Het bepalen van de waarde van woningen is een klassiek voorbeeld van het gebruik van machine learning (ML). Een belangrijke invloed werd uitgeoefend door Harrison en Rubinfeld (1978), die een baanbrekend artikel en een dataset publiceerden die informeel bekend werd als de Boston Housing Dataset. Dit baanbrekende werk stelde een methode voor om de huizenprijzen te schatten als een functie van talrijke dimensies, waaronder de luchtkwaliteit, wat de belangrijkste focus van hun onderzoek was. Bijna 50 jaar later is het schatten van huizenprijzen een belangrijk leermiddel geworden voor studenten en professionals die geรฏnteresseerd zijn in het gebruik van data en ML bij zakelijke besluitvorming.
In dit bericht bespreken we het gebruik van een open-sourcemodel dat specifiek is ontworpen voor de taak van het visueel beantwoorden van vragen (VQA). Met VQA kun je in natuurlijke taal een vraag stellen over een foto en krijg je antwoord op je vraag โ ook in gewone taal. Ons doel in dit bericht is om te inspireren en te demonstreren wat mogelijk is met deze technologie. Wij stellen voor om deze mogelijkheid te gebruiken met de Amazon Sage Maker platform van services om de nauwkeurigheid van regressiemodellen in een ML-gebruiksscenario te verbeteren, en onafhankelijk, voor het geautomatiseerd taggen van visuele afbeeldingen.
Wij zorgen voor een overeenkomstige YouTube-video dat laat zien wat hier besproken wordt. Het afspelen van de video begint halverwege om het meest opvallende punt te benadrukken. We raden u aan deze lezing te volgen met de video om het concept te versterken en een beter begrip ervan te krijgen.
Funderingsmodellen
Deze oplossing concentreert zich op het gebruik van een funderingsmodel dat is gepubliceerd in de Hugging Face-modelrepository. Hier gebruiken we de term funderingsmodel om een โโkunstmatige intelligentie (AI)-mogelijkheid te beschrijven die vooraf is getraind op een grote en diverse hoeveelheid gegevens. Funderingsmodellen kunnen soms klaar zijn voor gebruik zonder de last van het trainen van een model vanaf nul. Sommige basismodellen kunnen worden verfijnd, wat betekent dat ze aanvullende patronen moeten leren die relevant zijn voor uw bedrijf, maar ontbreken in het oorspronkelijke, gegeneraliseerde gepubliceerde model. Soms is verfijning nodig om correcte antwoorden te leveren die uniek zijn voor uw gebruiksscenario of kennisbestand.
In het Gezicht knuffelen repository zijn er verschillende VQA-modellen waaruit u kunt kiezen. We hebben op het moment van schrijven het model geselecteerd met de meeste downloads. Hoewel dit bericht de mogelijkheid demonstreert om een โโmodel uit een open-source modelrepository te gebruiken, zou hetzelfde concept van toepassing zijn op een model dat u vanaf nul hebt getraind of dat u van een andere vertrouwde provider hebt gebruikt.
Een moderne benadering van een klassiek gebruiksscenario
Het schatten van de huizenprijs vindt traditioneel plaats via tabelgegevens waarbij kenmerken van het onroerend goed worden gebruikt om de prijs te bepalen. Hoewel er honderden kenmerken kunnen zijn waarmee rekening moet worden gehouden, zijn enkele fundamentele voorbeelden de grootte van de woning in de voltooide ruimte, het aantal slaapkamers en badkamers en de locatie van de woning.
Machine learning kan diverse invoerbronnen integreren die verder gaan dan tabelgegevens, zoals audio, stilstaande beelden, bewegende video en natuurlijke taal. Bij AI is dit de term multimodaal verwijst naar het gebruik van verschillende mediatypen, zoals afbeeldingen en tabelgegevens. In dit artikel laten we zien hoe je multimodale data kunt gebruiken om de verborgen waarde te vinden en vrij te maken die verborgen zit in de overvloedige digitale uitlaatgassen die door de moderne wereld van vandaag worden geproduceerd.
