Os grandes modelos de linguagem (LLMs) estão revolucionando campos como mecanismos de pesquisa, processamento de linguagem natural (PNL), saúde, robótica e geração de código. As aplicações também se estendem ao retalho, onde podem melhorar as experiências dos clientes através de chatbots dinâmicos e assistentes de IA, e ao marketing digital, onde podem organizar o feedback dos clientes e recomendar produtos com base em descrições e comportamentos de compra.
A personalização de aplicações LLM pode ser alcançada incorporando informações atualizadas do usuário, o que normalmente envolve a integração de vários componentes. Um desses componentes é um feature store, uma ferramenta que armazena, compartilha e gerencia recursos para modelos de aprendizado de máquina (ML). Recursos são as entradas usadas durante o treinamento e inferência de modelos de ML. Por exemplo, em um aplicativo que recomenda filmes, os recursos podem incluir classificações anteriores, categorias de preferência e dados demográficos. Loja de recursos Amazon SageMaker é um repositório totalmente gerenciado projetado especificamente para armazenar, compartilhar e gerenciar recursos do modelo de ML. Outro componente essencial é uma ferramenta de orquestração adequada para engenharia imediata e gerenciamento de diferentes tipos de subtarefas. Os desenvolvedores de IA generativa podem usar estruturas como LangChain, que oferece módulos para integração com LLMs e ferramentas de orquestração para gerenciamento de tarefas e engenharia imediata.
Com base no conceito de busca dinâmica de dados atualizados para produzir conteúdo personalizado, o uso de LLMs atraiu atenção significativa em pesquisas recentes para sistemas de recomendação. O princípio subjacente dessas abordagens envolve a construção de prompts que encapsulam a tarefa de recomendação, perfis de usuário, atributos de item e interações usuário-item. Esses prompts específicos de tarefas são então inseridos no LLM, que tem a tarefa de prever a probabilidade de interação entre um determinado usuário e um item. Como afirmado no jornal Recomendação personalizada por meio de modelos de linguagem grande, os componentes de solicitação orientados por recomendações e orientados pelo engajamento desempenham um papel crucial para permitir que os LLMs se concentrem no contexto relevante e se alinhem com as preferências do usuário.
Nesta postagem, elucidamos a ideia simples, mas poderosa, de combinar perfis de usuários e atributos de itens para gerar recomendações de conteúdo personalizadas usando LLMs. Conforme demonstrado ao longo da postagem, esses modelos têm um imenso potencial na geração de texto de entrada de alta qualidade e sensível ao contexto, o que leva a recomendações aprimoradas. Para ilustrar isso, orientamos você no processo de integração de um feature store (representando perfis de usuário) com um LLM para gerar essas recomendações personalizadas.
Visão geral da solução
Vamos imaginar um cenário em que uma empresa de entretenimento cinematográfico promove filmes para diferentes usuários por meio de uma campanha por e-mail. A promoção contém 25 filmes conhecidos e queremos selecionar as três principais recomendações para cada usuário com base em seus interesses e comportamentos de classificação anteriores.
Por exemplo, dado o interesse de um usuário em diferentes gêneros de filmes, como ação, romance e ficção científica, poderíamos fazer com que um sistema de IA determinasse os três principais filmes recomendados para aquele usuário específico. Além disso, o sistema poderá gerar mensagens personalizadas para cada usuário em um tom adequado às suas preferências. Incluímos alguns exemplos de mensagens personalizadas posteriormente nesta postagem.
Esta aplicação de IA incluiria vários componentes trabalhando juntos, conforme ilustrado no diagrama a seguir:
- Um mecanismo de criação de perfil de usuário analisa os comportamentos anteriores do usuário e gera um perfil de usuário que reflete seus interesses.
- Um feature store mantém dados de perfil de usuário.
- Um armazenamento de metadados de mídia mantém a lista de filmes promocionais atualizada.
