W tym poście omawiamy rozwiązanie wykorzystujące uczenie maszynowe (ML) do złożonego wyszukiwania obrazów Amazonka Kendra i Amazon Rekognition. W szczególności używamy przykładu diagramów architektury dla złożonych obrazów ze względu na włączenie wielu różnych ikon wizualnych i tekstu.
Dzięki Internetowi wyszukiwanie i uzyskiwanie obrazu nigdy nie było łatwiejsze. W większości przypadków możesz dokładnie zlokalizować żądane obrazy, na przykład szukając miejsca na następny wakacyjny wypad. Proste wyszukiwania są często skuteczne, ponieważ nie są powiązane z wieloma cechami. Oprócz pożądanych cech obrazu, kryteria wyszukiwania zwykle nie wymagają znaczących szczegółów, aby znaleźć wymagany wynik. Na przykład, jeśli użytkownik próbował wyszukać konkretny rodzaj niebieskiej butelki, zostaną wyświetlone wyniki wielu różnych rodzajów niebieskich butelek. Jednak pożądana niebieska butelka może nie być łatwa do znalezienia ze względu na ogólne wyszukiwane hasła.
Interpretacja kontekstu wyszukiwania również przyczynia się do uproszczenia wyników. Kiedy użytkownicy mają na myśli pożądany obraz, próbują umieścić go w tekstowym zapytaniu wyszukiwania. Zrozumienie niuansów między zapytaniami wyszukiwania dotyczącymi podobnych tematów jest ważne, aby zapewnić trafne wyniki i zminimalizować wysiłek wymagany od użytkownika do ręcznego sortowania wyników. Na przykład zapytanie „Właściciel psa bawi się w aportowanie” ma na celu zwrócenie wyników graficznych przedstawiających właściciela psa grającego w aportowanie z psem. Jednak rzeczywiste wygenerowane wyniki mogą zamiast tego skupiać się na aportowaniu przedmiotu przez psa bez wykazywania zaangażowania właściciela. Użytkownicy mogą być zmuszeni do ręcznego odfiltrowania nieodpowiednich obrazów w przypadku złożonych wyszukiwań.
Aby rozwiązać problemy związane ze złożonymi wyszukiwaniami, w tym poście opisano szczegółowo, w jaki sposób można uzyskać wyszukiwarkę zdolną do wyszukiwania złożonych obrazów poprzez integrację Amazon Kendra i Amazon Rekognition. Amazon Kendra to inteligentna usługa wyszukiwania obsługiwana przez ML, a Amazon Rekognition to usługa ML, która może identyfikować obiekty, ludzi, tekst, sceny i działania na podstawie obrazów lub filmów.
Jakie obrazy mogą być zbyt złożone, aby dało się je przeszukiwać? Jednym z przykładów są diagramy architektury, które można powiązać z wieloma kryteriami wyszukiwania w zależności od złożoności przypadku użycia i liczby wymaganych usług technicznych, co powoduje znaczne nakłady pracy związane z ręcznym wyszukiwaniem dla użytkownika. Na przykład, jeśli użytkownicy chcą znaleźć rozwiązanie architektoniczne dla przypadku użycia weryfikacji klienta, zwykle użyją zapytania podobnego do „Schematy architektury do weryfikacji klienta”. Jednak ogólne zapytania wyszukiwania obejmowałyby szeroki zakres usług i różne daty utworzenia treści. Użytkownicy musieliby ręcznie wybrać odpowiednich kandydatów na architektów w oparciu o określone usługi i rozważyć trafność wyboru projektu architektury zgodnie z datą utworzenia treści i datą zapytania.
Poniższy rysunek przedstawia przykładowy diagram, który ilustruje zorganizowane rozwiązanie architektury wyodrębniania, przekształcania i ładowania (ETL).
W przypadku użytkowników, którzy nie są zaznajomieni z usługami oferowanymi na platformie chmurowej, podczas wyszukiwania takiego diagramu mogą udostępniać różne ogólne sposoby i opisy. Oto kilka przykładów, w jaki sposób można go przeszukiwać:
- „Orkiestrowanie przepływu pracy ETL”
- „Jak zautomatyzować masowe przetwarzanie danych”
- „Metody tworzenia potoku do transformacji danych”
Omówienie rozwiązania
Przeprowadzimy Cię przez następujące kroki, aby wdrożyć rozwiązanie:
- Trenuj Etykiety niestandardowe Amazon Rekognition model do rozpoznawania symboli na diagramach architektury.
- Włącz wykrywanie tekstu Amazon Rekognition, aby weryfikować symbole diagramów architektury.
- Użyj Amazon Rekognition wewnątrz robota sieciowego, aby zbudować repozytorium do wyszukiwania
- Użyj Amazon Kendra, aby przeszukać repozytorium.