Met dit idee in gedachten demonstreren we het gebruik van funderingsmodellen om latente kenmerken uit afbeeldingen van het onroerend goed te halen. Door inzichten uit de afbeeldingen te gebruiken die voorheen niet beschikbaar waren in de tabelgegevens, kunnen we de nauwkeurigheid van het model verbeteren. Zowel de afbeeldingen als de tabelgegevens die in dit bericht worden besproken, zijn oorspronkelijk beschikbaar gesteld en gepubliceerd op GitHub door Ahmed en Moustafa (2016).
Een foto zegt meer dan duizend woorden
Nu we de mogelijkheden van VQA begrijpen, laten we de twee volgende afbeeldingen van keukens eens bekijken. Hoe zou u de waarde van het huis beoordelen op basis van deze afbeeldingen? Wat zijn enkele vragen die je jezelf zou stellen? Elke foto kan tientallen vragen bij u oproepen. Sommige van deze vragen kunnen leiden tot zinvolle antwoorden die het taxatieproces van een woning verbeteren.
Foto's crediteren Francesca Tosolini (L) en Sidekix Media (R) op Unsplash
De volgende tabel geeft anekdotische voorbeelden van VQA-interacties door vragen naast de bijbehorende antwoorden weer te geven. Antwoorden kunnen komen in de vorm van categorische, continue waarde- of binaire antwoorden.
Voorbeeld vraag | Voorbeeldantwoord uit funderingsmodel |
Waar zijn de werkbladen van gemaakt? | graniet, tegels, marmer, laminaat, enz. |
Is dit een dure keuken? | Ja nee |
Hoeveel gescheiden wastafels zijn er? | 0, 1, 2 |
Referentie-architectuur
In dit bericht gebruiken we Amazon SageMaker-gegevens Wrangler om een โโuniforme reeks visuele vragen te stellen voor duizenden foto's in de dataset. SageMaker Data Wrangler is speciaal gebouwd om het proces van datavoorbereiding en feature-engineering te vereenvoudigen. Door meer dan 300 ingebouwde transformaties aan te bieden, helpt SageMaker Data Wrangler de tijd die nodig is om tabel- en afbeeldingsgegevens voor ML voor te bereiden, terug te brengen van weken naar minuten. Hier combineert SageMaker Data Wrangler datakenmerken uit de originele tabellarische set met fotogeboren kenmerken uit het basismodel voor modeltraining.
Vervolgens bouwen we een regressiemodel met behulp van Amazon SageMaker-canvas. SageMaker Canvas kan een model bouwen, zonder code te schrijven, en binnen 2 tot 15 minuten voorlopige resultaten opleveren. In het volgende gedeelte bieden we een referentiearchitectuur die wordt gebruikt om deze oplossingsbegeleiding mogelijk te maken.
Veel populaire modellen van Hugging Face en andere aanbieders zijn met รฉรฉn klik inzetbaar Amazon SageMaker JumpStart. Er zijn honderdduizenden modellen beschikbaar in deze repositories. Voor dit bericht kiezen we een model dat niet beschikbaar is in SageMaker JumpStart, waarvoor een klantimplementatie vereist is. Zoals weergegeven in de volgende afbeelding, gebruiken we een Hugging Face-model voor gevolgtrekking met behulp van een Amazon SageMaker Studio notitieboekje. Het notebook wordt gebruikt om een โโeindpunt te implementeren voor realtime gevolgtrekking. De notebook maakt gebruik van assets die het binaire model Hugging Face, een verwijzing naar een containerimage en een speciaal gebouwd inference.py-script bevatten dat overeenkomt met de verwachte invoer en uitvoer van het model. Terwijl u dit leest, kan de mix van beschikbare VQA-modellen veranderen. Het belangrijkste is om op het moment dat u dit leest de beschikbare VQA-modellen te beoordelen en voorbereid te zijn op de implementatie van het model dat u kiest, dat zijn eigen API-aanvraag- en responscontract zal hebben.