- Um modelo de linguagem pega a lista de filmes atuais e os dados do perfil do usuário e gera os três principais filmes recomendados para cada usuário, escritos em seu tom preferido.
- Um agente orquestrador coordena os diferentes componentes.
Em resumo, os agentes inteligentes poderiam construir prompts usando dados relacionados ao usuário e ao item e fornecer respostas personalizadas em linguagem natural aos usuários. Isto representaria um típico sistema de recomendação baseado em conteúdo, que recomenda itens aos usuários com base em seus perfis. O perfil do usuário é armazenado e mantido na feature store e gira em torno de suas preferências e gostos. Geralmente é derivado com base em seus comportamentos anteriores, como classificações.
O diagrama a seguir ilustra como funciona.
O aplicativo segue estas etapas para fornecer respostas à recomendação de um usuário:
- O mecanismo de criação de perfil do usuário que utiliza a classificação histórica do filme do usuário como entrada, gera o interesse do usuário e armazena o recurso no SageMaker Feature Store. Este processo pode ser atualizado de forma agendada.
- O agente utiliza o ID do usuário como entrada, procura o interesse do usuário e preenche o modelo de prompt seguindo os interesses do usuário.
- O agente obtém a lista de itens promocionais (nome do filme, descrição, gênero) de um armazenamento de metadados de mídia.
- O modelo de prompt de interesses e a lista de itens de promoção são inseridos em um LLM para mensagens de campanha por e-mail.
- O agente envia a campanha de e-mail personalizada ao usuário final.
O mecanismo de perfil de usuário cria um perfil para cada usuário, capturando suas preferências e interesses. Este perfil pode ser representado como um vetor com elementos mapeados para características como gêneros de filmes, com valores que indicam o nível de interesse do usuário. Os perfis de usuário na feature store permitem que o sistema sugira recomendações personalizadas de acordo com seus interesses. O perfil do usuário é um domínio bem estudado nos sistemas de recomendação. Para simplificar, você pode criar um algoritmo de regressão usando as classificações anteriores de um usuário em diferentes categorias para inferir suas preferências gerais. Isso pode ser feito com algoritmos como XGBoostName.
Passo a passo do código
Nesta seção, fornecemos exemplos do código. O passo a passo completo do código está disponível no GitHub repo.
Depois de obter o recurso de interesses do usuário no mecanismo de criação de perfil do usuário, podemos armazenar os resultados no armazenamento de recursos. O SageMaker Feature Store oferece suporte à ingestão de recursos em lote e armazenamento online para inferência em tempo real. Para ingestão, os dados podem ser atualizados em modo offline, enquanto a inferência precisa acontecer em milissegundos. O SageMaker Feature Store garante que os conjuntos de dados offline e online permaneçam sincronizados.
Para ingestão de dados, usamos o seguinte código:
Para armazenamento online em tempo real, poderíamos usar o seguinte código para extrair o perfil do usuário com base no ID do usuário:
Em seguida, classificamos as três principais categorias de filmes de interesse para alimentar o mecanismo de recomendação downstream:
ID de usuário: 42
Top3 categorias: ['Animação', 'Thriller', 'Aventura']
Nosso aplicativo emprega dois componentes principais. O primeiro componente recupera dados de um feature store e o segundo componente adquire uma lista de promoções de filmes do armazenamento de metadados. A coordenação entre esses componentes é gerenciada por Correntes de LangChain, que representam uma sequência de chamadas para componentes.
Vale ressaltar que em cenários complexos, a aplicação pode precisar de mais do que uma sequência fixa de chamadas para LLMs ou outras ferramentas. Agentes, equipado com um conjunto de ferramentas, utiliza um LLM para determinar a sequência de ações a serem tomadas. Enquanto as cadeias codificam uma sequência de ações codificadas, os agentes usam o poder de raciocínio de um modelo de linguagem para ditar a ordem e a natureza das ações.