Aby w łatwy sposób zapewnić użytkownikom duże repozytorium odpowiednich wyników, rozwiązanie powinno zapewniać zautomatyzowany sposób przeszukiwania zaufanych źródeł. Na przykładzie diagramów architektury rozwiązanie musi przeszukiwać łącza referencyjne i dokumenty techniczne w poszukiwaniu diagramów architektury oraz identyfikować obecne usługi. Zidentyfikowanie w tych źródłach słów kluczowych, takich jak przypadki użycia i branże branżowe, umożliwia również przechwytywanie informacji i wyświetlanie użytkownikom trafniejszych wyników wyszukiwania.
Biorąc pod uwagę cel, jakim jest przeszukiwanie odpowiednich diagramów, rozwiązanie do wyszukiwania obrazów musi spełniać trzy kryteria:
- Włącz proste wyszukiwanie słów kluczowych
- Interpretuj zapytania wyszukiwania na podstawie przypadków użycia podanych przez użytkowników
- Sortuj i porządkuj wyniki wyszukiwania
Wyszukiwanie według słów kluczowych polega po prostu na wyszukaniu „Amazon Rekognition” i pokazaniu diagramów architektury pokazujących, w jaki sposób usługa jest używana w różnych przypadkach użycia. Alternatywnie wyszukiwane terminy można pośrednio powiązać z diagramem za pomocą przypadków użycia i branż, które mogą być powiązane z architekturą. Na przykład wyszukiwanie terminów „Jak zorganizować potok ETL” zwraca wyniki diagramów architektury zbudowanych z Klej AWS i Funkcje kroków AWS. Sortowanie i porządkowanie wyników wyszukiwania na podstawie atrybutów, takich jak data utworzenia, zapewniłoby, że diagramy architektury będą nadal aktualne pomimo aktualizacji i wydań usług. Poniższy rysunek przedstawia schemat architektury rozwiązania do wyszukiwania obrazów.
Jak pokazano na powyższym diagramie i w omówieniu rozwiązania, istnieją dwa główne aspekty rozwiązania. Pierwszy aspekt jest wykonywany przez Amazon Rekognition, który może identyfikować obiekty, osoby, tekst, sceny i działania na podstawie obrazów lub filmów. Składa się z wstępnie wytrenowanych modeli, które można zastosować do analizy obrazów i filmów na dużą skalę. Dzięki funkcji niestandardowych etykiet usługa Amazon Rekognition umożliwia dostosowanie usługi uczenia maszynowego do konkretnych potrzeb biznesowych przez etykietowanie obrazów zebranych od pozyskiwania poprzez diagramy architektury w zaufanych linkach referencyjnych i dokumentach technicznych. Przesyłając mały zestaw obrazów szkoleniowych, Amazon Rekognition automatycznie ładuje i sprawdza dane szkoleniowe, wybiera odpowiednie algorytmy ML, trenuje model i dostarcza metryki wydajności modelu. W związku z tym użytkownicy bez wiedzy ML mogą czerpać korzyści z niestandardowego modelu etykiet poprzez wywołanie API, ponieważ zmniejsza się znaczna ilość kosztów ogólnych. Rozwiązanie wykorzystuje niestandardowe etykiety Amazon Rekognition do wykrywania logo usług AWS na diagramach architektury, aby umożliwić wyszukiwanie diagramów architektury za pomocą nazw usług. Po modelowaniu wykryte usługi każdego obrazu diagramu architektury i jego metadane, takie jak pochodzenie adresu URL i tytuł obrazu, są indeksowane do przyszłych celów wyszukiwania i przechowywane w Amazon DynamoDB, w pełni zarządzana, bezserwerowa baza danych NoSQL typu klucz-wartość, zaprojektowana do uruchamiania aplikacji o wysokiej wydajności.
Drugi aspekt jest obsługiwany przez Amazon Kendra, inteligentną usługę wyszukiwania korporacyjnego obsługiwaną przez ML, która umożliwia przeszukiwanie różnych repozytoriów treści. Dzięki Amazon Kendra możesz wyszukiwać wyniki, takie jak obrazy lub dokumenty, które zostały zindeksowane. Wyniki te mogą być również przechowywane w różnych repozytoriach, ponieważ usługa wyszukiwania wykorzystuje wbudowane łączniki. Do wyszukiwania można użyć słów kluczowych, fraz i opisów, co pozwala dokładnie wyszukać diagramy związane z konkretnym przypadkiem użycia. Dlatego możesz łatwo zbudować inteligentną usługę wyszukiwania przy minimalnych kosztach rozwoju.
