Å bestemme verdien av bolig er et klassisk eksempel på bruk av maskinlæring (ML). En betydelig innflytelse ble gjort av Harrison og Rubinfeld (1978), som publiserte et banebrytende papir og datasett som uformelt ble kjent som Boston boligdatasett. Dette banebrytende arbeidet foreslo en metode for å estimere boligpriser som en funksjon av en rekke dimensjoner, inkludert luftkvalitet, som var hovedfokuset for deres forskning. Nesten 50 år senere har estimering av boligpriser blitt et viktig undervisningsverktøy for studenter og fagfolk som er interessert i å bruke data og ML i forretningsbeslutninger.
I dette innlegget diskuterer vi bruken av en åpen kildekode-modell som er spesielt utviklet for oppgaven med visuell spørsmålssvar (VQA). Med VQA kan du stille et spørsmål om et bilde ved å bruke naturlig språk og få svar på spørsmålet ditt – også i vanlig språk. Målet vårt i dette innlegget er å inspirere og demonstrere hva som er mulig ved å bruke denne teknologien. Vi foreslår å bruke denne muligheten med Amazon SageMaker plattform av tjenester for å forbedre regresjonsmodellnøyaktigheten i et ML-brukstilfelle, og uavhengig, for automatisert tagging av visuelle bilder.
Vi gir en tilsvarende YouTube-video som viser hva som diskuteres her. Videoavspilling vil starte midtveis for å markere det mest fremtredende punktet. Vi foreslår at du følger denne lesingen med videoen for å forsterke og få en rikere forståelse av konseptet.
Fundamentmodeller
Denne løsningen fokuserer på bruken av en grunnmodell publisert til Hugging Face-modelllageret. Her bruker vi begrepet grunnmodell å beskrive en evne til kunstig intelligens (AI) som er forhåndsopplært på en stor og mangfoldig mengde data. Foundation-modeller kan noen ganger være klare til bruk uten byrden med å trene en modell fra null. Noen grunnmodeller kan finjusteres, noe som betyr å lære dem flere mønstre som er relevante for virksomheten din, men som mangler fra den originale, generaliserte publiserte modellen. Finjustering er noen ganger nødvendig for å levere korrekte svar som er unike for ditt bruksområde eller kunnskapsgrunnlag.
på Klemme ansiktet repository, er det flere VQA-modeller å velge mellom. Vi valgte modellen med flest nedlastinger i skrivende stund. Selv om dette innlegget demonstrerer muligheten til å bruke en modell fra et modelllager med åpen kildekode, vil det samme konseptet gjelde for en modell du har trent fra null eller brukt fra en annen pålitelig leverandør.
En moderne tilnærming til en klassisk brukssak
Boligprisestimering har tradisjonelt skjedd gjennom tabelldata der egenskaper ved eiendommen brukes til å informere om prisen. Selv om det kan være hundrevis av funksjoner å vurdere, er noen grunnleggende eksempler størrelsen på boligen i det ferdige rommet, antall soverom og bad og plasseringen av boligen.
Maskinlæring er i stand til å inkludere forskjellige inngangskilder utover tabelldata, for eksempel lyd, stillbilder, bevegelsesvideo og naturlig språk. I AI er begrepet multimodal refererer til bruken av en rekke medietyper, for eksempel bilder og tabelldata. I dette innlegget viser vi hvordan du bruker multimodale data for å finne og frigjøre skjult verdi innelåst i den rikelige digitale eksosen produsert av dagens moderne verden.
Med denne ideen i tankene demonstrerer vi bruken av fundamentmodeller for å trekke ut latente funksjoner fra bilder av eiendommen. Ved å bruke innsikt i bildene, som ikke tidligere var tilgjengelig i tabelldataene, kan vi forbedre nøyaktigheten til modellen. Både bildene og tabelldataene omtalt i dette innlegget ble opprinnelig gjort tilgjengelig og publisert til GitHub av Ahmed og Moustafa (2016).
Et bilde er verdt tusen ord
Nå som vi forstår egenskapene til VQA, la oss vurdere de to følgende bildene av kjøkken. Hvordan vil du vurdere boligens verdi ut fra disse bildene? Hva er noen spørsmål du vil stille deg selv? Hvert bilde kan vekke dusinvis av spørsmål i hodet ditt. Noen av disse spørsmålene kan føre til meningsfulle svar som forbedrer en verdivurderingsprosess.