A conexão entre diferentes fontes de dados, incluindo o SageMaker Feature Store, é demonstrada no código a seguir. Todos os dados recuperados são consolidados para construir um prompt extenso, servindo de entrada para o LLM. Iremos nos aprofundar nas especificidades do design de prompts na seção subsequente. A seguir está uma definição de modelo de prompt que faz interface com diversas fontes de dados:
Além disso, usamos Amazon Sage Maker para hospedar nosso modelo LLM e expô-lo como o Ponto de extremidade LangChain SageMaker. Para implantar o LLM, usamos JumpStart do Amazon SageMaker (para mais detalhes, consulte Os modelos de base Llama 2 da Meta já estão disponíveis no Amazon SageMaker JumpStart). Após a implantação do modelo, podemos criar o módulo LLM:
No contexto da nossa aplicação, o agente executa uma sequência de etapas, chamada LLMChain. Ele integra um modelo de prompt, modelo e proteções para formatar a entrada do usuário, passá-la para o modelo, obter uma resposta e então validar (e, se necessário, retificar) a saída do modelo.
Na próxima seção, percorremos a engenharia imediata do LLM para produzir os resultados esperados.
Solicitações e resultados de recomendação de LLM
Seguindo o conceito de alto nível de estímulo guiado pelo envolvimento, conforme descrito no estudo de pesquisa Recomendação personalizada por meio de modelos de linguagem grande, o princípio fundamental da nossa estratégia de prompts é integrar as preferências do usuário na criação de prompts. Esses prompts são projetados para orientar o LLM na identificação mais eficaz de atributos na descrição do conteúdo que se alinham com as preferências do usuário. Para elaborar ainda mais, nosso prompt compreende vários componentes:
- Relevância contextual – A parte inicial do nosso modelo de prompt incorpora metadados de mídia, como nome do item (título do filme), descrição (sinopse do filme) e atributo (gênero do filme). Ao incorporar essas informações, o prompt fornece ao LLM um contexto mais amplo e uma compreensão mais abrangente do conteúdo. Esta informação contextual ajuda o LLM a compreender melhor o item através da sua descrição e atributos, aumentando assim a sua utilidade em cenários de recomendação de conteúdo.
- Alinhamento de preferência do usuário – Ao levar em conta um perfil de usuário que representa as preferências do usuário, as recomendações potenciais estão melhor posicionadas para identificar características e recursos de conteúdo que repercutem nos usuários-alvo. Este alinhamento aumenta a utilidade das descrições dos itens porque aumenta a eficiência da recomendação de itens que sejam relevantes e alinhados com as preferências do usuário.
- Qualidade de recomendação aprimorada – A solicitação guiada pelo engajamento usa as preferências do usuário para identificar itens promocionais relevantes. Também podemos usar a preferência do usuário para ajustar o tom do LLM para a saída final. Isso pode resultar em uma experiência precisa, informativa e personalizada, melhorando assim o desempenho geral do sistema de recomendação de conteúdo.
O código a seguir mostra um modelo de prompt de exemplo:
prompt_template = """
Our company, "Classic Cinema" frequently promotes movies that we aim to recommend to our customers. This month, we have several popular movies on promotion.
As an AI agent, you are tasked to assist "Classic Cinema" in crafting an email campaign to recommend relevant movies to users. The recommendations should adhere to several guidelines, including contextual relevance, ensuring the recommendations are strictly from our promotional movie list. Additionally, the recommendations should align with user preferences, suggesting items that are relevant and in harmony with the user's preferred categories. You are to provide precisely three top recommended movies. Finally, please draft the email to reflect the tone of the user's preferred categories. The email should not exceed 100 words.
The recommended movies should be sourced from this contextual relevance movie list:
{promotion_movie_list}.
The user has expressed interest in {user_preference}.
Please ensure the recommendations are relevant, and the tone of the email reflects the tastes of those interested in the {user_preference} movie category.