Po zrozumieniu problemu i rozwiązania w kolejnych sekcjach omówiono, jak zautomatyzować pozyskiwanie danych poprzez indeksowanie diagramów architektury z wiarygodnych źródeł. Następnie przechodzimy przez proces generowania niestandardowego modelu ML etykiety z w pełni zarządzaną usługą. Na koniec omówimy pozyskiwanie danych przez inteligentną usługę wyszukiwania obsługiwaną przez ML.
Utwórz model Amazon Rekognition z niestandardowymi etykietami
Przed uzyskaniem jakichkolwiek diagramów architektury potrzebujemy narzędzia do oceny, czy obraz można zidentyfikować jako diagram architektury. Amazon Rekognition Custom Labels zapewnia usprawniony proces tworzenia modelu rozpoznawania obrazu, który identyfikuje obiekty i sceny na obrazach, które są specyficzne dla potrzeb biznesowych. W tym przypadku używamy Amazon Rekognition Custom Labels do identyfikacji ikon usług AWS, a następnie obrazy są indeksowane z usługami w celu bardziej trafnego wyszukiwania za pomocą Amazon Kendra. Ten model nie rozróżnia, czy obraz jest diagramem architektury, czy nie; po prostu identyfikuje ikony usług, jeśli takie istnieją. W związku z tym w wynikach wyszukiwania mogą pojawić się obrazy, które nie są diagramami architektury. Jednak takie wyniki są minimalne.
Poniższy rysunek przedstawia kroki, które wykonuje to rozwiązanie, aby utworzyć model niestandardowych etykiet Amazon Rekognition.
Ten proces obejmuje przesłanie zestawów danych, wygenerowanie pliku manifestu, który odwołuje się do przesłanych zestawów danych, a następnie przesłanie tego pliku manifestu do Amazon Rekognition. Skrypt w języku Python jest używany do pomocy w procesie przesyłania zestawów danych i generowania pliku manifestu. Po pomyślnym wygenerowaniu pliku manifestu jest on następnie przesyłany do usługi Amazon Rekognition w celu rozpoczęcia procesu szkolenia modelu. Aby uzyskać szczegółowe informacje na temat skryptu języka Python i sposobu jego uruchamiania, zapoznaj się z sekcją GitHub repo.
Aby wytrenować model, w projekcie Amazon Rekognition wybierz Trenuj model, wybierz projekt, który chcesz trenować, a następnie dodaj odpowiednie tagi i wybierz Trenuj model. Aby uzyskać instrukcje dotyczące rozpoczynania projektu Amazon Rekognition Custom Labels, zapoznaj się z dostępnymi samouczki wideo. Uczenie modelu z tym zestawem danych może potrwać do 8 godzin.
Po zakończeniu szkolenia możesz wybrać przeszkolony model, aby wyświetlić wyniki oceny. Aby uzyskać więcej informacji na temat różnych metryk, takich jak precyzja, pamięć i F1, zobacz Metryki do oceny Twojego modelu. Aby użyć modelu, przejdź do Użyj modelu kartę, pozostaw liczbę jednostek wnioskowania na poziomie 1 i uruchom model. Wtedy możemy użyć np AWS Lambda funkcja wysyłania obrazów do modelu w base64, a model zwraca listę etykiet i oceny pewności.
Po pomyślnym wytrenowaniu modelu Amazon Rekognition za pomocą Amazon Rekognition Custom Labels możemy go użyć do zidentyfikowania ikon usług na diagramach architektury, które zostały zindeksowane. Aby zwiększyć dokładność identyfikowania usług na diagramie architektury, używamy innej funkcji Amazon Rekognition o nazwie wykrywanie tekstu. Aby skorzystać z tej funkcji, przekazujemy ten sam obraz w base64, a Amazon Rekognition zwraca listę tekstu zidentyfikowanego na obrazku. Na poniższych rysunkach porównujemy oryginalny obraz i to, jak wygląda po zidentyfikowaniu usług na obrazie. Pierwszy rysunek przedstawia oryginalny obraz.
Poniższy rysunek przedstawia oryginalny obraz z wykrytymi usługami.
Aby zapewnić skalowalność, używamy funkcji Lambda, która będzie eksponowana przez punkt końcowy API utworzony za pomocą Brama Amazon API. Lambda to bezserwerowa, sterowana zdarzeniami usługa obliczeniowa, która umożliwia uruchamianie kodu praktycznie dowolnego typu aplikacji lub usługi zaplecza bez udostępniania serwerów i zarządzania nimi. Użycie funkcji Lambda eliminuje częsty problem skalowania w górę, gdy do punktu końcowego interfejsu API wysyłane są duże ilości żądań. Lambda automatycznie uruchamia funkcję dla określonego wywołania API, które zatrzymuje się po zakończeniu wywołania, zmniejszając w ten sposób koszty ponoszone przez użytkownika. Ponieważ żądanie byłoby kierowane do punktu końcowego Amazon Rekognition, skalowalność tylko funkcji Lambda nie jest wystarczająca. Aby punkt końcowy Amazon Rekognition był skalowalny, możesz zwiększyć jednostkę wnioskowania punktu końcowego. Aby uzyskać więcej informacji na temat konfigurowania jednostki wnioskowania, patrz Jednostki wnioskowania.
