Przetwarzanie języka naturalnego (NLP) to dziedzina uczenia maszynowego (ML), której zadaniem jest umożliwienie komputerom rozumienia tekstu i wypowiadanych słów w taki sam sposób, jak ludzie. Ostatnio najnowocześniejsze architektury, takie jak architektura transformatora służą do osiągnięcia niemal ludzkiej wydajności w dalszych zadaniach NLP, takich jak podsumowywanie tekstu, klasyfikacja tekstu, rozpoznawanie jednostek i inne.
Modele wielkojęzykowe (LLM) to modele oparte na transformatorach szkolone na dużej ilości nieoznakowanego tekstu z setkami milionów (BERTI) do ponad biliona parametrów (MiCS) i którego rozmiar sprawia, że szkolenie z jednym procesorem graficznym jest niepraktyczne. Ze względu na ich wrodzoną złożoność szkolenie LLM od podstaw jest bardzo trudnym zadaniem, na które stać niewiele organizacji. Powszechną praktyką w przypadku dalszych zadań NLP jest wzięcie wcześniej wyszkolonego LLM i dopracowanie go. Aby uzyskać więcej informacji na temat dostrajania, zobacz Adaptacja domeny Dostrajanie modeli podstawowych w Amazon SageMaker JumpStart na danych finansowych i Dostosuj modele językowe transformatora do różnorodności językowej za pomocą Hugging Face w Amazon SageMaker.
Uczenie się „zero-shot” w NLP umożliwia: wstępnie przeszkolony LLM do generowania odpowiedzi na zadania, do których nie został wyraźnie przeszkolony (nawet bez dostrojenia). Mówiąc konkretnie o klasyfikacji tekstu, klasyfikacja tekstu zerowego to zadanie w przetwarzaniu języka naturalnego, w którym model NLP służy do klasyfikowania tekstu z niewidocznych klas, w przeciwieństwie do klasyfikacja nadzorowana, gdzie modele NLP mogą klasyfikować jedynie teksty należące do klas w danych szkoleniowych.
Niedawno uruchomiliśmy obsługę modelu klasyfikacji zerowej w Amazon SageMaker JumpStart. SageMaker JumpStart to centrum ML Amazon Sage Maker który zapewnia dostęp do wstępnie wytrenowanych modeli podstawowych (FM), LLM, wbudowanych algorytmów i szablonów rozwiązań, które pomogą Ci szybko rozpocząć korzystanie z uczenia maszynowego. W tym poście pokazujemy, jak przeprowadzić klasyfikację typu zero-shot przy użyciu wstępnie wyszkolonych modeli w programie SageMaker Jumpstart. Dowiesz się, jak używać interfejsu użytkownika SageMaker Jumpstart UI i pakietu SageMaker Python SDK do wdrażania rozwiązania i uruchamiania wnioskowania przy użyciu dostępnych modeli.
Uczenie zerowe
Klasyfikacja zerowa to paradygmat, w którym model może klasyfikować nowe, niewidoczne przykłady należące do klas, których nie było w danych szkoleniowych. Na przykład model językowy wyszkolony w zakresie rozumienia języka ludzkiego można wykorzystać do klasyfikowania tweetów z postanowieniami noworocznymi w wielu klasach, takich jak career
, health
, finance
, bez wyraźnego szkolenia modelu języka w zadaniu klasyfikacji tekstu. Kontrastuje to z dostrajaniem modelu, ponieważ to drugie wymaga ponownego szkolenia modelu (poprzez uczenie się transferowe), podczas gdy uczenie się od zera nie wymaga dodatkowego szkolenia.
Poniższy diagram ilustruje różnice między uczeniem się transferowym (po lewej) a uczeniem się od zera (po prawej).
