Naarmate we dieper in het digitale tijdperk duiken, is de ontwikkeling van multimodaliteitsmodellen van cruciaal belang geweest voor het vergroten van het inzicht in machines. Deze modellen verwerken en genereren inhoud in verschillende gegevensvormen, zoals tekst en afbeeldingen. Een belangrijk kenmerk van deze modellen zijn hun beeld-naar-tekst-mogelijkheden, die een opmerkelijke vaardigheid hebben getoond in taken zoals het ondertitelen van afbeeldingen en het visueel beantwoorden van vragen.
Door afbeeldingen in tekst te vertalen, ontsluiten en benutten we de rijkdom aan informatie in visuele gegevens. In de e-commerce kan afbeelding-naar-tekst bijvoorbeeld de productcategorisatie op basis van afbeeldingen automatiseren, waardoor de zoekefficiรซntie en nauwkeurigheid worden verbeterd. Op dezelfde manier kan het helpen bij het genereren van automatische fotobeschrijvingen, waarbij informatie wordt verstrekt die mogelijk niet is opgenomen in producttitels of beschrijvingen, waardoor de gebruikerservaring wordt verbeterd.
In dit bericht geven we een overzicht van populaire multimodaliteitsmodellen. We laten ook zien hoe u deze vooraf getrainde modellen kunt inzetten Amazon Sage Maker. Verder bespreken we de diverse toepassingen van deze modellen, waarbij we ons vooral richten op verschillende praktijkscenario's, zoals het genereren van zero-shot-tags en attributies voor e-commerce en het automatisch genereren van prompts op basis van afbeeldingen.
Achtergrond van multimodaliteitsmodellen
Machine learning (ML)-modellen hebben aanzienlijke vooruitgang geboekt op gebieden als natuurlijke taalverwerking (NLP) en computer vision, waar modellen mensachtige prestaties kunnen leveren bij het analyseren en genereren van inhoud uit รฉรฉn enkele gegevensbron. Meer recentelijk is er steeds meer aandacht voor de ontwikkeling van multimodaliteitsmodellen, die in staat zijn inhoud over verschillende modaliteiten heen te verwerken en te genereren. Deze modellen, zoals de samensmelting van visie- en taalnetwerken, hebben bekendheid gekregen vanwege hun vermogen om informatie uit diverse bronnen en modaliteiten te integreren, waardoor hun begrips- en expressiemogelijkheden worden vergroot.
In deze sectie geven we een overzicht van twee populaire multimodaliteitsmodellen: CLIP (Contrastieve Taal-Beeld Vooropleiding) en BLIP(Bootstrapping Taal-Beeld Pre-training).
CLIP-model
CLIP is een multimodaal visie- en taalmodel dat kan worden gebruikt voor gelijkenis tussen beeld en tekst en voor zero-shot beeldclassificatie. CLIP is getraind op een dataset van 400 miljoen beeld-tekstparen verzameld uit verschillende openbaar beschikbare bronnen op internet. De modelarchitectuur bestaat uit een afbeeldingsencoder en een tekstencoder, zoals weergegeven in het volgende diagram.
Tijdens de training worden een afbeelding en een bijbehorend tekstfragment door de encoders gevoerd om een โโafbeeldingskenmerkvector en een tekstkenmerkvector te verkrijgen. Het doel is om ervoor te zorgen dat de afbeeldings- en tekstkenmerken voor een overeenkomend paar een hoge cosinus-overeenkomst hebben, terwijl kenmerken voor niet-overeenkomende paren een lage gelijkenis hebben. Dit gebeurt door middel van een contrastief verlies. Deze contrastieve voortraining resulteert in encoders die afbeeldingen en tekst toewijzen aan een gemeenschappelijke inbeddingsruimte waar de semantiek is uitgelijnd.
De encoders kunnen vervolgens worden gebruikt voor het leren van zero-shot-overdracht voor stroomafwaartse taken. Op het moment van inferentie verwerkt de voorgetrainde beeld- en tekstencoder de respectieve invoer en transformeert deze in een hoogdimensionale vectorrepresentatie, of een inbedding. De inbedding van de afbeelding en de tekst worden vervolgens vergeleken om hun gelijkenis, zoals cosinus-overeenkomst, te bepalen. De tekstprompt (afbeeldingsklassen, categorieรซn of tags) waarvan de insluiting het meest lijkt (bijvoorbeeld de kleinste afstand heeft) met de insluiting van de afbeelding, wordt als het meest relevant beschouwd en de afbeelding wordt dienovereenkomstig geclassificeerd.