Poniżej znajduje się fragment kodu funkcji Lambda dla procesu rozpoznawania obrazu:
Po utworzeniu funkcji Lambda możemy przystąpić do jej udostępnienia jako API przy użyciu API Gateway. Aby uzyskać instrukcje dotyczące tworzenia interfejsu API z integracją z serwerem proxy Lambda, zobacz Samouczek: Tworzenie interfejsu API REST Hello World z integracją z serwerem proxy Lambda.
Przeszukuj diagramy architektury
Aby funkcja wyszukiwania działała realnie, potrzebujemy repozytorium diagramów architektury. Diagramy te muszą jednak pochodzić z wiarygodnych źródeł, takich jak np Blog AWS i Wytyczne AWS. Ustalenie wiarygodności źródeł danych zapewnia, że leżąca u podstaw implementacja i cel przypadków użycia są dokładne i dobrze sprawdzone. Następnym krokiem jest skonfigurowanie robota, który może pomóc w zebraniu wielu diagramów architektury w celu wprowadzenia ich do naszego repozytorium. Stworzyliśmy robota sieciowego, który wyodrębnia diagramy architektury i informacje, takie jak opis implementacji, z odpowiednich źródeł. Istnieje wiele sposobów na zbudowanie takiego mechanizmu; w tym przykładzie używamy programu, który działa na Elastyczna chmura obliczeniowa Amazon (Amazon EC2). Program najpierw uzyskuje łącza do wpisów na blogu z interfejsu AWS Blog API. Odpowiedź zwrócona z API zawiera informacje o poście, takie jak tytuł, adres URL, datę oraz linki do obrazów znalezionych w poście.
Poniżej znajduje się fragment kodu funkcji JavaScript dla procesu indeksowania sieci:
Dzięki temu mechanizmowi możemy łatwo indeksować setki i tysiące obrazów z różnych blogów. Potrzebujemy jednak filtra, który akceptuje tylko obrazy zawierające zawartość diagramu architektury, którymi w naszym przypadku są ikony usług AWS, aby odfiltrować obrazy, które nie są diagramami architektury.
Taki jest cel naszego modelu Amazon Rekognition. Diagramy przechodzą przez proces rozpoznawania obrazu, który identyfikuje ikony usług i określa, czy można je uznać za poprawny diagram architektury.
Poniżej znajduje się fragment kodu funkcji, która wysyła obrazy do modelu Amazon Rekognition:
Po przejściu kontroli rozpoznawania obrazu wyniki zwrócone z modelu Amazon Rekognition i związane z nim informacje są pakowane we własne metadane. Metadane są następnie przechowywane w tabeli DynamoDB, w której rekord zostanie użyty do przetworzenia w Amazon Kendra.
Poniżej znajduje się fragment kodu funkcji przechowującej metadane diagramu w DynamoDB:
Pozyskuj metadane do Amazon Kendra
Po tym, jak diagramy architektury przejdą przez proces rozpoznawania obrazu, a metadane zostaną zapisane w DynamoDB, potrzebujemy sposobu, aby diagramy można było przeszukiwać, jednocześnie odwołując się do zawartości metadanych. Podejściem do tego jest posiadanie wyszukiwarki, którą można zintegrować z aplikacją i która może obsłużyć dużą liczbę zapytań. Dlatego korzystamy z Amazon Kendra, inteligentnej usługi wyszukiwania korporacyjnego.
Używamy Amazon Kendra jako interaktywnego komponentu rozwiązania ze względu na jego potężne możliwości wyszukiwania, szczególnie przy użyciu języka naturalnego. Dodaje to dodatkową warstwę prostoty, gdy użytkownicy szukają diagramów, które są najbliższe temu, czego szukają. Amazon Kendra oferuje szereg łączników źródeł danych do pozyskiwania i łączenia treści. To rozwiązanie używa niestandardowego łącznika do pozyskiwania informacji o diagramach architektury z DynamoDB. Aby skonfigurować źródło danych do indeksu Amazon Kendra, możesz użyć istniejącego indeksu lub utwórz nowy indeks.
Zindeksowane diagramy muszą następnie zostać wchłonięte do utworzonego indeksu Amazon Kendra. Poniższy rysunek przedstawia schemat indeksowania diagramów.