Bilder krediteres Francesca Tosolini (L) og Sidekix Media (R) på Unsplash
Tabellen nedenfor gir anekdotiske eksempler på VQA-interaksjoner ved å vise spørsmål ved siden av de tilsvarende svarene. Svar kan komme i form av kategoriske, kontinuerlige verdier eller binære svar.
Eksempelspørsmål | Eksempelsvar fra Foundation Model |
Hva er benkeplatene laget av? | granitt, fliser, marmor, laminat, etc. |
Er dette et dyrt kjøkken? | Ja Nei |
Hvor mange adskilte vasker er det? | 0, 1, 2 |
Referansearkitektur
I dette innlegget bruker vi Amazon SageMaker Data Wrangler å stille et enhetlig sett med visuelle spørsmål for tusenvis av bilder i datasettet. SageMaker Data Wrangler er spesialbygd for å forenkle prosessen med dataforberedelse og funksjonsutvikling. Ved å tilby mer enn 300 innebygde transformasjoner, hjelper SageMaker Data Wrangler å redusere tiden det tar å forberede tabell- og bildedata for ML fra uker til minutter. Her kombinerer SageMaker Data Wrangler datafunksjoner fra det originale tabellsettet med fotofødte funksjoner fra grunnmodellen for modelltrening.
Deretter bygger vi en regresjonsmodell med bruk av Amazon SageMaker Canvas. SageMaker Canvas kan bygge en modell, uten å skrive noen kode, og levere foreløpige resultater på så lite som 2–15 minutter. I avsnittet som følger gir vi en referansearkitektur som brukes for å gjøre denne løsningsveiledningen mulig.
Mange populære modeller fra Hugging Face og andre leverandører kan distribueres med ett klikk Amazon SageMaker JumpStart. Det er hundretusenvis av modeller tilgjengelig i disse lagrene. For dette innlegget velger vi en modell som ikke er tilgjengelig i SageMaker JumpStart, som krever en kundedistribusjon. Som vist i følgende figur, distribuerer vi en Hugging Face-modell for slutninger ved hjelp av en Amazon SageMaker Studio notisbok. Den bærbare datamaskinen brukes til å distribuere et endepunkt for sanntidsslutning. Notatboken bruker eiendeler som inkluderer den binære modellen Hugging Face, en peker til et beholderbilde og et spesialbygd inference.py-skript som samsvarer med modellens forventede input og output. Når du leser dette, kan blandingen av tilgjengelige VQA-modeller endre seg. Det viktige er å gjennomgå tilgjengelige VQA-modeller på det tidspunktet du leser dette, og være forberedt på å distribuere modellen du velger, som vil ha sin egen API-forespørsel og responskontrakt.
Etter at VQA-modellen er betjent av SageMaker-endepunktet, bruker vi SageMaker Data Wrangler til å orkestrere rørledningen som til slutt kombinerer tabelldata og funksjoner hentet fra de digitale bildene og omformer dataene for modelltrening. Den neste figuren gir en oversikt over hvordan fullskala datatransformasjonsjobben kjøres.
I den følgende figuren bruker vi SageMaker Data Wrangler til å orkestrere dataforberedende oppgaver og SageMaker Canvas for modelltrening. Først bruker SageMaker Data Wrangler Amazon Location Service å konvertere postnumre som er tilgjengelige i rådataene til bredde- og lengdegradsfunksjoner. For det andre er SageMaker Data Wrangler i stand til å koordinere sending av tusenvis av bilder til et SageMaker-verts endepunkt for sanntidsslutning, og stille et enhetlig sett med spørsmål per scene. Dette resulterer i et rikt utvalg funksjoner som beskriver egenskaper observert på kjøkken, bad, eksteriør i hjemmet og mer. Etter at data er utarbeidet av SageMaker Data Wrangler, er et treningsdatasett tilgjengelig i Amazon enkel lagringstjeneste (Amazon S3). Ved å bruke S3-dataene som input, kan SageMaker Canvas trene en modell på så lite som 2–15 minutter uten å skrive noen kode.
