Ko se poglabljamo v digitalno dobo, je razvoj multimodalnih modelov ključnega pomena pri izboljšanju razumevanja strojev. Ti modeli obdelujejo in ustvarjajo vsebino v različnih oblikah podatkov, kot so besedilo in slike. Ključna značilnost teh modelov je njihova zmožnost pretvorbe slike v besedilo, ki je pokazala izjemno strokovnost pri nalogah, kot so podnapisi slik in vizualni odgovori na vprašanja.
S prevajanjem slik v besedilo odklenemo in izkoristimo bogastvo informacij, ki jih vsebujejo vizualni podatki. Na primer, v e-trgovini lahko pretvorba slike v besedilo avtomatizira kategorizacijo izdelkov na podlagi slik, kar izboljša učinkovitost in natančnost iskanja. Podobno lahko pomaga pri ustvarjanju samodejnih opisov fotografij, zagotavlja informacije, ki morda niso vključene v naslove ali opise izdelkov, s čimer izboljša uporabniško izkušnjo.
V tem prispevku ponujamo pregled priljubljenih multimodalnih modelov. Pokažemo tudi, kako uvesti te vnaprej usposobljene modele Amazon SageMaker. Poleg tega razpravljamo o raznolikih aplikacijah teh modelov, pri čemer se osredotočamo zlasti na več scenarijev iz resničnega sveta, kot sta oznaka zero-shot in ustvarjanje pripisovanja za e-trgovino ter samodejno ustvarjanje pozivov iz slik.
Ozadje multimodalnosti modelov
Modeli strojnega učenja (ML) so dosegli pomemben napredek na področjih, kot sta obdelava naravnega jezika (NLP) in računalniški vid, kjer lahko modeli izkazujejo človeško podobno zmogljivost pri analiziranju in ustvarjanju vsebine iz enega vira podatkov. V zadnjem času je vse več pozornosti posvečeno razvoju multimodalnosti modelov, ki so sposobni obdelave in generiranja vsebin v različnih modalitetah. Ti modeli, kot je zlitje vizije in jezikovnih omrežij, so postali pomembnejši zaradi svoje zmožnosti vključevanja informacij iz različnih virov in modalitet, s čimer se izboljša njihovo razumevanje in izražanje.
V tem razdelku ponujamo pregled dveh priljubljenih multimodalnih modelov: CLIP (Predhodno usposabljanje kontrastne jezikovne slike) in BLIP (Bootstrapping Language-Image Predhodno usposabljanje).
CLIP model
CLIP je multimodalni vid in jezikovni model, ki se lahko uporablja za podobnost slike in besedila ter za razvrstitev slik brez posnetka. CLIP se usposablja na podlagi podatkovnega niza 400 milijonov parov slike in besedila, zbranih iz različnih javno dostopnih virov na internetu. Arhitektura modela je sestavljena iz kodirnika slike in kodirnika besedila, kot je prikazano na naslednjem diagramu.
Med usposabljanjem se slika in ustrezen delček besedila podajata skozi kodirnike, da dobimo vektor značilnosti slike in vektor značilnosti besedila. Cilj je, da imajo značilnosti slike in besedila za ujemajoči se par visoko kosinusno podobnost, medtem ko imajo funkcije za neujemajoče se pare nizko podobnost. To se naredi s kontrastno izgubo. Rezultat tega kontrastnega predhodnega usposabljanja so kodirniki, ki slike in besedilo preslikajo v skupni prostor za vdelavo, kjer je semantika usklajena.
Enkodirnike je nato mogoče uporabiti za učenje zero-shot prenosa za nadaljnja opravila. V času sklepanja vnaprej usposobljeni kodirnik slike in besedila obdela svoj ustrezen vnos in ga pretvori v visokodimenzionalno vektorsko predstavitev ali vdelava. Vdelave slike in besedila se nato primerjajo, da se ugotovi njuna podobnost, na primer kosinusna podobnost. Besedilni poziv (slikovni razredi, kategorije ali oznake), katerega vdelava je najbolj podobna (na primer ima najmanjšo razdaljo) vdelavi slike, se šteje za najustreznejše in slika je ustrezno razvrščena.
