Ustalanie wartości mieszkania to klasyczny przykład wykorzystania uczenia maszynowego (ML). Znaczący wpływ wywarli Harrison i Rubinfeld (1978), którzy opublikowali przełomowy artykuł i zbiór danych, który stał się nieformalnie znany jako zbiór danych dotyczących mieszkań w Bostonie. W tej przełomowej pracy zaproponowano metodę szacowania cen mieszkań jako funkcji wielu wymiarów, w tym jakości powietrza, co było głównym przedmiotem ich badań. Prawie 50 lat później szacowanie cen mieszkań stało się ważnym narzędziem dydaktycznym dla studentów i profesjonalistów zainteresowanych wykorzystaniem danych i ML w podejmowaniu decyzji biznesowych.
W tym poście omawiamy użycie modelu open source zaprojektowanego specjalnie do zadania wizualnego odpowiadania na pytania (VQA). Dzięki VQA możesz zadać pytanie dotyczące zdjęcia w języku naturalnym i otrzymać odpowiedź na swoje pytanie – także w prostym języku. Naszym celem w tym poście jest zainspirowanie i pokazanie, co jest możliwe dzięki tej technologii. Proponujemy użycie tej możliwości z Amazon Sage Maker platforma usług poprawiających dokładność modelu regresji w przypadku użycia ML oraz niezależnie do automatycznego tagowania obrazów wizualnych.
Zapewniamy odpowiedni YouTube to pokazuje, o czym tu mowa. Odtwarzanie wideo rozpocznie się w połowie, aby podkreślić najbardziej charakterystyczny punkt. Sugerujemy, abyś śledził tę lekturę wraz z filmem, aby utrwalić i zyskać głębsze zrozumienie tej koncepcji.
Modele fundamentów
To rozwiązanie opiera się na wykorzystaniu modelu podstawowego opublikowanego w repozytorium modeli Hugging Face. Tutaj używamy terminu model fundamentu do opisania możliwości sztucznej inteligencji (AI), które zostały wstępnie wytrenowane na dużym i zróżnicowanym zbiorze danych. Modele podstawowe mogą czasami być gotowe do użycia bez konieczności uczenia modelu od zera. Niektóre podstawowe modele można dopracować, co oznacza nauczenie ich dodatkowych wzorców, które są istotne dla Twojej firmy, ale których brakuje w oryginalnym, uogólnionym opublikowanym modelu. Czasami potrzebne jest dostrojenie, aby zapewnić prawidłowe odpowiedzi, które są unikalne dla Twojego przypadku użycia lub zasobu wiedzy.
W Przytulanie Twarzy repozytorium, do wyboru jest kilka modeli VQA. W chwili pisania tego tekstu wybraliśmy model z największą liczbą pobrań. Chociaż w tym poście zademonstrowano możliwość użycia modelu z repozytorium modeli typu open source, ta sama koncepcja miałaby zastosowanie do modelu przeszkolonego od zera lub używanego od innego zaufanego dostawcy.
Nowoczesne podejście do klasycznego przypadku użycia
Tradycyjnie szacowanie ceny domu odbywało się na podstawie danych tabelarycznych, w których do określenia ceny wykorzystywane są cechy nieruchomości. Chociaż można wziąć pod uwagę setki elementów, niektóre podstawowe przykłady to wielkość domu w wykończonej przestrzeni, liczba sypialni i łazienek oraz lokalizacja rezydencji.
Uczenie maszynowe może uwzględniać różnorodne źródła wejściowe wykraczające poza dane tabelaryczne, takie jak dźwięk, nieruchome obrazy, ruchome wideo i język naturalny. W AI termin multimodalny odnosi się do wykorzystania różnych typów mediów, takich jak obrazy i dane tabelaryczne. W tym poście pokazujemy, jak wykorzystać dane multimodalne, aby znaleźć i uwolnić ukrytą wartość zamkniętą w obfitym cyfrowym wyczerpaniu wytwarzanym przez dzisiejszy nowoczesny świat.