Datatransformasjon ved hjelp av SageMaker Data Wrangler
Følgende skjermbilde viser en SageMaker Data Wrangler-arbeidsflyt. Arbeidsflyten begynner med tusenvis av bilder av hjem lagret i Amazon S3. Deretter bestemmer en scenedetektor scenen, for eksempel kjøkken eller bad. Til slutt stilles et scenespesifikt sett med spørsmål til bildene, noe som resulterer i et rikere, tabellbasert datasett tilgjengelig for trening.
Følgende er et eksempel på SageMaker Data Wranglers tilpassede transformasjonskode som brukes til å samhandle med fundamentmodellen og få informasjon om bilder av kjøkken. I det foregående skjermbildet, hvis du skulle velge noden for kjøkkenfunksjoner, vil følgende kode vises:
Som en sikkerhetshensyn må du først aktivere SageMaker Data Wrangler for å ringe ditt SageMaker sanntidsendepunkt gjennom AWS identitets- og tilgangsadministrasjon (JEG ER). På samme måte vil alle AWS-ressurser du påkaller gjennom SageMaker Data Wrangler trenge lignende tillatelsestillatelser.
Datastrukturer før og etter SageMaker Data Wrangler
I denne delen diskuterer vi strukturen til de opprinnelige tabelldataene og de forbedrede dataene. De forbedrede dataene inneholder nye datafunksjoner i forhold til dette eksempelet. Ta deg tid i søknaden din til å forestille deg det mangfoldige settet med spørsmål som er tilgjengelig i bildene dine for å hjelpe klassifiserings- eller regresjonsoppgaven din. Tanken er å forestille seg så mange spørsmål som mulig og deretter teste dem for å sikre at de gir verdiøkning.
Struktur av originale tabelldata
Som beskrevet i kilden GitHub repo, inneholder eksempeldatasettet 535 tabellposter inkludert fire bilder per eiendom. Tabellen nedenfor illustrerer strukturen til de opprinnelige tabelldataene.
Trekk | Kommentar |
Antall soverom | . |
Antall bad | . |
Område (kvadratfot) | . |
Postnummer | . |
Pris | Dette er målvariabelen som skal forutsies. |
Struktur av forbedrede data
Tabellen nedenfor illustrerer den forbedrede datastrukturen, som inneholder flere nye funksjoner hentet fra bildene.
Trekk | Kommentar |
Antall soverom | . |
Antall bad | . |
Område (kvadratfot) | . |
Latitude | Beregnet ved å sende originalt postnummer til Amazon Location Service. Dette er tyngdepunktsverdien for ZIP. |
Lengdegrad | Beregnet ved å sende originalt postnummer til Amazon Location Service. Dette er tyngdepunktsverdien for ZIP. |
Har soverommet et hvelvet tak? | 0 = nei; 1 = ja |
Er badet dyrt? | 0 = nei; 1 = ja |
Er kjøkkenet dyrt? | 0 = nei; 1 = ja |
Pris | Dette er målvariabelen som skal forutsies. |
Modelltrening med SageMaker Canvas
En SageMaker Data Wrangler-behandlingsjobb forbereder og gjør hele tabellformede opplæringsdatasettet tilgjengelig i Amazon S3. Deretter tar SageMaker Canvas for seg modellbyggingsfasen av ML-livssyklusen. Canvas begynner med å åpne S3-treningssettet. Å kunne forstå en modell er ofte et sentralt kundekrav. Uten å skrive kode, og innen noen få klikk, gir SageMaker Canvas rik, visuell tilbakemelding på modellens ytelse. Som vist på skjermbildet i den følgende delen, viser SageMaker Canvas hvordan enkeltfunksjoner informerer modellen.
Modell trent med originale tabelldata og funksjoner hentet fra eiendomsbilder
Vi kan se fra følgende skjermbilde at funksjoner utviklet fra bilder av eiendommen var viktige. Basert på disse resultatene var spørsmålet "Er dette kjøkkenet dyrt" fra bildet mer signifikant enn "antall soverom" i det originale tabellsettet, med funksjonsviktighetsverdier på henholdsvis 7.08 og 5.498.