Najpierw diagramy wstawione do DynamoDB tworzą zdarzenie Put przez Strumienie Amazon DynamoDB. Zdarzenie wyzwala funkcję Lambda, która działa jako niestandardowe źródło danych dla Amazon Kendra i ładuje diagramy do indeksu. Aby uzyskać instrukcje dotyczące tworzenia wyzwalacza DynamoDB Streams dla funkcji Lambda, zobacz Samouczek: Używanie AWS Lambda ze strumieniami Amazon DynamoDB
Po zintegrowaniu funkcji Lambda z DynamoDB musimy pobrać rekordy diagramów przesłanych do funkcji do indeksu Amazon Kendra. Indeks akceptuje dane z różnych typów źródeł, a pozyskiwanie elementów do indeksu z funkcji Lambda oznacza, że musi korzystać z niestandardowej konfiguracji źródła danych. Aby uzyskać instrukcje dotyczące tworzenia niestandardowego źródła danych dla swojego indeksu, zobacz Niestandardowy łącznik źródła danych.
Poniżej znajduje się fragment kodu funkcji Lambda przedstawiający sposób indeksowania diagramu w niestandardowy sposób:
Ważnym czynnikiem umożliwiającym przeszukiwanie diagramów jest klucz Blob w dokumencie. Właśnie to sprawdza Amazon Kendra, gdy użytkownicy wprowadzają dane do wyszukiwania. W tym przykładowym kodzie klucz Blob zawiera skróconą wersję diagramu przypadku użycia połączonego z informacjami wykrytymi w procesie rozpoznawania obrazu. Pozwala to użytkownikom wyszukiwać diagramy architektury na podstawie przypadków użycia, takich jak „Wykrywanie oszustw” lub według nazw usług, takich jak „Amazon Kendra”.
Aby zilustrować przykładowy wygląd klucza obiektu Blob, poniższy fragment kodu odwołuje się do początkowego diagramu ETL, który przedstawiliśmy wcześniej w tym poście. Zawiera opis diagramu, który został uzyskany podczas indeksowania, a także usługi, które zostały zidentyfikowane przez model Amazon Rekognition.
Szukaj z Amazon Kendra
Po złożeniu wszystkich komponentów wyniki przykładowego wyszukiwania „analityki w czasie rzeczywistym” wyglądają jak na poniższym zrzucie ekranu.
Wyszukując ten przypadek użycia, tworzy różne diagramy architektury. Użytkownicy otrzymują te różne metody określonego obciążenia, które próbują zaimplementować.
Sprzątać
Wykonaj czynności opisane w tej sekcji, aby wyczyścić zasoby utworzone w ramach tego wpisu:
- Usuń interfejs API:
- W konsoli API Gateway wybierz interfejs API do usunięcia.
- Na Akcje menu, wybierz Usuń.
- Dodaj Usuń potwierdzać.
- Usuń tabelę DynamoDB:
- W konsoli DynamoDB wybierz Stoły w okienku nawigacji.
- Wybierz utworzoną tabelę i wybierz Usuń.
- Wprowadź usuń po wyświetleniu monitu o potwierdzenie.
- Dodaj Usuń tabelę potwierdzać.
- Usuń indeks Amazon Kendra:
- Na konsoli Amazon Kendra wybierz Indeksy w okienku nawigacji.
- Wybierz utworzony indeks i wybierz Usuń
- Wprowadź powód, gdy zostaniesz poproszony o potwierdzenie.
- Dodaj Usuń potwierdzać.
- Usuń projekt Amazon Rekognition:
- Na konsoli Amazon Rekognition wybierz Użyj etykiet niestandardowych w okienku nawigacji, a następnie wybierz Projekty.
- Wybierz projekt, który utworzyłeś i wybierz Usuń.
- Wprowadź Usuń po wyświetleniu monitu o potwierdzenie.
- Dodaj Usuń powiązane zbiory danych i modele potwierdzać.
- Usuń funkcję Lambda:
- Na konsoli Lambda wybierz funkcję do usunięcia.
- Na Akcje menu, wybierz Usuń.
- Wprowadź Usuń po wyświetleniu monitu o potwierdzenie.
- Dodaj Usuń potwierdzać.
Podsumowanie
W tym poście pokazaliśmy przykład inteligentnego wyszukiwania informacji z obrazów. Obejmuje to proces szkolenia modelu Amazon Rekognition ML, który działa jak filtr obrazów, automatyzację indeksowania obrazów, która zapewnia wiarygodność i wydajność, oraz zapytania o diagramy poprzez dołączenie niestandardowego źródła danych, które umożliwia bardziej elastyczny sposób indeksowania elementów . Aby zagłębić się w implementację kodów, zapoznaj się z GitHub repo.