Mając ten pomysł na uwadze, zademonstrowaliśmy wykorzystanie modeli fundamentów do wyodrębnienia ukrytych cech z obrazów nieruchomości. Wykorzystując spostrzeżenia zawarte na obrazach, niedostępne wcześniej w danych tabelarycznych, możemy poprawić dokładność modelu. Zarówno obrazy, jak i dane tabelaryczne omówione w tym poście zostały pierwotnie udostępnione i opublikowane GitHub Ahmeda i Moustafy (2016).
Obraz jest wart tysiąca słów
Teraz, gdy rozumiemy możliwości VQA, rozważmy dwa poniższe obrazy kuchni. Jak oceniłbyś wartość domu na podstawie tych zdjęć? Jakie pytania byś sobie zadał? Każde zdjęcie może wywołać w Twojej głowie dziesiątki pytań. Niektóre z tych pytań mogą prowadzić do znaczących odpowiedzi, które usprawnią proces wyceny domu.
Zdjęcia pochodzą od Franceski Tosolini (po lewej) i Sidekix Media (po prawej) w serwisie Unsplash
Poniższa tabela zawiera niepotwierdzone przykłady interakcji VQA, pokazując pytania wraz z odpowiadającymi im odpowiedziami. Odpowiedzi mogą mieć formę odpowiedzi kategorycznych, wartości ciągłych lub odpowiedzi binarnych.
Przykładowe pytanie | Przykładowa odpowiedź z modelu podstawowego |
Z czego wykonane są blaty? | granit, płytki, marmur, laminat itp. |
Czy to droga kuchnia? | tak nie |
Ile jest oddzielnych zlewów? | 0, 1, 2 |
Architektura referencyjna
W tym poście używamy Pogromca danych Amazon SageMaker zadawać jednolity zestaw pytań wizualnych dla tysięcy zdjęć w zbiorze danych. SageMaker Data Wrangler został stworzony specjalnie z myślą o uproszczeniu procesu przygotowywania danych i inżynierii funkcji. Zapewniając ponad 300 wbudowanych transformacji, SageMaker Data Wrangler pomaga skrócić czas potrzebny na przygotowanie danych tabelarycznych i obrazowych dla ML z tygodni do minut. W tym przypadku SageMaker Data Wrangler łączy funkcje danych z oryginalnego zestawu tabelarycznego z funkcjami fotorealistycznymi z modelu podstawowego na potrzeby uczenia modeli.
Następnie budujemy model regresji za pomocą Płótno Amazon SageMaker. SageMaker Canvas może zbudować model bez pisania kodu i dostarczyć wstępne wyniki w ciągu zaledwie 2–15 minut. W poniższej sekcji przedstawiamy architekturę referencyjną używaną do umożliwienia stosowania tych wskazówek dotyczących rozwiązania.
Wiele popularnych modeli firmy Hugging Face i innych dostawców można wdrożyć jednym kliknięciem Amazon SageMaker JumpStart. W tych repozytoriach dostępne są setki tysięcy modeli. Na potrzeby tego wpisu wybraliśmy model niedostępny w SageMaker JumpStart, który wymaga wdrożenia przez klienta. Jak pokazano na poniższym rysunku, wdrażamy model Przytulonej Twarzy do wnioskowania za pomocą Studio Amazon SageMaker zeszyt. Notatnik służy do wdrażania punktu końcowego na potrzeby wnioskowania w czasie rzeczywistym. Notatnik korzysta z zasobów obejmujących model binarny Hugging Face, wskaźnik do obrazu kontenera oraz specjalnie zbudowany skrypt inference.py, który dopasowuje oczekiwane dane wejściowe i wyjściowe modelu. W trakcie czytania zestawienie dostępnych modeli VQA może ulec zmianie. Ważną rzeczą jest przejrzenie dostępnych modeli VQA w momencie czytania tego tekstu i przygotowanie się do wdrożenia wybranego modelu, który będzie miał własną umowę dotyczącą żądań i odpowiedzi API.
Po udostępnieniu modelu VQA przez punkt końcowy SageMaker, używamy SageMaker Data Wrangler do orkiestracji potoku, który ostatecznie łączy dane tabelaryczne i funkcje wyodrębnione z obrazów cyfrowych oraz przekształca dane na potrzeby uczenia modelu. Następna ilustracja przedstawia sposób wykonywania zadania transformacji danych na pełną skalę.
