De opkomst van tekst en semantisch zoeken zoekmachines heeft het zoeken naar e-commerce en detailhandel gemakkelijker gemaakt voor zijn consumenten. Zoekmachines aangedreven door uniforme tekst en afbeeldingen kunnen extra flexibiliteit bieden in zoekoplossingen. U kunt zowel tekst als afbeeldingen gebruiken als query's. U hebt bijvoorbeeld een map met honderden familiefoto's op uw laptop. U wilt snel een foto vinden die is gemaakt toen u en uw beste vriend voor het zwembad van uw oude huis stonden. U kunt gesprekstaal zoals 'twee mensen staan voor een zwembad' als zoekopdracht gebruiken om te zoeken in een uniforme tekst- en beeldzoekmachine. U hoeft niet de juiste zoekwoorden in afbeeldingstitels te hebben om de zoekopdracht uit te voeren.
Amazon OpenSearch-service ondersteunt nu de cosinus gelijkenis metriek voor k-NN-indexen. Cosinusovereenkomst meet de cosinus van de hoek tussen twee vectoren, waarbij een kleinere cosinushoek een grotere overeenkomst tussen de vectoren aangeeft. Met cosinusovereenkomst kunt u de oriëntatie tussen twee vectoren meten, waardoor het een goede keuze is voor sommige specifieke semantische zoektoepassingen.
Contrastieve Taal-Beeld Pre-Training (CLIP) is een neuraal netwerk dat is getraind op verschillende beeld- en tekstparen. Het neurale netwerk CLIP kan zowel afbeeldingen als tekst erin projecteren latente ruimte, wat betekent dat ze kunnen worden vergeleken met behulp van een gelijkenismaat, zoals cosinusovereenkomst. U kunt CLIP gebruiken om coderen de afbeeldingen of beschrijving van uw producten in inbeddingen sla ze vervolgens op in een OpenSearch Service k-NN index. Vervolgens kunnen uw klanten de index doorzoeken om producten op te halen waarin ze geïnteresseerd zijn.
U kunt CLIP gebruiken met Amazon Sage Maker codering uit te voeren. Amazon SageMaker Serverloze inferentie is een speciaal gebouwde inferentieservice die het eenvoudig maakt om machine learning (ML)-modellen te implementeren en te schalen. Met SageMaker kunt u serverloos implementeren voor ontwikkelen en testen, en vervolgens overstappen naar real-time gevolgtrekking als je naar de productie gaat. SageMaker serverloos helpt u kosten te besparen door de infrastructuur tijdens inactieve tijden terug te schalen naar 0. Dit is perfect voor het bouwen van een POC, waarbij u lange inactieve tijden zult hebben tussen ontwikkelingscycli. Je kan ook gebruiken Amazon SageMaker-batchtransformatie om conclusies te trekken uit grote datasets.
In dit bericht laten we zien hoe u een zoektoepassing kunt bouwen met behulp van CLIP met SageMaker en OpenSearch Service. De code is open source en wordt gehost op GitHub.
Overzicht oplossingen
OpenSearch Service biedt tekst-matching en inbedding van k-NN-zoekopdrachten. We gebruiken de inbedding van k-NN-zoekopdrachten in deze oplossing. U kunt zowel afbeelding als tekst als zoekopdracht gebruiken om items uit de inventaris te zoeken. De implementatie van deze uniforme applicatie voor het zoeken naar afbeeldingen en tekst bestaat uit twee fasen:
- k-NN referentie-index – In deze fase passeert u een set corpusdocumenten of productafbeeldingen door een CLIP-model om ze te coderen in inbeddingen. Tekst- en beeldinbeddingen zijn numerieke weergaven van respectievelijk het corpus of de afbeeldingen. U slaat die inbeddingen op in een k-NN-index in OpenSearch Service. Het concept dat ten grondslag ligt aan k-NN is dat vergelijkbare datapunten dicht bij elkaar in de inbeddingsruimte bestaan. De tekst 'een rode bloem', de tekst 'roos' en een afbeelding van een rode roos zijn bijvoorbeeld vergelijkbaar, dus deze tekst- en afbeeldingsinsluitingen bevinden zich dicht bij elkaar in de insluitingsruimte.