Model BLIP
Drug priljubljen multimodalni model je BLIP. Predstavlja novo arhitekturo modela, ki se lahko prilagodi različnim nalogam vizualnega jezika, in uporablja edinstveno tehniko zagona nabora podatkov za učenje iz šumnih spletnih podatkov. Arhitektura BLIP vključuje kodirnik slike in kodirnik besedila: kodirnik besedila, ki temelji na sliki, vbrizga vizualne informacije v blok transformatorja kodirnika besedila, dekoder besedila, ki temelji na sliki, pa vključuje vizualne informacije v blok dekoderja transformatorja. S to arhitekturo BLIP dokazuje izjemno zmogljivost v spektru vizualno-jezikovnih nalog, ki vključujejo zlitje vizualnih in jezikovnih informacij, od iskanja na podlagi slik in generiranja vsebine do interaktivnih vizualnih pogovornih sistemov. V prejšnji objavi smo predlagali a rešitev za moderiranje vsebin, ki temelji na modelu BLIP ki je obravnaval številne izzive z uporabo unimodalnih pristopov ML z računalniškim vidom.
1. primer uporabe: Generiranje oznake ali atributa z ničelnim strelom za platformo e-trgovine
Platforme za e-trgovino služijo kot dinamične tržnice, polne idej, izdelkov in storitev. Ker je na seznamu več milijonov izdelkov, učinkovito razvrščanje in kategorizacija predstavlja velik izziv. Tu pride do izraza moč samodejnega označevanja in ustvarjanja atributov. Z izkoriščanjem naprednih tehnologij, kot sta ML in NLP, lahko ti avtomatizirani procesi spremenijo delovanje platform e-trgovine.
Ena od ključnih prednosti samodejnega označevanja ali generiranja atributov je njegova sposobnost izboljšanja možnosti iskanja. Natančno označene izdelke lahko stranke najdejo hitro in učinkovito. Na primer, če stranka išče »bombažno majico z okroglim izrezom in logotipom spredaj«, samodejno označevanje in ustvarjanje atributov omogočita iskalniku, da natančno določi izdelke, ki se ujemajo ne le s širšo kategorijo »majice«, temveč ampak tudi posebne lastnosti "bombaž" in "ovratnik". To natančno ujemanje lahko omogoči bolj prilagojeno nakupovalno izkušnjo in poveča zadovoljstvo strank. Poleg tega lahko samodejno ustvarjene oznake ali atributi bistveno izboljšajo algoritme za priporočanje izdelkov. S poglobljenim razumevanjem lastnosti izdelka lahko sistem strankam predlaga ustreznejše izdelke, s čimer poveča verjetnost nakupov in izboljša zadovoljstvo strank.
CLIP ponuja obetavno rešitev za avtomatizacijo procesa generiranja oznak ali atributov. Kot vhod vzame sliko izdelka in seznam opisov ali oznak ter ustvari vektorsko predstavitev ali vdelavo za vsako oznako. Te vdelave obstajajo v visokodimenzionalnem prostoru, pri čemer njihove relativne razdalje in smeri odražajo semantična razmerja med vhodi. CLIP je vnaprej naučen na velikem obsegu parov slika-besedilo, da zajame te smiselne vdelave. Če oznaka ali atribut natančno opisuje sliko, morajo biti njune vdelave relativno blizu v tem prostoru. Za ustvarjanje ustreznih oznak ali atributov je mogoče seznam potencialnih oznak vnesti v besedilni del modela CLIP in shraniti nastale vdelave. V idealnem primeru bi moral biti ta seznam izčrpen in zajemati vse možne kategorije in atribute, pomembne za izdelke na platformi za e-trgovino. Naslednja slika prikazuje nekaj primerov.
Če želite razmestiti model CLIP na SageMaker, lahko sledite beležnici v nadaljevanju GitHub repo. Uporabljamo vnaprej izdelan SageMaker posode za sklepanje velikih modelov (LMI). za uvedbo modela. Vsebniki LMI uporabljajo DJL Serviranje služiti vašemu modelu za sklepanje. Če želite izvedeti več o gostovanju velikih modelov na SageMaker, glejte Razmestite velike modele v Amazon SageMaker z vzporednim sklepanjem modelov DJLServing in DeepSpeed in Razmestite velike modele z visoko zmogljivostjo z uporabo FasterTransformer na Amazon SageMaker.