Na poniższym rysunku używamy SageMaker Data Wrangler do koordynowania zadań związanych z przygotowaniem danych oraz SageMaker Canvas do uczenia modeli. Po pierwsze, wykorzystuje SageMaker Data Wrangler Usługa lokalizacji Amazon do konwersji kodów pocztowych dostępnych w surowych danych na cechy szerokości i długości geograficznej. Po drugie, SageMaker Data Wrangler jest w stanie koordynować wysyłanie tysięcy zdjęć do punktu końcowego hostowanego przez SageMaker w celu wyciągania wniosków w czasie rzeczywistym, zadając jednolity zestaw pytań dla każdej sceny. Rezultatem jest bogaty wachlarz cech opisujących cechy charakterystyczne obserwowane w kuchniach, łazienkach, na zewnątrz domów i nie tylko. Po przygotowaniu danych przez SageMaker Data Wrangler dostępny jest zestaw danych szkoleniowych w Usługa Amazon Simple Storage (Amazon S3). Wykorzystując dane S3 jako dane wejściowe, SageMaker Canvas jest w stanie wytrenować model w ciągu zaledwie 2–15 minut, bez pisania żadnego kodu.
Transformacja danych przy użyciu SageMaker Data Wrangler
Poniższy zrzut ekranu przedstawia przepływ pracy SageMaker Data Wrangler. Przepływ pracy rozpoczyna się od tysięcy zdjęć domów przechowywanych w Amazon S3. Następnie detektor scen określa scenę, np. kuchnię lub łazienkę. Na koniec do obrazów zadawany jest zestaw pytań specyficzny dla sceny, w wyniku czego powstaje bogatszy, tabelaryczny zbiór danych dostępny do trenowania.
Poniżej znajduje się przykład niestandardowego kodu transformacji SageMaker Data Wrangler używanego do interakcji z modelem fundamentu i uzyskiwania informacji o zdjęciach kuchni. Na powyższym zrzucie ekranu, jeśli wybierzesz węzeł funkcji kuchennych, pojawi się następujący kod:
Ze względów bezpieczeństwa musisz najpierw włączyć SageMaker Data Wrangler wywoływanie punktu końcowego SageMaker w czasie rzeczywistym poprzez AWS Zarządzanie tożsamością i dostępem (JA JESTEM). Podobnie wszelkie zasoby AWS, które wywołujesz za pomocą SageMaker Data Wrangler, będą wymagały podobnych uprawnień.
Struktury danych przed i po SageMaker Data Wrangler
W tej sekcji omówimy strukturę oryginalnych danych tabelarycznych i danych rozszerzonych. Udoskonalone dane zawierają nowe funkcje danych w porównaniu z tym przykładowym przypadkiem użycia. W aplikacji poświęć trochę czasu na wyobrażenie sobie różnorodnego zestawu pytań dostępnych na obrazach, które pomogą Ci w zadaniu klasyfikacji lub regresji. Chodzi o to, aby wyobrazić sobie jak najwięcej pytań, a następnie przetestować je, aby upewnić się, że zapewniają wartość dodaną.
Struktura oryginalnych danych tabelarycznych
Jak opisano w źródle GitHub repoprzykładowy zbiór danych zawiera 535 rekordów tabelarycznych, w tym cztery obrazy na każdą właściwość. Poniższa tabela ilustruje strukturę oryginalnych danych tabelarycznych.
Cecha | Komentarz |
Ilość sypialni | . |
Liczba łazienek | . |
Powierzchnia (stopy kwadratowe) | . |
Kod pocztowy | . |
Cena | Jest to zmienna docelowa, którą należy przewidzieć. |
Struktura rozszerzonych danych
Poniższa tabela ilustruje ulepszoną strukturę danych, która zawiera kilka nowych funkcji pochodzących z obrazów.