Yin i in. zaproponowali ramy tworzenia klasyfikatorów zerowego strzału przy użyciu wnioskowania w języku naturalnym (NLI). Struktura działa w ten sposób, że sekwencja ma zostać sklasyfikowana jako przesłanka NLI i konstruuje hipotezę na podstawie każdej potencjalnej etykiety. Na przykład, jeśli chcemy ocenić, czy sekwencja należy do klasy politics
moglibyśmy postawić hipotezę: „Ten tekst dotyczy polityki”. Prawdopodobieństwa konsekwencji i sprzeczności są następnie konwertowane na prawdopodobieństwa etykiet. W ramach krótkiego przeglądu NLI rozważa dwa zdania: przesłankę i hipotezę. Zadanie polega na ustaleniu, czy hipoteza jest prawdziwa (wymaganie), czy fałszywa (sprzeczność), biorąc pod uwagę przesłankę. W poniższej tabeli przedstawiono kilka przykładów.
Przesłanka | Etykieta | Hipoteza |
Mężczyzna sprawdza mundur postaci w jakimś kraju Azji Wschodniej. | sprzeczność | Mężczyzna śpi. |
Starszy i młodszy mężczyzna uśmiecha się. | Neutralny | Dwóch mężczyzn uśmiecha się i śmieje z kotów bawiących się na podłodze. |
Mecz piłki nożnej, w którym gra wielu mężczyzn. | majorat | Niektórzy mężczyźni uprawiają sport. |
Omówienie rozwiązania
W tym poście omawiamy następujące kwestie:
- Jak wdrożyć wstępnie wytrenowane modele klasyfikacji tekstu typu zero-shot za pomocą interfejsu użytkownika SageMaker JumpStart i uruchomić wnioskowanie na temat wdrożonego modelu przy użyciu krótkich danych tekstowych
- Jak korzystać z pakietu SageMaker Python SDK, aby uzyskać dostęp do wstępnie wytrenowanych modeli klasyfikacji tekstu typu zero-shot w programie SageMaker JumpStart i używać skryptu wnioskowania do wdrożenia modelu w punkcie końcowym SageMaker w celu zastosowania klasyfikacji tekstu w czasie rzeczywistym
- Jak używać pakietu SageMaker Python SDK, aby uzyskać dostęp do wstępnie wytrenowanych modeli klasyfikacji tekstu typu zero-shot i korzystać z transformacji wsadowej SageMaker w przypadku użycia wsadowej klasyfikacji tekstu
SageMaker JumpStart zapewnia dostrajanie i wdrażanie za pomocą jednego kliknięcia szerokiej gamy wstępnie wytrenowanych modeli w ramach popularnych zadań uczenia maszynowego, a także wybór kompleksowych rozwiązań rozwiązujących typowe problemy biznesowe. Funkcje te odciążają każdy etap procesu ML, upraszczając opracowywanie wysokiej jakości modeli i skracając czas wdrożenia. The Interfejsy API JumpStart umożliwiają programowe wdrażanie i dostrajanie szerokiej gamy wstępnie wyszkolonych modeli na własnych zestawach danych.
Centrum modeli JumpStart zapewnia dostęp do dużej liczby modeli NLP, które umożliwiają transfer uczenia się i dostrajanie niestandardowych zestawów danych. W chwili pisania tego tekstu centrum modeli JumpStart zawiera ponad 300 modeli tekstowych w różnych popularnych modelach, takich jak Stable Diffusion, Flan T5, Alexa TM, Bloom i inne.
Pamiętaj, że wykonując czynności opisane w tej sekcji, wdrożysz infrastrukturę na swoim koncie AWS, co może wiązać się z kosztami.
Wdróż samodzielny, zero-shotowy model klasyfikacji tekstu
W tej sekcji demonstrujemy, jak wdrożyć model klasyfikacji typu zero-shot przy użyciu programu SageMaker JumpStart. Dostęp do wstępnie wyszkolonych modeli można uzyskać za pośrednictwem strony docelowej JumpStart w Studio Amazon SageMaker. Wykonaj następujące kroki:
- W SageMaker Studio otwórz stronę docelową JumpStart.
Odnosić się do Otwórz i użyj JumpStart aby uzyskać więcej informacji na temat nawigacji do SageMaker JumpStart. - W Modele tekstowe karuzeli, znajdź kartę modelu „Klasyfikacja tekstu zerowego”.
- Dodaj Zobacz model aby uzyskać dostęp do
facebook-bart-large-mnli
model.