Nadat het VQA-model door het SageMaker-eindpunt wordt bediend, gebruiken we SageMaker Data Wrangler om de pijplijn te orkestreren die uiteindelijk tabelgegevens en functies uit de digitale afbeeldingen combineert en de gegevens opnieuw vormgeeft voor modeltraining. De volgende afbeelding biedt een weergave van hoe de volledige gegevenstransformatietaak wordt uitgevoerd.
In de volgende afbeelding gebruiken we SageMaker Data Wrangler om taken voor gegevensvoorbereiding te orkestreren en SageMaker Canvas voor modeltraining. Ten eerste gebruikt SageMaker Data Wrangler Amazon-locatieservice om postcodes die beschikbaar zijn in de onbewerkte gegevens om te zetten in lengte- en breedtegraadkenmerken. Ten tweede kan SageMaker Data Wrangler het verzenden van duizenden foto's naar een door SageMaker gehost eindpunt coรถrdineren voor realtime gevolgtrekking, waarbij een uniforme reeks vragen per scรจne wordt gesteld. Dit resulteert in een rijk scala aan functies die kenmerken beschrijven die worden waargenomen in keukens, badkamers, de buitenkant van huizen en meer. Nadat de gegevens zijn voorbereid door SageMaker Data Wrangler, is er een trainingsdataset beschikbaar in Amazon eenvoudige opslagservice (Amazone S3). Met behulp van de S3-gegevens als invoer kan SageMaker Canvas een model trainen in slechts 2 tot 15 minuten, zonder code te schrijven.
Gegevenstransformatie met SageMaker Data Wrangler
De volgende schermafbeelding toont een SageMaker Data Wrangler-workflow. De workflow begint met duizenden foto's van huizen die zijn opgeslagen in Amazon S3. Vervolgens bepaalt een scรจnedetector de scรจne, zoals keuken of badkamer. Ten slotte wordt een scรจnespecifieke reeks vragen aan de beelden gesteld, wat resulteert in een rijkere tabellarische dataset die beschikbaar is voor training.
Het volgende is een voorbeeld van de aangepaste transformatiecode van SageMaker Data Wrangler die wordt gebruikt om te communiceren met het funderingsmodel en informatie te verkrijgen over afbeeldingen van keukens. Als u in de voorgaande schermafbeelding het knooppunt Keukenfuncties zou kiezen, zou de volgende code verschijnen:
Uit veiligheidsoverweging moet u eerst SageMaker Data Wrangler inschakelen om uw SageMaker real-time eindpunt aan te roepen via AWS Identiteits- en toegangsbeheer (IK BEN). Op dezelfde manier hebben alle AWS-bronnen die u aanroept via SageMaker Data Wrangler vergelijkbare toestemmingsrechten nodig.
Datastructuren voor en na SageMaker Data Wrangler
In deze sectie bespreken we de structuur van de oorspronkelijke tabelgegevens en de verbeterde gegevens. De verbeterde gegevens bevatten nieuwe gegevensfuncties met betrekking tot dit voorbeeldgebruik. Neem in uw toepassing de tijd om u de uiteenlopende reeks vragen in uw afbeeldingen voor te stellen die u kunnen helpen bij uw classificatie- of regressietaak. Het idee is om zoveel mogelijk vragen te bedenken en deze vervolgens te testen om er zeker van te zijn dat ze een toegevoegde waarde bieden.
Structuur van originele tabelgegevens
Zoals beschreven in de bron GitHub repo, bevat de voorbeeldgegevensset 535 tabellarische records, inclusief vier afbeeldingen per eigenschap. De volgende tabel illustreert de structuur van de oorspronkelijke tabelgegevens.
Kenmerk | Opmerking |
Aantal slaapkamers | . |
Aantal badkamers | . |
Oppervlakte (vierkante voet) | . |
Postcode | . |
Prijs | Dit is de doelvariabele die moet worden voorspeld. |
Structuur van verbeterde gegevens
De volgende tabel illustreert de verbeterde gegevensstructuur, die verschillende nieuwe functies bevat die zijn afgeleid van de afbeeldingen.