Følgende skjermbilde gir viktig informasjon om modellen. For det første viser restgrafen de fleste punktene i settet gruppering rundt den lilla skyggelagte sonen. Her ble to uteliggere manuelt kommentert utenfor SageMaker Canvas for denne illustrasjonen. Disse uteliggere representerer betydelige gap mellom den sanne boligverdien og den anslåtte verdien. I tillegg har R2 verdi, som har et mulig område på 0–100 %, vises til 76 %. Dette indikerer at modellen er ufullkommen og ikke har nok informasjonspunkter til å gjøre rede for alle variasjonene for å estimere boligverdiene fullt ut.
Vi kan bruke uteliggere for å finne og foreslå ytterligere signaler for å bygge en mer omfattende modell. For eksempel kan disse ytre eiendommene inkludere et svømmebasseng eller ligge på store tomter. Datasettet inkluderte ikke disse funksjonene; Det kan imidlertid hende du kan finne disse dataene og trene en ny modell med "har svømmebasseng" inkludert som en tilleggsfunksjon. Ideelt sett, på ditt neste forsøk, vil R2 verdien vil øke og MAE- og RMSE-verdiene vil synke.
Modell trent uten funksjoner hentet fra eiendomsbilder
Til slutt, før vi går til neste seksjon, la oss undersøke om funksjonene fra bildene var nyttige. Følgende skjermbilde gir en annen SageMaker Canvas-trent modell uten funksjonene fra VQA-modellen. Vi ser at modellfeilraten har økt, fra en RMSE på 282K til en RMSE på 352K. Fra dette kan vi konkludere med at tre enkle spørsmål fra bildene forbedret modellnøyaktigheten med omtrent 20 %. Ikke vist, men for å være fullstendig, R2 verdien for den følgende modellen ble også dårligere, og falt til en verdi på 62 % fra en verdi på 76 % med VQA-funksjonene. Dette er et eksempel på hvordan SageMaker Canvas gjør det enkelt å raskt eksperimentere og bruke en datadrevet tilnærming som gir en modell som dekker bedriftens behov.
Ser framover
Mange organisasjoner blir stadig mer interessert i grunnmodeller, spesielt siden generelle forhåndstrente transformatorer (GPT-er) offisielt ble et mainstream-tema av interesse i desember 2022. En stor del av interessen for grunnmodeller er sentrert om oppgaver med store språkmodeller (LLM). ; Imidlertid er det andre forskjellige bruksområder tilgjengelig, for eksempel datasyn og, mer snevert, den spesialiserte VQA-oppgaven som er beskrevet her.
Dette innlegget er et eksempel for å inspirere til bruk av multimodale data for å løse bransjebrukssaker. Selv om vi demonstrerte bruken og fordelen med VQA i en regresjonsmodell, kan den også brukes til å merke og merke bilder for påfølgende søk eller forretningsflytruting. Tenk deg å kunne søke etter eiendommer oppført for salg eller leie. Anta at du vil finne en eiendom med fliser på gulv eller benkeplater i marmor. I dag må du kanskje få en lang liste over kandidateiendommer og filtrere deg selv etter syn mens du blar gjennom hver kandidat. Tenk deg i stedet å kunne filtrere oppføringer som inneholder disse funksjonene – selv om en person ikke eksplisitt merket dem. I forsikringsbransjen, forestill deg muligheten til å estimere erstatningskrav, eller rute neste handlinger i en forretningsarbeidsflyt fra bilder. På sosiale medieplattformer kan bilder automatisk merkes for senere bruk.
Oppsummering
Dette innlegget demonstrerte hvordan du bruker datasyn aktivert av en grunnmodell for å forbedre en klassisk ML-brukersak ved å bruke SageMaker-plattformen. Som en del av løsningen som ble foreslått, fant vi en populær VQA-modell tilgjengelig i et offentlig modellregister og distribuerte den ved å bruke et SageMaker-endepunkt for sanntidsslutning.
Deretter brukte vi SageMaker Data Wrangler til å orkestrere en arbeidsflyt der det ble stilt enhetlige spørsmål til bildene for å generere et rikt sett med tabelldata. Til slutt brukte vi SageMaker Canvas for å trene opp en regresjonsmodell. Det er viktig å merke seg at prøvedatasettet var veldig enkelt og derfor ufullkomment. Likevel gjør SageMaker Canvas det enkelt å forstå modellens nøyaktighet og søke etter ytterligere signaler for å forbedre nøyaktigheten til en grunnlinjemodell.