Ensure the letter appeals to those interested in the {user_preference} movie category, and keep the email campaign within a 100-word limit. """
A seguir está um exemplo de resultado com as preferências do usuário dos gêneros de ficção científica, aventura e guerra:
Assunto: Explore a fronteira do cinema clássico com nossos filmes de ficção científica, aventura e guerra!
Caro [nome]
Você está pronto para embarcar em uma jornada através do tempo e do espaço, vivenciar uma ação emocionante e testemunhar a bravura dos heróis no campo de batalha? Não procure mais! Classic Cinema orgulhosamente apresenta nossa seleção cuidadosamente selecionada de filmes, adaptados especificamente aos seus interesses em ficção científica, aventura e guerra.Em primeiro lugar, temos o icônico “Star Wars: Episódio V – O Império Contra-Ataca” (1980). Este clássico da saga Star Wars segue a jornada de Luke Skywalker para se tornar um Mestre Jedi, enquanto seus amigos enfrentam o malvado Império. Com seus efeitos especiais inovadores e personagens memoráveis, este filme é imperdível para qualquer fã do gênero.
A seguir, recomendamos “Interestelar” (2014), um filme instigante e visualmente deslumbrante que investiga os mistérios do tempo e do espaço. À medida que um grupo de exploradores embarca em uma missão para salvar a humanidade, eles encontram paisagens de tirar o fôlego e desvendam os segredos do universo.
Por último, temos “O Resgate do Soldado Ryan” (1998), um drama de guerra emocionante e intenso que segue um grupo de soldados em uma missão perigosa para encontrar e resgatar um paraquedista cujos irmãos foram mortos em combate. Este filme aclamado pela crítica é um poderoso tributo aos heróis da Segunda Guerra Mundial.
Não perca essas obras-primas cinematográficas! Assista agora e experimente a emoção da aventura, a maravilha da ficção científica e a bravura dos heróis de guerra.
Boa visualização e que a força esteja com você!Cumprimentos,
Equipe de Cinema Clássico
A seguir está outro exemplo de resultado com preferência do usuário por documentário, musical e drama:
Assunto: Recomendações do cinema clássico para amantes de documentários, musicais e dramas
Caro [nome]
Esperamos que este e-mail chegue bem a você e que esteja aproveitando a variedade de filmes disponíveis em nossa plataforma. No Classic Cinema, temos orgulho em atender aos diversos gostos de nossos clientes e selecionamos três filmes excepcionais que acreditamos que irão repercutir em seu interesse por Documentário, Musical e Drama.
Primeiro, temos “The Shawshank Redemption” (1994), um drama poderoso e edificante que acompanha a jornada de dois prisioneiros enquanto eles encontram esperança e redenção em um sistema prisional corrupto e implacável. Com seu enredo envolvente, atuações excelentes e temas atemporais, este filme é imperdível para quem adora um drama bem elaborado.
A seguir, recomendamos “O Senhor dos Anéis: A Sociedade do Anel” (2001), uma aventura épica que combina visuais de tirar o fôlego, personagens memoráveis e um mundo ricamente detalhado. Este filme é uma aula magistral de narrativa, com um profundo senso de história e cultura que irá transportá-lo para a Terra-média e deixá-lo querendo mais.
Por último, sugerimos “O Pianista” (2002), um documentário profundo e comovente que conta a história verídica de Władysław Szpilman, um pianista judeu polaco que lutou para sobreviver à destruição do gueto de Varsóvia durante a Segunda Guerra Mundial. Este filme é um lembrete poderoso da capacidade de resiliência e esperança do espírito humano, mesmo diante de uma tragédia inimaginável.
Esperamos que essas recomendações correspondam aos seus interesses e proporcionem uma experiência cinematográfica agradável e enriquecedora. Não perca estes clássicos intemporais – veja-os agora e descubra a magia do Cinema Clássico!