Kenmerk | Opmerking |
Aantal slaapkamers | . |
Aantal badkamers | . |
Oppervlakte (vierkante voet) | . |
Breedtegraad | Berekend door de originele postcode door te geven aan de Amazon Location Service. Dit is de zwaartepuntwaarde voor de ZIP. |
Lengtegraad | Berekend door de originele postcode door te geven aan de Amazon Location Service. Dit is de zwaartepuntwaarde voor de ZIP. |
Heeft de slaapkamer een gewelfd plafond? | 0 = nee; 1 = ja |
Is de badkamer duur? | 0 = nee; 1 = ja |
Is de keuken duur? | 0 = nee; 1 = ja |
Prijs | Dit is de doelvariabele die moet worden voorspeld. |
Modeltraining met SageMaker Canvas
Een SageMaker Data Wrangler-verwerkingstaak bereidt de volledige trainingsdataset in tabelvorm volledig voor en maakt deze beschikbaar in Amazon S3. Vervolgens behandelt SageMaker Canvas de modelbouwfase van de ML-levenscyclus. Canvas begint met het openen van de S3-trainingsset. Het kunnen begrijpen van een model is vaak een belangrijke klantvereiste. Zonder code te schrijven, en binnen een paar klikken, biedt SageMaker Canvas rijke, visuele feedback over de prestaties van modellen. Zoals te zien is in de schermafbeelding in de volgende sectie, laat SageMaker Canvas zien hoe afzonderlijke functies het model informeren.
Model getraind met originele tabelgegevens en functies afgeleid van vastgoedafbeeldingen
Uit de volgende schermafbeelding kunnen we zien dat kenmerken die zijn ontwikkeld op basis van afbeeldingen van het pand belangrijk waren. Op basis van deze resultaten was de vraag 'Is deze keuken duur' op de foto belangrijker dan 'aantal slaapkamers' in de oorspronkelijke tabel, met waarden voor de functiebelangen van respectievelijk 7.08 en 5.498.
De volgende schermafbeelding biedt belangrijke informatie over het model. Ten eerste toont de restgrafiek de meeste punten in de set, geclusterd rond de paars gearceerde zone. Hier werden voor deze illustratie twee uitschieters handmatig buiten SageMaker Canvas geannoteerd. Deze uitschieters vertegenwoordigen aanzienlijke verschillen tussen de werkelijke woningwaarde en de voorspelde waarde. Daarnaast heeft de R2 De waarde, die een mogelijk bereik heeft van 0โ100%, wordt weergegeven op 76%. Dit geeft aan dat het model onvolmaakt is en niet genoeg informatiepunten heeft om volledig rekening te houden met alle variaties om de woningwaarde volledig te kunnen schatten.
We kunnen uitschieters gebruiken om aanvullende signalen te vinden en voor te stellen om een โโuitgebreider model te bouwen. Deze uitschieters kunnen bijvoorbeeld een zwembad omvatten of zich op grote percelen bevinden. De dataset bevatte deze functies niet; U kunt deze gegevens echter mogelijk lokaliseren en een nieuw model trainen met 'heeft een zwembad' als extra functie. Idealiter zou bij uw volgende poging de R2 de waarde zou stijgen en de MAE- en RMSE-waarden zouden dalen.
Model getraind zonder kenmerken afgeleid van vastgoedafbeeldingen
Laten we tot slot, voordat we naar het volgende gedeelte gaan, onderzoeken of de kenmerken uit de afbeeldingen nuttig waren. De volgende schermafbeelding biedt een ander door SageMaker Canvas getraind model zonder de functies van het VQA-model. We zien dat het modelfoutenpercentage is toegenomen, van een RMSE van 282K naar een RMSE van 352K. Hieruit kunnen we concluderen dat drie eenvoudige vragen uit de afbeeldingen de nauwkeurigheid van het model met ongeveer 20% verbeterden. Niet afgebeeld, maar voor de volledigheid: de R2 de waarde voor het volgende model verslechterde ook en daalde van 62% naar een waarde van 76% met de geleverde VQA-functies. Dit is een voorbeeld van hoe SageMaker Canvas het eenvoudig maakt om snel te experimenteren en een datagestuurde aanpak te gebruiken die een model oplevert dat aan uw zakelijke behoeften voldoet.