Cecha | Komentarz |
Ilość sypialni | . |
Liczba łazienek | . |
Powierzchnia (stopy kwadratowe) | . |
Szerokość | Obliczono poprzez przekazanie oryginalnego kodu pocztowego do usługi lokalizacyjnej Amazon. Jest to wartość środka ciężkości dla ZIP. |
Długość geograficzna | Obliczono poprzez przekazanie oryginalnego kodu pocztowego do usługi lokalizacyjnej Amazon. Jest to wartość środka ciężkości dla ZIP. |
Czy w sypialni znajduje się sklepiony sufit? | 0 = nie; 1 = tak |
Czy łazienka jest droga? | 0 = nie; 1 = tak |
Czy kuchnia jest droga? | 0 = nie; 1 = tak |
Cena | Jest to zmienna docelowa, którą należy przewidzieć. |
Trening modeli z SageMaker Canvas
Zadanie przetwarzania SageMaker Data Wrangler w pełni przygotowuje i udostępnia cały tabelaryczny zestaw danych szkoleniowych w Amazon S3. Następnie SageMaker Canvas zajmuje się fazą budowania modelu cyklu życia uczenia maszynowego. Canvas rozpoczyna się od otwarcia zestawu szkoleniowego S3. Zrozumienie modelu jest często kluczowym wymaganiem klienta. Bez pisania kodu i w ciągu kilku kliknięć SageMaker Canvas zapewnia bogatą, wizualną informację zwrotną na temat wydajności modelu. Jak widać na zrzucie ekranu w następnej sekcji, SageMaker Canvas pokazuje, w jaki sposób pojedyncze funkcje wpływają na model.
Model wytrenowany przy użyciu oryginalnych danych tabelarycznych i funkcji pochodzących z obrazów nieruchomości
Na poniższym zrzucie ekranu widać, że istotne były funkcje opracowane na podstawie zdjęć nieruchomości. Na podstawie tych wyników pytanie „Czy ta kuchnia jest droga” ze zdjęcia było bardziej istotne niż „liczba sypialni” w oryginalnym zestawie tabelarycznym, dla którego wartości ważności cech wynosiły odpowiednio 7.08 i 5.498.
Poniższy zrzut ekranu zawiera ważne informacje na temat modelu. Po pierwsze, wykres reszt pokazuje większość punktów w zbiorze skupionych wokół fioletowo zacienionej strefy. W tym przypadku dwie wartości odstające zostały ręcznie opatrzone adnotacjami poza SageMaker Canvas na potrzeby tej ilustracji. Te wartości odstające reprezentują znaczne luki między rzeczywistą wartością domu a wartością przewidywaną. Dodatkowo R2 wartość, która ma możliwy zakres 0–100%, jest pokazywana przy 76%. Oznacza to, że model jest niedoskonały i nie zawiera wystarczającej liczby punktów informacyjnych, aby w pełni uwzględnić całą różnorodność i w pełni oszacować wartość domów.
Możemy wykorzystać wartości odstające, aby znaleźć i zaproponować dodatkowe sygnały w celu zbudowania bardziej kompleksowego modelu. Na przykład te odstające nieruchomości mogą obejmować basen lub znajdować się na dużych działkach. Zbiór danych nie zawierał tych funkcji; jednakże możesz zlokalizować te dane i wytrenować nowy model z opcją „posiada basen” uwzględnioną jako dodatkową funkcję. Idealnie, przy następnej próbie, R2 wartość wzrosłaby, a wartości MAE i RMSE spadły.
Model wytrenowany bez funkcji pochodzących z obrazów nieruchomości
Na koniec, zanim przejdziemy do następnej sekcji, sprawdźmy, czy funkcje z obrazów były pomocne. Poniższy zrzut ekranu przedstawia inny wytrenowany model SageMaker Canvas bez funkcji z modelu VQA. Widzimy, że współczynnik błędów modelu wzrósł z RMSE wynoszącego 282 tys. do RMSE wynoszącego 352 tys. Na tej podstawie możemy stwierdzić, że trzy proste pytania z obrazów poprawiły dokładność modelu o około 20%. Nie pokazano, ale aby był kompletny, R2 wartość dla kolejnego modelu również uległa pogorszeniu, spadając do wartości 62% z wartości 76% przy zapewnionych funkcjach VQA. To jest przykład tego, jak SageMaker Canvas ułatwia szybkie eksperymentowanie i stosowanie podejścia opartego na danych, które pozwala uzyskać model spełniający potrzeby biznesowe.