Cumprimentos,
A Equipe de Cinema Clássico
Realizamos testes com o Llama 2 7B-Chat (veja o exemplo de código a seguir) e com o Llama 70B para comparação. Ambos os modelos tiveram um bom desempenho, produzindo conclusões consistentes. Ao usar um modelo de prompt repleto de dados atualizados, achamos mais fácil testar LLMs arbitrários, ajudando-nos a escolher o equilíbrio certo entre desempenho e custo. Também fizemos várias observações compartilhadas que merecem destaque.
Em primeiro lugar, podemos ver que as recomendações fornecidas estão genuinamente alinhadas com as preferências do utilizador. As recomendações de filmes são guiadas por vários componentes do nosso aplicativo, principalmente o perfil do usuário armazenado na feature store.
Além disso, o tom dos e-mails corresponde às preferências do usuário. Graças aos recursos avançados de compreensão de idioma do LLM, podemos personalizar as descrições dos filmes e o conteúdo do e-mail, adaptando-os a cada usuário individual.
Além disso, o formato de saída final pode ser projetado no prompt. Por exemplo, no nosso caso, a saudação “Prezado [Nome]” precisa ser preenchida pelo serviço de e-mail. É importante observar que, embora evitemos expor informações de identificação pessoal (PII) em nosso aplicativo generativo de IA, existe a possibilidade de reintroduzir essas informações durante o pós-processamento, desde que o nível correto de permissões seja concedido.
limpar
Para evitar custos desnecessários, exclua os recursos que você criou como parte desta solução, incluindo o feature store e o endpoint de inferência LLM implantados com o SageMaker JumpStart.
Conclusão
O poder dos LLMs na geração de recomendações personalizadas é imenso e transformador, especialmente quando aliado às ferramentas certas. Ao integrar o SageMaker Feature Store e o LangChain para engenharia imediata, os desenvolvedores podem construir e gerenciar perfis de usuário altamente personalizados. Isso resulta em entradas de alta qualidade e sensíveis ao contexto que melhoram significativamente o desempenho das recomendações. Em nosso cenário ilustrativo, vimos como isso pode ser aplicado para adaptar recomendações de filmes às preferências individuais do usuário, resultando em uma experiência altamente personalizada.
À medida que o cenário LLM continua a evoluir, prevemos ver aplicações mais inovadoras que utilizam esses modelos para oferecer experiências ainda mais envolventes e personalizadas. As possibilidades são ilimitadas e estamos entusiasmados para ver o que você criará com essas ferramentas. Com recursos como SageMaker JumpStart e Rocha Amazônica agora disponível para acelerar o desenvolvimento de aplicações generativas de IA, recomendamos fortemente explorar a construção de soluções de recomendação usando LLMs na AWS.
Sobre os autores
Yanwei Cui, PhD, é arquiteto de soluções especialista em aprendizado de máquina sênior na AWS. Ele iniciou pesquisas em aprendizado de máquina no IRISA (Instituto de Pesquisa de Ciência da Computação e Sistemas Aleatórios) e tem vários anos de experiência na construção de aplicações industriais baseadas em IA em visão computacional, processamento de linguagem natural e previsão on-line do comportamento do usuário. Na AWS, ele compartilha sua experiência no domínio e ajuda os clientes a desbloquear potenciais de negócios e gerar resultados acionáveis com aprendizado de máquina em escala. Fora do trabalho, ele gosta de ler e viajar.
Gordon Wang é especialista sênior em IA/ML TAM na AWS. Ele oferece suporte a clientes estratégicos com as melhores práticas de IA/ML em vários setores. Ele é apaixonado por visão computacional, PNL, IA generativa e MLOps. Nas horas vagas, adora correr e fazer caminhadas.
Michelle Hong, PhD, trabalha como arquiteta de soluções de prototipagem na Amazon Web Services, onde ajuda os clientes a criar aplicativos inovadores usando uma variedade de componentes da AWS. Ela demonstrou sua experiência em aprendizado de máquina, especialmente em processamento de linguagem natural, para desenvolver soluções baseadas em dados que otimizam processos de negócios e melhoram as experiências dos clientes.