Alternatywnie możesz wyszukać model klasyfikacji zero-shot na pasku wyszukiwania i przejść do modelu w SageMaker JumpStart. - Określ konfigurację wdrożenia, typ instancji hostującej SageMaker, nazwę punktu końcowego, Usługa Amazon Simple Storage Nazwa segmentu (Amazon S3) i inne wymagane parametry.
- Opcjonalnie możesz określić konfiguracje zabezpieczeń, np AWS Zarządzanie tożsamością i dostępem (IAM), ustawienia VPC i Usługa zarządzania kluczami AWS (AWS KMS) klucze szyfrujące.
- Dodaj Rozmieścić aby utworzyć punkt końcowy SageMaker.
Wykonanie tego kroku zajmuje kilka minut. Po zakończeniu można uruchomić wnioskowanie względem punktu końcowego SageMaker, który obsługuje model klasyfikacji zerowej.
W poniższym filmie przedstawiamy opis kroków z tej sekcji.
Używaj programu JumpStart z pakietem SDK SageMaker
W sekcji SageMaker JumpStart w SageMaker Studio, w sekcji Szybkie rozwiązania, możesz znaleźć szablony rozwiązań. Szablony rozwiązań SageMaker JumpStart to kompleksowe rozwiązania obsługiwane jednym kliknięciem, przeznaczone do wielu typowych zastosowań uczenia maszynowego. W chwili pisania tego tekstu dostępnych jest ponad 20 rozwiązań do wielu zastosowań, takich jak prognozowanie popytu, wykrywanie oszustw i spersonalizowane rekomendacje, żeby wymienić tylko kilka.
Rozwiązanie „Klasyfikacja tekstu zerowego z przytulną twarzą” umożliwia klasyfikację tekstu bez konieczności uczenia modelu dla określonych etykiet (klasyfikacja zero-shot) przy użyciu wstępnie wyszkolonego klasyfikatora tekstu. Domyślnym modelem klasyfikacji zero-shot dla tego rozwiązania jest facebook-bart-large-mnli (BARTA) modelu. Do tego rozwiązania używamy Zbiór danych dotyczących postanowień noworocznych 2015 klasyfikować uchwały. Podzbiór oryginalnego zbioru danych zawierający tylko Resolution_Category
(etykieta prawdy podstawowej) i text
kolumny są uwzględnione w zasobach rozwiązania.
Dane wejściowe obejmują ciągi tekstowe, listę żądanych kategorii do klasyfikacji oraz informację, czy klasyfikacja jest wieloetykietowa, czy nie, w celu wnioskowania synchronicznego (w czasie rzeczywistym). W przypadku wnioskowania asynchronicznego (wsadowego) udostępniamy listę ciągów tekstowych, listę kategorii dla każdego ciągu oraz informację, czy klasyfikacja jest wieloetykietowa, czy nie, w pliku tekstowym w formacie wierszy JSON.
Wynikiem wnioskowania jest obiekt JSON, który wygląda mniej więcej tak, jak na poniższym zrzucie ekranu.
Mamy oryginalny tekst w sequence
pole, etykiety używane do klasyfikacji tekstu w labels
polu oraz prawdopodobieństwo przypisane do każdej etykiety (w tej samej kolejności występowania) w polu scores
.
Aby wdrożyć rozwiązanie klasyfikacji tekstu zerowego z przytulną twarzą, wykonaj następujące kroki:
- Na stronie docelowej SageMaker JumpStart wybierz Modele, notebooki, rozwiązania w okienku nawigacji.
- W Rozwiązania Sekcja, wybierz Przeglądaj wszystkie rozwiązania.
- Na Rozwiązania wybierz kartę modelu Klasyfikacja tekstu zerowego z przytuloną twarzą.
- Przejrzyj szczegóły wdrożenia i jeśli się zgadzasz, wybierz Premiera.
Wdrożenie zapewni punkt końcowy SageMaker działający w czasie rzeczywistym na potrzeby wnioskowania w czasie rzeczywistym oraz zasobnik S3 do przechowywania wyników transformacji wsadowej.
