Obdelava naravnega jezika (NLP) je področje strojnega učenja (ML), ki se ukvarja z omogočanjem računalnikom, da razumejo besedilo in izgovorjene besede na enak način kot lahko ljudje. V zadnjem času se pojavljajo najsodobnejše arhitekture, kot je transformatorska arhitektura se uporabljajo za doseganje skoraj človeške zmogljivosti pri NLP-jevih nalogah, kot so povzemanje besedila, razvrščanje besedil, prepoznavanje entitet in več.
Veliki jezikovni modeli (LLM) so modeli, ki temeljijo na transformatorjih in so usposobljeni za veliko količino neoznačenega besedila s stotinami milijonov (BERTI) na več kot bilijon parametrov (MiCS), zaradi katere zaradi velikosti je usposabljanje z eno GPU nepraktično. Zaradi njihove inherentne kompleksnosti je usposabljanje LLM iz nič zelo zahtevna naloga, ki si jo lahko privošči zelo malo organizacij. Običajna praksa za nadaljnje naloge NLP je, da vzamete vnaprej usposobljenega LLM in ga natančno prilagodite. Za več informacij o fini nastavitvi glejte Prilagoditev domene Natančna nastavitev temeljnih modelov v Amazon SageMaker JumpStart on Financial data in Natančno prilagodite transformatorske jezikovne modele za jezikovno raznolikost z Hugging Face na Amazon SageMaker.
Zero-shot učenje v NLP omogoča a predhodno usposobljen LLM za ustvarjanje odgovorov na naloge, za katere ni bil izrecno usposobljen (tudi brez natančnega prilagajanja). Konkretno, ko govorimo o klasifikaciji besedil, zero-shot razvrstitev besedila je naloga pri obdelavi naravnega jezika, kjer se model NLP uporablja za razvrščanje besedila iz nevidnih razredov, v nasprotju z nadzorovano razvrščanje, kjer lahko modeli NLP razvrstijo samo besedila, ki pripadajo razredom v podatkih o usposabljanju.
Pred kratkim smo uvedli podporo za model klasifikacije zero-shot v Amazon SageMaker JumpStart. SageMaker JumpStart je središče ML za Amazon SageMaker ki omogoča dostop do predhodno usposobljenih temeljnih modelov (FM), LLM, vgrajenih algoritmov in predlog rešitev, ki vam pomagajo hitro začeti z ML. V tem prispevku pokažemo, kako lahko izvedete razvrstitev brez strela z uporabo vnaprej usposobljenih modelov v SageMaker Jumpstart. Naučili se boste, kako uporabljati uporabniški vmesnik SageMaker Jumpstart in SDK SageMaker Python za uvajanje rešitve in izvajanje sklepanja z uporabo razpoložljivih modelov.
Zero-shot učenje
Zero-shot klasifikacija je paradigma, kjer lahko model razvrsti nove, nevidene primere, ki pripadajo razredom, ki niso bili prisotni v podatkih za usposabljanje. Na primer, jezikovni model, ki je bil usposobljen za razumevanje človeškega jezika, se lahko uporabi za razvrščanje tvitov z novoletnimi zaobljubami v več razredov, kot je career
, health
in finance
, ne da bi bil jezikovni model eksplicitno učen na nalogi klasifikacije besedila. To je v nasprotju s finim prilagajanjem modela, saj slednje pomeni ponovno usposabljanje modela (s prenosnim učenjem), medtem ko učenje ničelnega posnetka ne zahteva dodatnega usposabljanja.
Naslednji diagram prikazuje razlike med učenjem prenosa (levo) in učenjem z ničelnim strelom (desno).
Yin et al. predlagal okvir za ustvarjanje zero-shot klasifikatorjev z uporabo naravnega jezikovnega sklepanja (NLI). Ogrodje deluje tako, da postavi zaporedje, ki ga je treba razvrstiti kot premiso NLI, in zgradi hipotezo iz vsake oznake kandidata. Na primer, če želimo oceniti, ali zaporedje pripada razredu politics
, bi lahko zgradili hipotezo "To besedilo govori o politiki." Verjetnosti za vpletenost in protislovje se nato pretvorijo v verjetnosti oznak. Kot hiter pregled NLI upošteva dva stavka: premiso in hipotezo. Naloga je ugotoviti, ali je hipoteza resnična (entailment) ali napačna (protislovje) glede na predpostavko. V spodnji tabeli je nekaj primerov.