De toekomst
Veel organisaties raken steeds meer geรฏnteresseerd in basismodellen, vooral sinds algemene vooraf getrainde transformatoren (GPT's) in december 2022 officieel een mainstream onderwerp van interesse zijn geworden. Een groot deel van de belangstelling voor basismodellen is gericht op taken met grote taalmodellen (LLM). ; Er zijn echter nog andere uiteenlopende gebruiksscenario's beschikbaar, zoals computervisie en, enger gezegd, de gespecialiseerde VQA-taak die hier wordt beschreven.
Dit bericht is een voorbeeld om het gebruik van multimodale gegevens te inspireren om gebruiksscenario's in de sector op te lossen. Hoewel we het gebruik en de voordelen van VQA in een regressiemodel hebben gedemonstreerd, kan het ook worden gebruikt om afbeeldingen te labelen en te taggen voor daaropvolgende zoekopdrachten of zakelijke workflowroutering. Stel je voor dat je kunt zoeken naar eigendommen die te koop of te huur staan. Stel dat u een woning wilt vinden met tegelvloeren of marmeren werkbladen. Tegenwoordig moet u misschien een lange lijst met kandidaat-eigendommen verkrijgen en uzelf op zicht filteren terwijl u door elke kandidaat bladert. Stel je in plaats daarvan voor dat je vermeldingen kunt filteren die deze kenmerken bevatten, zelfs als iemand ze niet expliciet heeft getagd. Stel je in de verzekeringssector de mogelijkheid voor om schadeclaims te schatten, of om volgende acties in een zakelijke workflow op basis van afbeeldingen te sturen. Op sociale mediaplatforms kunnen foto's automatisch worden getagd voor later gebruik.
Samengevat
Dit bericht demonstreerde hoe je computer vision, mogelijk gemaakt door een basismodel, kunt gebruiken om een โโklassiek ML-gebruiksscenario te verbeteren met behulp van het SageMaker-platform. Als onderdeel van de voorgestelde oplossing hebben we een populair VQA-model gevonden dat beschikbaar is in een openbaar modelregister en dit geรฏmplementeerd met behulp van een SageMaker-eindpunt voor realtime gevolgtrekking.
Vervolgens hebben we SageMaker Data Wrangler gebruikt om een โโworkflow te orkestreren waarin uniforme vragen aan de afbeeldingen werden gesteld om zo een rijke set tabelgegevens te genereren. Ten slotte hebben we SageMaker Canvas gebruikt om een โโregressiemodel te trainen. Het is belangrijk op te merken dat de voorbeeldgegevensset zeer eenvoudig was en daarom onvolmaakt van opzet. Toch maakt SageMaker Canvas het gemakkelijk om de nauwkeurigheid van modellen te begrijpen en aanvullende signalen te zoeken om de nauwkeurigheid van een basismodel te verbeteren.
We hopen dat dit bericht u heeft aangemoedigd om gebruik te maken van de multimodale gegevens die uw organisatie mogelijk bezit. Daarnaast hopen we dat dit bericht je heeft geรฏnspireerd om modeltraining als een iteratief proces te beschouwen. Met wat geduld kan een geweldig model worden bereikt. Modellen die bijna perfect zijn, zijn misschien te mooi om waar te zijn, misschien het resultaat van doellekkage of overfitting. Een ideaal scenario zou beginnen met een model dat goed is, maar niet perfect. Met behulp van fouten, verliezen en residuele plots kunt u aanvullende gegevenssignalen verkrijgen om de nauwkeurigheid van uw initiรซle basislijnschatting te vergroten.
AWS biedt de breedste en diepste reeks ML-services en ondersteunende cloudinfrastructuur, waardoor ML in handen komt van elke ontwikkelaar, datawetenschapper en deskundige. Als u nieuwsgierig bent naar meer informatie over het SageMaker-platform, inclusief SageMaker Data Wrangler en SageMaker Canvas, neem dan contact op met uw AWS-accountteam en begin een gesprek. Overweeg ook om meer te lezen over SageMaker Data Wrangler aangepaste transformaties.