V tem primeru nudimo datoteke serving.properties
, model.py
in requirements.txt
za pripravo artefaktov modela in njihovo shranjevanje v datoteko tarball.
serving.properties
je konfiguracijska datoteka, ki jo je mogoče uporabiti za nakazovanje DJL Servingu, katere knjižnice za paralelizacijo modela in optimizacijo sklepanja želite uporabiti. Glede na vaše potrebe lahko nastavite ustrezno konfiguracijo. Za več podrobnosti o konfiguracijskih možnostih in izčrpnem seznamu glejte Konfiguracije in nastavitve.model.py
je skript, ki obravnava vse zahteve za strežbo.requirements.txt
je besedilna datoteka, ki vsebuje morebitna dodatna kolesa za namestitev.
Če želite prenesti model iz Objemni obraz neposredno, lahko nastavite option.model_id
parameter v serving.properties
datoteko kot ID modela vnaprej usposobljenega modela, ki gostuje v repozitoriju modela na huggingface.co. Vsebnik uporablja ta ID modela za prenos ustreznega modela med časom uvajanja. Če nastavite model_id
v Preprosta storitev shranjevanja Amazon (Amazon S3) URL, bo DJL prenesel artefakte modela iz Amazon S3 in zamenjal model_id
na dejansko lokacijo artefaktov modela. V svojem skriptu lahko pokažete na to vrednost, da naložite predhodno usposobljen model. V našem primeru uporabljamo slednjo možnost, ker vsebnik LMI uporablja s5cmd za prenos podatkov iz Amazon S3, kar bistveno zmanjša hitrost pri nalaganju modelov med uvajanjem. Oglejte si naslednjo kodo:
v model.py skripta, naložimo pot modela z ID-jem modela, ki je naveden v datoteki lastnosti:
Ko so artefakti modela pripravljeni in naloženi v Amazon S3, lahko uvedete model CLIP v gostovanje SageMaker z nekaj vrsticami kode:
Ko je končna točka v uporabi, lahko pokličete končno točko z vhodno sliko in seznamom oznak kot vhodnim pozivom za ustvarjanje verjetnosti oznak:
Primer uporabe 2: Samodejno ustvarjanje poziva iz slik
Ena inovativna aplikacija, ki uporablja modele večmodalnosti, je ustvarjanje informativnih pozivov iz slike. V generativni AI, a poziv se nanaša na vnos, ki je zagotovljen jezikovnemu modelu ali drugemu generativnemu modelu, da mu da navodila, kakšna vrsta vsebine ali odziva je zaželena. Poziv je v bistvu izhodišče ali nabor navodil, ki vodijo proces generiranja modela. Lahko je v obliki stavka, vprašanja, delnega besedila ali katerega koli vnosa, ki posreduje kontekst ali želeni rezultat v model. Izbira dobro oblikovanega poziva je ključna pri ustvarjanju visokokakovostnih slik z natančnostjo in ustreznostjo. Hiter inženiring je postopek optimizacije ali oblikovanja besedilnega vnosa za dosego želenih odzivov iz jezikovnega modela, ki pogosto vključuje prilagoditve besedila, oblike ali konteksta.
Hitro načrtovanje za ustvarjanje slike predstavlja več izzivov, vključno z naslednjimi:
- Natančna opredelitev vizualnih konceptov – Opisovanje vizualnih konceptov z besedami je lahko včasih nenatančno ali dvoumno, zaradi česar je težko prenesti točno želeno podobo. Zajemanje zapletenih podrobnosti ali kompleksnih prizorov z besedilnimi pozivi morda ne bo preprosto.
- Učinkovito določanje želenih slogov – Sporočanje posebnih slogovnih preferenc, kot so razpoloženje, barvna paleta ali umetniški slog, je lahko izziv samo z besedilom. Prevajanje abstraktnih estetskih konceptov v konkretna navodila za model je lahko težavno.
- Kompleksnost uravnoteženja, da se prepreči preobremenitev modela – Izdelani pozivi bi lahko zmedli model ali ga preobremenili z informacijami, kar bi vplivalo na ustvarjeni rezultat. Nujno je najti pravo ravnovesje med zagotavljanjem zadostnih navodil in izogibanjem pretirani zapletenosti.