- k-NN-indexquery – Dit is de inferentiefase van de aanvraag. In deze fase voert u een tekstzoekopdracht of afbeeldingszoekopdracht in via het deep learning-model (CLIP) om te coderen als insluitingen. Vervolgens gebruikt u die inbeddingen om de referentie k-NN-index te doorzoeken die is opgeslagen in OpenSearch Service. De k-NN-index retourneert vergelijkbare inbeddingen uit de inbeddingsruimte. Als u bijvoorbeeld de tekst "een rode bloem" doorgeeft, wordt de inbedding van een afbeelding van een rode roos als een vergelijkbaar item geretourneerd.
De volgende afbeelding illustreert de oplossingsarchitectuur.
De workflowstappen zijn als volgt:
- Maak een SageMaker-model van een vooraf getraind CLIP-model voor batch- en real-time inferentie.
- Genereer inbeddingen van productafbeeldingen met behulp van een SageMaker-batchtransformatietaak.
- Gebruik SageMaker Serverless Inference om query-afbeeldingen en tekst in realtime te coderen in inbeddingen.
- Te gebruiken Amazon eenvoudige opslagservice (Amazon S3) om de onbewerkte tekst (productbeschrijving) en afbeeldingen (productafbeeldingen) en het insluiten van afbeeldingen op te slaan die zijn gegenereerd door de SageMaker-batchtransformatietaken.
- Gebruik OpenSearch Service als de zoekmachine om insluitingen op te slaan en vergelijkbare insluitingen te vinden.
- Gebruik een queryfunctie om de codering van de query te orkestreren en een k-NN-zoekopdracht uit te voeren.
Wij gebruiken Amazon SageMaker Studio laptops (niet weergegeven in het diagram) als de geïntegreerde ontwikkelomgeving (IDE) om de oplossing te ontwikkelen.
Oplossingsresources instellen
Voer de volgende stappen uit om de oplossing in te stellen:
- Maak een SageMaker-domein en een gebruikersprofiel aan. Raadpleeg stap 5 van voor instructies Aan boord van Amazon SageMaker Domain met behulp van Snelle installatie.
- Maak een OpenSearch Service-domein aan. Voor instructies, zie Amazon OpenSearch Service-domeinen maken en beheren.
U kunt ook een AWS CloudFormatie sjabloon door te volgen de GitHub-instructies om een domein aan te maken.
U kunt Studio verbinden met Amazon S3 van Amazon virtuele privécloud (Amazon VPC) met behulp van een interface eindpunt in uw VPC, in plaats van verbinding te maken via internet. Door gebruik te maken van een interface VPC endpoint (interface endpoint) verloopt de communicatie tussen uw VPC en Studio geheel en veilig binnen het AWS netwerk. Uw Studio-notebook kan verbinding maken met OpenSearch Service via een privé-VPC om veilige communicatie te garanderen.
Domeinen van de OpenSearch-service bieden versleuteling van gegevens in rust, een beveiligingsfunctie die ongeautoriseerde toegang tot uw gegevens helpt voorkomen. Node-to-node-codering biedt een extra beveiligingslaag bovenop de standaardfuncties van OpenSearch Service. Amazon S3 past automatisch codering aan de serverzijde (SSE-S3) toe voor elk nieuw object, tenzij u een andere coderingsoptie opgeeft.
In het domein van de OpenSearch-service kunt u op identiteit gebaseerde beleidsregels bijvoegen die bepalen wie toegang heeft tot een service, welke acties ze kunnen uitvoeren en, indien van toepassing, op welke bronnen ze die acties kunnen uitvoeren.