Patrząc przed siebie
Wiele organizacji coraz bardziej interesuje się modelami podstawowymi, zwłaszcza odkąd w grudniu 2022 r. oficjalnie pojawiły się transformatory wstępnie wytrenowane (GPT). Duża część zainteresowania modelami podstawowymi koncentruje się na zadaniach z dużymi modelami językowymi (LLM). ; jednakże dostępne są inne różnorodne przypadki użycia, takie jak wizja komputerowa i, w węższym zakresie, opisane tutaj specjalistyczne zadanie VQA.
Ten post jest przykładem inspirującym do wykorzystania danych multimodalnych do rozwiązywania przemysłowych przypadków użycia. Chociaż zademonstrowaliśmy zastosowanie i zalety VQA w modelu regresji, można go również wykorzystać do etykietowania i tagowania obrazów w celu późniejszego wyszukiwania lub wyznaczania trasy przepływu pracy w firmie. Wyobraź sobie, że możesz wyszukiwać nieruchomości wystawione na sprzedaż lub wynajem. Załóżmy, że chcesz znaleźć nieruchomość z podłogą wyłożoną kafelkami lub marmurowymi blatami. Dzisiaj być może będziesz musiał uzyskać długą listę kandydatów i filtrować je według wzroku podczas przeglądania każdego kandydata. Zamiast tego wyobraź sobie, że możesz filtrować oferty zawierające te funkcje — nawet jeśli dana osoba nie oznaczyła ich wyraźnie tagiem. W branży ubezpieczeniowej wyobraź sobie możliwość oszacowania odszkodowania lub kierowania kolejnych działań w przepływie pracy biznesowej na podstawie obrazów. Na platformach mediów społecznościowych zdjęcia mogą być automatycznie tagowane w celu późniejszego wykorzystania.
Podsumowanie
W tym poście pokazano, jak wykorzystać wizję komputerową obsługiwaną przez model podstawowy, aby ulepszyć klasyczny przypadek użycia uczenia maszynowego przy użyciu platformy SageMaker. W ramach zaproponowanego rozwiązania zlokalizowaliśmy popularny model VQA dostępny w publicznym rejestrze modeli i wdrożyliśmy go przy użyciu punktu końcowego SageMaker w celu wnioskowania w czasie rzeczywistym.
Następnie wykorzystaliśmy SageMaker Data Wrangler do zorganizowania przepływu pracy, w którym zadawane były jednolite pytania dotyczące obrazów w celu wygenerowania bogatego zestawu danych tabelarycznych. Na koniec użyliśmy SageMaker Canvas do wytrenowania modelu regresji. Należy zauważyć, że przykładowy zbiór danych był bardzo prosty i dlatego niedoskonały z założenia. Mimo to SageMaker Canvas ułatwia zrozumienie dokładności modelu i poszukiwanie dodatkowych sygnałów w celu poprawy dokładności modelu bazowego.
Mamy nadzieję, że ten post zachęcił Cię do korzystania z danych multimodalnych, jakie może posiadać Twoja organizacja. Ponadto mamy nadzieję, że post zainspirował Cię do rozważenia szkolenia modelowego jako procesu iteracyjnego. Przy odrobinie cierpliwości można stworzyć wspaniały model. Modele, które są prawie idealne, mogą być zbyt piękne, aby mogły być prawdziwe, być może w wyniku wycieku docelowego lub nadmiernego dopasowania. Idealny scenariusz zaczynałby się od modelu, który jest dobry, ale nie doskonały. Wykorzystując błędy, straty i wykresy reszt, można uzyskać dodatkowe sygnały danych, aby zwiększyć dokładność początkowego oszacowania wartości bazowej.
AWS oferuje najszerszy i najgłębszy zestaw usług ML oraz wspierającą infrastrukturę chmurową, oddając ML w ręce każdego programisty, analityka danych i eksperta. Jeśli chcesz dowiedzieć się więcej na temat platformy SageMaker, w tym SageMaker Data Wrangler i SageMaker Canvas, skontaktuj się z zespołem obsługi konta AWS i rozpocznij rozmowę. Rozważ także przeczytanie więcej o SageMaker Data Wrangler transformacje niestandardowe.