Zato je ustvarjanje učinkovitih pozivov za ustvarjanje slik dolgotrajno, kar zahteva ponavljajoče se eksperimentiranje in izpopolnjevanje, da se doseže pravo ravnovesje med natančnostjo in ustvarjalnostjo, zaradi česar je naloga, ki zahteva veliko virov in se močno opira na človeško strokovno znanje.
O CLIP izpraševalec je samodejno orodje za načrtovanje pozivov za slike, ki združuje CLIP in BLIP za optimizacijo besedilnih pozivov, da se ujemajo z dano sliko. Nastale pozive lahko uporabite z modeli besedila v sliko, kot je Stabilna difuzija ustvariti kul umetnost. Pozivi, ki jih ustvari CLIP Interrogator, ponujajo obsežen opis slike, ki ne zajema le njenih temeljnih elementov, temveč tudi umetniški slog, potencialni navdih za sliko, medij, kjer bi bila slika lahko ali bi lahko bila uporabljena, in še več. Rešitev CLIP Interrogator lahko enostavno uvedete na SageMaker, da poenostavite postopek uvajanja in izkoristite razširljivost, stroškovno učinkovitost in robustno varnost, ki jo zagotavlja popolnoma upravljana storitev. Naslednji diagram prikazuje logiko poteka te rešitve.
Uporabite lahko naslednje prenosnik za namestitev rešitve CLIP Interrogator na SageMaker. Podobno za gostovanje modela CLIP uporabljamo vsebnik SageMaker LMI za gostovanje rešitve na SageMakerju z uporabo DJL Serving. V tem primeru smo zagotovili dodatno vhodno datoteko z artefakti modela, ki določa modele, nameščene na končni točki SageMaker. Izberete lahko različne modele CLIP ali BLIP tako, da posredujete ime modela napisa in ime modela posnetka skozi model_name.json
datoteka, ustvarjena z naslednjo kodo:
Sklepni skript model.py
vsebuje funkcijo ročaja, s katero bo DJL Serving zagnal vašo zahtevo s priklicem te funkcije. Za pripravo tega skripta vstopne točke smo prevzeli kodo iz izvirnika clip_interrogator.py datoteko in jo spremenil za delo z DJL Serving na gostovanju SageMaker. Ena posodobitev je nalaganje modela BLIP. Modela BLIP in CLIP se naložita prek load_caption_model()
in load_clip_model()
funkcijo med inicializacijo objekta Interrogator. Za nalaganje modela BLIP smo najprej prenesli artefakte modela iz Hugging Face in jih naložili v Amazon S3 kot ciljno vrednost model_id
v datoteki lastnosti. To je zato, ker je model BLIP lahko velika datoteka, kot je blip2-opt-2.7b model, ki je velik več kot 15 GB. Prenos modela iz Hugging Face med uvajanjem modela bo zahteval več časa za ustvarjanje končne točke. Zato opozarjamo na model_id
na lokacijo Amazon S3 modela BLIP2 in naložite model s poti modela, navedene v datoteki lastnosti. Upoštevajte, da bo med uvajanjem pot modela zamenjana z lokalno potjo vsebnika, kamor je DJL Serving prenesel artefakte modela z lokacije Amazon S3. Oglejte si naslednjo kodo:
Ker model CLIP ni zelo velik, uporabljamo open_clip
za nalaganje modela neposredno iz Hugging Face, ki je enak originalu clip_interrogator
izvedba:
Podobno kodo uporabljamo za uvajanje rešitve CLIP Interrogator na končno točko SageMaker in priklic končne točke z vhodno sliko, da dobimo pozive, ki jih je mogoče uporabiti za ustvarjanje podobnih slik.
Za primer vzemimo naslednjo sliko. Z uporabo razporejene končne točke CLIP Interrogator na SageMaker ustvari naslednji besedilni opis: croissant on a plate, pexels contest winner, aspect ratio 16:9, cgsocietywlop, 8 h, golden cracks, the artist has used bright, picture of a loft in morning, object features, stylized border, pastry, french emperor.
