Amazon SageMaker 점프스타트. SageMaker JumpStart는 다음의 ML 허브입니다. 아마존 세이지 메이커 ML을 빠르게 시작하는 데 도움이 되는 사전 훈련된 기초 모델(FM), LLM, 기본 제공 알고리즘 및 솔루션 템플릿에 대한 액세스를 제공합니다. 이 게시물에서는 SageMaker Jumpstart에서 사전 훈련된 모델을 사용하여 제로 샷 분류를 수행하는 방법을 보여줍니다. SageMaker Jumpstart UI 및 SageMaker Python SDK를 사용하여 솔루션을 배포하고 사용 가능한 모델을 사용하여 추론을 실행하는 방법을 배우게 됩니다.
제로 샷 학습
제로샷 분류는 모델이 교육 데이터에 없는 클래스에 속하는 보이지 않는 새로운 예를 분류할 수 있는 패러다임입니다. 예를 들어, 인간의 언어를 이해하도록 훈련된 언어 모델을 사용하여 새해 결심 트윗을 다음과 같은 여러 클래스로 분류할 수 있습니다. career
, health
및 finance
, 언어 모델이 텍스트 분류 작업에 대해 명시적으로 훈련되지 않은 경우. 이것은 모델을 미세 조정하는 것과는 대조적입니다. 후자는 모델을 재훈련(전이 학습을 통해)하는 반면 제로 샷 학습은 추가 훈련이 필요하지 않기 때문입니다.
다음 다이어그램은 전이 학습(왼쪽)과 제로 샷 학습(오른쪽)의 차이점을 보여줍니다.
Yin et al. 자연 언어 추론(NLI)을 사용하여 제로 샷 분류기를 만들기 위한 프레임워크를 제안했습니다. 프레임워크는 시퀀스를 NLI 전제로 분류하도록 설정하여 작동하고 각 후보 레이블에서 가설을 구성합니다. 예를 들어 시퀀스가 클래스에 속하는지 여부를 평가하려는 경우 politics
, 우리는 “이 텍스트는 정치에 관한 것입니다.”라는 가설을 세울 수 있습니다. 수반 및 모순에 대한 확률은 레이블 확률로 변환됩니다. 빠른 검토로 NLI는 전제와 가설의 두 문장을 고려합니다. 과제는 전제가 주어졌을 때 가설이 참(함의)인지 거짓(모순)인지를 결정하는 것입니다. 다음 표는 몇 가지 예를 제공합니다.
전제 | 라벨 | 가설 |
동아시아 어느 나라에서 한 남자가 인물의 제복을 살펴보고 있다. | 모순 | 남자는 자고 있다. |
웃 고 이전 및 젊은 남자입니다. | 중립의 | 두 남자가 바닥에서 노는 고양이들을 보고 웃고 있다. |
여러 남성이 플레이하는 축구 게임. | 수반 | 어떤 남자들이 스포츠를 하고 있습니다. |
솔루션 개요
이 게시물에서는 다음 사항에 대해 논의합니다.
- SageMaker JumpStart UI를 사용하여 사전 훈련된 제로샷 텍스트 분류 모델을 배포하고 짧은 텍스트 데이터를 사용하여 배포된 모델에서 추론을 실행하는 방법
- SageMaker Python SDK를 사용하여 SageMaker JumpStart에서 사전 훈련된 제로샷 텍스트 분류 모델에 액세스하고 추론 스크립트를 사용하여 실시간 텍스트 분류 사용 사례를 위해 모델을 SageMaker 엔드포인트에 배포하는 방법
- SageMaker Python SDK를 사용하여 사전 훈련된 제로 샷 텍스트 분류 모델에 액세스하고 배치 텍스트 분류 사용 사례에 SageMaker 배치 변환을 사용하는 방법
SageMaker JumpStart는 일반적인 비즈니스 문제를 해결하는 종단 간 솔루션 선택은 물론 널리 사용되는 ML 작업 전반에 걸쳐 사전 훈련된 다양한 모델에 대한 원클릭 미세 조정 및 배포를 제공합니다. 이러한 기능은 ML 프로세스의 각 단계에서 어려운 작업을 제거하여 고품질 모델 개발을 단순화하고 배포 시간을 단축합니다. 그만큼 점프스타트 API 자신의 데이터 세트에서 사전 학습된 다양한 모델을 프로그래밍 방식으로 배포하고 미세 조정할 수 있습니다.