Referencje
Ahmed, EH i Moustafa, M. (2016). Oszacowanie ceny domu na podstawie cech wizualnych i tekstowych. IJCCI 2016 – Proceedings of the 8. International Joint Conference on Computational Intelligence, 3, 62–68.
Harrison Jr, D. i Rubinfeld, DL (1978). Hedoniczne ceny mieszkań a zapotrzebowanie na czyste powietrze. Journal of ekonomii i zarządzania środowiskiem, 5(1) 81-102.
Kim, W., Son, B. & Kim, ja.. (2021). ViLT: Transformator wizyjny i językowy bez nadzoru nad splotem i regionem. Materiały z 38. Międzynarodowej Konferencji na temat uczenia maszynowego, w: Proceedings of Machine Learning Research. 139:5583-5594.
O autorze
Karol Śmiech jest głównym architektem rozwiązań AI/ML i pracuje w zespole serwisowym Amazon SageMaker w AWS. Pomaga kształtować plan działania usług i codziennie współpracuje z różnymi klientami AWS, aby pomóc w transformacji ich firm przy użyciu najnowocześniejszych technologii AWS i przemyślanego przywództwa. Charles posiada tytuł magistra zarządzania łańcuchem dostaw oraz tytuł doktora. w nauce danych.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
- PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
- PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
- Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
- Źródło: https://aws.amazon.com/blogs/machine-learning/use-foundation-models-to-improve-model-accuracy-with-amazon-sagemaker/
- :ma
- :Jest
- :nie
- :Gdzie
- $W GÓRĘ
- 08
- 1
- 100
- 2016
- 2021
- 2022
- 32
- 49
- 50
- 50 Lata
- 7
- 8
- 8
- a
- zdolność
- Zdolny
- O nas
- obfity
- dostęp
- Konto
- precyzja
- osiągnięty
- działania
- Dodatkowy
- do tego
- Adresy
- Po
- Ahmed
- AI
- AI / ML
- AIR
- Wszystkie kategorie
- dopuszczać
- prawie
- wzdłuż
- również
- Chociaż
- Amazonka
- Amazon Sage Maker
- Amazon Web Services
- amp
- an
- i
- Inne
- odpowiedź
- odpowiedzi
- każdy
- api
- zjawić się
- Zastosowanie
- Aplikuj
- podejście
- architektura
- SĄ
- na około
- Szyk
- sztuczny
- sztuczna inteligencja
- Sztuczna inteligencja (AI)
- AS
- zapytać
- pytanie
- oszacować
- Aktywa
- At
- próba
- audio
- zautomatyzowane
- dostępny
- AWS
- na podstawie
- Baseline
- BE
- stał
- stają się
- staje
- być
- zanim
- rozpocząć
- jest
- korzyści
- pomiędzy
- Poza
- ciało
- boston
- obie
- budować
- Budowanie
- wbudowany
- ciężar
- biznes
- biznes
- ale
- by
- wezwanie
- CAN
- kandydat
- brezentowy
- możliwości
- zdolność
- zdolny
- walizka
- Etui
- sufit
- wyśrodkowany
- Centra
- łańcuch
- zmiana
- Charakterystyka
- Charles
- Dodaj
- roszczenie
- klasyczny
- klasyfikacja
- kleń
- Chmura
- infrastruktura chmurowa
- klastrowanie
- kod
- Kody
- współpracuje
- kolor
- kombajny
- jak
- kompletny
- wszechstronny