Teraz, gdy już wiesz, jak zapewnić szkielet scentralizowanego repozytorium wyszukiwania dla złożonych wyszukiwań, spróbuj stworzyć własną wyszukiwarkę obrazów. Aby uzyskać więcej informacji na temat podstawowych funkcji, patrz Pierwsze kroki z niestandardowymi etykietami Amazon Rekognition, Moderowanie treścii Przewodnik dla programistów Amazon Kendra. Jeśli dopiero zaczynasz korzystać z niestandardowych etykiet Amazon Rekognition, wypróbuj je, korzystając z naszego bezpłatnego poziomu, który trwa 3 miesiące i obejmuje 10 bezpłatnych godzin szkoleniowych miesięcznie i 4 bezpłatne godziny wnioskowania miesięcznie.
O autorach
Ryan Zobacz jest architektem rozwiązań w AWS. Z siedzibą w Singapurze współpracuje z klientami, aby tworzyć rozwiązania rozwiązujące ich problemy biznesowe, a także dostosowywać wizję techniczną, aby pomóc w uruchamianiu bardziej skalowalnych i wydajnych obciążeń w chmurze.
Jamesa Ong Jia Xianga jest Customer Solutions Manager w AWS. Specjalizuje się w Migration Acceleration Program (MAP), gdzie pomaga klientom i partnerom z powodzeniem wdrażać programy migracji na dużą skalę do AWS. Z siedzibą w Singapurze koncentruje się również na stymulowaniu inicjatyw modernizacji i transformacji przedsiębiorstw w całym APJ za pomocą skalowalnych mechanizmów. W wolnym czasie lubi zajęcia na łonie natury, takie jak trekking i surfing.
Powieś Duonga jest architektem rozwiązań w AWS. Z siedzibą w Hanoi w Wietnamie koncentruje się na promowaniu wdrażania chmury w swoim kraju, dostarczając swoim klientom wysoce dostępne, bezpieczne i skalowalne rozwiązania chmurowe. Dodatkowo lubi budować i bierze udział w różnych projektach prototypowych. Pasjonuje się również dziedziną uczenia maszynowego.
Trinh Vo jest architektem rozwiązań w firmie AWS z siedzibą w Ho Chi Minh City w Wietnamie. Koncentruje się na pracy z klientami z różnych branż i partnerami w Wietnamie w celu tworzenia architektur i demonstracji platformy AWS, które działają wstecz w stosunku do potrzeb biznesowych klienta i przyspieszają przyjęcie odpowiedniej technologii AWS. W wolnym czasie lubi zwiedzać jaskinie i trekking.
Wai Kin Tham jest architektem chmury w AWS. Jego codzienna praca polega na pomaganiu klientom w migracji do chmury i modernizacji stosu technologii w chmurze. W wolnym czasie uczęszcza na zajęcia Muay Thai i Brazylijskiego Jiu Jitsu.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- PlatoAiStream. Analiza danych Web3. Wiedza wzmocniona. Dostęp tutaj.
- Wybijanie przyszłości w Adryenn Ashley. Dostęp tutaj.
- Kupuj i sprzedawaj akcje spółek PRE-IPO z PREIPO®. Dostęp tutaj.
- Źródło: https://aws.amazon.com/blogs/machine-learning/build-an-image-search-engine-with-amazon-kendra-and-amazon-rekognition/
- :ma
- :Jest
- :nie
- :Gdzie
- $W GÓRĘ
- 1
- 10
- 100
- 12
- 200
- 40
- 7
- 8
- a
- O nas
- przyśpieszyć
- Akceptuje
- Stosownie
- precyzja
- dokładny
- dokładnie
- Osiągać
- w poprzek
- zajęcia
- Dzieje Apostolskie
- Dodaj
- Dodatkowy
- do tego
- adres
- Dodaje
- Przyjęcie
- Po
- AID
- Algorytmy
- Wszystkie kategorie
- dopuszczać
- pozwala
- również
- Amazonka
- Amazonka Atena
- Amazon EC2
- Amazonka Kendra
- Amazon Rekognition
- ilość
- an
- w czasie rzeczywistym sprawiają,
- i
- Inne
- każdy
- api
- Zastosowanie
- aplikacje
- stosowany
- podejście
- właściwy
- architektoniczny
- architektura
- SĄ
- Szyk
- AS
- aspekt
- aspekty
- powiązany
- At
- atrybuty
- zautomatyzować
- zautomatyzowane
- automatycznie
- Automatyzacja