JumpStart 모델 허브는 사용자 정의 데이터 세트에 대한 전이 학습 및 미세 조정을 가능하게 하는 많은 수의 NLP 모델에 대한 액세스를 제공합니다. 이 글을 쓰는 시점에서 JumpStart 모델 허브에는 Stable Diffusion, Flan T300, Alexa TM, Bloom 등과 같은 다양한 인기 모델에 걸쳐 5개 이상의 텍스트 모델이 포함되어 있습니다.
이 섹션의 단계를 따르면 비용이 발생할 수 있는 인프라를 AWS 계정에 배포하게 됩니다.
독립형 제로 샷 텍스트 분류 모델 배포
이 섹션에서는 SageMaker JumpStart를 사용하여 제로 샷 분류 모델을 배포하는 방법을 보여줍니다. 다음의 JumpStart 랜딩 페이지를 통해 선행 학습된 모델에 액세스할 수 있습니다. 아마존 세이지 메이커 스튜디오. 다음 단계를 완료하십시오.
- SageMaker Studio에서 JumpStart 랜딩 페이지를 엽니다.
인용하다 JumpStart 열기 및 사용 SageMaker JumpStart로 이동하는 방법에 대한 자세한 내용을 확인하십시오. - . 텍스트 모델 캐러셀에서 "Zero-Shot Text Classification" 모델 카드를 찾습니다.
- 왼쪽 메뉴에서 모델 보기 에 액세스하려면
facebook-bart-large-mnli
모델입니다.
또는 검색 표시줄에서 제로 샷 분류 모델을 검색하고 SageMaker JumpStart에서 해당 모델을 찾을 수 있습니다. - 배포 구성, SageMaker 호스팅 인스턴스 유형, 엔드포인트 이름, 아마존 단순 스토리지 서비스 (Amazon S3) 버킷 이름 및 기타 필수 매개변수.
- 선택적으로 다음과 같은 보안 구성을 지정할 수 있습니다. AWS 자격 증명 및 액세스 관리 (IAM) 역할, VPC 설정 및 AWS 키 관리 서비스 (AWS KMS) 암호화 키.
- 왼쪽 메뉴에서 배포 SageMaker 엔드포인트를 생성합니다.
이 단계를 완료하는 데 몇 분 정도 걸립니다. 완료되면 제로샷 분류 모델을 호스팅하는 SageMaker 엔드포인트에 대해 추론을 실행할 수 있습니다.
다음 비디오에서는 이 섹션의 단계별 연습을 보여줍니다.
SageMaker SDK와 함께 프로그래밍 방식으로 JumpStart 사용
SageMaker Studio의 SageMaker JumpStart 섹션에서 빠른 시작 솔루션, 당신은 찾을 수 있습니다 솔루션 템플릿. SageMaker JumpStart 솔루션 템플릿은 많은 일반적인 ML 사용 사례를 위한 원클릭 엔드 투 엔드 솔루션입니다. 이 글을 쓰는 시점에서 몇 가지 예를 들면 수요 예측, 사기 탐지 및 개인화된 추천과 같은 다양한 사용 사례에 대해 20개 이상의 솔루션을 사용할 수 있습니다.
"얼굴을 껴안는 제로 샷 텍스트 분류" 솔루션은 특정 레이블에 대해 모델을 훈련할 필요 없이 텍스트를 분류하는 방법을 제공합니다(제로 샷 분류) 미리 훈련된 텍스트 분류기를 사용합니다. 이 솔루션의 기본 제로 샷 분류 모델은 페이스북-바트-라지-mnli (바트) 모델. 이 솔루션의 경우 다음을 사용합니다. 2015 새해 결심 데이터 세트 해상도를 분류합니다. 다음 항목만 포함하는 원본 데이터세트의 하위 집합 Resolution_Category
(실측 레이블) 및 text
열은 솔루션의 자산에 포함됩니다.