- obliczeniowy
- komputer
- Wizja komputerowa
- pojęcie
- stwierdza,
- Konferencja
- Rozważać
- wynagrodzenie
- zawierać
- Pojemnik
- zawiera
- ciągły
- umowa
- Rozmowa
- konwertować
- koordynować
- skorygowania
- Odpowiedni
- mógłby
- kredyt
- ciekawy
- zwyczaj
- klient
- Klientów
- pionierski nowatorski
- codziennie
- dane
- Przygotowywanie danych
- nauka danych
- naukowiec danych
- zbiór danych
- Struktura danych
- sterowane danymi
- grudzień
- Podejmowanie decyzji
- spadek
- najgłębszy
- dostarczyć
- Kreowanie
- wykazać
- wykazać
- demonstruje
- rozwijać
- wdrażane
- Wdrożenie
- Pochodny
- opisać
- opisane
- Wnętrze
- zaprojektowany
- określa
- rozwinięty
- Deweloper
- cyfrowy
- Wymiary
- dyskutować
- omówione
- inny
- do
- robi
- Nie
- pliki do pobrania
- dziesiątki
- Rzut
- e
- każdy
- łatwo
- ekonomia
- umożliwiać
- włączony
- zachęcać
- Punkt końcowy
- Inżynieria
- wzmocnione
- dość
- Cały
- środowiskowy
- błąd
- Błędy
- szczególnie
- oszacowanie
- itp
- Parzyste
- Każdy
- przykład
- przykłady
- spodziewany
- drogi
- eksperyment
- ekspert
- wyraźnie
- odkryj
- wyciąg
- Twarz
- Cecha
- Korzyści
- informacja zwrotna
- stopy
- kilka
- Postać
- filtrować
- W końcu
- Znajdź
- i terminów, a
- piętro
- Skupiać
- obserwuj
- następujący
- następujący sposób
- W razie zamówieenia projektu
- Nasz formularz
- znaleziono
- Fundacja
- cztery
- od
- na pełną skalę
- w pełni
- funkcjonować
- Funkcje
- fundamentalny
- Wzrost
- luki
- Ogólne
- Generować
- otrzymać
- cel
- dobry
- wykres
- wspaniały
- przełomowy
- poradnictwo
- siła robocza
- Have
- he
- pomoc
- pomocny
- pomaga
- tutaj
- Ukryty
- Atrakcja
- posiada
- Strona główna
- Domy
- nadzieję
- hostowane
- dom
- obudowa
- W jaki sposób
- How To
- Jednak
- http
- HTTPS
- Setki
- i
- pomysł
- idealny
- idealnie
- tożsamość
- if
- ilustruje
- obraz
- zdjęcia
- obraz
- importować
- znaczenie
- ważny
- podnieść
- ulepszony
- in
- zawierać
- włączony
- Włącznie z
- włączenie
- Zwiększać
- wzrosła
- coraz bardziej
- niezależnie
- wskazuje
- przemysł
- wpływ
- informować
- Informacja
- Infrastruktura
- początkowy
- wkład
- spostrzeżenia
- inspirować
- inspirowane
- zamiast
- ubezpieczenie
- Inteligencja
- interakcji
- Interakcje
- odsetki
- zainteresowany
- na świecie
- najnowszych
- IT
- JEGO
- Praca
- połączenie
- jpg
- json
- Klawisz
- Kim
- wiedza
- znany
- Etykieta
- Kraj
- język
- duży
- później
- prowadzić
- Przywództwo
- UCZYĆ SIĘ
- nauka
- wifecycwe
- Lista
- Katalogowany
- ofert
- mało
- LLM
- usytuowany
- lokalizacja
- zamknięty
- długo
- straty
- maszyna
- uczenie maszynowe
- zrobiony
- Mainstream
- robić
- WYKONUJE
- i konserwacjami
- ręcznie
- wiele
- zapałki
- Może..
