Natural Language Processing (NLP) is het gebied van machine learning (ML) dat computers de mogelijkheid geeft om tekst en gesproken woorden te begrijpen op dezelfde manier als mensen dat kunnen. Onlangs zijn state-of-the-art architecturen zoals de transformator architectuur worden gebruikt om bijna-menselijke prestaties te bereiken bij NLP-downstreamtaken zoals tekstsamenvatting, tekstclassificatie, entiteitsherkenning en meer.
Grote taalmodellen (LLM's) zijn op transformatoren gebaseerde modellen die zijn getraind op een grote hoeveelheid ongelabelde tekst met honderden miljoenen (BERT) tot meer dan een biljoen parameters (Microfoons), en waarvan de grootte training met รฉรฉn GPU onpraktisch maakt. Vanwege hun inherente complexiteit is het vanaf het begin trainen van een LLM een zeer uitdagende taak die maar heel weinig organisaties zich kunnen veroorloven. Een gangbare praktijk voor NLP-downstreamtaken is om een โโvooraf getrainde LLM te nemen en deze te verfijnen. Zie voor meer informatie over fijnafstemming Domeinaanpassing Verfijning van Foundation-modellen in Amazon SageMaker JumpStart op financiรซle gegevens en Verfijn transformatortaalmodellen voor taalkundige diversiteit met Hugging Face op Amazon SageMaker.
Zero-shot learning in NLP maakt een voorgetrainde LLM om reacties te genereren op taken waarvoor het niet expliciet is getraind (zelfs zonder verfijning). Specifiek gesproken over tekstclassificatie, zero-shot tekstclassificatie is een taak in de verwerking van natuurlijke taal waarbij een NLP-model wordt gebruikt om tekst uit onzichtbare klassen te classificeren, in tegenstelling tot gecontroleerde classificatie, waar NLP-modellen alleen tekst kunnen classificeren die bij klassen in de trainingsgegevens hoort.
We hebben onlangs ondersteuning voor zero-shot-classificatiemodellen gelanceerd in Amazon SageMaker JumpStart. SageMaker JumpStart is de ML-hub van Amazon Sage Maker dat toegang biedt tot vooraf getrainde basismodellen (FM's), LLM's, ingebouwde algoritmen en oplossingssjablonen om u te helpen snel aan de slag te gaan met ML. In dit bericht laten we zien hoe u zero-shot-classificatie kunt uitvoeren met behulp van vooraf getrainde modellen in SageMaker Jumpstart. U leert hoe u de SageMaker Jumpstart UI en SageMaker Python SDK kunt gebruiken om de oplossing te implementeren en gevolgtrekkingen uit te voeren met behulp van de beschikbare modellen.
Zero-shot leren
Zero-shot-classificatie is een paradigma waarbij een model nieuwe, onzichtbare voorbeelden kan classificeren die behoren tot klassen die niet aanwezig waren in de trainingsgegevens. Een taalmodel dat is getraind om menselijke taal te begrijpen, kan bijvoorbeeld worden gebruikt om tweets met goede voornemens voor het nieuwe jaar in meerdere klassen te classificeren, zoals career
, health
en finance
, zonder dat het taalmodel expliciet is getraind op de tekstclassificatietaak. Dit in tegenstelling tot het verfijnen van het model, aangezien dit laatste impliceert dat het model opnieuw moet worden getraind (via transfer learning), terwijl zero-shot learning geen aanvullende training vereist.
Het volgende diagram illustreert de verschillen tussen transferleren (links) en zero-shot-leren (rechts).
Yin et al. stelde een raamwerk voor voor het creรซren van zero-shot-classificatoren met behulp van natuurlijke taalinferentie (NLI). Het raamwerk werkt door de volgorde die moet worden geclassificeerd als een NLI-uitgangspunt te stellen en construeert een hypothese op basis van elk kandidaatlabel. Bijvoorbeeld als we willen evalueren of een reeks tot de klasse behoort politics
, zouden we een hypothese kunnen construeren van "Deze tekst gaat over politiek." De kansen op gevolgtrekking en tegenspraak worden vervolgens omgezet in labelkansen. Als een snelle terugblik beschouwt NLI twee zinnen: een premisse en een hypothese. De taak is om te bepalen of de hypothese waar is (gevolg) of onwaar (tegenstrijdigheid) gezien de premisse. De volgende tabel geeft enkele voorbeelden.