Prostor | label | Hipoteza |
Moški pregleduje uniformo osebe v neki vzhodnoazijski državi. | Protislovje | Človek spi. |
Nasmejana starejši in mlajši moški. | Nevtralna | Dva moška se smehljata in smejita mačkam, ki se igrajo na tleh. |
Nogometna igra z več moškimi. | zapletanje | Nekateri moški se ukvarjajo s športom. |
Pregled rešitev
V tej objavi razpravljamo o naslednjem:
- Kako razmestiti vnaprej pripravljene modele klasifikacije besedila z ničelnim strelom z uporabniškim vmesnikom SageMaker JumpStart in zagnati sklepanje na razporejenem modelu z uporabo kratkih besedilnih podatkov
- Kako uporabiti SDK SageMaker Python za dostop do predhodno usposobljenih modelov klasifikacije besedila z ničelnim strelom v SageMaker JumpStart in uporabiti skript sklepanja za uvajanje modela v končno točko SageMaker za primer uporabe klasifikacije besedila v realnem času
- Kako uporabiti SDK za Python SageMaker za dostop do predhodno usposobljenih modelov klasifikacije besedila z ničelnim strelom in uporabiti paketno transformacijo SageMaker za primer uporabe klasifikacije paketnega besedila
SageMaker JumpStart zagotavlja fino nastavitev in uvajanje z enim klikom za široko paleto vnaprej usposobljenih modelov v priljubljenih nalogah ML ter izbor celovitih rešitev, ki rešujejo pogoste poslovne težave. Te funkcije odstranijo težko delo iz vsakega koraka procesa ML, poenostavijo razvoj visokokakovostnih modelov in skrajšajo čas do uvajanja. The API-ji JumpStart vam omogočajo, da programsko uvedete in natančno prilagodite širok izbor vnaprej usposobljenih modelov na svojih lastnih nizih podatkov.
Vozlišče modelov JumpStart omogoča dostop do velikega števila modelov NLP, ki omogočajo prenos učenja in natančno prilagajanje podatkovnih nizov po meri. Od tega pisanja naprej središče modelov JumpStart vsebuje več kot 300 besedilnih modelov v različnih priljubljenih modelih, kot so Stable Diffusion, Flan T5, Alexa TM, Bloom in drugi.
Upoštevajte, da boste z upoštevanjem korakov v tem razdelku uvedli infrastrukturo v svoj račun AWS, kar lahko povzroči stroške.
Namestite samostojen model razvrščanja besedila z ničelnim strelom
V tem razdelku prikazujemo, kako s SageMaker JumpStart uvesti model klasifikacije z ničelnim strelom. Do predhodno usposobljenih modelov lahko dostopate prek ciljne strani JumpStart v Amazon SageMaker Studio. Izvedite naslednje korake:
- V SageMaker Studio odprite ciljno stran JumpStart.
Nanašati se na Odprite in uporabite JumpStart za več podrobnosti o navigaciji do SageMaker JumpStart. - v Besedilni modeli vrtiljak, poiščite kartico modela »Zero-Shot Text Classification«.
- Izberite Ogled modela za dostop do
facebook-bart-large-mnli
model.
Druga možnost je, da v iskalni vrstici poiščete model klasifikacije brez strela in pridete do modela v SageMaker JumpStart. - Določite konfiguracijo uvajanja, vrsto instance gostovanja SageMaker, ime končne točke, Preprosta storitev shranjevanja Amazon (Amazon S3) ime vedra in drugi zahtevani parametri.
- Po želji lahko določite varnostne konfiguracije, kot je AWS upravljanje identitete in dostopa (IAM), nastavitve VPC in AWS Service Key Management (AWS KMS) šifrirne ključe.
- Izberite uvajanje za ustvarjanje končne točke SageMaker.
Ta korak traja nekaj minut. Ko je končano, lahko zaženete sklepanje glede na končno točko SageMaker, ki gosti model klasifikacije z ničelnim strelom.
V naslednjem videu prikazujemo potek korakov v tem razdelku.