입력 데이터에는 텍스트 문자열, 분류에 필요한 범주 목록, 분류가 동기식(실시간) 추론을 위한 다중 레이블인지 여부가 포함됩니다. 비동기(일괄) 추론의 경우 텍스트 문자열 목록, 각 문자열에 대한 범주 목록 및 분류가 다중 레이블인지 여부를 JSON 라인 형식의 텍스트 파일로 제공합니다.
추론 결과는 다음 스크린샷과 같은 JSON 개체입니다.
에 원본 텍스트가 있습니다. sequence
필드에서 텍스트 분류에 사용되는 레이블 labels
필드 및 필드의 각 레이블에 할당된 확률(동일한 출현 순서로) scores
.
Hugging Face 솔루션을 사용하여 Zero Shot Text Classification을 배포하려면 다음 단계를 완료하십시오.
- SageMaker JumpStart 랜딩 페이지에서 다음을 선택합니다. 모델, 노트북, 솔루션 탐색 창에서
- . 솔루션 섹션 선택 모든 솔루션 살펴보기.
- 에 솔루션 페이지에서 얼굴을 껴안는 제로 샷 텍스트 분류 모델 카드를 선택합니다.
- 배포 세부 정보를 검토하고 동의하면 다음을 선택합니다. 실행.
배포는 실시간 추론을 위한 SageMaker 실시간 엔드포인트와 배치 변환 결과를 저장하기 위한 S3 버킷을 프로비저닝합니다.
다음 다이어그램은 이 방법의 아키텍처를 보여줍니다.
제로샷 분류 모델을 사용하여 실시간 추론 수행
이 섹션에서는 Python SDK를 사용하여 SageMaker 엔드포인트를 사용하여 실시간으로 제로 샷 텍스트 분류(사용 가능한 모델 사용)를 실행하는 방법을 검토합니다.
- 먼저 모델에 대한 추론 페이로드 요청을 구성합니다. 이는 모델에 따라 다르지만 BART 모델의 경우 입력은 다음 구조의 JSON 개체입니다.
- BART 모델은 명시적으로 훈련되지 않았습니다.
candidate_labels
. 제로샷 분류 기법을 사용하여 텍스트 시퀀스를 보이지 않는 클래스로 분류합니다. 다음 코드는 새해 결심 데이터 세트의 텍스트와 정의된 클래스를 사용하는 예입니다. - 다음으로 제로샷 페이로드로 SageMaker 엔드포인트를 호출할 수 있습니다. SageMaker 엔드포인트는 SageMaker JumpStart 솔루션의 일부로 배포됩니다.
- 추론 응답 개체에는 원래 시퀀스, 최대에서 최소까지 점수별로 정렬된 레이블 및 레이블당 점수가 포함됩니다.
Python SDK를 사용하여 SageMaker 일괄 변환 작업 실행
이 섹션에서는 제로샷 분류로 일괄 변환 추론을 실행하는 방법을 설명합니다. facebook-bart-large-mnli
사용하여 모델 SageMaker Python SDK. 다음 단계를 완료하십시오.
- 입력 데이터를 JSON 라인 형식으로 포맷하고 파일을 Amazon S3에 업로드합니다.
SageMaker 배치 변환은 S3 파일에 업로드된 데이터 포인트에 대한 추론을 수행합니다. - 다음 매개변수를 사용하여 모델 배포 아티팩트를 설정합니다.
- 모델_ID - 사용하다
huggingface-zstc-facebook-bart-large-mnli
. - 배포_이미지_우리 - 사용
image_uris
미리 빌드된 SageMaker Docker 이미지를 가져오는 Python SDK 함수model_id
. 이 함수는 Amazon Elastic Container Registry (Amazon ECR) URI. - 배포_소스_우리 – 사용
script_uris
사전 훈련된 모델 추론을 실행하기 위한 스크립트가 포함된 S3 URI를 검색하는 유틸리티 API. 우리는script_scope
asinference
. - 모델_우리 - 사용하다
model_uri
지정된 Amazon S3에서 모델 아티팩트를 가져오기 위해model_id
.