Codeer afbeeldingen en tekstparen in insluitingen
In dit gedeelte wordt besproken hoe u afbeeldingen en tekst kunt coderen in insluitingen. Dit omvat het voorbereiden van gegevens, het maken van een SageMaker-model en het uitvoeren van batchtransformatie met behulp van het model.
Gegevensoverzicht en voorbereiding
U kunt een SageMaker Studio-notebook met een Python 3-kernel (Data Science) gebruiken om de voorbeeldcode uit te voeren.
Voor dit bericht gebruiken we de Amazon Berkeley Objects-gegevensset. De dataset is een verzameling van 147,702 productvermeldingen met meertalige metadata en 398,212 unieke catalogusafbeeldingen. We gebruiken de itemafbeeldingen en itemnamen alleen in Amerikaans Engels. Voor demo-doeleinden gebruiken we ongeveer 1,600 producten. Voor meer details over deze dataset, zie de README. De dataset wordt gehost in een openbare S3-bucket. Er zijn 16 bestanden met een productbeschrijving en metadata van Amazon-producten in de indeling van listings/metadata/listings_<i>.json.gz
. We gebruiken het eerste metadatabestand in deze demo.
Je gebruikt panda's om de metadata te laden en selecteer vervolgens producten met Amerikaans-Engelse titels uit het dataframe. Pandas is een open-source tool voor gegevensanalyse en -manipulatie, gebouwd bovenop de programmeertaal Python. Je gebruikt een attribuut genaamd main_image_id
om een afbeelding te identificeren. Zie de volgende code:
Er zijn 1,639 producten in het dataframe. Koppel vervolgens de itemnamen aan de bijbehorende itemafbeeldingen. images/metadata/images.csv.gz
bevat metagegevens van afbeeldingen. Dit bestand is een gzip-gecomprimeerd CSV-bestand met de volgende kolommen: image_id
, height
, width
en path
. U kunt het metadatabestand lezen en het vervolgens samenvoegen met de metadata van het item. Zie de volgende code:
U kunt de ingebouwde Python 3-kernel van SageMaker Studio gebruiken PIL-bibliotheek om een voorbeeldafbeelding uit de dataset te bekijken:
Modelvoorbereiding
Maak vervolgens een SageMaker-model vanuit een vooraf getraind CLIP-model. De eerste stap is het downloaden van het vooraf getrainde modelwegingsbestand, het in een model.tar.gz
bestand en upload het naar een S3-bucket. Het pad van het vooraf getrainde model is te vinden in de CLIP-opslagplaats. We gebruiken een voorgetrainde ResNet-50 (RN50)-model in deze demo. Zie de volgende code:
Vervolgens moet u een inferentie-ingangspuntscript voor het CLIP-model opgeven. CLIP wordt geïmplementeerd met behulp van PyTorch, dus je gebruikt de SageMaker PyTorch kader. PyTorch is een open-source ML-framework dat het pad van onderzoeksprototyping naar productie-implementatie versnelt. Raadpleeg voor informatie over het implementeren van een PyTorch-model met SageMaker Implementeer PyTorch-modellen. De gevolgtrekkingscode accepteert twee omgevingsvariabelen: MODEL_NAME
en ENCODE_TYPE
. Dit helpt ons gemakkelijk te schakelen tussen verschillende CLIP-modellen. We gebruiken ENCODE_TYPE
om aan te geven of we een afbeelding of een stuk tekst willen coderen. Hier implementeer je de model_fn
, input_fn
, predict_fn
en output_fn
functies om de standaard PyTorch-inferentiehandler. Zie de volgende code:
De oplossing vereist extra Python-pakketten tijdens modelinferentie, dus u kunt een requirements.txt
bestand om SageMaker in staat te stellen extra pakketten te installeren bij het hosten van modellen:
U gebruikt de PyTorchModel-klasse om een object te maken dat de informatie bevat van de Amazon S3-locatie van de modelartefacten en de details van het inferentie-ingangspunt. U kunt het object gebruiken om batchtransformatietaken te maken of het model implementeren op een eindpunt voor online gevolgtrekkingen. Zie de volgende code:
Batchtransformatie om itemafbeeldingen te coderen in inbeddingen
Vervolgens gebruiken we het CLIP-model om itemafbeeldingen te coderen in inbeddingen en gebruiken we SageMaker-batchtransformatie om batchgevolgtrekkingen uit te voeren.