BLIP-model
Een ander populair multimodaliteitsmodel is BLIP. Het introduceert een nieuwe modelarchitectuur die zich kan aanpassen aan diverse visuele taaltaken en maakt gebruik van een unieke dataset-bootstrapping-techniek om te leren van luidruchtige webgegevens. BLIP-architectuur omvat een beeld-encoder en tekst-encoder: de beeld-geaarde tekst-encoder injecteert visuele informatie in het transformatorblok van de tekst-encoder, en de beeld-geaarde tekst-decoder neemt visuele informatie op in het transformator-decoderblok. Met deze architectuur demonstreert BLIP uitstekende prestaties over een spectrum van visuele taaltaken waarbij visuele en taalkundige informatie samensmelt, van op afbeeldingen gebaseerd zoeken en het genereren van inhoud tot interactieve visuele dialoogsystemen. In een eerder bericht stelden we een oplossing voor inhoudsmoderatie gebaseerd op het BLIP-model die meerdere uitdagingen aanpakten met behulp van unimodale ML-benaderingen met computervisie.
Gebruiksscenario 1: Zero-shot-tag of attribuutgeneratie voor een e-commerceplatform
E-commerceplatforms fungeren als dynamische marktplaatsen vol ideeรซn, producten en diensten. Met miljoenen vermelde producten vormt effectief sorteren en categoriseren een aanzienlijke uitdaging. Dit is waar de kracht van autotagging en het genereren van attributen tot zijn recht komt. Door gebruik te maken van geavanceerde technologieรซn zoals ML en NLP kunnen deze geautomatiseerde processen een revolutie teweegbrengen in de activiteiten van e-commerceplatforms.
Een van de belangrijkste voordelen van autotagging of het genereren van attributen ligt in het vermogen om de doorzoekbaarheid te verbeteren. Producten die nauwkeurig zijn getagd, kunnen snel en efficiรซnt door klanten worden gevonden. Als een klant bijvoorbeeld zoekt naar een 'katoenen T-shirt met ronde hals en een logo ervoor', zorgen autotagging en het genereren van attributen ervoor dat de zoekmachine producten kan vinden die niet alleen overeenkomen met de bredere categorie 'T-shirts', maar ook maar ook de specifieke kenmerken van โkatoenโ en โronde halsโ. Deze nauwkeurige afstemming kan een meer gepersonaliseerde winkelervaring mogelijk maken en de klanttevredenheid vergroten. Bovendien kunnen automatisch gegenereerde tags of attributen de algoritmen voor productaanbevelingen aanzienlijk verbeteren. Met een diepgaand begrip van productkenmerken kan het systeem klanten relevantere producten voorstellen, waardoor de kans op aankopen wordt vergroot en de klanttevredenheid wordt vergroot.
CLIP biedt een veelbelovende oplossing voor het automatiseren van het proces van het genereren van tags of attributen. Er zijn een productafbeelding en een lijst met beschrijvingen of tags nodig als invoer, waardoor voor elke tag een vectorrepresentatie of inbedding wordt gegenereerd. Deze inbedding bestaat in een hoogdimensionale ruimte, waarbij hun relatieve afstanden en richtingen de semantische relaties tussen de inputs weerspiegelen. CLIP is vooraf getraind op een groot aantal beeld-tekstparen om deze betekenisvolle inbedding te kunnen inkapselen. Als een tag of attribuut een afbeelding nauwkeurig beschrijft, moet de inbedding ervan relatief dichtbij zijn in deze ruimte. Om corresponderende tags of attributen te genereren, kan een lijst met potentiรซle tags in het tekstgedeelte van het CLIP-model worden ingevoerd en de resulterende inbedding worden opgeslagen. Idealiter zou deze lijst volledig moeten zijn en alle potentiรซle categorieรซn en kenmerken moeten omvatten die relevant zijn voor de producten op het e-commerceplatform. De volgende afbeelding toont enkele voorbeelden.