premisse | label | Hypothese |
Een man inspecteert het uniform van een figuur in een Oost-Aziatisch land. | tegenstrijdigheid | De man slaapt. |
Een oudere en jongere man glimlachend. | Neutraal | Twee mannen glimlachen en lachen om de katten die op de grond spelen. |
Een voetbalspel waarbij meerdere mannen spelen. | met zich meebrengen | Sommige mannen sporten. |
Overzicht oplossingen
In dit bericht bespreken we het volgende:
- Vooraf getrainde zero-shot tekstclassificatiemodellen implementeren met behulp van de SageMaker JumpStart UI en gevolgtrekkingen uitvoeren op het geรฏmplementeerde model met behulp van korte tekstgegevens
- Hoe u de SageMaker Python SDK kunt gebruiken om toegang te krijgen tot de vooraf getrainde zero-shot-modellen voor tekstclassificatie in SageMaker JumpStart en hoe u het inferentiescript kunt gebruiken om het model te implementeren op een SageMaker-eindpunt voor een realtime gebruik van tekstclassificatie
- Hoe u de SageMaker Python SDK gebruikt om toegang te krijgen tot vooraf getrainde zero-shot-modellen voor tekstclassificatie en SageMaker batchtransformatie te gebruiken voor een gebruiksscenario voor batchtekstclassificatie
SageMaker JumpStart biedt fijnafstemming en implementatie met รฉรฉn klik voor een breed scala aan vooraf getrainde modellen voor populaire ML-taken, evenals een selectie van end-to-end-oplossingen die veelvoorkomende zakelijke problemen oplossen. Deze functies nemen het zware werk uit elke stap van het ML-proces weg, vereenvoudigen de ontwikkeling van hoogwaardige modellen en verkorten de implementatietijd. De JumpStart-API's stelt u in staat om een โโuitgebreide selectie vooraf getrainde modellen programmatisch te implementeren en af โโte stemmen op uw eigen datasets.
De JumpStart-modelhub biedt toegang tot een groot aantal NLP-modellen die overdrachtsleren en afstemmen op aangepaste datasets mogelijk maken. Op het moment van schrijven bevat de JumpStart-modelhub meer dan 300 tekstmodellen in een verscheidenheid aan populaire modellen, zoals Stable Diffusion, Flan T5, Alexa TM, Bloom en meer.
Houd er rekening mee dat door de stappen in deze sectie te volgen, u infrastructuur op uw AWS-account implementeert, wat kosten met zich mee kan brengen.
Implementeer een zelfstandig zero-shot tekstclassificatiemodel
In deze sectie laten we zien hoe u een zero-shot classificatiemodel kunt implementeren met behulp van SageMaker JumpStart. U kunt toegang krijgen tot vooraf getrainde modellen via de JumpStart-startpagina in Amazon SageMaker Studio. Voer de volgende stappen uit:
- Open in SageMaker Studio de JumpStart-landingspagina.
Verwijzen naar Open en gebruik JumpStart voor meer informatie over het navigeren naar SageMaker JumpStart. - In het Tekstmodellen carrousel, zoek de modelkaart "Zero-Shot Text Classification".
- Kies Bekijk model om toegang te krijgen tot de
facebook-bart-large-mnli
model.
U kunt ook zoeken naar het zero-shot classificatiemodel in de zoekbalk en naar het model gaan in SageMaker JumpStart. - Geef een implementatieconfiguratie op, het type SageMaker-hostinginstantie, de naam van het eindpunt, Amazon eenvoudige opslagservice (Amazon S3) bucketnaam en andere vereiste parameters.
- Optioneel kunt u beveiligingsconfiguraties specificeren zoals AWS Identiteits- en toegangsbeheer (IAM) rol, VPC-instellingen en AWS Sleutelbeheerservice (AWS KMS)-coderingssleutels.
- Kies Implementeren om een โโSageMaker-eindpunt te maken.
Deze stap duurt een paar minuten om te voltooien. Wanneer het voltooid is, kunt u deductie uitvoeren tegen het SageMaker-eindpunt dat het zero-shot classificatiemodel host.
In de volgende video laten we een walkthrough zien van de stappen in deze sectie.