- dostępny
- oczekiwać
- AWS
- Klej AWS
- AWS Lambda
- Funkcje kroków AWS
- Axios
- Kręgosłup
- Backend
- na podstawie
- BE
- bo
- być
- rozpocząć
- jest
- Korzyści
- pomiędzy
- Poza
- Blog
- Najnowsze wpisy
- blogi
- Niebieski
- ciało
- Brazylijczyk
- przerwa
- przeglądarka
- bufor
- budować
- Budowanie
- wybudowany
- wbudowany
- w zestawie
- biznes
- by
- wezwanie
- nazywa
- Połączenia
- CAN
- kandydatów
- możliwości
- zdolny
- walizka
- Etui
- katalog
- scentralizowane
- Charakterystyka
- ZOBACZ
- Wykrywanie urządzeń szpiegujących
- wybory
- Dodaj
- Miasto
- Klasy
- Chmura
- adopcja chmury
- Platforma chmurowa
- kod
- wspólny
- porównać
- kompletny
- Zakończony
- kompleks
- kompleksowość
- składnik
- składniki
- obliczać
- Troska
- pewność siebie
- pewność
- systemu
- Potwierdzać
- potwierdzenie
- Podłączanie
- Rozważać
- za
- Konsola
- zawierać
- zawiera
- zawartość
- Tworzenie treści
- treść
- kontekst
- rdzeń
- Koszty:
- Koszty:
- mógłby
- kraj
- pokrywa
- rzemiosło
- crawler
- Stwórz
- stworzony
- Tworzenie
- tworzenie
- Wiarygodność
- wiarygodny
- Kryteria
- zwyczaj
- klient
- Rozwiązania dla klientów
- Klientów
- dane
- Baza danych
- zbiory danych
- Data
- Daty
- dzień
- czynienia
- głębiej
- dostarczyć
- W zależności
- opis
- Wnętrze
- zaprojektowany
- życzenia
- miejsce przeznaczenia
- detal
- detale
- wykryte
- Wykrywanie
- określa
- Deweloper
- oprogramowania
- schematy
- różne
- różnicować
- dyskutować
- wyświetlanie
- dokument
- dokumentacja
- dokumenty
- Nie
- Pies
- jazdy
- z powodu
- e
- każdy
- Wcześniej
- łatwiej
- z łatwością
- efektywność
- wydajny
- wysiłek
- element
- eliminuje
- zatrudnia
- Umożliwia
- zakończenia
- Punkt końcowy
- silnik
- cieszyć się
- zapewnić
- zapewnia
- Enterprise
- błąd
- ustanowienie
- oceniać
- ewaluację
- wydarzenie
- przykład
- przykłady
- Przede wszystkim system został opracowany
- ekspertyza
- eksport
- narażony
- wyciąg
- f1
- czynnik
- znajomy
- Cecha
- Korzyści
- pole
- Postać
- Postacie
- filet
- filtrować
- Znajdź
- i terminów, a
- elastyczne
- pływ
- Skupiać
- koncentruje
- następnie
- następujący
- W razie zamówieenia projektu
- znaleziono
- FRAME
- Darmowy
- od
- w pełni
- funkcjonować
- Funkcje
- przyszłość
- gra
- Bramka
- zbierać
- wygenerowane
- generujący
- otrzymać
- Globalne
- Go
- uchwyt
- Have
- mający
- he
- headers
- pomoc
- pomoc
- pomaga
- jej
- wysoka wydajność
- Najwyższa
- wysoko
- jego
- Wakacje
- GODZINY
- W jaki sposób
- How To
- Jednak
- HTML
- http
- HTTPS
- Setki
- i
- ID
- zidentyfikowane
- identyfikuje
- zidentyfikować
- identyfikacja
- if
- ilustruje
- obraz
- Rozpoznawanie obrazu
- Wyszukiwanie obrazka
- zdjęcia
- wdrożenia
- realizacja
- importować
- ważny
- in
- obejmuje
- Zwiększać
- wskaźnik
- pośrednio
- indywidualny
- przemysłowa
- przemysł
- Informacja
- początkowy
- inicjatywy
- wkład
- zamiast
- instrukcje
- integrować
- zintegrowany
- Integracja
- integracja
- Inteligentny
- interaktywne
- Internet
- najnowszych
- wprowadzono
- zaangażowany
- Zaangażowanie
- IT
- szt
- JEGO
- JAVASCRIPT
- Praca
- jpg
- json
- Klawisz
- Ród
- Etykieta
- etykietowanie
- Etykiety
- język
- duży
- na dużą skalę
- warstwa
- nauka
- najmniej
- Pozostawiać
- Długość
- niech
- pozwala
- lubić
- LINK
- powiązany
- linki
- Lista
- załadować
- masa
- Popatrz
- wygląda jak
- poszukuje
- WYGLĄD
- maszyna
- uczenie maszynowe
- zrobiony
- Główny
- zarządzane
- kierownik
- zarządzający
- sposób
- podręcznik
- ręcznie
- wiele
- mapa
- Może..