Vi håper dette innlegget har oppmuntret deg til å bruke de multimodale dataene din organisasjon kan ha. I tillegg håper vi innlegget har inspirert deg til å vurdere modelltrening som en iterativ prosess. En flott modell kan oppnås med litt tålmodighet. Modeller som er nesten perfekte kan være for gode til å være sanne, kanskje et resultat av mållekkasje eller overmontering. Et ideelt scenario ville begynne med en modell som er god, men ikke perfekt. Ved å bruke feil, tap og gjenværende plott kan du få ytterligere datasignaler for å øke nøyaktigheten fra det første baselineestimatet ditt.
AWS tilbyr det bredeste og dypeste settet med ML-tjenester og støttende skyinfrastruktur, og setter ML i hendene på hver utviklere, dataforsker og ekspertutøver. Hvis du er nysgjerrig på å lære mer om SageMaker-plattformen, inkludert SageMaker Data Wrangler og SageMaker Canvas, vennligst ta kontakt med AWS-kontoteamet ditt og start en samtale. Vurder også å lese mer om SageMaker Data Wrangler tilpassede transformasjoner.
Referanser
Ahmed, EH, & Moustafa, M. (2016). Boligprisestimering fra visuelle og tekstlige funksjoner. IJCCI 2016-Proceedings of the 8th International Joint Conference on Computational Intelligence, 3, 62–68.
Harrison Jr, D., & Rubinfeld, DL (1978). Hedoniske boligpriser og etterspørselen etter ren luft. Tidsskrift for miljøøkonomi og ledelse, 5(1), 81-102.
Kim, W., Son, B. & Kim, I.. (2021). ViLT: Visjon-og-språktransformator uten konvolusjon eller regiontilsyn. Proceedings of the 38th International Conference on Machine Learning, in Proceedings of Machine Learning Research. 139:5583-5594.
Om forfatteren
Charles Laughlin er en Principal AI/ML Specialist Solution Architect og jobber i Amazon SageMaker-serviceteamet hos AWS. Han hjelper til med å forme tjenesteveikartet og samarbeider daglig med ulike AWS-kunder for å hjelpe til med å transformere virksomhetene deres ved å bruke banebrytende AWS-teknologier og tankeledelse. Charles har en MS i Supply Chain Management og en Ph.D. i datavitenskap.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
- PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
- PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
- PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
- kilde: https://aws.amazon.com/blogs/machine-learning/use-foundation-models-to-improve-model-accuracy-with-amazon-sagemaker/
- : har
- :er
- :ikke
- :hvor
- $OPP
- 08
- 1
- 100
- 2016
- 2021
- 2022
- 32
- 49
- 50
- 50 år
- 7
- 8
- 8.