Uporabite JumpStart programsko s SDK SageMaker
V razdelku SageMaker JumpStart programa SageMaker Studio pod Rešitve za hiter začetek, lahko najdete predloge rešitev. Predloge rešitev SageMaker JumpStart so rešitve od konca do konca z enim klikom za številne pogoste primere uporabe ML. Od tega pisanja je na voljo več kot 20 rešitev za različne primere uporabe, kot so napovedovanje povpraševanja, odkrivanje goljufij in prilagojena priporočila, če naštejemo le nekatere.
Rešitev »Zero Shot Text Classification with Hugging Face« ponuja način za razvrščanje besedila, ne da bi bilo treba usposobiti model za določene oznake (razvrstitev brez strela) z uporabo predhodno usposobljenega klasifikatorja besedila. Privzeti model klasifikacije brez strela za to rešitev je facebook-bart-large-mnli (BART) model. Za to rešitev uporabljamo Nabor podatkov o novoletnih zaobljubah 2015 za razvrščanje resolucij. Podnabor izvirnega nabora podatkov, ki vsebuje samo Resolution_Category
(oznaka temeljne resnice) in text
stolpcev je vključeno v sredstva rešitve.
Vhodni podatki vključujejo besedilne nize, seznam želenih kategorij za razvrščanje in ali je razvrščanje z več oznakami ali ne za sinhrono sklepanje (v realnem času). Za asinhrono (paketno) sklepanje nudimo seznam besedilnih nizov, seznam kategorij za vsak niz in ali je klasifikacija večoznačna ali ne v besedilni datoteki z vrsticami JSON.
Rezultat sklepanja je predmet JSON, ki je podoben naslednjemu posnetku zaslona.
Izvirno besedilo imamo v sequence
polje, oznake, uporabljene za razvrščanje besedila v labels
polje in verjetnost, dodeljena vsaki oznaki (v istem vrstnem redu pojavljanja) v polju scores
.
Če želite uvesti rešitev Zero Shot Text Classification with Hugging Face, dokončajte naslednje korake:
- Na ciljni strani SageMaker JumpStart izberite Modeli, zvezki, rešitve v podoknu za krmarjenje.
- v rešitve oddelek, izberite Raziščite vse rešitve.
- o rešitve strani izberite kartico modela Zero Shot Text Classification with Hugging Face.
- Preglejte podrobnosti o uvedbi in izberite, če se strinjate Zagon.
Uvedba bo zagotovila končno točko SageMaker v realnem času za sklepanje v realnem času in vedro S3 za shranjevanje rezultatov paketnega preoblikovanja.
Naslednji diagram ponazarja arhitekturo te metode.
Izvedite sklepanje v realnem času z uporabo zero-shot klasifikacijskega modela
V tem razdelku pregledamo, kako uporabiti Python SDK za zagon zero-shot klasifikacije besedila (z uporabo katerega koli od razpoložljivih modelov) v realnem času z uporabo končne točke SageMaker.
- Najprej konfiguriramo zahtevo za koristno obremenitev sklepanja za model. To je odvisno od modela, vendar je za model BART vhod predmet JSON z naslednjo strukturo:
- Upoštevajte, da model BART ni izrecno usposobljen za
candidate_labels
. Za razvrstitev zaporedja besedila v nevidne razrede bomo uporabili tehniko razvrščanja brez strela. Naslednja koda je primer uporabe besedila iz nabora podatkov o novoletnih zaobljubah in definiranih razredov: - Nato lahko prikličete končno točko SageMaker z ničelno koristno obremenitvijo. Končna točka SageMaker je nameščena kot del rešitve SageMaker JumpStart.
- Objekt odziva na sklepanje vsebuje izvirno zaporedje, oznake, razvrščene po rezultatih od max do min, in ocene na oznako:
Zaženite opravilo paketnega preoblikovanja SageMaker z uporabo Python SDK
V tem razdelku je opisano, kako zagnati sklepanje paketnega preoblikovanja s klasifikacijo ničelnega strela facebook-bart-large-mnli
model z uporabo SDK SageMaker Python. Izvedite naslednje korake:
- Formatirajte vhodne podatke v obliki vrstic JSON in naložite datoteko v Amazon S3.