- znaczy
- mechanizm
- Mechanizmy
- Metadane
- metody
- Metryka
- migrować
- migracja
- nic
- minimalny
- ML
- model
- modele
- zmodernizować
- Miesiąc
- miesięcy
- jeszcze
- większość
- wielokrotność
- musi
- Nazwa
- Nazwy
- Naturalny
- Natura
- Nawigacja
- Nawigacja
- Potrzebować
- wymagania
- nigdy
- Nowości
- Następny
- numer
- liczny
- przedmiot
- cel
- obiekty
- uzyskane
- uzyskiwanie
- uzyskuje
- of
- Oferty
- Oferty
- często
- on
- ONE
- tylko
- or
- orkiestrowany
- zamówienie
- oryginalny
- OS
- ludzkiej,
- na zewnątrz
- przegląd
- własny
- właściciel
- strona
- chleb
- część
- szczególny
- szczególnie
- wzmacniacz
- przechodzić
- Przechodzący
- namiętny
- Wzór
- Ludzie
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- Zwroty
- obraz
- rurociąg
- Platforma
- plato
- Analiza danych Platona
- PlatoDane
- gra
- odgrywa
- Post
- Wiadomości
- powered
- mocny
- Detaliczność
- teraźniejszość
- Problem
- problemy
- wygląda tak
- Program
- Programy
- projekt
- projektowanie
- obietnica
- prototypowanie
- zapewniać
- pod warunkiem,
- zapewnia
- że
- pełnomocnik
- publiczny
- cel
- cele
- położyć
- Stawia
- Python
- zapytania
- zasięg
- powód
- uznanie
- rozpoznać
- rekord
- dokumentacja
- Zredukowany
- redukcja
- referencje
- region
- związane z
- prasowe
- mających znaczenie
- usunąć
- Usunięto
- składnica
- zażądać
- wywołań
- wymagać
- wymagany
- Zasoby
- odpowiedź
- REST
- dalsze
- Efekt
- zachować
- powrót
- powraca
- RZĄD
- run
- s
- taki sam
- Skalowalność
- skalowalny
- Skala
- skalowaniem
- Sceny
- Szukaj
- Wyszukiwarka
- poszukiwania
- druga
- Sekcja
- działy
- bezpieczne
- Poszukuje
- wybrany
- wysłać
- wysyła
- Bezserwerowe
- Serwery
- usługa
- Usługi
- zestaw
- ona
- powinien
- pokazane
- Targi
- znaczący
- podobny
- Prosty
- prostota
- po prostu
- Singapur
- Rozmiar
- mały
- rozwiązanie
- Rozwiązania
- ROZWIĄZANIA
- kilka
- Źródło
- Źródła
- Sourcing
- rozpiętość
- specjalizuje się
- specyficzny
- swoiście
- Złość
- stos
- początek
- rozpoczęty
- Startowy
- Ewolucja krok po kroku
- Cel
- Nadal
- Zatrzymuje
- przechowywany
- sklep
- usprawniony
- Strumienie
- kolejny
- udany
- Z powodzeniem
- taki
- wystarczający
- odpowiedni
- Utrzymany
- stół
- Brać
- trwa
- Techniczny
- Technologia
- REGULAMIN
- tajski
- że
- Połączenia
- Informacje
- ich
- następnie
- Tam.
- a tym samym
- w związku z tym
- Te
- one
- to
- tych
- tysiące
- trzy
- Przez
- poziom
- czas
- Tytuł
- do
- razem
- także
- narzędzie
- tematy
- Pociąg
- przeszkolony
- Trening
- pociągi
- Przekształcać
- Transformacja
- transformatorowy
- wypróbowany
- wyzwalać
- prawdziwy
- zaufany
- drugiej
- rodzaj
- typy
- zazwyczaj
- niezdolny
- zasadniczy
- zrozumieć
- zrozumienie
- jednostka
- jednostek
- Nowości
- przesłanych
- Uploading
- na
- URL
- posługiwać się
- przypadek użycia
- używany
- Użytkownik
- Użytkownicy
- za pomocą
- UPRAWOMOCNIĆ
- wartość
- różnorodny
- Weryfikacja
- wersja
- pionowe
- sprawdzone
- przez
- Filmy
- Wietnam
- Zobacz i wysłuchaj
- prawie
- wizja
- kłęby
- chcieć
- była
- Droga..
- sposoby
- we
- sieć
- DOBRZE
- były
- Co
- jeśli chodzi o komunikację i motywację
- czy
- który
- Podczas
- KIM
- szeroki
- Szeroki zasięg
- będzie
- w
- bez
- Praca
- pracujący
- działa
- świat
- by
- napisać
- You
- Twój
- zefirnet