Gebruik JumpStart programmatisch met de SageMaker SDK
In de SageMaker JumpStart-sectie van SageMaker Studio, onder Snelle startoplossingen, vindt u de oplossing sjablonen. SageMaker JumpStart-oplossingssjablonen zijn end-to-end-oplossingen met รฉรฉn klik voor veel voorkomende ML-use-cases. Op het moment van schrijven zijn er meer dan 20 oplossingen beschikbaar voor meerdere gebruiksscenario's, zoals vraagprognoses, fraudedetectie en gepersonaliseerde aanbevelingen, om er maar een paar te noemen.
De oplossing "Zero Shot Text Classification with Hugging Face" biedt een manier om tekst te classificeren zonder de noodzaak om een โโmodel te trainen voor specifieke labels (zero-shot classificatie) met behulp van een vooraf getrainde tekstclassificatie. Het standaard zero-shot classificatiemodel voor deze oplossing is de facebook-bart-groot-mnli (BART)-model. Voor deze oplossing gebruiken we de Gegevensset Goede voornemens voor het nieuwe jaar 2015 om resoluties te classificeren. Een subset van de originele dataset die alleen de Resolution_Category
(grondwaarheidslabel) en de text
kolommen zijn opgenomen in de activa van de oplossing.
De invoergegevens bevatten tekenreeksen, een lijst met gewenste categorieรซn voor classificatie en of de classificatie al dan niet multilabel is voor synchrone (realtime) gevolgtrekking. Voor asynchrone (batch) gevolgtrekkingen bieden we een lijst met tekenreeksen, de lijst met categorieรซn voor elke tekenreeks en of de classificatie al dan niet multilabel is in een tekstbestand met JSON-regels.
Het resultaat van de gevolgtrekking is een JSON-object dat er ongeveer uitziet als de volgende schermafbeelding.
We hebben de originele tekst in de sequence
veld, de labels die worden gebruikt voor de tekstclassificatie in het labels
veld en de waarschijnlijkheid die is toegewezen aan elk label (in dezelfde volgorde van verschijnen) in het veld scores
.
Voer de volgende stappen uit om de Zero Shot-tekstclassificatie met knuffelgezicht-oplossing te implementeren:
- Kies op de SageMaker JumpStart-bestemmingspagina Modellen, notebooks, oplossingen in het navigatievenster.
- In het Oplossingen sectie, kies Ontdek alle oplossingen.
- Op de Oplossingen Kies op de pagina Zero Shot-tekstclassificatie met knuffelgezicht de modelkaart.
- Bekijk de implementatiedetails en maak een keuze als u akkoord gaat Lancering.
De implementatie voorziet in een SageMaker real-time endpoint voor real-time inferentie en een S3-bucket voor het opslaan van de batchtransformatieresultaten.
Het volgende diagram illustreert de architectuur van deze methode.
Voer realtime gevolgtrekkingen uit met behulp van een zero-shot classificatiemodel
In deze sectie bekijken we hoe u de Python SDK kunt gebruiken om zero-shot tekstclassificatie (met behulp van een van de beschikbare modellen) in realtime uit te voeren met behulp van een SageMaker-eindpunt.
- Eerst configureren we het deductie-payloadverzoek voor het model. Dit is modelafhankelijk, maar voor het BART-model is de invoer een JSON-object met de volgende structuur:
- Merk op dat het BART-model niet expliciet is getraind op de
candidate_labels
. We zullen de zero-shot-classificatietechniek gebruiken om de tekstreeks te classificeren in onzichtbare klassen. De volgende code is een voorbeeld waarbij tekst uit de gegevensset Nieuwjaarsresoluties en de gedefinieerde klassen wordt gebruikt: - Vervolgens kunt u een SageMaker-eindpunt aanroepen met de zero-shot-payload. Het SageMaker-eindpunt wordt geรฏmplementeerd als onderdeel van de SageMaker JumpStart-oplossing.
- Het inferentieresponsobject bevat de oorspronkelijke reeks, de labels gesorteerd op score van max tot min, en de scores per label:
Voer een SageMaker-batchtransformatietaak uit met behulp van de Python SDK
In dit gedeelte wordt beschreven hoe u batchtransformatie-inferentie uitvoert met de zero-shot-classificatie facebook-bart-large-mnli
model met behulp van de SageMaker Python-SDK. Voer de volgende stappen uit:
- Formatteer de invoergegevens in JSON-lijnenformaat en upload het bestand naar Amazon S3.