Rešitev CLIP Interrogator lahko dodatno združimo s stabilno difuzijo in tehnikami hitrega inženiringa - pojavi se povsem nova dimenzija ustvarjalnih možnosti. Ta integracija nam omogoča ne samo opisovanje slik z besedilom, temveč tudi manipulacijo in ustvarjanje različnih različic izvirnih slik. Stabilna difuzija zagotavlja nadzorovano sintezo slike z iterativnim izboljševanjem ustvarjenega izhoda, strateški in hitri inženiring pa vodi proces generiranja k želenim rezultatom.
v drugi del zvezkapodrobno opisujemo korake za uporabo hitrega inženiringa za preoblikovanje slik z modelom stabilne difuzije (Stabilna difuzija XL 1.0). Uporabljamo Stabilnost AI SDK za uvedbo tega modela iz SageMaker JumpStart, potem ko se naročite na ta model v AWS tržnica. Ker je to novejša in boljša različica za ustvarjanje slik, ki jo zagotavlja Stabilnost AI, lahko dobimo visokokakovostne slike na podlagi izvirne vhodne slike. Poleg tega, če dodamo predpono prejšnjemu opisu in dodamo dodaten poziv, ki omenja znanega umetnika in eno od njegovih del, dobimo neverjetne rezultate s prenovo. Naslednja slika uporablja poziv: This scene is a Van Gogh painting with The Starry Night style, croissant on a plate, pexels contest winner, aspect ratio 16:9, cgsocietywlop, 8 h, golden cracks, the artist has used bright, picture of a loft in morning, object features, stylized border, pastry, french emperor.
Naslednja slika uporablja poziv: This scene is a Hokusai painting with The Great Wave off Kanagawa style, croissant on a plate, pexels contest winner, aspect ratio 16:9, cgsocietywlop, 8 h, golden cracks, the artist has used bright, picture of a loft in morning, object features, stylized border, pastry, french emperor.
zaključek
Pojav multimodalnih modelov, kot sta CLIP in BLIP, in njihove aplikacije hitro spreminjajo krajino pretvorbe slike v besedilo. S premostitvijo vrzeli med vizualnimi in semantičnimi informacijami nam zagotavljajo orodja za sprostitev velikega potenciala vizualnih podatkov in njihovo izkoriščanje na načine, ki si jih prej nismo mogli predstavljati.
V tem prispevku smo ponazorili različne uporabe modelov večmodalnosti. Te segajo od izboljšanja učinkovitosti in natančnosti iskanja v platformah e-trgovine prek samodejnega označevanja in kategorizacije do ustvarjanja pozivov za modele besedila v sliko, kot je Stable Diffusion. Te aplikacije odpirajo nova obzorja za ustvarjanje edinstvene in privlačne vsebine. Spodbujamo vas, da z raziskovanjem različnih modelov večmodalnosti na SageMakerju izveste več in ustvarite rešitev, ki je inovativna za vaše podjetje.
O avtorjih
Yanwei Cui, PhD, je višji specialist za strojno učenje, arhitekt za rešitve pri AWS. Začel je z raziskavami strojnega učenja na IRISA (Raziskovalni inštitut za računalništvo in naključne sisteme) in ima več let izkušenj z gradnjo industrijskih aplikacij, ki jih poganja AI na področju računalniškega vida, obdelave naravnega jezika in napovedovanja vedenja spletnih uporabnikov. Pri AWS deli svoje strokovno znanje na področju in strankam pomaga sprostiti poslovne potenciale ter doseči uporabne rezultate s strojnim učenjem v velikem obsegu. Zunaj dela rad bere in potuje.
Raghu Ramesha je višji arhitekt rešitev ML pri ekipi storitve Amazon SageMaker. Osredotoča se na pomoč strankam pri izgradnji, uvajanju in selitvi proizvodnih delovnih obremenitev ML na SageMaker v velikem obsegu. Specializiran je za področje strojnega učenja, umetne inteligence in računalniškega vida ter ima magisterij iz računalništva na UT Dallas. V prostem času rada potuje in fotografira.
Sam Edwards, je inženir v oblaku (AI/ML) pri AWS Sydney, specializiran za strojno učenje in Amazon SageMaker. Strastno želi pomagati strankam pri reševanju težav, povezanih s poteki dela strojnega učenja, in ustvarjati nove rešitve zanje. Zunaj dela uživa v športu z loparjem in potovanjih.