- 모델_ID - 사용하다
-
HF_TASK
Hugging Face 변환기 파이프라인의 작업을 정의하고HF_MODEL_ID
텍스트를 분류하는 데 사용되는 모델을 정의하려면 다음을 수행하십시오.전체 작업 목록은 다음을 참조하세요. 파이프 라인 Hugging Face 문서에서.
- SageMaker 일괄 변환 작업과 함께 배포할 Hugging Face 모델 객체를 생성합니다.
- 일괄 작업을 실행하기 위한 변환을 만듭니다.
- 일괄 변환 작업을 시작하고 S3 데이터를 입력으로 사용합니다.
SageMaker 콘솔에서 배치 처리 작업을 모니터링할 수 있습니다(선택 일괄 변환 작업 아래에 추론 탐색 창에서). 작업이 완료되면 에 지정된 S3 파일에서 모델 예측 출력을 확인할 수 있습니다. output_path
.
SageMaker JumpStart에서 사용 가능한 모든 사전 훈련된 모델 목록은 다음을 참조하십시오. 사전 훈련된 모델 테이블이 있는 내장 알고리즘. 제로샷 텍스트 분류를 수행할 수 있는 모든 모델을 찾으려면 검색창에서 키워드 "zstc"(제로샷 텍스트 분류의 약자)를 사용하십시오.
정리
노트북 실행을 마친 후에는 이 가이드에서 배포한 자산으로 인해 발생하는 비용이 중지되도록 프로세스에서 생성된 모든 리소스를 삭제해야 합니다. 배포된 리소스를 정리하는 코드는 제로샷 텍스트 분류 솔루션 및 모델과 연결된 노트북에 제공됩니다.
기본 보안 구성
SageMaker JumpStart 모델은 다음 기본 보안 구성을 사용하여 배포됩니다.
SageMaker 보안 관련 항목에 대해 자세히 알아보려면 다음을 확인하십시오. Amazon SageMaker에서 보안 구성.
결론
이 게시물에서는 SageMaker JumpStart UI를 사용하여 제로 샷 분류 모델을 배포하고 배포된 엔드포인트를 사용하여 추론을 수행하는 방법을 보여주었습니다. SageMaker JumpStart 새해 결심 솔루션을 사용하여 SageMaker Python SDK를 사용하여 종단 간 솔루션을 구축하고 제로샷 분류 애플리케이션을 구현하는 방법을 보여주었습니다. SageMaker JumpStart는 컴퓨터 비전, 자연어 처리, 추천 시스템 등과 같은 작업을 위해 수백 개의 사전 훈련된 모델 및 솔루션에 대한 액세스를 제공합니다. 직접 솔루션을 시도하고 생각을 알려주십시오.
저자 소개
데이비드 라레도 LATAM에 있는 AWS Envision Engineering의 프로토타이핑 설계자로 여러 기계 학습 프로토타입 개발을 도왔습니다. 이전에는 기계 학습 엔지니어로 일했으며 5년 이상 기계 학습을 해왔습니다. 그의 관심 분야는 NLP, 시계열 및 종단 간 ML입니다.
비크람 엘랑고 미국 버지니아에 본사를 둔 Amazon Web Services의 AI/ML 전문 솔루션 아키텍트입니다. Vikram은 설계 및 사고 리더십을 통해 금융 및 보험 산업 고객이 기계 학습 애플리케이션을 대규모로 구축하고 배포할 수 있도록 지원합니다. 그는 현재 자연어 처리, 책임 있는 AI, 추론 최적화 및 전사적 ML 확장에 주력하고 있습니다. 여가 시간에는 가족과 함께 여행, 하이킹, 요리, 캠핑을 즐깁니다.
비벡 마단 박사 Amazon SageMaker JumpStart 팀의 응용 과학자입니다. 그는 일리노이 대학교 어바나 샴페인에서 박사 학위를 받았고 조지아 공대에서 박사후 연구원이었습니다. 그는 기계 학습 및 알고리즘 설계 분야에서 활발한 연구원이며 EMNLP, ICLR, COLT, FOCS 및 SODA 컨퍼런스에 논문을 발표했습니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
- PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 플라톤ESG. 자동차 / EV, 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
- PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
- 차트프라임. ChartPrime으로 트레이딩 게임을 향상시키십시오. 여기에서 액세스하십시오.