Poniższy diagram ilustruje architekturę tej metody.
Wykonuj wnioskowanie w czasie rzeczywistym, korzystając z modelu klasyfikacji typu zero-shot
W tej sekcji omówimy, jak używać pakietu SDK języka Python do uruchamiania klasyfikacji tekstu typu zero-shot (przy użyciu dowolnego z dostępnych modeli) w czasie rzeczywistym przy użyciu punktu końcowego SageMaker.
- Najpierw konfigurujemy żądanie ładunku wnioskowania do modelu. Zależy to od modelu, ale w przypadku modelu BART danymi wejściowymi jest obiekt JSON o następującej strukturze:
- Należy zauważyć, że model BART nie jest jawnie szkolony na
candidate_labels
. Do sklasyfikowania sekwencji tekstu do niewidocznych klas użyjemy techniki klasyfikacji typu zero-shot. Poniższy kod jest przykładem wykorzystania tekstu ze zbioru danych postanowień noworocznych i zdefiniowanych klas: - Następnie możesz wywołać punkt końcowy SageMaker z ładunkiem zerowym. Punkt końcowy SageMaker jest wdrażany jako część rozwiązania SageMaker JumpStart.
- Obiekt odpowiedzi na wnioskowanie zawiera oryginalną sekwencję, etykiety posortowane według wyniku od maksymalnego do minimalnego oraz wyniki poszczególnych etykiet:
Uruchom zadanie transformacji wsadowej SageMaker przy użyciu pakietu SDK języka Python
W tej sekcji opisano sposób uruchamiania wnioskowania o transformacji wsadowej z klasyfikacją zerową facebook-bart-large-mnli
model przy użyciu SageMaker SDK dla Pythona. Wykonaj następujące kroki:
- Sformatuj dane wejściowe w formacie linii JSON i prześlij plik do Amazon S3.
Transformacja wsadowa SageMaker przeprowadzi wnioskowanie na podstawie punktów danych przesłanych w pliku S3. - Skonfiguruj artefakty wdrażania modelu z następującymi parametrami:
- identyfikator_modelu - Posługiwać się
huggingface-zstc-facebook-bart-large-mnli
. - wdrożyć_image_uri - Użyj
image_uris
Funkcja Python SDK umożliwiająca uzyskanie gotowego obrazu Dockera SageMaker dlamodel_id
. Funkcja zwraca Rejestr elastycznego pojemnika Amazon (Amazon ECR) URI. - wdrażanie_źródła_uri – Użyj
script_uris
Narzędzie API do pobierania identyfikatora URI S3 zawierającego skrypty umożliwiające uruchomienie wstępnie wyszkolonego wnioskowania o modelu. Określamyscript_scope
asinference
. - model_uri - Posługiwać się
model_uri
aby uzyskać artefakty modelu z Amazon S3 dla określonegomodel_id
.
- identyfikator_modelu - Posługiwać się
- Zastosowanie
HF_TASK
zdefiniowanie zadania dla rurociągu transformatorów Hugging Face orazHF_MODEL_ID
aby zdefiniować model używany do klasyfikacji tekstu:Aby zapoznać się z pełną listą zadań, zobacz Rurociągi w dokumentacji Hugging Face.
- Utwórz obiekt modelu Hugging Face, który będzie wdrażany za pomocą zadania transformacji wsadowej SageMaker:
- Utwórz transformację, aby uruchomić zadanie wsadowe:
- Rozpocznij zadanie transformacji wsadowej i użyj danych S3 jako danych wejściowych:
Możesz monitorować zadanie przetwarzania wsadowego w konsoli SageMaker (wybierz Zadania przekształcania wsadowego dla Wnioskowanie w panelu nawigacyjnym). Po zakończeniu zadania można sprawdzić dane wyjściowe przewidywania modelu w pliku S3 określonym w output_path
.
Listę wszystkich dostępnych, wstępnie przeszkolonych modeli w SageMaker JumpStart można znaleźć na stronie Wbudowane algorytmy ze wstępnie wytrenowaną tabelą modeli. Użyj słowa kluczowego „zstc” (skrót od klasyfikacji tekstu typu zero-shot) w pasku wyszukiwania, aby zlokalizować wszystkie modele umożliwiające klasyfikację tekstu typu zero-shot.