Melanie Li, doktorica znanosti, je višja strokovnjakinja za AI/ML TAM pri AWS s sedežem v Sydneyu v Avstraliji. Pomaga poslovnim strankam zgraditi rešitve z uporabo najsodobnejših orodij AI/ML na AWS in zagotavlja smernice za arhitekturo in implementacijo rešitev ML z najboljšimi praksami. V prostem času rada raziskuje naravo in preživlja čas z družino in prijatelji.
Gordon Wang je višji strokovnjak za AI/ML TAM pri AWS. Podpira strateške stranke z najboljšimi praksami AI/ML v številnih panogah. Navdušuje ga računalniški vid, NLP, generativni AI in MLOps. V prostem času rad teče in planinari.
Dhawal Patel je glavni arhitekt strojnega učenja pri AWS. Sodeloval je z organizacijami, od velikih podjetij do srednje velikih zagonskih podjetij, pri problemih, povezanih s porazdeljenim računalništvom in umetno inteligenco. Osredotoča se na poglobljeno učenje, vključno s področja NLP in računalniškega vida. Strankam pomaga doseči visoko zmogljivo sklepanje o modelih na SageMakerju.
- 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. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/build-an-image-to-text-generative-ai-application-using-multimodality-models-on-amazon-sagemaker/
- :ima
- : je
- :ne
- :kje
- 1
- 10
- 100
- 12
- 15%
- 16
- 400
- 7
- 8
- 9
- 97
- a
- sposobnost
- O meni
- POVZETEK
- ustrezno
- natančnost
- natančno
- Doseči
- doseže
- čez
- dejanska
- dodajte
- Dodatne
- Poleg tega
- naslovljena
- Popravki
- sprejet
- napredno
- napredek
- Prednost
- vplivajo
- po
- AI
- Z AI napajanjem
- AI / ML
- algoritmi
- poravnano
- vsi
- omogoča
- sam
- Prav tako
- Neverjetno
- Amazon
- Amazon SageMaker
- Amazon Web Services
- an
- analiziranje
- in
- kaj
- uporaba
- aplikacije
- pristopi
- primerno
- Arhitektura
- SE
- Umetnost
- umetni
- Umetna inteligenca
- umetnik
- umetniško
- AS
- vidik
- pomoč
- At
- pozornosti
- lastnosti
- Avstralija
- avtomatizirati
- Avtomatizirano
- Samodejno
- avtomatizacija
- Na voljo
- izogibanje
- AWS
- Ravnovesje
- temeljijo
- BE
- ker
- bilo
- vedenje
- zadaj
- Prednosti
- BEST
- najboljše prakse
- Boljše
- med
- Poleg
- Big
- Block
- telo
- povečanje
- meja
- premostitev
- Bright
- širši
- izgradnjo
- Building
- poslovni
- vendar
- by
- CAN
- Lahko dobiš
- Zmogljivosti
- lahko
- Zajemanje
- primeru
- CAT
- kategorije
- Kategorija
- Mačke
- izziv
- izzivi
- izziv
- izbira
- Izberite
- razredi
- Razvrstitev
- razvrščeni
- Zapri
- Cloud
- Koda
- barva
- združujejo
- združuje
- prihaja
- Skupno
- komuniciranje
- v primerjavi z letom
- kompleksna
- kompleksnost
- celovito
- računalnik
- Računalništvo
- Računalniška vizija
- računalništvo
- koncepti
- konfiguracija
- šteje
- vsebuje
- vseboval
- Posoda
- Zabojniki
- Vsebuje
- vsebina
- Ustvarjanje vsebine
- ozadje
- nadzorom
- Pretvorba
- Cool
- Ustrezno
- bi
- kritje
- ustvarjajo
- ustvaril
- Ustvarjanje
- Oblikovanje
- Creative
- ustvarjalnost
- kritično
- Cross
- stranka
- Zadovoljstvo kupcev
- Stranke, ki so
- Dallas
- datum
- globoko
- globoko učenje
- globlje
- Stopnja
- potopite
- izkazati
- dokazuje,
- Odvisno
- razporedi
- razporejeni