Paketna transformacija SageMaker bo izvedla sklepanje na podatkovnih točkah, naloženih v datoteko S3. - Nastavite artefakte uvajanja modela z naslednjimi parametri:
- model_id - Uporaba
huggingface-zstc-facebook-bart-large-mnli
. - deploy_image_uri - Uporabi
image_uris
Python SDK funkcija za pridobitev vnaprej pripravljene slike SageMaker Docker zamodel_id
. Funkcija vrne Registar elastičnih zabojnikov Amazon (Amazon ECR) URI. - deploy_source_uri – Uporaba
script_uris
utility API za pridobitev S3 URI, ki vsebuje skripte za zagon vnaprej usposobljenega sklepanja modela. Določimo,script_scope
asinference
. - model_uri - Uporaba
model_uri
da dobite artefakte modela iz Amazona S3 za določenomodel_id
.
- model_id - Uporaba
- Uporaba
HF_TASK
opredeliti nalogo za cevovod Hugging Face transformers inHF_MODEL_ID
za določitev modela, uporabljenega za razvrščanje besedila:Za celoten seznam nalog glejte Cevovodi v dokumentaciji Hugging Face.
- Ustvarite objekt modela Hugging Face, ki bo uveden s paketnim preoblikovanjem SageMaker:
- Ustvarite transformacijo za izvajanje paketnega opravila:
- Zaženite opravilo paketnega preoblikovanja in uporabite podatke S3 kot vhod:
Svojo nalogo paketne obdelave lahko spremljate na konzoli SageMaker (izberite Opravila paketnega preoblikovanja pod Sklepanje v navigacijskem podoknu). Ko je opravilo končano, lahko preverite izhod predvidevanja modela v datoteki S3, določeni v output_path
.
Za seznam vseh razpoložljivih vnaprej pripravljenih modelov v SageMaker JumpStart glejte Vgrajeni algoritmi z vnaprej pripravljeno tabelo modelov. V iskalni vrstici uporabite ključno besedo »zstc« (okrajšava za zero-shot text classification), da poiščete vse modele, ki lahko izvajajo zero-shot text classification.
Čiščenje
Ko končate z izvajanjem prenosnega računalnika, izbrišite vse vire, ustvarjene v procesu, da zagotovite, da so stroški, ki nastanejo zaradi sredstev, razporejenih v tem priročniku, ustavljeni. Koda za čiščenje razporejenih virov je na voljo v zvezkih, povezanih z rešitvijo in modelom klasifikacije besedila zero-shot.
Privzete varnostne konfiguracije
Modeli SageMaker JumpStart so razporejeni z uporabo naslednjih privzetih varnostnih konfiguracij:
Če želite izvedeti več o temah, povezanih z varnostjo SageMaker, si oglejte Konfigurirajte varnost v Amazon SageMaker.
zaključek
V tej objavi smo vam pokazali, kako uvesti model klasifikacije z ničelnim strelom z uporabniškim vmesnikom SageMaker JumpStart in izvesti sklepanje z uporabo razporejene končne točke. Uporabili smo rešitev za novoletne zaobljube SageMaker JumpStart, da pokažemo, kako lahko uporabite SDK SageMaker Python za izgradnjo rešitve od konca do konca in implementacijo aplikacije za razvrščanje brez strela. SageMaker JumpStart omogoča dostop do več sto vnaprej usposobljenih modelov in rešitev za naloge, kot so računalniški vid, obdelava naravnega jezika, sistemi priporočil in drugo. Preizkusite rešitev sami in nam sporočite svoje mnenje.
O avtorjih
David Laredo je arhitekt prototipov pri AWS Envision Engineering v LATAM, kjer je pomagal razviti več prototipov strojnega učenja. Pred tem je delal kot inženir strojnega učenja in se s strojnim učenjem ukvarja že več kot 5 let. Njegova področja zanimanja so NLP, časovne serije in ML od konca do konca.
Vikram Elango je specialist za rešitve AI/ML pri Amazon Web Services s sedežem v Virginiji v ZDA. Vikram pomaga strankam v finančni in zavarovalniški panogi z oblikovalskim in miselnim vodstvom pri gradnji in uvajanju aplikacij strojnega učenja v velikem obsegu. Trenutno je osredotočen na obdelavo naravnega jezika, odgovorno umetno inteligenco, optimizacijo sklepanja in skaliranje ML v podjetju. V prostem času uživa v potovanjih, pohodništvu, kuhanju in kampiranju z družino.
dr. Vivek Madan je uporabni znanstvenik pri ekipi Amazon SageMaker JumpStart. Doktoriral je na Univerzi Illinois v Urbana-Champaign in bil podoktorski raziskovalec na Georgia Tech. Je aktiven raziskovalec strojnega učenja in oblikovanja algoritmov ter je objavil članke na konferencah EMNLP, ICLR, COLT, FOCS in SODA.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
- PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
- PlatoESG. Avtomobili/EV, Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
- ChartPrime. Izboljšajte svojo igro trgovanja s ChartPrime. Dostopite tukaj.