Voordat u de taak maakt, gebruikt u het volgende codefragment om itemafbeeldingen van de Amazon Berkeley Objects Dataset openbare S3-bucket naar uw eigen bucket te kopiëren. De operatie duurt minder dan 10 minuten.
Vervolgens voert u batchgewijs gevolgtrekkingen uit op de itemafbeeldingen. De batchtransformatietaak van SageMaker gebruikt het CLIP-model om alle afbeeldingen te coderen die zijn opgeslagen op de Amazon S3-invoerlocatie en uploadt uitvoerinbeddingen naar een uitvoer-S3-map. De klus duurt ongeveer 10 minuten.
Laad inbeddingen van Amazon S3 naar een variabele, zodat u de gegevens later in OpenSearch Service kunt opnemen:
Maak een door ML aangedreven uniforme zoekmachine
In dit gedeelte wordt besproken hoe u een zoekmachine kunt maken die gebruikmaakt van k-NN-zoekopdrachten met insluitingen. Dit omvat het configureren van een OpenSearch Service-cluster, het insluiten van items en het uitvoeren van zoekquery's in vrije tekst en afbeeldingen.
Stel het OpenSearch Service-domein in met behulp van k-NN-instellingen
U hebt eerder een OpenSearch-cluster gemaakt. Nu ga je een index maken om de catalogusgegevens en inbeddingen op te slaan. U kunt de indexinstellingen configureren om de k-NN-functionaliteit in te schakelen met behulp van de volgende configuratie:
Dit voorbeeld gebruikt de Python Elasticsearch-client om te communiceren met het OpenSearch-cluster en een index te maken om uw gegevens te hosten. Je kan lopen %pip install elasticsearch
in de notebook om de bibliotheek te installeren. Zie de volgende code:
Neem gegevens voor het insluiten van afbeeldingen op in de OpenSearch-service
U loopt nu door uw dataset en neemt itemgegevens op in het cluster. De gegevensopname voor deze oefening moet binnen 60 seconden zijn voltooid. Het voert ook een eenvoudige query uit om te controleren of de gegevens met succes in de index zijn opgenomen. Zie de volgende code:
Voer een real-time query uit
Nu u een werkende OpenSearch Service-index heeft die inbeddingen van itemafbeeldingen als onze inventaris bevat, gaan we kijken hoe u inbedding voor zoekopdrachten kunt genereren. U moet twee SageMaker-eindpunten maken om respectievelijk tekst- en afbeeldingsinsluitingen te verwerken.
U maakt ook twee functies om de eindpunten te gebruiken om afbeeldingen en teksten te coderen. Voor de encode_text
functie, voeg je toe this is
voor een itemnaam om een itemnaam te vertalen naar een zin voor itembeschrijving. memory_size_in_mb
is ingesteld op 6 GB voor de onderstreping Transformator en ResNet modellen. Zie de volgende code:
U kunt eerst de afbeelding plotten die zal worden gebruikt.
Laten we eens kijken naar de resultaten van een eenvoudige query. Na het ophalen van resultaten van OpenSearch Service, krijgt u de lijst met itemnamen en afbeeldingen van dataset
:
Het eerste item heeft een score van 1.0, omdat de twee afbeeldingen hetzelfde zijn. Andere items zijn verschillende soorten brillen in de OpenSearch Service-index.