Sprzątać
Po zakończeniu uruchamiania notesu pamiętaj o usunięciu wszystkich zasobów utworzonych w tym procesie, aby mieć pewność, że koszty ponoszone przez zasoby wdrożone w tym przewodniku zostaną zatrzymane. Kod służący do czyszczenia wdrożonych zasobów znajduje się w notesach skojarzonych z rozwiązaniem i modelem klasyfikacji tekstu zero-shot.
Domyślne konfiguracje zabezpieczeń
Modele SageMaker JumpStart są wdrażane przy użyciu następujących domyślnych konfiguracji zabezpieczeń:
Aby dowiedzieć się więcej na tematy związane z bezpieczeństwem SageMaker, odwiedź stronę Skonfiguruj zabezpieczenia w Amazon SageMaker.
Wnioski
W tym poście pokazaliśmy, jak wdrożyć model klasyfikacji zero-shot przy użyciu interfejsu użytkownika SageMaker JumpStart i przeprowadzić wnioskowanie przy użyciu wdrożonego punktu końcowego. Wykorzystaliśmy rozwiązanie SageMaker JumpStart do rozwiązywania noworocznych postanowień, aby pokazać, jak można wykorzystać pakiet SageMaker Python SDK do zbudowania kompleksowego rozwiązania i wdrożenia aplikacji klasyfikacji zero-shot. SageMaker JumpStart zapewnia dostęp do setek wstępnie wyszkolonych modeli i rozwiązań do zadań takich jak widzenie komputerowe, przetwarzanie języka naturalnego, systemy rekomendacji i nie tylko. Wypróbuj rozwiązanie samodzielnie i daj nam znać, co myślisz.
O autorach
Dawid Laredo jest architektem prototypów w AWS Envision Engineering w LATAM, gdzie pomógł opracować wiele prototypów uczenia maszynowego. Wcześniej pracował jako inżynier uczenia maszynowego i zajmuje się uczeniem maszynowym od ponad 5 lat. Jego obszary zainteresowań to NLP, szeregi czasowe i kompleksowe ML.
Vikrama Elango jest architektem rozwiązań specjalistycznych AI/ML w Amazon Web Services z siedzibą w Wirginii w USA. Vikram pomaga klientom z branży finansowej i ubezpieczeniowej dzięki kierownictwu w zakresie projektowania i przemyślanych rozwiązań w tworzeniu i wdrażaniu aplikacji do uczenia maszynowego na dużą skalę. Obecnie koncentruje się na przetwarzaniu języka naturalnego, odpowiedzialnej sztucznej inteligencji, optymalizacji wnioskowania i skalowaniu ML w całym przedsiębiorstwie. W wolnym czasie lubi podróżować, wędrować, gotować i biwakować z rodziną.
Dr Vivek Madan jest naukowcem w zespole Amazon SageMaker JumpStart. Uzyskał doktorat na Uniwersytecie Illinois w Urbana-Champaign i był badaczem podoktoranckim w Georgia Tech. Jest aktywnym badaczem w dziedzinie uczenia maszynowego i projektowania algorytmów. Publikował artykuły na konferencjach EMNLP, ICLR, COLT, FOCS i SODA.
- 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. Motoryzacja / pojazdy elektryczne, Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
- Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
- ChartPrime. Podnieś poziom swojej gry handlowej dzięki ChartPrime. Dostęp tutaj.
- Przesunięcia bloków. Modernizacja własności offsetu środowiskowego. Dostęp tutaj.