- BlockOffsets. Posodobitev okoljskega offset lastništva. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/zero-shot-text-classification-with-amazon-sagemaker-jumpstart/
- :ima
- : je
- :ne
- :kje
- $GOR
- 1
- 10
- 100
- 12
- 16
- 17
- 20
- 22
- 30
- 7
- 8
- 9
- a
- sposobnost
- O meni
- nad
- dostop
- Račun
- Doseči
- čez
- aktivna
- Dodatne
- proti
- AI
- AI / ML
- AL
- Alexa
- algoritem
- algoritmi
- vsi
- omogočajo
- omogoča
- Amazon
- Amazon SageMaker
- Amazon SageMaker JumpStart
- Amazon Web Services
- znesek
- an
- in
- kaj
- API
- uporaba
- aplikacije
- uporabna
- Arhitektura
- SE
- območja
- AS
- asian
- Sredstva
- dodeljena
- povezan
- At
- samodejno
- Na voljo
- AWS
- bar
- baza
- temeljijo
- BE
- bilo
- počutje
- pripada
- med
- Bloom
- telo
- knjige
- zajtrk
- izgradnjo
- vgrajeno
- poslovni
- vendar
- by
- CAN
- Kandidat
- lahko
- kartice
- Kariera
- Vrtiljak
- primeri
- kategorije
- Mačke
- izziv
- preveriti
- Izberite
- razred
- razredi
- Razvrstitev
- razvrščeni
- Razvrsti
- Koda
- Stolpci
- Skupno
- dokončanje
- kompleksnost
- računalnik
- Računalniška vizija
- računalniki
- zaskrbljen
- konference
- konfiguracija
- meni
- Konzole
- gradnjo
- Posoda
- Vsebuje
- kontrast
- pretvori
- stroški
- bi
- država
- par
- ustvarjajo
- ustvaril
- Ustvarjanje
- Trenutno
- po meri
- Stranke, ki so
- datum
- podatkovne točke
- nabor podatkov
- namenjen
- privzeto
- opredeliti
- opredeljen
- Povpraševanje
- Napoved povpraševanja
- izkazati
- odvisnosti
- odvisno
- razporedi
- razporejeni
- uvajanje
- Oblikovanje
- želeno
- Podrobnosti
- Odkrivanje
- Ugotovite,
- Razvoj
- Razvoj
- razlike
- Difuzija
- razpravlja
- raznolikost
- Lučki delavec
- Dokumentacija
- Ne
- tem
- opravljeno
- 2
- E&T
- vsak
- East
- Izobraževanje
- E-naslov
- omogočajo
- šifriranje
- konec koncev
- Končna točka
- inženir
- Inženiring
- zagotovitev
- Podjetje
- entiteta
- predvidevanje
- oceniti
- Tudi
- Primer
- Primeri
- Obraz
- false
- družina
- Lastnosti
- Nekaj
- Polje
- Slika
- file
- financiranje
- finančna
- Najdi
- Nadstropje
- osredotočena
- po
- za
- format
- Fundacija
- Okvirni
- goljufija
- odkrivanje goljufij
- iz
- funkcija
- igra
- ustvarjajo
- Georgia
- dobili
- GitHub
- dana
- Giving
- Igrišče
- Rast
- vodi
- Ravnanje
- Imajo
- he
- Zdravje
- težka
- težko dvigovanje
- pomoč
- pomagal
- Pomaga
- visoka kvaliteta
- njegov
- gostovanje
- Gostitelji
- Kako
- Kako
- HTML
- http
- HTTPS
- Hub
- človeškega
- humor
- Stotine
- sto milijonov
- ID
- identiteta
- if
- Illinois
- ponazarja
- slika
- izvajati
- uvoz
- in
- vključeno
- vključuje
- Industrija
- Podatki
- Infrastruktura
- inherentno
- vhod
- vhodi
- primer
- zavarovanje
- obresti
- IT
- Job
- Delovna mesta
- jpg
- json
- Ključne
- tipke
- Vedite
- label
- Oznake
- pristanek
- jezik
- velika
- LATAM
- začela
- Vodstvo
- UČITE
- učenje
- levo
- Naj
- dviganje
- kot
- vrstica
- linije
- Seznam
- LLM
- nalaganje
- POGLEDI
- stroj
- strojno učenje
- Znamka
- IZDELA
- moški
- upravljanje
- več
- max
- Maj ..