SageMaker-batchtransformatie voert gevolgtrekkingen uit op de gegevenspunten die in het S3-bestand zijn geรผpload. - Stel de artefacten voor modelimplementatie in met de volgende parameters:
- model_id - Gebruik
huggingface-zstc-facebook-bart-large-mnli
. - implement_image_uri - Gebruik de
image_uris
Python SDK-functie om de vooraf gebouwde SageMaker Docker-image voor demodel_id
. De functie retourneert de Amazon Elastic Container-register (Amazon ECR) URI. - implement_source_uri โ Gebruik de
script_uris
hulpprogramma-API om de S3-URI op te halen die scripts bevat om vooraf getrainde modelinferentie uit te voeren. Wij specificeren descript_scope
asinference
. - model_uri - Gebruik
model_uri
om de modelartefacten van Amazon S3 voor de opgegeven doeleinden te verkrijgenmodel_id
.
- model_id - Gebruik
- Te gebruiken
HF_TASK
om de taak voor de Hugging Face-transformatorpijplijn te definiรซren enHF_MODEL_ID
om het model te definiรซren dat wordt gebruikt om de tekst te classificeren:Zie voor een volledige lijst met taken Pijpleidingen in de Hugging Face-documentatie.
- Maak een Hugging Face-modelobject dat moet worden geรฏmplementeerd met de SageMaker-batchtransformatietaak:
- Maak een transformatie om een โโbatchtaak uit te voeren:
- Start een batchtransformatietaak en gebruik S3-gegevens als invoer:
U kunt uw batchverwerkingstaak volgen op de SageMaker-console (kies Batch-transformatietaken voor Gevolgtrekking in het navigatievenster). Wanneer de taak is voltooid, kunt u de uitvoer van de modelvoorspelling controleren in het S3-bestand dat is opgegeven in output_path
.
Raadpleeg voor een lijst met alle beschikbare vooraf getrainde modellen in SageMaker JumpStart Ingebouwde algoritmen met vooraf getrainde modeltabel. Gebruik het trefwoord "zstc" (afkorting van zero-shot tekstclassificatie) in de zoekbalk om alle modellen te vinden die in staat zijn om zero-shot tekstclassificatie uit te voeren.
Opruimen
Nadat u klaar bent met het uitvoeren van de notebook, moet u ervoor zorgen dat u alle bronnen verwijdert die tijdens het proces zijn gemaakt, om ervoor te zorgen dat de kosten die worden gemaakt door de assets die in deze handleiding worden geรฏmplementeerd, worden gestopt. De code voor het opschonen van de geรฏmplementeerde bronnen wordt geleverd in de notitieblokken die zijn gekoppeld aan de zero-shot-tekstclassificatieoplossing en -model.
Standaard beveiligingsconfiguraties
De SageMaker JumpStart-modellen worden geรฏmplementeerd met behulp van de volgende standaard beveiligingsconfiguraties:
Voor meer informatie over beveiligingsgerelateerde onderwerpen van SageMaker, ga naar Configureer de beveiliging in Amazon SageMaker.
Conclusie
In dit bericht hebben we u laten zien hoe u een zero-shot classificatiemodel implementeert met behulp van de gebruikersinterface van SageMaker JumpStart en hoe u conclusies kunt trekken met behulp van het geรฏmplementeerde eindpunt. We hebben de SageMaker JumpStart New Year's resoluties-oplossing gebruikt om te laten zien hoe u de SageMaker Python SDK kunt gebruiken om een โโend-to-end-oplossing te bouwen en een zero-shot classificatietoepassing te implementeren. SageMaker JumpStart biedt toegang tot honderden vooraf getrainde modellen en oplossingen voor taken zoals computervisie, natuurlijke taalverwerking, aanbevelingssystemen en meer. Probeer de oplossing zelf uit en laat ons uw mening weten.
Over de auteurs
David Laredo is een Prototyping Architect bij AWS Envision Engineering in LATAM, waar hij heeft geholpen bij het ontwikkelen van meerdere machine learning-prototypes. Hij heeft eerder gewerkt als Machine Learning Engineer en doet al meer dan 5 jaar aan machine learning. Zijn interessegebieden zijn NLP, tijdreeksen en end-to-end ML.
Vikram Elango is een AI/ML Specialist Solutions Architect bij Amazon Web Services, gevestigd in Virginia, VS. Vikram helpt klanten uit de financiรซle en verzekeringssector met ontwerp en leiderschap om machine learning-applicaties op schaal te bouwen en te implementeren. Hij richt zich momenteel op natuurlijke taalverwerking, verantwoorde AI, inferentie-optimalisatie en het opschalen van ML in de hele onderneming. In zijn vrije tijd houdt hij van reizen, wandelen, koken en kamperen met zijn gezin.