Referenties
Ahmed, EH, en Moustafa, M. (2016). Schatting van de huizenprijs op basis van visuele en tekstuele kenmerken. IJCCI 2016-Proceedings van de 8e Internationale Gezamenlijke Conferentie over Computational Intelligence, 3, 62-68.
Harrison Jr, D., en Rubinfeld, DL (1978). Hedonistische huizenprijzen en de vraag naar schone lucht. Tijdschrift voor milieueconomie en management, 5(1), 81-102.
Kim, W., Zoon, B. & Kim, I.. (2021). ViLT: Visie- en Taaltransformator Zonder Convolutie of Regiotoezicht. Proceedings van de 38e Internationale Conferentie over Machine Learning, in Proceedings of Machine Learning Research. 139:5583-5594.
Over de auteur
Charles Lachlin is een Principal AI/ML Specialist Solution Architect en werkt in het Amazon SageMaker-serviceteam bij AWS. Hij helpt bij het vormgeven van de serviceroadmap en werkt dagelijks samen met diverse AWS-klanten om hun bedrijf te helpen transformeren met behulp van geavanceerde AWS-technologieรซn en thought leadership. Charles heeft een MS in Supply Chain Management en een Ph.D. in Datawetenschap.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
- PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
- PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
- Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/use-foundation-models-to-improve-model-accuracy-with-amazon-sagemaker/
- : heeft
- :is
- :niet
- :waar
- $UP
- 08
- 1
- 100
- 2016
- 2021
- 2022
- 32
- 49
- 50
- 50 Years
- 7
- 8
- 8
- a
- vermogen
- in staat
- Over
- overvloedig
- toegang
- Account
- nauwkeurigheid
- bereikt
- acties
- Extra
- Daarnaast
- adressen
- Na
- ahmed
- AI
- AI / ML
- AIR
- Alles
- toelaten
- bijna
- naast
- ook
- Hoewel
- Amazone
- Amazon Sage Maker
- Amazon Web Services
- amp
- an
- en
- Nog een
- beantwoorden
- antwoorden
- elke
- api
- verschijnen
- Aanvraag
- Solliciteer
- nadering
- architectuur
- ZIJN
- rond
- reeks
- kunstmatig
- kunstmatige intelligentie
- Kunstmatige intelligentie (AI)
- AS
- vragen
- vragen
- schatten
- Activa
- At
- poging
- audio
- geautomatiseerde
- Beschikbaar
- AWS
- gebaseerde
- Baseline
- BE
- werd
- worden
- worden
- geweest
- vaardigheden
- beginnen
- wezen
- voordeel
- tussen
- Verder
- lichaam
- Boston
- zowel
- bouw
- Gebouw
- ingebouwd
- last
- bedrijfsdeskundigen
- ondernemingen
- maar
- by
- Bellen
- CAN
- kandidaat
- canvas
- mogelijkheden
- bekwaamheid
- in staat
- geval
- gevallen
- plafond
- gecentreerd
- Centra
- keten
- verandering
- kenmerken
- Charles
- Kies
- aanspraak maken op
- klassiek
- classificatie
- schoon
- Cloud
- cloud infrastructuur
- clustering
- code
- codes
- samenwerkt
- kleur
- combines
- hoe
- compleet
- uitgebreid
- computationeel
- computer
- Computer visie
- concept
- concludeert
- Conferentie
- Overwegen
- overweging
- bevatten
- Containers
- bevat
- doorlopend
- contract
- Gesprek
- converteren
- coรถrdineren
- te corrigeren
- Overeenkomend
- kon
- Credits
- nieuwsgierig
- gewoonte
- klant
- Klanten