- uvajanje
- opisati
- opis
- želeno
- Podatki
- Podrobnosti
- Ugotovite,
- Razvoj
- naprava
- Dialog
- drugačen
- težko
- Difuzija
- digitalni
- Dimenzije
- neposredno
- razpravlja
- razdalja
- porazdeljena
- porazdeljeno računalništvo
- razne
- domena
- domen
- opravljeno
- prenesi
- pogon
- 2
- med
- dinamično
- vsak
- enostavno
- elektronskem poslovanju
- Učinkovito
- učinkovitosti
- učinkovito
- Izdelati
- elementi
- ostalo
- vdelava
- pojav
- nastane
- zaposluje
- omogočajo
- spodbujanje
- Končna točka
- angažiran
- Motor
- inženir
- Inženiring
- okrepi
- izboljšanje
- zagotavlja
- Podjetje
- podjetja
- Vpis
- Era
- bistvena
- v bistvu
- Primer
- Primeri
- izkazujejo
- obstajajo
- izkušnje
- strokovno znanje
- raziskuje
- Raziskovati
- izraz
- Obraz
- olajšati
- družina
- Feature
- Lastnosti
- Fed
- Nekaj
- Področja
- Slika
- file
- datoteke
- prva
- Pretok
- Osredotoča
- osredotoča
- sledi
- po
- za
- obrazec
- format
- Obrazci
- je pokazala,
- brezplačno
- francosko
- prijatelji
- iz
- spredaj
- v celoti
- funkcija
- temeljna
- nadalje
- Poleg tega
- fuzija
- pridobljeno
- vrzel
- ustvarjajo
- ustvarila
- ustvarja
- ustvarjajo
- generacija
- generativno
- Generativna AI
- dobili
- dana
- Cilj
- Zlata
- veliko
- Navodila
- Vodniki
- ročaj
- Ročaji
- plezalni pas
- Dovoljenje
- Imajo
- he
- močno
- pomoč
- Pomaga
- jo
- visoka
- visoka kvaliteta
- njegov
- drži
- Horizons
- gostitelj
- gostila
- gostovanje
- Kako
- Kako
- HTML
- http
- HTTPS
- človeškega
- ID
- idealno
- Ideje
- if
- slika
- Razvrstitev slik
- slike
- Izvajanje
- izvajanja
- uvoz
- izboljšanje
- izboljšanju
- in
- vključeno
- vključuje
- Vključno
- narašča
- Navedite
- industrijske
- industrij
- Podatki
- informativni
- inovativne
- vhod
- vhodi
- v notranjosti
- Navdih
- namestitev
- primer
- Inštitut
- Navodila
- integrirati
- integracija
- Intelligence
- interaktivno
- Internet
- v
- Predstavlja
- vključujejo
- vključujejo
- Vprašanja
- IT
- ITS
- jpg
- json
- Ključne
- znano
- label
- Oznake
- Pokrajina
- jezik
- velika
- Velika podjetja
- vodi
- UČITE
- učenje
- Li
- knjižnice
- Leži
- kot
- verjetnost
- linije
- Seznam
- Navedeno
- obremenitev
- nalaganje
- lokalna
- kraj aktivnosti
- Logika
- logo
- off
- ljubi
- nizka
- stroj
- strojno učenje
- Znamka
- Izdelava
- upravlja
- več
- map
- tržnice
- poveljnika
- Stave
- ujema
- ujemanje
- smiselna
- srednje
- zgolj
- morda
- selitev
- milijonov
- milijoni
- ML
- MLOps
- Model
- modeli
- zmernost
- spremembe
- več
- Poleg tega
- Jutro
- Najbolj
- več
- Ime
- naravna
- Obdelava Natural Language
- Narava
- Nimate
- omrežij
- Novo
- nova obzorja
- noč
- nlp
- Noben
- prenosnik
- roman
- predmet
- of
- off
- ponudba
- Ponudbe
- pogosto
- on
- ONE
- na spletu
- samo
- odprite
- operacije
- optimizacija
- Optimizirajte
- optimizacijo
- Možnost
- možnosti
- or
- organizacije
- izvirno
- OS
- Ostalo
- naši
- rezultatov
- izhod
- zunaj
- Neporavnani
- pregled
- velika
- lastne
- Slika
- par
- parov
- paleto
- vzporedno
- parameter
- del
- zlasti
- Podaje
- strastno
- pot
- performance
- Prilagojene
- Dr.