U kunt ook tekst gebruiken om de index te doorzoeken:
Je kunt nu drie foto's van waterglazen uit de index halen. U kunt de afbeeldingen en tekst binnen dezelfde latente ruimte vinden met de CLIP-encoder. Een ander voorbeeld hiervan is het zoeken naar het woord "pizza" in de index:
Opruimen
Met een pay-per-use-model is Serverless Inference een kosteneffectieve optie voor een onregelmatig of onvoorspelbaar verkeerspatroon. Als je een strikte service level agreement (SLA), of koude starts niet tolereren, zijn real-time eindpunten een betere keuze. Gebruik makend van multi-model or meerdere containers endpoints bieden schaalbare en kosteneffectieve oplossingen voor het implementeren van grote aantallen modellen. Voor meer informatie, zie Amazon SageMaker-prijzen.
We raden u aan de serverloze eindpunten te verwijderen wanneer ze niet langer nodig zijn. Nadat u deze oefening hebt voltooid, kunt u de bronnen verwijderen met de volgende stappen (u kunt deze bronnen verwijderen uit de AWS-beheerconsole, of met behulp van de AWS SDK of SageMaker SDK):
- Verwijder het eindpunt dat u hebt gemaakt.
- Verwijder eventueel de geregistreerde modellen.
- Verwijder eventueel de SageMaker-uitvoeringsrol.
- Leeg en verwijder desgewenst de S3-bucket.
Samengevat
In dit bericht hebben we gedemonstreerd hoe u een k-NN-zoektoepassing kunt maken met SageMaker en OpenSearch Service k-NN-indexfuncties. We gebruikten een vooraf getraind CLIP-model van its OpenAI implementatie.
De opname-implementatie van de OpenSearch Service van de post wordt alleen gebruikt voor prototyping. Als u gegevens van Amazon S3 op schaal wilt opnemen in OpenSearch Service, kunt u een Amazon SageMaker Verwerkingstaak met het juiste exemplaartype en aantal exemplaren. Raadpleeg voor een andere schaalbare insluitingsoplossing Novartis AG gebruikt Amazon OpenSearch Service K-Nearest Neighbor (KNN) en Amazon SageMaker om zoeken en aanbevelingen mogelijk te maken (Deel 3/4).
CLIP biedt nul-schot mogelijkheden, wat het mogelijk maakt om een vooraf getraind model direct over te nemen zonder gebruik te maken van overdracht leren om een model te finetunen. Dit vereenvoudigt de toepassing van het CLIP-model. Als u paren productafbeeldingen en beschrijvende tekst heeft, kunt u het model verfijnen met uw eigen gegevens met behulp van Transfer Learning om de modelprestaties verder te verbeteren. Voor meer informatie, zie Overdraagbare visuele modellen leren van natuurlijke taalsupervisie en CLIP GitHub-opslagplaatslocatie.
Over de auteurs
Kevin Du is een Senior Data Lab Architect bij AWS, toegewijd aan het helpen van klanten bij het versnellen van de ontwikkeling van hun Machine Learning (ML)-producten en MLOps-platforms. Met meer dan tien jaar ervaring in het bouwen van ML-compatibele producten voor zowel startups als ondernemingen, ligt zijn focus op het helpen van klanten bij het stroomlijnen van de productie van hun ML-oplossingen. In zijn vrije tijd houdt Kevin van koken en basketbal kijken.
Anany Roy is een Senior Data Lab-architect gespecialiseerd in AI en machine learning, gevestigd in Sydney, Australië. Ze heeft met uiteenlopende klanten gewerkt om architecturale begeleiding te bieden en hen te helpen een effectieve AI/ML-oplossing te leveren via datalab-engagement. Voordat ze bij AWS kwam, werkte ze als senior datawetenschapper en hield ze zich bezig met grootschalige ML-modellen in verschillende sectoren, zoals telecom, banken en fintech's. Haar ervaring in AI/ML heeft haar in staat gesteld om effectieve oplossingen te bieden voor complexe zakelijke problemen, en ze is gepassioneerd door het gebruik van geavanceerde technologieën om teams te helpen hun doelen te bereiken.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/implement-unified-text-and-image-search-with-a-clip-model-using-amazon-sagemaker-and-amazon-opensearch-service/
- :is
- ][P
- $UP
- 1
- 10
- 100
- 11
- 7
- 8
- 9
- a
- in staat
- Over
- versnelt
- Accepteert
- toegang
- Bereiken
- over
- acties
- Extra
- adopteren
- Na
- AG
- Overeenkomst
- AI
- AI / ML
- Alles
- Amazone
- Amazon OpenSearch-service
- Amazon Sage Maker
- analyse
- en
- Nog een
- toepasselijk
- Aanvraag
- toepassingen
- passend
- ongeveer
- bouwkundig
- architectuur
- ZIJN
- argument
- rond
- AS
- At
- hechten
- Australië
- webmaster.