- a
- evne
- I stand
- Om oss
- rikelig
- adgang
- Logg inn
- nøyaktighet
- oppnådd
- handlinger
- Ytterligere
- I tillegg
- adresser
- Etter
- ahmed
- AI
- AI / ML
- AIR
- Alle
- tillate
- nesten
- sammen
- også
- Selv
- Amazon
- Amazon SageMaker
- Amazon Web Services
- amp
- an
- og
- En annen
- besvare
- svar
- noen
- api
- vises
- Søknad
- Påfør
- tilnærming
- arkitektur
- ER
- rundt
- Array
- kunstig
- kunstig intelligens
- Kunstig intelligens (AI)
- AS
- spør
- spør
- vurdere
- Eiendeler
- At
- forsøk
- lyd
- Automatisert
- tilgjengelig
- AWS
- basert
- Baseline
- BE
- ble
- bli
- bli
- vært
- før du
- begynne
- være
- nytte
- mellom
- Beyond
- kroppen
- boston
- både
- bygge
- Bygning
- innebygd
- byrde
- virksomhet
- bedrifter
- men
- by
- ring
- CAN
- kandidat
- lerret
- evner
- evne
- stand
- saken
- saker
- tak
- sentrert
- Sentre
- kjede
- endring
- egenskaper
- Charles
- Velg
- hevder
- Classic
- klassifisering
- ren
- Cloud
- sky infrastruktur
- gruppering
- kode
- koder
- samarbeider
- farge
- skurtreskerne
- Kom
- fullføre
- omfattende
- beregnings
- datamaskin
- Datamaskin syn
- konsept
- konkluderer
- Konferanse
- Vurder
- hensyn
- inneholde
- Container
- inneholder
- kontinuerlig
- kontrakt
- Samtale
- konvertere
- koordinere
- korrigere
- Tilsvarende
- kunne
- kreditt
- nysgjerrig
- skikk
- kunde
- Kunder
- skjærekant
- daglig
- dato
- Dataklargjøring
- datavitenskap
- dataforsker
- datasett
- Data struktur
- data-drevet
- Desember
- Beslutningstaking
- redusere
- dypeste
- leverer
- Etterspørsel
- demonstrere
- demonstrert
- demonstrerer
- utplassere
- utplassert
- distribusjon
- Avledet
- beskrive
- beskrevet
- utforming
- designet
- bestemmes
- utviklet
- Utvikler
- digitalt
- dimensjoner
- diskutere
- diskutert
- diverse
- do
- gjør
- ikke
- nedlastinger
- dusinvis
- slippe
- e
- hver enkelt
- lett
- Økonomi
- muliggjøre
- aktivert
- oppfordret
- Endpoint
- Ingeniørarbeid
- forbedret
- nok
- Hele
- miljømessige
- feil
- feil
- spesielt
- anslag
- etc
- Selv
- Hver
- eksempel
- eksempler
- forventet
- dyrt
- eksperiment
- Expert
- eksplisitt
- utforske
- trekke ut
- Face
- Trekk
- Egenskaper
- tilbakemelding
- Feet
- Noen få
- Figur
- filtrere
- Endelig
- Finn
- Først
- Gulv
- Fokus
- følge
- etter
- følger
- Til
- skjema
- funnet
- Fundament
- fire
- fra
- i full skala
- fullt
- funksjon
- funksjoner
- fundamental
- Gevinst
- hull
- general
- generere
- få
- mål
- god
- graf
- flott
- banebrytende
- veiledning
- hender
- Ha
- he
- hjelpe
- nyttig
- hjelper
- her.
- skjult
- Uthev
- holder
- Hjemprodukt
- Hjem
- håp
- vert
- hus
- bolig
- Hvordan
- Hvordan
- Men
- http
- HTTPS
- Hundrevis
- i
- Tanken
- ideell
- ideelt sett
- Identitet
- if
- illustrerer
- bilde
- bilder
- forestille
- importere
- betydning
- viktig
- forbedre
- forbedret
- in
- inkludere
- inkludert
- Inkludert
- innlemme
- Øke
- økt
- stadig
- uavhengig av hverandre
- indikerer
- industri
- påvirke
- informere
- informasjon
- Infrastruktur
- innledende
- inngang
- innsikt
- inspirere
- inspirert
- i stedet
- forsikring
- Intelligens
- samhandle
- interaksjoner
- interesse
- interessert
- internasjonalt
- inn
- IT
- DET ER
- Jobb
- ledd
- jpg
- JSON
- nøkkel
- Kim
- kunnskap
- kjent
- Etiketten
- Tomt
- Språk
- stor
- seinere
- føre
- Ledelse
- LÆRE
- læring
- Livssyklus
- Liste
- oppført
- oppføringer
- lite
- LLM
- ligger
- plassering
- låst
- Lang
- tap
- maskin
- maskinlæring
- laget
- Mainstream
- gjøre
- GJØR AT
- ledelse
- manuelt
- mange
- fyrstikker
- Kan..
- meningsfylt
- midler
- Media
- metode
- Midtveis
- kunne
- tankene
- minutter
- mangler
- bland
- ML
- modell
- modeller
- Moderne
- mer
- mest
- bevegelse
- flytting
- må
- Naturlig
- Trenger
- nødvendig
- Ny
- Nye funksjoner
- neste
- Nei.