- fotografija
- fotografija
- slika
- ključno
- platforma
- Platforme
- platon
- Platonova podatkovna inteligenca
- PlatoData
- igranje
- Vtič
- Točka
- Popular
- pozira
- možnosti
- Prispevek
- potencial
- potenciali
- moč
- vaje
- natančna
- Precision
- napoved
- nastavitve
- Pripravimo
- pripravljeni
- preprečiti
- prejšnja
- prej
- , ravnateljica
- Težave
- Postopek
- Procesi
- obravnavati
- Izdelek
- proizvodnja
- Izdelki
- pomembnost
- obetaven
- Lastnosti
- nepremičnine
- predlagano
- zagotavljajo
- če
- zagotavlja
- zagotavljanje
- javno
- nakupi
- vprašanje
- naključno
- območje
- obsegu
- hitro
- razmerje
- reading
- resnični svet
- Pred kratkim
- Priporočilo
- zmanjšuje
- glejte
- nanaša
- rafiniranje
- razmišljanje
- okolica
- povezane
- Razmerja
- relativna
- relativno
- ustreznost
- pomembno
- izjemno
- Skladišče
- zastopanje
- zahteva
- zahteva
- zahteva
- zahteva
- Raziskave
- virov intenzivno
- tisti,
- Odgovor
- odgovorov
- rezultat
- Rezultati
- vrnitev
- revolucijo
- Pravica
- robusten
- Run
- tek
- sagemaker
- Enako
- Zadovoljstvo
- Prilagodljivost
- Lestvica
- scenariji
- Prizor
- prizori
- Znanost
- script
- Iskalnik
- iskalnik
- iskanje
- Oddelek
- varnost
- glej
- SAMO
- semantika
- višji
- stavek
- služijo
- Storitev
- Storitve
- služijo
- nastavite
- več
- Delnice
- je
- Nakupovalna
- shouldnt
- pokazale
- Razstave
- pomemben
- bistveno
- Podoben
- podobno
- Enostavno
- sam
- Velikosti
- delček
- Rešitev
- rešitve
- SOLVE
- nekaj
- Včasih
- vir
- Viri
- Vesolje
- specialist
- specializirani
- specializirano
- specifična
- določeno
- Spectrum
- hitrost
- preživeti
- Šport
- stabilna
- zvezdast
- začel
- Začetek
- Ustanavljanjem
- state-of-the-art
- Koraki
- shranjevanje
- trgovina
- shranjeni
- naravnost
- Strateško
- racionalizirati
- stavke
- slog
- v bistvu
- taka
- dovolj
- predlagajte
- Podpira
- swap
- hitro
- sydney
- sistem
- sistemi
- TAG
- Bodite
- meni
- ciljna
- Naloga
- Naloge
- skupina
- tehnika
- Tehnologije
- Predloga
- besedilo
- besedilno
- kot
- da
- O
- Pokrajina
- njihove
- Njih
- POTEM
- Tukaj.
- s tem
- zato
- te
- jih
- ta
- skozi
- čas
- naslove
- do
- orodje
- orodja
- proti
- usposobljeni
- usposabljanje
- prenos
- transformator
- preoblikovanje
- transformacije
- Potovanje
- dva
- tip
- razumevanje
- nepredstavljivo
- edinstven
- odklepanje
- Nadgradnja
- naložili
- URL
- us
- uporaba
- Rabljeni
- uporabnik
- Uporabniška izkušnja
- uporablja
- uporabo
- vrednost
- raznolikost
- različnih
- Popravljeno
- različica
- zelo
- preko
- Vizija
- W
- želeli
- Wave
- načini
- we
- Wealth
- web
- spletne storitve
- so bili
- Kaj
- kdaj
- ki
- medtem
- celoti
- katerih
- bo
- Zmagovalec
- z
- besedilo
- besede
- delo
- delal
- delovnih tokov
- deluje
- bi
- let
- Vi
- Vaša rutina za
- zefirnet