- Źródło: https://aws.amazon.com/blogs/machine-learning/zero-shot-text-classification-with-amazon-sagemaker-jumpstart/
- :ma
- :Jest
- :nie
- :Gdzie
- $W GÓRĘ
- 1
- 10
- 100
- 12
- 16
- 17
- 20
- 22
- 30
- 7
- 8
- 9
- a
- zdolność
- O nas
- powyżej
- dostęp
- Konto
- Osiągać
- w poprzek
- aktywny
- Dodatkowy
- przed
- AI
- AI / ML
- AL
- Alexa
- algorytm
- Algorytmy
- Wszystkie kategorie
- dopuszczać
- pozwala
- Amazonka
- Amazon Sage Maker
- Amazon SageMaker JumpStart
- Amazon Web Services
- ilość
- an
- i
- każdy
- api
- Zastosowanie
- aplikacje
- stosowany
- architektura
- SĄ
- obszary
- AS
- azjatyckiego
- Aktywa
- przydzielony
- powiązany
- At
- automatycznie
- dostępny
- AWS
- bar
- baza
- na podstawie
- BE
- być
- jest
- należy
- pomiędzy
- Kwitnąć
- ciało
- Książki
- Śniadanie
- budować
- wbudowany
- biznes
- ale
- by
- CAN
- kandydat
- zdolny
- karta
- Kariera
- karuzela
- Etui
- kategorie
- koty
- wyzwanie
- ZOBACZ
- Dodaj
- klasa
- Klasy
- klasyfikacja
- sklasyfikowany
- Klasyfikuj
- kod
- kolumny
- wspólny
- kompletny
- kompleksowość
- komputer
- Wizja komputerowa
- komputery
- zaniepokojony
- konferencje
- systemu
- rozważa
- Konsola
- skonstruować
- Pojemnik
- zawiera
- kontrast
- przeliczone
- Koszty:
- mógłby
- kraj
- Para
- Stwórz
- stworzony
- Tworzenie
- Obecnie
- zwyczaj
- Klientów
- dane
- punkty danych
- zbiory danych
- dedykowane
- Domyślnie
- określić
- zdefiniowane
- Kreowanie
- Prognozowanie popytu
- wykazać
- Zależności
- zależny
- rozwijać
- wdrażane
- Wdrożenie
- Wnętrze
- życzenia
- detale
- Wykrywanie
- Ustalać
- rozwijać
- oprogramowania
- Różnice
- Transmitowanie
- dyskutować
- Różnorodność
- Doker
- dokumentacja
- Nie
- robi
- zrobić
- z powodu
- E i T
- każdy
- Wschód
- Edukacja
- umożliwiać
- szyfrowanie
- koniec końców
- Punkt końcowy
- inżynier
- Inżynieria
- zapewnić
- Enterprise
- jednostka
- wyobrażać sobie
- oceniać
- Parzyste
- przykład
- przykłady
- Twarz
- fałszywy
- członków Twojej rodziny
- Korzyści
- kilka
- pole
- Postać
- filet
- finansować
- budżetowy
- Znajdź
- piętro
- koncentruje
- następujący
- W razie zamówieenia projektu
- format
- Fundacja
- Framework
- oszustwo
- wykrywanie oszustw
- od
- funkcjonować
- gra
- Generować
- otrzymać
- GitHub
- dany
- Dający
- Ziemia
- Wzrost
- poprowadzi
- Prowadzenie
- Have
- he
- Zdrowie
- ciężki
- ciężkie podnoszenie
- pomoc
- pomógł
- pomaga
- wysokiej jakości
- jego
- Hosting
- gospodarze
- W jaki sposób
- How To
- HTML
- http
- HTTPS
- Piasta
- człowiek
- humor
- Setki
- setki milionów
- ID
- tożsamość
- if
- Illinois
- ilustruje
- obraz
- wdrożenia
- importować
- in
- włączony
- obejmuje
- przemysł
- Informacja
- Infrastruktura
- nieodłączny
- wkład
- Wejścia
- przykład
- ubezpieczenie
- odsetki
- IT
- Praca
- Oferty pracy
- jpg
- json
- Klawisz
- Klawisze
- Wiedzieć
- Etykieta
- Etykiety
- lądowanie
- język
- duży
- LATAM
- uruchomiona
- Przywództwo
- UCZYĆ SIĘ
- nauka
- lewo
- niech
- Modernizacja
- lubić
- Linia
- linie
- Lista
- LLM
- załadunek
- WYGLĄD
- maszyna
- uczenie maszynowe
- robić
- WYKONUJE
- mężczyzna
- i konserwacjami
- wiele
- max
- Może..