- node
- bærbare
- Antall
- mange
- få
- forekom
- of
- Tilbud
- offisielt
- ofte
- on
- bare
- åpen kildekode
- åpning
- or
- rekkefølge
- organisasjon
- organisasjoner
- original
- opprinnelig
- Annen
- vår
- ut
- uteligger
- produksjon
- utenfor
- egen
- Papir
- del
- Passerer
- Tålmodighet
- mønstre
- for
- perfekt
- ytelse
- kanskje
- tillatelser
- person
- fase
- bilde
- Bilder
- bilde
- Bilder
- rørledning
- Plain
- plattform
- Plattformer
- plato
- Platon Data Intelligence
- PlatonData
- vær så snill
- Point
- poeng
- basseng
- Populær
- del
- besitter
- mulig
- Post
- spådd
- innledende
- forberedelse
- Forbered
- forberedt
- forbereder
- tidligere
- pris
- Prisene
- Principal
- proceedings
- prosess
- prosessering
- produsert
- fagfolk
- egenskaper
- eiendom
- foreslå
- foreslått
- gi
- forutsatt
- leverandør
- tilbydere
- gir
- gi
- offentlig
- publisert
- Sette
- kvalitet
- spørsmål
- spørsmål
- raskt
- R
- område
- Sats
- Raw
- å nå
- Lese
- Lesning
- klar
- sanntids
- motta
- poster
- redusere
- referanse
- refererer
- region
- registret
- forsterke
- slektning
- relevant
- Leie
- Repository
- representere
- anmode
- behov
- Krever
- forskning
- omskape
- Residence
- Ressurser
- henholdsvis
- svar
- svar
- resultere
- resulterende
- Resultater
- retur
- anmeldelse
- Rich
- rikere
- veikart
- Rute
- ruting
- Kjør
- runtime
- s
- sagemaker
- salg
- samme
- Eksempel på datasett
- scenario
- scene
- Vitenskap
- Forsker
- scott
- script
- Søk
- Sekund
- Seksjon
- sikkerhet
- se
- Søke
- sett
- valgt
- sending
- betjene
- servert
- tjeneste
- Tjenester
- sett
- flere
- Form
- Vis
- vist
- Viser
- Syn
- signaler
- signifikant
- lignende
- på samme måte
- Enkelt
- forenkle
- siden
- enkelt
- Størrelse
- So
- selskap
- sosiale medier
- sosiale medieplattformer
- løsning
- LØSE
- noen
- noen ganger
- dens
- kilde
- Kilder
- Rom
- spesialist
- spesialisert
- spesielt
- kvadrat
- Begynn
- Still
- lagring
- lagret
- rett fram
- struktur
- strukturer
- Studenter
- senere
- slik
- foreslår
- tilsyn
- levere
- forsyningskjeden
- leverandørkrav
- Støtte
- sikker
- bord
- TAG
- Ta
- tar
- Target
- Oppgave
- oppgaver
- Undervisning
- lag
- Technologies
- Teknologi
- begrep
- test
- tekstlig
- enn
- Det
- De
- Kilden
- deres
- Dem
- deretter
- Der.
- derfor
- Disse
- de
- ting
- denne
- De
- trodde
- tenkte ledelse
- tusen
- tusener
- tre
- Gjennom
- tid
- til
- i dag
- dagens
- også
- verktøy
- Tema
- tradisjonelt
- Tog
- trent
- Kurs
- Transform
- Transformation
- transformasjoner
- transformator
- transformers
- sant
- klarert
- to
- typen
- typer
- Til syvende og sist
- forstå
- forståelse
- unik
- Unsplash
- bruke
- bruk sak
- brukt
- bruker
- ved hjelp av
- utnytte
- Verdivurdering
- verdi
- verdiøkning
- Verdier
- variabel
- variasjon
- veldig
- video
- Se
- synlig
- syn
- visuell
- W
- ønsker
- var
- we
- web
- webtjenester
- uker
- VI VIL
- var
- Hva
- Hva er
- hvilken
- HVEM
- vil
- vinduer
- med
- innenfor
- uten
- tre
- Arbeid
- arbeidsflyt
- virker
- verden
- verdt
- ville
- skriving
- år
- rentene
- Du
- Din
- deg selv
- youtube
- zephyrnet
- null
- Zip