- op het randje
- dagelijks
- gegevens
- Data voorbereiding
- data science
- data scientist
- gegevensset
- Gegevensstructuur
- Gegevensgestuurde
- December
- Besluitvorming
- verlagen
- diepste
- leveren
- Vraag
- tonen
- gedemonstreerd
- demonstreert
- implementeren
- ingezet
- inzet
- Afgeleid
- beschrijven
- beschreven
- Design
- ontworpen
- bepaalt
- ontwikkelde
- Ontwikkelaar
- digitaal
- Afmeting
- bespreken
- besproken
- diversen
- do
- doet
- Nee
- downloads
- tientallen
- dropping
- e
- elk
- En het is heel gemakkelijk
- Economie
- in staat stellen
- ingeschakeld
- aangemoedigd
- Endpoint
- Engineering
- verbeterde
- genoeg
- Geheel
- milieu
- fout
- fouten
- vooral
- schatting
- etc
- Zelfs
- Alle
- voorbeeld
- voorbeelden
- verwacht
- duur
- experiment
- expert
- uitdrukkelijk
- Verken
- extract
- Gezicht
- Kenmerk
- Voordelen
- feedback
- Voeten
- weinig
- Figuur
- filter
- Tot slot
- VIND DE PLEK DIE PERFECT VOOR JOU IS
- Voornaam*
- Vloer
- Focus
- volgen
- volgend
- volgt
- Voor
- formulier
- gevonden
- Foundation
- vier
- oppompen van
- volledige schaal
- geheel
- functie
- functies
- fundamenteel
- Krijgen
- hiaten
- Algemeen
- voortbrengen
- krijgen
- doel
- goed
- diagram
- groot
- baanbrekende
- leiding
- handen
- Hebben
- he
- hulp
- nuttig
- helpt
- hier
- verborgen
- Markeer
- houdt
- Home
- Woningen
- hoop
- gehost
- Huis
- behuizing
- Hoe
- How To
- Echter
- http
- HTTPS
- Honderden
- i
- idee
- ideaal
- ideaal
- Identiteit
- if
- illustreert
- beeld
- afbeeldingen
- beeld
- importeren
- belang
- belangrijk
- verbeteren
- verbeterd
- in
- omvatten
- inclusief
- Inclusief
- opnemen
- Laat uw omzet
- meer
- in toenemende mate
- onafhankelijk
- geeft aan
- -industrie
- beรฏnvloeden
- informeren
- informatie
- Infrastructuur
- eerste
- invoer
- inzichten
- inspireren
- geinspireerd
- verkrijgen in plaats daarvan
- verzekering
- Intelligentie
- interactie
- interacties
- belang
- geรฏnteresseerd
- Internationale
- in
- IT
- HAAR
- Jobomschrijving:
- gewricht
- jpg
- json
- sleutel
- Kim
- kennis
- bekend
- label
- Land
- taal
- Groot
- later
- leiden
- Leadership
- LEARN
- leren
- levenscyclus van uw product
- Lijst
- opgesomd
- Meldingen
- Elke kleine stap levert grote resultaten op!
- LLM
- gelegen
- plaats
- opgesloten
- lang
- verliezen
- machine
- machine learning
- gemaakt
- Hoofdstroom
- maken
- MERKEN
- management
- handmatig
- veel
- lucifers
- Mei..
- zinvolle
- middel
- Media
- methode
- Halverwege
- macht
- denken
- minuten
- vermist
- mengen
- ML
- model
- modellen
- Modern
- meer
- meest
- beweging
- bewegend
- Dan moet je
- Naturel
- Noodzaak
- nodig
- New
- Nieuwe mogelijkheden
- volgende
- geen
- knooppunt
- notitieboekje
- aantal
- vele
- verkrijgen
- opgetreden
- of
- Aanbod
- Officieel
- vaak
- on
- Slechts
- open source
- opening
- or
- bestellen
- organisatie
- organisaties
- origineel
- oorspronkelijk
- Overige
- onze
- uit
- uitbijter
- uitgang
- buiten
- het te bezitten.