Om het CLIP-model op SageMaker te implementeren, kunt u het notebook hieronder volgen GitHub repo. We gebruiken de vooraf gebouwde SageMaker grote modelinferentiecontainers (LMI). om het model in te zetten. De LMI-containers gebruiken DJL serveren om uw model voor gevolgtrekking te dienen. Voor meer informatie over het hosten van grote modellen op SageMaker raadpleegt u Implementeer grote modellen op Amazon SageMaker met behulp van DJLServering en DeepSpeed โโmodel parallelle inferentie en Implementeer grote modellen met hoge prestaties met behulp van FasterTransformer op Amazon SageMaker.
In dit voorbeeld leveren wij de bestanden aan serving.properties
, model.py
en requirements.txt
om de modelartefacten voor te bereiden en op te slaan in een tarball-bestand.
serving.properties
is het configuratiebestand dat kan worden gebruikt om aan DJL Serving aan te geven welke modelparallelisatie- en inferentie-optimalisatiebibliotheken u wilt gebruiken. Afhankelijk van uw behoefte kunt u de juiste configuratie instellen. Voor meer details over de configuratieopties en een volledige lijst, zie Configuraties en instellingen.model.py
is het script dat alle verzoeken om weergave afhandelt.requirements.txt
is het tekstbestand met eventuele extra pip-wielen die moeten worden geรฏnstalleerd.
Als u het model wilt downloaden van Gezicht knuffelen direct, kunt u de option.model_id
parameter in de serving.properties
bestand als de model-ID van een vooraf getraind model dat wordt gehost in een modelrepository op knuffelgezicht.co. De container gebruikt deze model-ID om het bijbehorende model te downloaden tijdens de implementatietijd. Als u de model_id
een Amazon eenvoudige opslagservice (Amazon S3) URL, zal de DJL de modelartefacten downloaden van Amazon S3 en de model_id
naar de werkelijke locatie van de modelartefacten. In uw script kunt u naar deze waarde verwijzen om het vooraf getrainde model te laden. In ons voorbeeld gebruiken we de laatste optie, omdat de LMI-container gebruikt s5cmd om gegevens te downloaden van Amazon S3, wat de snelheid bij het laden van modellen tijdens de implementatie aanzienlijk vermindert. Zie de volgende code:
In het model.py script laden we het modelpad met behulp van de model-ID uit het eigenschappenbestand:
Nadat de modelartefacten zijn voorbereid en geรผpload naar Amazon S3, kunt u het CLIP-model met een paar regels code implementeren op SageMaker-hosting:
Wanneer het eindpunt in gebruik is, kunt u het eindpunt aanroepen met een invoerafbeelding en een lijst met labels als invoerprompt om de labelkansen te genereren:
Gebruiksscenario 2: Automatisch genereren van prompts op basis van afbeeldingen
Een innovatieve toepassing waarbij gebruik wordt gemaakt van de multimodaliteitsmodellen is het genereren van informatieve aanwijzingen op basis van een afbeelding. Bij generatieve AI kan a prompt verwijst naar de invoer die wordt geleverd aan een taalmodel of ander generatief model om het te instrueren over welk type inhoud of reactie gewenst is. De prompt is in wezen een startpunt of een reeks instructies die het generatieproces van het model begeleiden. Het kan de vorm aannemen van een zin, vraag, gedeeltelijke tekst of elke invoer die de context of gewenste uitvoer naar het model overbrengt. De keuze voor een goed gemaakte prompt is cruciaal voor het genereren van afbeeldingen van hoge kwaliteit met precisie en relevantie. Snelle techniek is het proces van het optimaliseren of vervaardigen van een tekstuele invoer om de gewenste reacties uit een taalmodel te bereiken, waarbij vaak aanpassingen in de formulering, het formaat of de context betrokken zijn.
Snelle engineering voor het genereren van afbeeldingen brengt verschillende uitdagingen met zich mee, waaronder de volgende:
- Visuele concepten nauwkeurig definiรซren โ Het beschrijven van visuele concepten in woorden kan soms onnauwkeurig of dubbelzinnig zijn, waardoor het moeilijk wordt om het exacte gewenste beeld over te brengen. Het vastleggen van ingewikkelde details of complexe scรจnes via tekstuele aanwijzingen is misschien niet eenvoudig.
- Effectief gewenste stijlen specificeren โ Het communiceren van specifieke stilistische voorkeuren, zoals stemming, kleurenpalet of artistieke stijl, kan een uitdaging zijn via alleen tekst. Het vertalen van abstracte esthetische concepten naar concrete instructies voor het model kan lastig zijn.