Bin Wang, PhD, é arquiteto de soluções especialista em análise sênior na AWS, com mais de 12 anos de experiência na indústria de ML, com foco específico em publicidade. Ele possui experiência em processamento de linguagem natural (PNL), sistemas de recomendação, diversos algoritmos de ML e operações de ML. Ele é profundamente apaixonado pela aplicação de técnicas de ML/DL e big data para resolver problemas do mundo real. Fora da vida profissional, gosta de música, leitura e viagens.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
- PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
- PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
- PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/personalize-your-generative-ai-applications-with-amazon-sagemaker-feature-store/
- :tem
- :é
- :não
- :onde
- $UP
- 100
- 12
- 14
- 15%
- 19
- 1994
- 1998
- 2001
- 2014
- 25
- 30
- 7
- 9
- a
- Sobre
- acelerar
- aclamado
- Conta
- preciso
- alcançado
- Adquire
- em
- Açao Social
- ações
- Adição
- Adicionalmente
- aderir
- avançado
- Aventura
- Publicidade
- Depois de
- contra
- Agente
- agentes
- AI
- Alimentado por AI
- AI / ML
- SIDA
- visar
- algoritmo
- algoritmos
- alinhar
- alinhamento
- Todos os Produtos
- permitir
- tb
- Apesar
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- an
- Analítico
- e
- Outro
- antecipar
- qualquer
- qualquer um
- Recursos
- Aplicação
- aplicações
- aplicado
- Aplicando
- se aproxima
- SOMOS
- por aí
- AS
- auxiliar
- assistentes
- At
- por WhatsApp.
- atributos
- disponível
- evitar
- AWS
- Equilíbrio
- baseado
- Battlefield
- BE
- Porque
- tornando-se
- sido
- comportamento
- comportamentos
- Acreditar
- MELHOR
- melhores práticas
- Melhor
- entre
- Grande
- Big Data
- vangloriando-se
- ambos
- sem limites
- de tirar o fôlego
- mais amplo
- irmãos
- construir
- Prédio
- Constrói
- negócio
- by
- chamado
- chamadas
- Campanha
- CAN
- capacidades
- Capacidade
- Capturar
- cuidadosamente
- transportado
- casas
- Categorias
- Categoria
- correntes
- características
- caracteres
- chatbots
- Escolha
- Cinema
- cinematográfica
- classe
- clássico
- Clássicos
- código
- combina
- combinando
- geralmente
- Empresa
- comparação
- Completa
- integrações
- componente
- componentes
- compreensivo
- compreende
- computador
- Ciência da Computação
- Visão de Computador
- conceito
- da conexão
- consistente
- construir
- formação
- contém
- conteúdo
- contexto
- contextual
- continua
- coordenação
- corresponde
- Custo
- custos
- poderia
- acoplado
- crio
- criado
- Criar
- Atravessar
- crucial
- Cultura
- comissariada
- Atual
- cliente
- Clientes
- personalizar
- personalizado
- Perigoso
- dados,
- orientado por dados
- conjuntos de dados
- Data
- profundo
- definição
- entregar
- Demografia
- demonstraram
- implantar
- implantado
- Derivado
- descrito
- descrição
- Design
- projetado
- detalhado
- detalhes
- Determinar
- desenvolver
- desenvolvedores
- Desenvolvimento
- DICT