- Papier
- deel
- Voorbijgaand
- Geduld
- patronen
- voor
- prestatie
- misschien
- permissies
- persoon
- fase
- foto
- Foto's
- beeld
- Foto's
- pijpleiding
- Eenvoudig
- platform
- platforms
- Plato
- Plato gegevensintelligentie
- PlatoData
- dan
- punt
- punten
- zwembad
- Populair
- deel
- bezitten
- mogelijk
- Post
- voorspeld
- inleidend
- voorbereiding
- Voorbereiden
- bereid
- Bereidt zich voor
- die eerder
- prijs
- Prijzen
- Principal
- werkzaamheden
- verwerking
- geproduceerd
- professionals
- vastgoed
- eigendom
- voorstellen
- voorgestelde
- zorgen voor
- mits
- leverancier
- providers
- biedt
- het verstrekken van
- publiek
- gepubliceerde
- Putting
- kwaliteit
- vraag
- Contact
- snel
- R
- reeks
- tarief
- Rauw
- bereiken
- Lees
- lezing
- klaar
- real-time
- ontvangen
- archief
- verminderen
- referentie
- verwijst
- regio
- register
- versterken
- relatief
- relevante
- Verhuur
- bewaarplaats
- vertegenwoordigen
- te vragen
- vereiste
- vereist
- onderzoek
- hervormen
- Residentie
- Resources
- respectievelijk
- antwoord
- reacties
- resultaat
- verkregen
- Resultaten
- terugkeer
- beoordelen
- Rijk
- rijker
- roadmap
- weg
- routing
- lopen
- runtime
- s
- sagemaker
- sale
- dezelfde
- Voorbeeldgegevensset
- scenario
- scรจne
- Wetenschap
- Wetenschapper
- scott
- script
- Ontdek
- Tweede
- sectie
- veiligheid
- zien
- Zoeken
- gezien
- gekozen
- verzending
- dienen
- geserveerd
- service
- Diensten
- reeks
- verscheidene
- Vorm
- tonen
- getoond
- Shows
- Zicht
- signalen
- aanzienlijke
- gelijk
- evenzo
- Eenvoudig
- vereenvoudigen
- sinds
- single
- Maat
- So
- Social
- social media
- social media platforms
- oplossing
- OPLOSSEN
- sommige
- soms
- zijn
- bron
- bronnen
- Tussenruimte
- specialist
- gespecialiseerde
- specifiek
- vierkant
- begin
- Still
- mediaopslag
- opgeslagen
- eenvoudig
- structuur
- structuren
- Leerlingen
- volgend
- dergelijk
- stel
- toezicht
- leveren
- toeleveringsketen
- voorraadketenbeheer
- Ondersteuning
- zeker
- tafel
- TAG
- Nemen
- neemt
- doelwit
- Taak
- taken
- Onderwijs
- team
- Technologies
- Technologie
- termijn
- proef
- tekstueel
- neem contact
- dat
- De
- De Bron
- hun
- Ze
- harte
- Er.
- daarom
- Deze
- ze
- ding
- dit
- die
- gedachte
- thought leadership
- duizend
- duizenden kosten
- drie
- Door
- niet de tijd of
- naar
- vandaag
- vandaag
- ook
- tools
- onderwerp
- traditioneel
- Trainen
- getraind
- Trainingen
- Transformeren
- Transformatie
- transformaties
- transformator
- transformers
- waar
- vertrouwde
- twee
- type dan:
- types
- Tenslotte
- begrijpen
- begrip
- unieke
- Unsplash
- .
- use case
- gebruikt
- toepassingen
- gebruik
- Gebruik makend
- Taxatie
- waarde
- waarde toevoegen
- Values
- variabele
- variรซteit
- zeer
- Video
- Bekijk
- zichtbaar
- visie
- visuele
- W
- willen
- was
- we
- web
- webservices
- weken
- GOED
- waren
- Wat
- Wat is
- welke
- WIE
- wil
- ruiten
- Met
- binnen
- zonder
- hout
- Mijn werk
- workflow
- Bedrijven
- wereld
- waard
- zou
- het schrijven van
- jaar
- opbrengsten
- You
- Your
- jezelf
- youtube
- zephyrnet
- nul
- Postcode