- wymowny
- znaczy
- Media
- metoda
- W połowie drogi
- może
- nic
- minut
- brakujący
- mieszać
- ML
- model
- modele
- Nowoczesne technologie
- jeszcze
- większość
- ruch
- przeniesienie
- musi
- Naturalny
- Potrzebować
- potrzebne
- Nowości
- Nowe funkcje
- Następny
- Nie
- węzeł
- notatnik
- numer
- liczny
- uzyskać
- miejsce
- of
- Oferty
- Oficjalnie
- często
- on
- tylko
- open source
- otwarcie
- or
- zamówienie
- organizacja
- organizacji
- oryginalny
- pierwotnie
- Inne
- ludzkiej,
- na zewnątrz
- odstające
- wydajność
- zewnętrzne
- własny
- Papier
- część
- Przechodzący
- Cierpliwość
- wzory
- dla
- doskonały
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- może
- uprawnienia
- osoba
- faza
- ZDJĘCIA
- obraz
- Zdjęcia
- rurociąg
- Równina
- Platforma
- Platformy
- plato
- Analiza danych Platona
- PlatoDane
- Proszę
- punkt
- zwrotnica
- basen
- Popularny
- część
- posiadać
- możliwy
- Post
- Przewiduje
- wstępny
- przygotowanie
- Przygotować
- przygotowany
- Przygotowuje
- poprzednio
- Cena
- Cennik
- Główny
- Obrady
- wygląda tak
- przetwarzanie
- Wytworzony
- specjalistów
- niska zabudowa
- własność
- zaproponować
- zaproponowane
- zapewniać
- pod warunkiem,
- dostawca
- dostawców
- zapewnia
- że
- publiczny
- opublikowany
- Putting
- jakość
- pytanie
- pytania
- szybko
- R
- zasięg
- Kurs
- Surowy
- dosięgnąć
- Czytaj
- Czytający
- gotowy
- w czasie rzeczywistym
- otrzymać
- dokumentacja
- zmniejszyć
- odniesienie
- odnosi
- region
- rejestr
- wzmacniać
- względny
- Wynajem
- składnica
- reprezentować
- zażądać
- wymaganie
- Wymaga
- Badania naukowe
- przefasonować
- Rezydencja
- Zasoby
- odpowiednio
- odpowiedź
- Odpowiedzi
- dalsze
- wynikły
- Efekt
- powrót
- przeglądu
- Bogaty
- bogatszy
- mapa drogowa
- Trasa
- Routing
- run
- Czas
- s
- sagemaker
- sprzedaż
- taki sam
- Przykładowy zbiór danych
- scenariusz
- scena
- nauka
- Naukowiec
- Scott
- scenariusz
- Szukaj
- druga
- Sekcja
- bezpieczeństwo
- widzieć
- Szukajcie
- widziany
- wybrany
- wysyłanie
- służyć
- służył
- usługa
- Usługi
- zestaw
- kilka
- Shape
- pokazać
- pokazane
- Targi
- Widok
- Sygnały
- znaczący
- podobny
- Podobnie
- Prosty
- upraszczać
- ponieważ
- pojedynczy
- Rozmiar
- So
- Obserwuj Nas
- Media społecznościowe
- platform społecznych mediów
- rozwiązanie
- ROZWIĄZANIA
- kilka
- czasami
- syn
- Źródło
- Źródła
- Typ przestrzeni
- specjalista
- wyspecjalizowanym
- swoiście
- Kwadratowa
- początek
- Nadal
- przechowywanie
- przechowywany
- bezpośredni
- Struktura
- Struktury
- Studenci
- kolejny
- taki
- sugerować
- nadzór
- Dostawa
- łańcuch dostaw
- zarządzanie łańcuchem dostaw
- Wspierający
- pewnie
- stół
- TAG
- Brać
- trwa
- cel
- Zadanie
- zadania
- Nauczanie
- zespół
- Technologies
- Technologia
- semestr
- test
- tekstowy
- niż
- że
- Połączenia
- Źródło
- ich
- Im
- następnie
- Tam.
- w związku z tym
- Te
- one
- rzecz
- to
- tych
- myśl
- myśl przywództwo
- tysiąc
- tysiące
- trzy
- Przez
- czas
- do
- już dziś
- dzisiaj
- także
- narzędzie
- aktualny
- tradycyjnie
- Pociąg
- przeszkolony
- Trening
- Przekształcać
- Transformacja
- przemiany
- transformator
- Transformatory
- prawdziwy
- zaufany
- drugiej
- rodzaj
- typy
- Ostatecznie
- zrozumieć
- zrozumienie
- wyjątkowy
- Unsplash
- posługiwać się
- przypadek użycia
- używany
- zastosowania
- za pomocą
- Wykorzystując
- Wycena
- wartość
- Dodaj wartość
- Wartości
- zmienna
- różnorodność
- początku.
- Wideo
- Zobacz i wysłuchaj
- widoczny
- wizja
- wizualny
- W
- chcieć
- była
- we
- sieć
- usługi internetowe
- tygodni
- DOBRZE
- były
- Co
- Co to jest
- który
- KIM
- będzie
- okna
- w
- w ciągu
- bez
- drewno
- Praca
- workflow
- działa
- świat
- wartość
- by
- pisanie
- lat
- plony
- You
- Twój
- siebie
- youtube
- zefirnet
- zero
- Zamek błyskawiczny