- Het balanceren van de complexiteit om overbelasting van het model te voorkomen โ Uitgebreide aanwijzingen kunnen het model verwarren of ertoe leiden dat het wordt overladen met informatie, waardoor de gegenereerde output wordt beรฏnvloed. Het vinden van de juiste balans tussen het bieden van voldoende begeleiding en het vermijden van overweldigende complexiteit is essentieel.
Daarom is het maken van effectieve aanwijzingen voor het genereren van afbeeldingen tijdrovend, wat herhaalde experimenten en verfijning vereist om de juiste balans tussen precisie en creativiteit te vinden, waardoor het een resource-intensieve taak wordt die sterk afhankelijk is van menselijke expertise.
De CLIP-ondervrager is een automatische prompt-engineeringtool voor afbeeldingen die CLIP en BLIP combineert om tekstprompts te optimaliseren zodat ze bij een bepaalde afbeelding passen. U kunt de resulterende aanwijzingen gebruiken met tekst-naar-afbeelding-modellen zoals Stabiele diffusie om coole kunst te maken. De aanwijzingen van CLIP Interrogator bieden een uitgebreide beschrijving van het beeld, waarbij niet alleen de fundamentele elementen worden behandeld, maar ook de artistieke stijl, de potentiรซle inspiratie achter het beeld, het medium waar het beeld had kunnen of kunnen worden gebruikt, en nog veel meer. U kunt de CLIP Interrogator-oplossing eenvoudig op SageMaker implementeren om het implementatieproces te stroomlijnen en te profiteren van de schaalbaarheid, kostenefficiรซntie en robuuste beveiliging die door de volledig beheerde service wordt geboden. Het volgende diagram toont de stroomlogica van deze oplossing.
U kunt het volgende gebruiken notitieboekje om de CLIP Interrogator-oplossing op SageMaker te implementeren. Op dezelfde manier gebruiken we voor CLIP-modelhosting de SageMaker LMI-container om de oplossing op SageMaker te hosten met behulp van DJL Serving. In dit voorbeeld hebben we een extra invoerbestand geleverd met de modelartefacten die de modellen specificeren die op het SageMaker-eindpunt zijn geรฏmplementeerd. U kunt verschillende CLIP- of BLIP-modellen kiezen door de naam van het bijschriftmodel en de naam van het clipmodel door te geven model_name.json
bestand gemaakt met de volgende code:
Het inferentiescript model.py
bevat een handle-functie waarmee DJL Serving uw verzoek zal uitvoeren door deze functie aan te roepen. Om dit entrypoint-script voor te bereiden, hebben we de code van het origineel overgenomen clip_interrogator.py bestand en aangepast om te werken met DJL Serving op SageMaker-hosting. Eรฉn update is het laden van het BLIP-model. De BLIP- en CLIP-modellen worden geladen via de load_caption_model()
en load_clip_model()
functie tijdens de initialisatie van het Interrogator-object. Om het BLIP-model te laden, hebben we eerst de modelartefacten van Hugging Face gedownload en deze naar Amazon S3 geรผpload als de doelwaarde van de model_id
in het eigenschappenbestand. Dit komt omdat het BLIP-model een groot bestand kan zijn, zoals de blip2-opt-2.7b model, dat meer dan 15 GB groot is. Als u het model downloadt van Hugging Face tijdens de implementatie van het model, is er meer tijd nodig voor het maken van eindpunten. Daarom wijzen wij de model_id
naar de Amazon S3-locatie van het BLIP2-model en laad het model vanuit het modelpad dat is opgegeven in het eigenschappenbestand. Houd er rekening mee dat tijdens de implementatie het modelpad wordt omgewisseld naar het lokale containerpad waar de modelartefacten naartoe zijn gedownload door DJL Serving vanaf de Amazon S3-locatie. Zie de volgende code:
Omdat het CLIP-model niet erg groot is, gebruiken we open_clip
om het model rechtstreeks vanuit Hugging Face te laden, wat hetzelfde is als het origineel clip_interrogator
implementatie:
We gebruiken vergelijkbare code om de CLIP Interrogator-oplossing op een SageMaker-eindpunt te implementeren en roepen het eindpunt aan met een invoerafbeelding om de aanwijzingen op te halen die kunnen worden gebruikt om vergelijkbare afbeeldingen te genereren.