- ditar
- diferente
- digital
- marketing digital
- descobrir
- mergulho
- diferente
- documentário
- domínio
- feito
- não
- rascunho
- Drama
- distância
- durante
- dinâmico
- dinamicamente
- cada
- mais fácil
- efetivamente
- efeitos
- eficiência
- Elaborar
- elementos
- e-mails
- embarcar
- império
- emprega
- permitindo
- final
- Ponto final
- noivando
- Motor
- Engenharia
- Motores
- aumentar
- aprimorada
- Melhora
- aprimorando
- agradável
- enriquecedor
- garantir
- garante
- assegurando
- Entretenimento
- ÉPICO
- episódio
- equipado
- essencial
- Mesmo
- evolui
- exemplo
- exemplos
- excedem
- excepcional
- animado
- esperado
- vasta experiência
- Experiências
- experiência
- explorar
- Exploradores
- Explorando
- expressa
- estender
- extenso
- extrato
- Rosto
- ventilador
- Característica
- Grupo de recursos
- Funcionalidades
- Alimentado
- retornos
- Campos
- preenchida
- Filme
- final
- Finalmente
- Encontre
- encontra
- Primeiro nome
- fixado
- Foco
- seguinte
- segue
- Escolha
- força
- formato
- encontrado
- Foundation
- enquadramentos
- freqüentemente
- amigos
- da
- Frontier
- cheio
- totalmente
- fundamental
- mais distante
- garnered
- gerar
- gerando
- geração
- generativo
- IA generativa
- genre
- ter
- dado
- concedido
- inovador
- Grupo
- guia
- dirigido
- orientações
- acontecer
- o Harmony
- Ter
- he
- saúde
- ajuda
- ajuda
- sua experiência
- Heróis
- de alto nível
- alta qualidade
- altamente
- sua
- histórico
- história
- segurar
- esperança
- hospedeiro
- Como funciona o dobrador de carta de canal
- HTTPS
- humano
- Humanidade
- icônico
- ID
- idéia
- identificar
- identificar
- if
- ii
- ilustrar
- ilustra
- fotografia
- imenso
- importar
- importante
- melhorar
- melhorar
- in
- incluir
- Incluindo
- incorporando
- Individual
- industrial
- indústrias
- indústria
- INFORMAÇÕES
- informativo
- do estado inicial,
- inovadores
- entrada
- inputs
- prestação
- instância
- Instituto
- integrar
- Integra-se
- Integração
- Inteligente
- interação
- interações
- interesse
- interessado
- interesses
- interfaces de
- para dentro
- IT
- Unid
- ESTÁ
- viagem
- jpg
- Guarda
- paisagem
- língua
- grande
- mais tarde
- Leads
- aprendizagem
- Deixar
- carta
- Nível
- vida
- como
- probabilidade
- LIMITE
- Line
- Lista
- lhama
- LLM
- olhar
- Senhor dos Anéis
- ama
- máquina
- aprendizado de máquina
- moldadas
- mágica
- mantém
- gerencia
- gerenciados
- de grupos
- gestão
- gestão
- maneira
- muitos
- mapeamento
- Marketing
- dominar
- Masterclass
- correspondente
- Posso..
- Mídia
- memorável
- mensagens
- Meta
- metadados
- poder
- milissegundos
- perder
- Missão
- ML
- MLOps
- Moda
- modelo
- modelos
- Módulo
- Módulos
- Mês
- mais
- a maioria
- filme
- Filmes
- em movimento
- múltiplo
- Música
- musical
- nome
- natural
- Processamento de linguagem natural
- Natureza
- necessário
- você merece...
- Cria
- Próximo
- PNL
- não
- notavelmente
- caderno
- notando
- agora
- obtendo
- of
- WOW!