- Mężczyzna
- metoda
- miliony
- min
- minut
- ML
- model
- modele
- monitor
- jeszcze
- wielokrotność
- my
- Nazwa
- Naturalny
- Przetwarzanie języka naturalnego
- Nawigacja
- Nawigacja
- Potrzebować
- Nowości
- nowy rok
- nlp
- Nie
- notatnik
- numer
- przedmiot
- of
- on
- tylko
- koncepcja
- optymalizacja
- or
- zamówienie
- organizacji
- oryginalny
- Inne
- na zewnątrz
- wydajność
- koniec
- własny
- strona
- chleb
- Papiery
- paradygmat
- parametry
- część
- ścieżka
- dla
- wykonać
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- uprawnienia
- osobisty
- Personalizowany
- PhD
- FILANTROPIA
- rurociąg
- plato
- Analiza danych Platona
- PlatoDane
- gra
- zwrotnica
- polityka
- Popularny
- Post
- praktyka
- przepowiednia
- Przewidywania
- teraźniejszość
- poprzednio
- problemy
- wygląda tak
- przetwarzanie
- zaproponowane
- prototypy
- prototypowanie
- zapewniać
- pod warunkiem,
- zapewnia
- zaopatrzenie
- opublikowany
- Python
- płomień
- Szybki
- szybko
- Czytaj
- real
- w czasie rzeczywistym
- niedawno
- uznanie
- Rekomendacja
- zalecenia
- redukcja
- usunąć
- zażądać
- wymagać
- wymagany
- badacz
- Zasoby
- odpowiedź
- Odpowiedzi
- odpowiedzialny
- dalsze
- Efekt
- powraca
- przeglądu
- prawo
- Rola
- run
- bieganie
- s
- sagemaker
- taki sam
- Zapisz
- Skala
- skalowaniem
- Naukowiec
- wynik
- zadraśnięcie
- skrypty
- przewijanie
- Sdk
- Szukaj
- Sekcja
- bezpieczeństwo
- widzieć
- wybór
- Sekwencja
- Serie
- Usługi
- w panelu ustawień
- Short
- strzał
- pokazać
- pokazał
- Prosty
- upraszczanie
- ponieważ
- Rozmiar
- Piłka nożna
- rozwiązanie
- Rozwiązania
- ROZWIĄZANIA
- kilka
- coś
- Mówiąc
- specjalista
- specyficzny
- swoiście
- określony
- mówiony
- Sport
- stabilny
- standalone
- początek
- rozpoczęty
- state-of-the-art
- pobyt
- Ewolucja krok po kroku
- Cel
- zatrzymany
- przechowywanie
- przechowywania
- sznur
- Struktura
- studio
- taki
- wsparcie
- pewnie
- systemy
- stół
- Brać
- trwa
- Zadanie
- zadania
- zespół
- tech
- Szablony
- Klasyfikacja tekstu
- że
- Połączenia
- ich
- następnie
- Te
- to
- myśl
- myśl przywództwo
- Przez
- czas
- Szereg czasowy
- TM
- do
- tematy
- Pociąg
- przeszkolony
- Trening
- przenieść
- Przekształcać
- Transformacja
- transformator
- Transformatory
- Podróżowanie
- Trylion
- prawdziwy
- Prawda
- próbować
- tweety
- drugiej
- rodzaj
- ui
- dla
- zrozumieć
- uniwersytet
- przesłanych
- us
- posługiwać się
- używany
- za pomocą
- użyteczność
- różnorodność
- Naprawiono
- wersja
- początku.
- Wideo
- virginia
- wizja
- vs
- solucja
- chcieć
- była
- Droga..
- we
- sieć
- usługi internetowe
- DOBRZE
- były
- jeśli chodzi o komunikację i motywację
- czy
- Podczas
- którego
- szeroki
- będzie
- w
- bez
- słowa
- pracował
- działa
- pisanie
- rok
- lat
- You
- Mniejszy
- Twój
- zefirnet
- zero
- Nauka zero-shot