Laten we de volgende afbeelding als voorbeeld nemen. Met behulp van het geรฏmplementeerde CLIP Interrogator-eindpunt op SageMaker genereert het de volgende tekstbeschrijving: croissant on a plate, pexels contest winner, aspect ratio 16:9, cgsocietywlop, 8 h, golden cracks, the artist has used bright, picture of a loft in morning, object features, stylized border, pastry, french emperor.
We kunnen de CLIP Interrogator-oplossing verder combineren met Stable Diffusion en snelle engineeringtechnieken โ er ontstaat een geheel nieuwe dimensie van creatieve mogelijkheden. Dankzij deze integratie kunnen we niet alleen afbeeldingen met tekst beschrijven, maar ook diverse variaties op de originele afbeeldingen manipuleren en genereren. Stabiele diffusie zorgt voor gecontroleerde beeldsynthese door de gegenereerde output iteratief te verfijnen, en strategische snelle engineering leidt het generatieproces naar de gewenste resultaten.
In het tweede deel van het notitieboekjebeschrijven we de stappen voor het gebruik van prompt engineering om afbeeldingen te restylen met het Stable Diffusion-model (Stabiele diffusie XL 1.0). Wij gebruiken de Stabiliteit AI SDK om dit model vanuit SageMaker JumpStart te implementeren nadat u zich op dit model op de AWS heeft geabonneerd markt. Omdat dit een nieuwere en betere versie is voor het genereren van afbeeldingen, aangeboden door Stabiliteit AI, kunnen we afbeeldingen van hoge kwaliteit krijgen op basis van de originele invoerafbeelding. Als we bovendien de voorgaande beschrijving voorafgaan en een extra prompt toevoegen waarin een bekende kunstenaar en een van zijn werken worden vermeld, krijgen we verbluffende resultaten met restyling. De volgende afbeelding gebruikt de prompt: This scene is a Van Gogh painting with The Starry Night style, croissant on a plate, pexels contest winner, aspect ratio 16:9, cgsocietywlop, 8 h, golden cracks, the artist has used bright, picture of a loft in morning, object features, stylized border, pastry, french emperor.
De volgende afbeelding gebruikt de prompt: This scene is a Hokusai painting with The Great Wave off Kanagawa style, croissant on a plate, pexels contest winner, aspect ratio 16:9, cgsocietywlop, 8 h, golden cracks, the artist has used bright, picture of a loft in morning, object features, stylized border, pastry, french emperor.
Conclusie
De opkomst van multimodaliteitsmodellen, zoals CLIP en BLIP, en hun toepassingen transformeren het landschap van beeld-naar-tekstconversie snel. Ze overbruggen de kloof tussen visuele en semantische informatie en bieden ons de tools om het enorme potentieel van visuele gegevens te ontsluiten en deze te benutten op manieren die voorheen ondenkbaar waren.
In dit bericht illustreerden we verschillende toepassingen van de multimodaliteitsmodellen. Deze variรซren van het verbeteren van de efficiรซntie en nauwkeurigheid van zoeken op e-commerceplatforms via automatische tagging en categorisering tot het genereren van aanwijzingen voor tekst-naar-afbeelding-modellen zoals Stable Diffusion. Deze toepassingen openen nieuwe horizonten voor het creรซren van unieke en boeiende inhoud. We moedigen u aan om meer te leren door de verschillende multimodaliteitsmodellen op SageMaker te verkennen en een oplossing te bouwen die innovatief is voor uw bedrijf.
Over de auteurs
Yanwei Cui, PhD, is een Senior Machine Learning Specialist Solutions Architect bij AWS. Hij begon onderzoek naar machine learning bij IRISA (Research Institute of Computer Science and Random Systems) en heeft een aantal jaren ervaring met het bouwen van AI-aangedreven industriรซle toepassingen op het gebied van computer vision, natuurlijke taalverwerking en online voorspelling van gebruikersgedrag. Bij AWS deelt hij zijn domeinexpertise en helpt hij klanten zakelijke mogelijkheden te ontsluiten en bruikbare resultaten te behalen met machinaal leren op schaal. Buiten zijn werk houdt hij van lezen en reizen.