- AWS
- Banken
- gebaseerde
- Basketbal
- BE
- omdat
- vaardigheden
- Berkeley
- BEST
- Betere
- tussen
- lichaam
- bouw
- Gebouw
- bebouwd
- ingebouwd
- bedrijfsdeskundigen
- ondernemingen
- by
- Dit betekent dat we onszelf en onze geliefden praktisch vergiftigen.
- CAN
- mogelijkheden
- catalogus
- CD
- controle
- keuze
- klant
- Sluiten
- TROS
- code
- Collectie
- columns
- communiceren
- Communicatie
- vergeleken
- compleet
- complex
- concept
- uitgevoerd
- Configuratie
- Verbinden
- Wij verbinden
- versterken
- Consumenten
- bevatten
- bevat
- content
- spraakzaam
- Overeenkomend
- Kosten
- kostenefficient
- kon
- en je merk te creëren
- aangemaakt
- Wij creëren
- Geloofsbrieven
- beker
- Klanten
- op het randje
- cycli
- gegevens
- gegevensanalyse
- data punten
- data science
- data scientist
- datasets
- decennium
- toegewijd aan
- deep
- diepgaand leren
- Standaard
- het definiëren van
- leveren
- tonen
- gedemonstreerd
- implementeren
- het inzetten
- inzet
- beschrijving
- gewenste
- gegevens
- Dev
- ontwikkelen
- Ontwikkeling
- apparaat
- anders
- Afmeting
- direct
- Display
- diversen
- documenten
- domein
- domeinen
- Dont
- beneden
- Download
- gedurende
- elk
- gemakkelijker
- gemakkelijk
- ecommerce
- effectief
- in staat stellen
- encryptie
- Endpoint
- engagement
- Motor
- Motoren
- Engels
- verzekeren
- bedrijven
- geheel
- toegang
- Milieu
- fouten
- voorbeeld
- uitvoering
- Oefening
- ervaring
- extra
- familie
- Kenmerk
- Voordelen
- Figuur
- Dien in
- Bestanden
- VIND DE PLEK DIE PERFECT VOOR JOU IS
- afmaken
- Voornaam*
- Flexibiliteit
- Focus
- volgend
- volgt
- Voor
- formaat
- gevonden
- FRAME
- Achtergrond
- Gratis
- vriend
- oppompen van
- voor
- functie
- functioneel
- functionaliteit
- functies
- verder
- voortbrengen
- gegenereerde
- krijgen
- Git
- GitHub
- glas
- Go
- Doelen
- gaan
- goed
- leiding
- handvat
- Hebben
- headers
- Hoogte
- hulp
- het helpen van
- helpt
- hier
- hoger
- Hit
- Hits
- gastheer
- gehost
- Hosting
- Hoe
- How To
- HTML
- http
- HTTPS
- Honderden
- i
- identificeren
- Idle
- IDX
- beeld
- Afbeeldingen zoeken
- afbeeldingen
- uitvoeren
- uitvoering
- geïmplementeerd
- uitvoering
- importeren
- verbeteren
- in
- omvatten
- omvat
- index
- indexen
- Index
- industrieën
- informatie
- Infrastructuur
- invoer
- installeren
- instantie
- verkrijgen in plaats daarvan
- instructies
- geïntegreerde
- geïnteresseerd
- Interface
- Internet
- inventaris
- IT
- artikelen
- HAAR
- Jobomschrijving:
- Vacatures
- jpg
- json
- laboratorium
- taal
- laptop
- Groot
- grootschalig
- lancering
- lagen
- leren
- leveraging
- Bibliotheek
- als
- LINK
- Lijst
- Meldingen
- laden
- het laden
- plaats
- lang
- langer
- Kijk
- machine
- machine learning
- gemaakt
- MERKEN
- management
- beheren
- Manipulatie
- manier
- middel
- maatregel
- maatregelen
- gaan
- meta
- Metadata
- metriek
- minuten
- ML
- MLops
- model
- modellen
- meer
- beweging
- naam
- namen
- Naturel
- Noodzaak
- netwerk
- neuraal netwerk
- New
- volgende
- notitieboekje
- nummers
- object
- objecten
- of
- bieden
- Oud
- on
- online.