- BlockOffsets. 환경 오프셋 소유권 현대화. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/zero-shot-text-classification-with-amazon-sagemaker-jumpstart/
- :있다
- :이다
- :아니
- :어디
- $UP
- 1
- 10
- 100
- 12
- 16
- 17
- 20
- 22
- 30
- 7
- 8
- 9
- a
- 능력
- 소개
- 위의
- ACCESS
- 계정
- 달성
- 가로질러
- 활동적인
- 추가
- 반대
- AI
- AI / ML
- AL
- 알렉사
- 연산
- 알고리즘
- All
- 수
- 수
- 아마존
- 아마존 세이지 메이커
- Amazon SageMaker 점프스타트
- Amazon Web Services
- 양
- an
- 및
- 어떤
- API를
- 어플리케이션
- 어플리케이션
- 적용된
- 아키텍처
- 있군요
- 지역
- AS
- 아시아 사람
- 자산
- 할당 된
- 관련
- At
- 자동적으로
- 가능
- AWS
- 바
- 기지
- 기반으로
- BE
- 된
- 존재
- 속
- 사이에
- 꽃
- 몸
- 도서
- 아침 식사
- 빌드
- 내장
- 사업
- 비자 면제 프로그램에 해당하는 국가의 시민권을 가지고 있지만
- by
- CAN
- 후보자
- 수
- 카드
- 채용
- 회전 목마
- 가지 경우
- 카테고리
- 고양이
- 도전
- 검사
- 왼쪽 메뉴에서
- 수업
- 수업
- 분류
- 분류 한
- 분류
- 암호
- 열
- 공통의
- 완전한
- 복잡성
- 컴퓨터
- 컴퓨터 비전
- 컴퓨터
- 관심
- 회의
- 구성
- 고려하다
- 콘솔에서
- 구축
- 컨테이너
- 이 포함되어 있습니다
- 대조
- 변환
- 비용
- 수
- 국가
- 두
- 만들
- 만든
- 만들기
- 현재
- 관습
- 고객
- 데이터
- 데이터 점수
- 데이터 세트
- 전용
- 태만
- 밝히다
- 한정된
- 수요
- 수요 예측
- 보여
- 의존성
- 의존하는
- 배포
- 배포
- 전개
- 디자인
- 원하는
- 세부설명
- Detection System
- 결정
- 개발
- 개발
- 차이
- 방송
- 토론
- 다양성
- 도커
- 선적 서류 비치
- 하지 않습니다
- 하기
- 한
- 두
- E & T
- 마다
- 동쪽
- 교육
- 이메일
- 가능
- 암호화
- 끝으로 종료
- 종점
- 기사
- 엔지니어링
- 확인
- Enterprise
- 실재
- 상상하다
- 평가
- 조차
- 예
- 예
- 페이스메이크업
- 그릇된
- 가족
- 특징
- 를
- 들
- 그림
- 입양 부모로서의 귀하의 적합성을 결정하기 위해 미국 이민국에
- 재원
- 금융
- Find
- 바닥
- 집중
- 수행원
- 럭셔리
- 체재
- Foundation
- 뼈대
- 사기
- 사기 탐지
- 에
- 기능
- 경기
- 생성
- 조지아
- 얻을
- GitHub의
- 주어진
- 기부
- 육로
- 성장
- 안내
- 처리
- 있다
- he
- 건강
- 무거운
- 무거운 리프팅
- 도움
- 도움
- 도움이
- 높은 품질의
- 그의
- 호스팅
- 호스트
- 방법
- How To
- HTML
- HTTP
- HTTPS
- 허브
- 사람의
- 기분
- 수백
- 수억
- ID
- 통합 인증
- if
- 일리노이
- 설명하다
- 영상
- 구현
- import
- in
- 포함
- 포함
- 산업
- 정보
- 인프라
- 고유의
- 입력
- 입력
- 예
- 보험
- 관심
- IT
- 일
- 작업
- JPG
- JSON
- 키
- 키
- 알아
- 라벨
- 레이블
- 상륙
- 언어
- 넓은
- LATAM
- 시작
- Leadership
- 배우다
- 배우기
- 왼쪽 (left)
- 하자
- 리프팅
- 처럼
- 라인
- 라인
- 명부
- LLM
- 로드
- 봐라.