Raghu Ramesha is een Senior ML Solutions Architect bij het Amazon SageMaker Service-team. Hij richt zich op het helpen van klanten bij het op grote schaal bouwen, implementeren en migreren van ML-productieworkloads naar SageMaker. Hij is gespecialiseerd in machine learning, AI en computer vision-domeinen, en heeft een masterdiploma in computerwetenschappen van UT Dallas. In zijn vrije tijd houdt hij van reizen en fotografie.
Sam Edwards, is een Cloud Engineer (AI/ML) bij AWS Sydney, gespecialiseerd in machine learning en Amazon SageMaker. Hij heeft een passie voor het helpen van klanten bij het oplossen van problemen met betrekking tot machine learning-workflows en het creรซren van nieuwe oplossingen voor hen. Buiten zijn werk houdt hij van racketsporten en reizen.
Melanie Li, PhD, is Senior AI/ML Specialist TAM bij AWS, gevestigd in Sydney, Australiรซ. Ze helpt zakelijke klanten bij het bouwen van oplossingen met behulp van de modernste AI/ML-tools op AWS en biedt begeleiding bij het ontwerpen en implementeren van ML-oplossingen met best practices. In haar vrije tijd houdt ze ervan om de natuur te verkennen en tijd door te brengen met familie en vrienden.
Gorden Wang is een Senior AI/ML Specialist TAM bij AWS. Hij ondersteunt strategische klanten met best practices op het gebied van AI/ML in vele sectoren. Hij heeft een passie voor computer vision, NLP, generatieve AI en MLOps. In zijn vrije tijd houdt hij van hardlopen en wandelen.
Dhawal Patel is een Principal Machine Learning Architect bij AWS. Hij heeft gewerkt met organisaties variรซrend van grote ondernemingen tot middelgrote startups aan problemen met betrekking tot gedistribueerde computing en kunstmatige intelligentie. Hij richt zich op Deep learning inclusief NLP en Computer Vision domeinen. Hij helpt klanten bij het bereiken van high-performance modelinferentie op SageMaker.
- 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/build-an-image-to-text-generative-ai-application-using-multimodality-models-on-amazon-sagemaker/
- : heeft
- :is
- :niet
- :waar
- 1
- 10
- 100
- 12
- 15%
- 16
- 400
- 7
- 8
- 9
- 97
- a
- vermogen
- Over
- SAMENVATTING
- dienovereenkomstig
- nauwkeurigheid
- nauwkeurig
- Bereiken
- bereikt
- over
- daadwerkelijk
- toevoegen
- Extra
- Daarnaast
- aangesproken
- aanpassingen
- aangenomen
- vergevorderd
- vooruitgang
- Voordeel
- die van invloed
- Na
- AI
- AI-powered
- AI / ML
- algoritmen
- uitgelijnd
- Alles
- toestaat
- alleen
- ook
- verbazingwekkend
- Amazone
- Amazon Sage Maker
- Amazon Web Services
- an
- het analyseren van
- en
- elke
- Aanvraag
- toepassingen
- benaderingen
- passend
- architectuur
- ZIJN
- Kunst
- kunstmatig
- kunstmatige intelligentie
- kunstenaar
- artistiek
- AS
- verschijning
- helpen
- At
- aandacht
- attributen
- Australiรซ
- automatiseren
- geautomatiseerde
- Automatisch
- automatiseren
- Beschikbaar
- het vermijden van
- AWS
- Balance
- gebaseerde
- BE
- omdat
- geweest
- gedrag
- achter
- betekent
- BEST
- 'best practices'
- Betere
- tussen
- Verder
- Groot
- Blok
- lichaam
- boost
- grens
- overbrugging
- Helder
- bredere
- bouw
- Gebouw
- bedrijfsdeskundigen
- maar
- by
- CAN
- Kan krijgen
- mogelijkheden
- in staat
- Het vastleggen
- geval
- KAT
- categorieรซn
- Categorie
- Katten
- uitdagen
- uitdagingen
- uitdagend
- keuze
- Kies
- klassen
- classificatie
- geklasseerd
- Sluiten
- Cloud
- code
- kleur
- combineren
- combines
- komt
- Gemeen
- communiceren
- vergeleken
- complex