- Moški
- Metoda
- milijoni
- minut
- Minute
- ML
- Model
- modeli
- monitor
- več
- več
- my
- Ime
- naravna
- Obdelava Natural Language
- Krmarjenje
- ostalo
- Nimate
- Novo
- novo leto
- nlp
- št
- prenosnik
- Številka
- predmet
- of
- on
- samo
- odprite
- optimizacija
- or
- Da
- organizacije
- izvirno
- Ostalo
- ven
- izhod
- več
- lastne
- Stran
- podokno
- članki
- paradigma
- parametri
- del
- pot
- za
- Izvedite
- performance
- Dovoljenja
- Osebni
- Prilagojene
- Dr.
- FILANTROPIJA
- plinovod
- platon
- Platonova podatkovna inteligenca
- PlatoData
- igranje
- točke
- politika
- Popular
- Prispevek
- praksa
- napoved
- Napovedi
- predstaviti
- prej
- Težave
- Postopek
- obravnavati
- predlagano
- prototipi
- prototipov
- zagotavljajo
- če
- zagotavlja
- zagotavljanje
- objavljeno
- Python
- pitorha
- Hitri
- hitro
- Preberi
- pravo
- v realnem času
- Pred kratkim
- Priznanje
- Priporočilo
- Priporočila
- zmanjšanje
- odstrani
- zahteva
- zahteva
- obvezna
- raziskovalec
- viri
- Odgovor
- odgovorov
- odgovorna
- povzroči
- Rezultati
- vrne
- pregleda
- Pravica
- vloga
- Run
- tek
- s
- sagemaker
- Enako
- Shrani
- Lestvica
- skaliranje
- Znanstvenik
- rezultat
- praska
- skripte
- drsenje
- SDK
- Iskalnik
- Oddelek
- varnost
- glej
- izbor
- Zaporedje
- Serija
- Storitve
- nastavitve
- Kratke Hlače
- shot
- Prikaži
- je pokazala,
- Enostavno
- poenostavitev
- saj
- Velikosti
- Soccer
- Rešitev
- rešitve
- SOLVE
- nekaj
- Nekaj
- gledano
- specialist
- specifična
- posebej
- določeno
- govorijo
- Šport
- stabilna
- samostojna
- Začetek
- začel
- state-of-the-art
- bivanje
- Korak
- Koraki
- ustavil
- shranjevanje
- shranjevanje
- String
- Struktura
- studio
- taka
- podpora
- Preverite
- sistemi
- miza
- Bodite
- meni
- Naloga
- Naloge
- skupina
- tech
- predloge
- Razvrstitev besedil
- da
- O
- njihove
- POTEM
- te
- ta
- mislil
- miselno vodstvo
- skozi
- čas
- Časovne serije
- TM
- do
- Teme
- Vlak
- usposobljeni
- usposabljanje
- prenos
- Transform
- Preoblikovanje
- transformator
- transformatorji
- Potovanje
- Bilijona
- Res
- Resnica
- poskusite
- tweets
- dva
- tip
- ui
- pod
- razumeli
- univerza
- naložili
- us
- uporaba
- Rabljeni
- uporabo
- pripomoček
- raznolikost
- Popravljeno
- različica
- zelo
- Video
- Virginia
- Vizija
- vs
- walkthrough
- želeli
- je
- način..
- we
- web
- spletne storitve
- Dobro
- so bili
- kdaj
- ali
- medtem
- katerih
- široka
- bo
- z
- brez
- besede
- delal
- deluje
- pisanje
- leto
- let
- Vi
- Mlajši
- Vaša rutina za
- zefirnet
- nič
- Zero-Shot Učenje