- open
- open source
- operatie
- Keuze
- OS
- Overige
- uitgang
- override
- overzicht
- het te bezitten.
- Paketten
- paren
- panda's
- deel
- hartstochtelijk
- pad
- Patronen
- Mensen
- Uitvoeren
- prestatie
- uitvoerend
- fase
- beeld
- Foto's
- stuk
- Pizza
- platforms
- Plato
- Plato gegevensintelligentie
- PlatoData
- PoC
- punt
- punten
- beleidsmaatregelen door te lezen.
- zwembad
- mogelijk
- Post
- energie
- aangedreven
- praktijk
- voorspelling
- Voorspellingen
- voorbereiding
- voorkomen
- Voorafgaand
- privaat
- problemen
- verwerking
- Product
- productie
- Producten
- Profiel
- Programming
- project
- vastgoed
- prototyping
- zorgen voor
- biedt
- publiek
- doeleinden
- zetten
- Python
- pytorch
- Quick
- snel
- reeks
- Rauw
- Lees
- vast
- real-time
- Aanbeveling
- record
- Rood
- regex
- regio
- geregistreerd
- verwijderen
- vereist
- onderzoek
- Resources
- antwoord
- REST
- resultaat
- Resultaten
- <HR>Retail
- terugkeer
- Retourneren
- Stijgen
- Rol
- ROSE
- lopen
- sagemaker
- dezelfde
- Bespaar
- schaalbare
- Scale
- scaling
- Wetenschap
- Wetenschapper
- partituur
- sdk
- Ontdek
- zoekmachine
- Zoekmachines
- seconden
- sectie
- beveiligen
- vast
- veiligheid
- senior
- zin
- dienen
- Serverless
- service
- Sessie
- reeks
- settings
- Vorm
- moet
- getoond
- gelijk
- Eenvoudig
- Maat
- kleinere
- So
- oplossing
- Oplossingen
- sommige
- bron
- Tussenruimte
- gespecialiseerde
- specifiek
- staan
- starts
- Startups
- Stap voor
- Stappen
- mediaopslag
- shop
- opgeslagen
- gestroomlijnd
- Streng
- studio
- voorleggen
- Met goed gevolg
- dergelijk
- steunen
- Stap over voor slechts
- sydney
- SYS
- neemt
- teams
- Technologies
- Telecom
- sjabloon
- proef
- dat
- De
- de informatie
- hun
- Ze
- Deze
- drie
- Door
- niet de tijd of
- keer
- Titel
- titels
- naar
- teken
- tools
- top
- fakkel
- Fakkelvisie
- verkeer
- getraind
- overdracht
- Transformeren
- vertalen
- waar
- types
- unified
- unieke
- onvoorspelbaar
- us
- .
- Gebruiker
- waarde
- variëteit
- controleren
- via
- Bekijk
- Virtueel
- kijken
- Water
- GOED
- welke
- WIE
- Breedte
- Wikipedia
- wil
- Met
- binnen
- zonder
- Woord
- werkzaam
- zou
- X
- You
- Your
- zephyrnet