- ingewikkeldheid
- uitgebreid
- computer
- Computer Science
- Computer visie
- computergebruik
- concepten
- Configuratie
- beschouwd
- bestaat uit
- bevatte
- Containers
- containers
- bevat
- content
- Inhoud genereren
- verband
- gecontroleerd
- Camper ombouw
- Coole
- Overeenkomend
- kon
- aan het bedekken
- en je merk te creรซren
- aangemaakt
- Wij creรซren
- het aanmaken
- Creatieve
- creativiteit
- kritisch
- Cross
- klant
- Klanttevredenheid
- Klanten
- Dallas
- gegevens
- deep
- diepgaand leren
- diepere
- Mate
- delven
- tonen
- demonstreert
- Afhankelijk
- implementeren
- ingezet
- inzet
- beschrijven
- beschrijving
- gewenste
- detail
- gegevens
- Bepalen
- Ontwikkeling
- apparaat
- Dialoog
- anders
- moeilijk
- Verspreiding
- digitaal
- Afmeting
- direct
- bespreken
- afstand
- verdeeld
- distributed computing
- diversen
- domein
- domeinen
- gedaan
- Download
- rit
- twee
- gedurende
- dynamisch
- elk
- gemakkelijk
- ecommerce
- effectief
- doeltreffendheid
- efficiรซnt
- uitwerken
- geeft je de mogelijkheid
- anders
- inbedding
- opkomst
- voorschijn
- telt
- in staat stellen
- aanmoedigen
- Endpoint
- boeiende
- Motor
- ingenieur
- Engineering
- verhogen
- verbeteren
- waarborgt
- Enterprise
- bedrijven
- toegang
- Tijdperk
- essentieel
- in wezen
- voorbeeld
- voorbeelden
- tentoonstellen
- bestaan
- ervaring
- expertise
- Verken
- Verkennen
- uitdrukking
- Gezicht
- vergemakkelijken
- familie
- Kenmerk
- Voordelen
- Fed
- weinig
- Velden
- Figuur
- Dien in
- Bestanden
- Voornaam*
- stroom
- richt
- gericht
- volgen
- volgend
- Voor
- formulier
- formaat
- formulieren
- gevonden
- Gratis
- Frans
- vrienden
- oppompen van
- voor
- geheel
- functie
- fundamenteel
- verder
- Bovendien
- fusie
- opgedaan
- kloof
- voortbrengen
- gegenereerde
- genereert
- het genereren van
- generatie
- generatief
- generatieve AI
- krijgen
- gegeven
- doel
- Gouden
- groot
- leiding
- Guides
- handvat
- Handvaten
- harnas
- Benutten
- Hebben
- he
- hard
- het helpen van
- helpt
- haar
- Hoge
- hoogwaardige
- zijn
- houdt
- Horizons
- gastheer
- gehost
- Hosting
- Hoe
- How To
- HTML
- http
- HTTPS
- menselijk
- ID
- ideaal
- ideeรซn
- if
- beeld
- Afbeeldingsclassificatie
- afbeeldingen
- uitvoering
- uitvoering
- importeren
- verbeteren
- het verbeteren van
- in
- inclusief
- omvat
- Inclusief
- meer
- aangeven
- industrieel
- industrieรซn
- informatie
- leerzaam
- innovatieve
- invoer
- ingangen
- binnen
- Inspiratie
- installeren
- instantie
- Instituut
- instructies
- integreren
- integratie
- Intelligentie
- interactieve
- Internet
- in
- Introduceert
- betrekken
- waarbij
- problemen
- IT
- HAAR
- jpg
- json
- sleutel
- bekend
- label
- labels
- Landschap
- taal
- Groot
- Grote ondernemingen
- leiden
- LEARN
- leren
- Li
- bibliotheken
- ligt
- als
- waarschijnlijkheid
- lijnen
- Lijst
- opgesomd
- laden
- het laden
- lokaal
- plaats
- logica
- logo
- uit
- houdt
- Laag
- machine
- machine learning
- maken
- maken
- beheerd
- veel
- kaart
- marktplaatsen
- master's
- Match
- op elkaar afgestemd
- matching
- zinvolle
- Medium
- alleen
- macht
- trekken
- miljoen
- miljoenen
- ML
- MLops
- model
- modellen
- gematigdheid
- gewijzigd
- meer
- Bovendien
- Ochtend
- meest
- meervoudig
- naam
- Naturel
- Natural Language Processing
- NATUUR
- Noodzaak
- netwerken
- New
- nieuwe horizonten
- nacht
- nlp
- Geen
- notitieboekje
- roman
- object
- of
- korting
- bieden
- Aanbod
- vaak
- on
- EEN
- online.