- 기계
- 기계 학습
- 확인
- 제작
- 사람
- 구축
- .
- 최대
- XNUMX월..
- 남성 컬렉션
- 방법
- 수백만
- 분
- 회의록
- ML
- 모델
- 모델
- 모니터
- 배우기
- 여러
- my
- name
- 자연의
- 자연 언어 처리
- 이동
- 카테고리
- 필요
- 신제품
- 새해
- nlp
- 아니
- 수첩
- 번호
- 대상
- of
- on
- 만
- 열 수
- 최적화
- or
- 주문
- 조직
- 실물
- 기타
- 아웃
- 출력
- 위에
- 자신의
- 페이지
- 빵
- 서류
- 패러다임
- 매개 변수
- 부품
- 통로
- 용
- 수행
- 성능
- 권한
- 확인
- 맞춤형 교육 플랫폼
- 박사 학위
- 박애
- 관로
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 연주
- 전철기
- 정치
- 인기 문서
- 게시하다
- 연습
- 예측
- 예측
- 제시
- 이전에
- 문제
- 방법
- 처리
- 제안 된
- 프로토 타입
- 프로토 타입
- 제공
- 제공
- 제공
- 규정
- 출판
- Python
- 파이 토치
- 빠른
- 빨리
- 읽기
- 현실
- 실시간
- 최근에
- 인식
- 추천
- 추천
- 감소
- 제거
- 의뢰
- 필요
- 필수
- 연구원
- 제품 자료
- 응답
- 응답
- 책임
- 결과
- 결과
- 반품
- 리뷰
- 연락해주세요
- 직위별
- 달리기
- 달리는
- s
- 현자
- 같은
- 찜하기
- 규모
- 스케일링
- 과학자
- 점수
- 할퀴다
- 스크립트
- 스크롤
- SDK
- 검색
- 섹션
- 보안
- 참조
- 선택
- 순서
- 연속
- 서비스
- 설정
- 짧은
- 샷
- 표시
- 보여
- 단순, 간단, 편리
- 단순화
- 이후
- 크기
- 축구
- 해결책
- 솔루션
- 풀다
- 일부
- 무언가
- 말하기
- 전문가
- 구체적인
- 구체적으로
- 지정
- 이야기
- 스포츠
- 안정된
- 독립
- 스타트
- 시작
- 최첨단
- 유지
- 단계
- 단계
- 정지
- 저장
- 저장
- 끈
- 구조
- 스튜디오
- 이러한
- SUPPORT
- 확인
- 시스템은
- 테이블
- 받아
- 소요
- 태스크
- 작업
- 팀
- 기술
- 템플릿
- 텍스트 분류
- 그
- XNUMXD덴탈의
- 그들의
- 그때
- Bowman의
- 이
- 생각
- 사고 리더십
- 을 통하여
- 시간
- 시계열
- TM
- 에
- 이상의 주제
- Train
- 훈련 된
- 트레이닝
- 이전
- 변환
- 변환
- 변압기
- 변압기
- 여행
- 일조
- 참된
- 진실
- 시도
- 트윗
- 두
- 유형
- ui
- 아래에
- 이해
- 대학
- 업로드
- us
- 사용
- 익숙한
- 사용
- 유틸리티
- 종류
- 거대한
- 버전
- 대단히
- Video
- 버지니아의
- 시력
- vs
- 연습
- 필요
- 였다
- 방법..
- we
- 웹
- 웹 서비스
- 잘
- 했다
- 언제
- 여부
- 동안
- 누구의
- 넓은
- 의지
- 과
- 없이
- 말
- 일
- 일
- 쓰기
- year
- 년
- 자신의
- 더 젊은
- 너의
- 제퍼 넷
- 제로
- 제로샷 학습