- Oferece
- modo offline
- on
- ONE
- online
- Operações
- Otimize
- or
- orquestração
- ordem
- Outros
- A Nossa
- Fora
- resultados
- saída
- outputs
- lado de fora
- marcante
- Acima de
- global
- Papel
- parâmetros
- parte
- particular
- particularmente
- passar
- apaixonado
- atuação
- performances
- realizada
- permissões
- Personalização
- Personalizar
- Personalizado
- Pessoalmente
- phd
- plataforma
- platão
- Inteligência de Dados Platão
- PlatãoData
- Jogar
- por favor
- Polaco
- Popular
- posicionado
- possibilidades
- possibilidade
- Publique
- potencial
- potenciais
- poder
- poderoso
- práticas
- justamente
- prevendo
- predição
- preferências
- preferido
- presentes
- anterior
- orgulho
- primário
- princípio
- prisão
- prisioneiros
- privado
- problemas
- processo
- processos
- em processamento
- produzir
- Produtos
- profissional
- Perfil
- Perfis
- profiling
- profundo
- promove
- promoção
- promocional
- Promoções
- prototipagem
- orgulhosamente
- fornecer
- fornecido
- fornece
- compra
- busca
- acaso
- classificar
- classificação
- avaliações
- Leitura
- pronto
- mundo real
- em tempo real
- recentemente
- recomendar
- Recomendação
- recomendações
- Recomenda
- recomendando
- recomenda
- registro
- redenção
- referir
- refletir
- refletindo
- reflete
- Saudações
- relevância
- relevante
- permanecem
- lembrete
- repositório
- representar
- representado
- representando
- resgatar
- pesquisa
- resiliência
- Ressoar
- Recursos
- resposta
- respostas
- resultar
- resultando
- Resultados
- varejo
- retorno
- Revolucionando
- gira
- certo
- robótica
- Tipo
- romance
- corrida
- é executado
- s
- saga
- sábio
- Salvar
- serra
- Escala
- cenário
- cenários
- agendamento
- ficção científica
- Ciência
- Pesquisar
- Mecanismos de busca
- pesquisas
- Segundo
- segredos!
- Seção
- Vejo
- visto
- selecionado
- doadores,
- AUTO
- envia
- senior
- sentido
- Seqüência
- serviço
- Serviços
- de servir
- vários
- compartilhado
- ações
- compartilhando
- ela
- rede de apoio social
- Shows
- periodo
- de forma considerável
- significa
- simples
- simplificar
- solução
- Soluções
- RESOLVER
- alguns
- de origem
- Fontes
- Espaço
- especial
- especialista
- especificamente
- especificidades
- Estrela
- Star Wars
- começado
- estabelecido
- Passos
- armazenamento
- loja
- armazenadas
- lojas
- armazenar
- História
- narrativa
- Estratégico
- Estratégia
- Greves
- discordaram
- Estudo
- Assombroso
- subseqüente
- tal
- sugerir
- adequado
- suíte
- RESUMO
- suportes
- sobreviver
- sinopse
- .
- sistemas
- adaptados
- alfaiataria
- Tire
- tomado
- toma
- tomar
- Target
- Tarefa
- gostos
- técnicas
- conta
- modelo
- teste
- testes
- texto
- do que
- obrigado
- que
- A
- deles
- Eles
- temas
- então
- Lá.
- assim
- Este
- deles
- isto
- aqueles
- instigante
- três
- Através da
- todo
- tempo
- Eterno
- Título
- para
- juntos
- TOM
- ferramenta
- ferramentas
- topo
- para
- Training
- transformadora
- transporte
- Viagens
- homenagem
- verdadeiro
- dois
- tipo
- típico
- tipicamente
- descobrir
- subjacente
- compreensão
- inimaginável
- Universo
- destravar
- desnecessário
- que vai mais à frente
- Atualizada
- us
- usar
- usava
- Utilizador
- usuários
- usos
- utilização
- utilidade
- VALIDAR
- Valores
- variedade
- vário
- via
- vendo
- visão
- visualmente
- visuais
- andar
- Passo a passo
- queremos
- querendo
- guerra
- Varsóvia
- Assistir
- we
- web
- serviços web
- BEM
- bem conhecido
- O Quê
- quando
- enquanto que
- qual
- enquanto
- QUEM
- de quem
- precisarão
- de
- dentro
- testemunha
- maravilha
- palavras
- Atividades:
- trabalhar
- trabalho
- mundo
- Equivalente há
- seria
- escrito
- anos
- ainda
- produzindo
- Vocês
- investimentos
- zefirnet