- Slechts
- open
- Operations
- optimalisatie
- Optimaliseer
- optimaliseren
- Keuze
- Opties
- or
- organisaties
- origineel
- OS
- Overige
- onze
- resultaten
- uitgang
- buiten
- uitstekend
- overzicht
- overweldigend
- het te bezitten.
- schilderij
- paar
- paren
- palet
- Parallel
- parameter
- deel
- vooral
- Voorbijgaand
- hartstochtelijk
- pad
- prestatie
- Gepersonaliseerde
- phd
- foto
- fotografie
- beeld
- centraal
- platform
- platforms
- Plato
- Plato gegevensintelligentie
- PlatoData
- spelen
- stekker
- punt
- Populair
- vormt
- mogelijkheden
- Post
- potentieel
- mogelijkheden
- energie
- praktijken
- nauwkeurig
- precisie
- voorspelling
- voorkeuren
- Voorbereiden
- bereid
- voorkomen
- vorig
- die eerder
- Principal
- problemen
- processen
- verwerking
- Product
- productie
- Producten
- uitsteeksel
- veelbelovend
- vastgoed
- eigendom
- voorgestelde
- zorgen voor
- mits
- biedt
- het verstrekken van
- in het openbaar
- aankopen
- vraag
- willekeurige
- reeks
- variรซrend
- snel
- verhouding
- lezing
- echte wereld
- onlangs
- Aanbeveling
- vermindert
- verwijzen
- verwijst
- raffinage
- reflecterende
- regio
- verwant
- Relaties
- relatief
- relatief
- relevantie
- relevante
- opmerkelijk
- bewaarplaats
- vertegenwoordiging
- te vragen
- verzoeken
- vereisen
- vereist
- onderzoek
- arbeidsintensief
- degenen
- antwoord
- reacties
- verkregen
- Resultaten
- terugkeer
- revolutioneren
- rechts
- robuust
- lopen
- lopend
- sagemaker
- dezelfde
- tevredenheid
- Schaalbaarheid
- Scale
- scenario's
- scรจne
- Scenes
- Wetenschap
- script
- Ontdek
- zoekmachine
- zoeken
- sectie
- veiligheid
- zien
- ZELF
- semantiek
- senior
- zin
- dienen
- service
- Diensten
- serveer-
- reeks
- verscheidene
- Aandelen
- ze
- Winkelen
- moet
- getoond
- Shows
- aanzienlijke
- aanzienlijk
- gelijk
- evenzo
- Eenvoudig
- single
- Maat
- snipper
- oplossing
- Oplossingen
- OPLOSSEN
- sommige
- soms
- bron
- bronnen
- Tussenruimte
- specialist
- gespecialiseerde
- specialiseert
- specifiek
- gespecificeerd
- Spectrum
- snelheid
- besteden
- Sport
- stabiel
- sterrenhemel
- gestart
- Start
- Startups
- state-of-the-art
- Stappen
- mediaopslag
- shop
- opgeslagen
- eenvoudig
- strategisch
- gestroomlijnd
- slaan
- stijl
- wezenlijk
- dergelijk
- voldoende
- stel
- steunen
- ruilen
- snel
- sydney
- system
- Systems
- TAG
- Nemen
- neemt
- doelwit
- Taak
- taken
- team
- techniek
- Technologies
- sjabloon
- tekst
- tekstueel
- neem contact
- dat
- De
- Het landschap
- hun
- Ze
- harte
- Er.
- daarbij
- daarom
- Deze
- ze
- dit
- Door
- niet de tijd of
- titels
- naar
- tools
- tools
- in de richting van
- getraind
- Trainingen
- overdracht
- transformator
- transformeren
- transformaties
- Reizend
- twee
- type dan:
- begrip
- ondenkbaar
- unieke
- openen
- bijwerken
- geรผpload
- URL
- us
- .
- gebruikt
- Gebruiker
- Gebruikerservaring
- toepassingen
- gebruik
- waarde
- variรซteit
- divers
- groot
- versie
- zeer
- via
- visie
- W
- willen
- Wave
- manieren
- we
- Rijkdom
- web
- webservices
- waren
- Wat
- wanneer
- welke
- en
- geheel
- waarvan
- wil
- winnaar
- Met
- bewoordingen
- woorden
- Mijn werk
- werkte
- workflows
- Bedrijven
- zou
- jaar
- You
- Your
- zephyrnet