Dr Vivek Madan is een Applied Scientist bij het Amazon SageMaker JumpStart-team. Hij promoveerde aan de Universiteit van Illinois in Urbana-Champaign en was een postdoctoraal onderzoeker bij Georgia Tech. Hij is een actief onderzoeker op het gebied van machine learning en algoritmeontwerp en heeft artikelen gepubliceerd op EMNLP-, ICLR-, COLT-, FOCS- en SODA-conferenties.
- 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. Automotive / EV's, carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
- Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
- ChartPrime. Verhoog uw handelsspel met ChartPrime. Toegang hier.
- BlockOffsets. Eigendom voor milieucompensatie moderniseren. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/zero-shot-text-classification-with-amazon-sagemaker-jumpstart/
- : heeft
- :is
- :niet
- :waar
- $UP
- 1
- 10
- 100
- 12
- 16
- 17
- 20
- 22
- 30
- 7
- 8
- 9
- a
- vermogen
- Over
- boven
- toegang
- Account
- Bereiken
- over
- actieve
- Extra
- tegen
- AI
- AI / ML
- AL
- Alexa
- algoritme
- algoritmen
- Alles
- toelaten
- toestaat
- Amazone
- Amazon Sage Maker
- Amazon SageMaker JumpStart
- Amazon Web Services
- bedragen
- an
- en
- elke
- api
- Aanvraag
- toepassingen
- toegepast
- architectuur
- ZIJN
- gebieden
- AS
- Aziatisch
- Activa
- toegewezen
- geassocieerd
- At
- webmaster.
- Beschikbaar
- AWS
- bars
- baseren
- gebaseerde
- BE
- geweest
- wezen
- behoort
- tussen
- Bloeien
- lichaam
- Boeken
- Ontbijt
- bouw
- ingebouwd
- bedrijfsdeskundigen
- maar
- by
- CAN
- kandidaat
- in staat
- kaart
- Carriรจre
- carrousel
- gevallen
- categorieรซn
- Katten
- uitdagend
- controle
- Kies
- klasse
- klassen
- classificatie
- geklasseerd
- classificeren
- code
- columns
- Gemeen
- compleet
- ingewikkeldheid
- computer
- Computer visie
- computers
- betrokken
- conferenties
- Configuratie
- beschouwt
- troosten
- bouwen
- Containers
- bevat
- contrast
- geconverteerd
- Kosten
- kon
- Land
- Koppel
- en je merk te creรซren
- aangemaakt
- Wij creรซren
- Op dit moment
- gewoonte
- Klanten
- gegevens
- data punten
- datasets
- toegewijd aan
- Standaard
- bepalen
- gedefinieerd
- Vraag
- Eis voorspelling
- tonen
- afhankelijkheden
- afhankelijk
- implementeren
- ingezet
- inzet
- Design
- gewenste
- gegevens
- Opsporing
- Bepalen
- ontwikkelen
- Ontwikkeling
- verschillen
- Verspreiding
- bespreken
- Verscheidenheid
- havenarbeider
- documentatie
- Nee
- doen
- gedaan
- twee
- E & T
- elk
- oosten
- Onderwijs
- in staat stellen
- encryptie
- eind tot eind
- Endpoint
- ingenieur
- Engineering
- verzekeren
- Enterprise
- entiteit
- voor ogen
- schatten
- Zelfs
- voorbeeld
- voorbeelden
- Gezicht
- vals
- familie
- Voordelen
- weinig
- veld-
- Figuur
- Dien in
- financiรซn
- financieel
- VIND DE PLEK DIE PERFECT VOOR JOU IS
- Vloer
- gericht
- volgend
- Voor
- formaat
- Foundation
- Achtergrond
- bedrog
- fraude detectie
- oppompen van
- functie
- spel
- voortbrengen
- krijgen
- GitHub
- gegeven
- Vrijgevigheid
- Ground
- gids
- Behandeling
- Hebben
- he
- Gezondheid
- zwaar
- zwaar tillen
- hulp
- geholpen
- helpt
- hoogwaardige
- zijn
- Hosting
- hosts
- Hoe
- How To
- HTML
- http
- HTTPS
- Naaf
- menselijk
- humor
- Honderden
- honderdmiljoenen
- ID
- Identiteit
- if
- Illinois
- illustreert
- beeld
- uitvoeren
- importeren
- in
- inclusief
- omvat
- -industrie
- informatie
- Infrastructuur
- inherent
- invoer
- ingangen
- instantie
- verzekering
- belang
- IT
- Jobomschrijving:
- Vacatures
- jpg
- json
- sleutel
- toetsen
- blijven
- label
- labels
- landing
- taal
- Groot
- LATAM
- gelanceerd
- Leadership
- LEARN
- leren
- links
- laten
- facelift
- als
- Lijn
- lijnen
- Lijst
- LLM
- het laden
- LOOKS
- machine
- machine learning
- maken
- MERKEN
- man
- management
- veel
- max
- Mei..
- Heren
- methode
- miljoenen
- Min
- minuten
- ML
- model
- modellen
- monitor
- meer
- meervoudig
- my
- naam
- Naturel
- Natural Language Processing
- OP DEZE WEBSITE VIND JE
- Navigatie
- Noodzaak
- New
- Nieuwjaar
- nlp
- geen
- notitieboekje
- aantal
- object
- of
- on
- Slechts
- open
- optimalisatie
- or
- bestellen
- organisaties
- origineel
- Overige
- uit
- uitgang
- over
- het te bezitten.
- pagina
- brood
- papieren
- paradigma
- parameters
- deel
- pad
- voor
- Uitvoeren
- prestatie
- permissies
- persoonlijk
- Gepersonaliseerde
- phd
- FILANTROPIE
- pijpleiding
- Plato
- Plato gegevensintelligentie
- PlatoData
- spelen
- punten
- politiek
- Populair
- Post
- praktijk
- voorspelling
- Voorspellingen
- presenteren
- die eerder
- problemen
- verwerking
- voorgestelde
- prototypes
- prototyping
- zorgen voor
- mits
- biedt
- voorziening
- gepubliceerde
- Python
- pytorch
- Quick
- snel
- Lees
- vast
- real-time
- onlangs
- erkenning
- Aanbeveling
- aanbevelingen
- vermindering
- verwijderen
- te vragen
- vereisen
- nodig
- onderzoeker
- Resources
- antwoord
- reacties
- verantwoordelijk
- resultaat
- Resultaten
- Retourneren
- beoordelen
- rechts
- Rol
- lopen
- lopend
- s
- sagemaker
- dezelfde
- Bespaar
- Scale
- scaling
- Wetenschapper
- partituur
- krassen
- scripts
- scrollen
- sdk
- Ontdek
- sectie
- veiligheid
- zien
- selectie
- Volgorde
- -Series
- Diensten
- settings
- Bermuda's
- schot
- tonen
- vertoonde
- Eenvoudig
- vereenvoudigen
- sinds
- Maat
- Voetbal
- oplossing
- Oplossingen
- OPLOSSEN
- sommige
- iets
- spreken
- specialist
- specifiek
- specifiek
- gespecificeerd
- gesproken
- Sport
- stabiel
- standalone
- begin
- gestart
- state-of-the-art
- blijven
- Stap voor
- Stappen
- gestopt
- mediaopslag
- bewaartemperatuur
- Draad
- structuur
- studio
- dergelijk
- ondersteuning
- zeker
- Systems
- tafel
- Nemen
- neemt
- Taak
- taken
- team
- tech
- templates
- Tekstclassificatie
- dat
- De
- hun
- harte
- Deze
- dit
- gedachte
- thought leadership
- Door
- niet de tijd of
- Tijdreeksen
- TM
- naar
- onderwerpen
- Trainen
- getraind
- Trainingen
- overdracht
- Transformeren
- Transformatie
- transformator
- transformers
- Reizend
- Triljoen
- waar
- waarheid
- proberen
- tweets
- twee
- type dan:
- ui
- voor
- begrijpen
- universiteit-
- geรผpload
- us
- .
- gebruikt
- gebruik
- utility
- variรซteit
- groot
- versie
- zeer
- Video
- Virginia
- visie
- vs
- walkthrough
- willen
- was
- Manier..
- we
- web
- webservices
- GOED
- waren
- wanneer
- of
- en
- waarvan
- breed
- wil
- Met
- zonder
- woorden
- werkte
- Bedrijven
- het schrijven van
- jaar
- jaar
- You
- Jonger
- Your
- zephyrnet
- nul
- Zero-shot leren