Veliki jezikovni modeli (LLM) revolucionirajo področja, kot so iskalniki, obdelava naravnega jezika (NLP), zdravstvo, robotika in ustvarjanje kode. Aplikacije se širijo tudi v maloprodajo, kjer lahko izboljšajo uporabniško izkušnjo prek dinamičnih chatbotov in pomočnikov z umetno inteligenco, ter v digitalno trženje, kjer lahko organizirajo povratne informacije strank in priporočajo izdelke na podlagi opisov in nakupovalnega vedenja.
Personalizacijo LLM aplikacij je mogoče doseči z vključitvijo posodobljenih uporabniških informacij, kar običajno vključuje integracijo več komponent. Ena taka komponenta je shramba funkcij, orodje, ki shranjuje, deli in upravlja funkcije za modele strojnega učenja (ML). Funkcije so vhodi, uporabljeni med usposabljanjem in sklepanjem modelov ML. Na primer, v aplikaciji, ki priporoča filme, lahko funkcije vključujejo prejšnje ocene, prednostne kategorije in demografske podatke. Trgovina s funkcijami Amazon SageMaker je popolnoma upravljan repozitorij, zasnovan posebej za shranjevanje, skupno rabo in upravljanje funkcij modela ML. Druga bistvena komponenta je orodje za orkestracijo, primerno za hitro načrtovanje in upravljanje različnih vrst podnalog. Generativni razvijalci umetne inteligence lahko uporabljajo okvire, kot je LangChain, ki ponuja module za integracijo z LLM in orodja za orkestracijo za upravljanje nalog in hitro inženirstvo.
Na podlagi koncepta dinamičnega pridobivanja posodobljenih podatkov za izdelavo personalizirane vsebine je uporaba LLM-jev pritegnila veliko pozornosti v nedavnih raziskavah sistemov priporočil. Osnovno načelo teh pristopov vključuje konstrukcijo pozivov, ki zajemajo priporočilno nalogo, uporabniške profile, atribute elementov in interakcije med uporabniki in predmeti. Ti pozivi, specifični za nalogo, se nato vnesejo v LLM, ki je zadolžen za napovedovanje verjetnosti interakcije med določenim uporabnikom in predmetom. Kot je navedeno v dokumentu Prilagojeno priporočilo prek nagovarjanja velikih jezikovnih modelovKomponente spodbujanja, ki temeljijo na priporočilih in angažiranosti, igrajo ključno vlogo pri omogočanju LLM, da se osredotočijo na ustrezen kontekst in se uskladijo z uporabniškimi preferencami.
V tej objavi pojasnjujemo preprosto, a zmogljivo zamisel o združevanju uporabniških profilov in atributov artiklov za ustvarjanje prilagojenih vsebinskih priporočil z uporabo LLM. Kot je prikazano v celotni objavi, imajo ti modeli ogromen potencial pri ustvarjanju visokokakovostnega vnosnega besedila, ki se zaveda konteksta, kar vodi do izboljšanih priporočil. Za ponazoritev tega vas vodimo skozi postopek integracije shrambe funkcij (ki predstavlja uporabniške profile) z LLM za ustvarjanje teh prilagojenih priporočil.
Pregled rešitev
Predstavljajmo si scenarij, v katerem podjetje za filmsko zabavo promovira filme različnim uporabnikom prek e-poštne kampanje. Promocija vsebuje 25 dobro znanih filmov in želimo izbrati tri najboljša priporočila za vsakega uporabnika na podlagi njegovih zanimanj in prejšnjega ocenjevalnega vedenja.
Na primer, glede na uporabnikovo zanimanje za različne filmske zvrsti, kot so akcija, romantika in znanstvena fantastika, bi lahko sistem umetne inteligence določil tri najboljše priporočene filme za določenega uporabnika. Poleg tega lahko sistem ustvari prilagojena sporočila za vsakega uporabnika v tonu, prilagojenem njegovim željam. V nadaljevanju te objave vključimo nekaj primerov prilagojenih sporočil.
Ta aplikacija AI bi vključevala več komponent, ki delujejo skupaj, kot je prikazano v naslednjem diagramu:
- Mehanizem za profiliranje uporabnikov upošteva prejšnje vedenje uporabnika in ustvari uporabniški profil, ki odraža njegove interese.
- Shramba funkcij vzdržuje podatke o uporabniškem profilu.
- Shramba medijskih metapodatkov posodablja seznam promocijskih filmov.
- Jezikovni model vzame trenutni seznam filmov in podatke o uporabniškem profilu ter izpiše najboljše tri priporočene filme za vsakega uporabnika, napisane v njihovem želenem tonu.
- Agent za orkestracijo usklajuje različne komponente.
Če povzamemo, inteligentni agenti bi lahko ustvarili pozive z uporabo podatkov, povezanih z uporabniki in predmeti, ter uporabnikom zagotovili prilagojene odgovore v naravnem jeziku. To bi predstavljalo tipičen sistem priporočil na podlagi vsebine, ki uporabnikom priporoča artikle na podlagi njihovih profilov. Profil uporabnika je shranjen in vzdrževan v trgovini s funkcijami ter se vrti okoli njegovih preferenc in okusov. Običajno izhaja iz njihovega prejšnjega vedenja, kot so ocene.
Naslednji diagram prikazuje, kako deluje.
Aplikacija sledi tem korakom, da zagotovi odgovore na uporabnikovo priporočilo:
- Mehanizem za profiliranje uporabnikov, ki vzame uporabnikovo zgodovinsko oceno filma kot vhod, prikaže zanimanje uporabnika in shrani funkcijo v SageMaker Feature Store. Ta postopek je mogoče posodobiti na način razporejanja.
- Agent vzame ID uporabnika kot vnos, poišče zanimanje uporabnika in izpolni predlogo poziva v skladu z interesi uporabnika.
- Agent vzame seznam elementov promocije (ime filma, opis, žanr) iz shrambe medijskih metapodatkov.
- Predloga poziva za zanimanje in seznam promocijskih elementov se vneseta v LLM za sporočila e-poštnih akcij.
- Agent pošlje prilagojeno e-poštno kampanjo končnemu uporabniku.
Mehanizem za profiliranje uporabnikov zgradi profil za vsakega uporabnika, pri čemer zajame njegove želje in interese. Ta profil je mogoče predstaviti kot vektor z elementi, ki se preslikajo v funkcije, kot so filmski žanri, z vrednostmi, ki označujejo stopnjo zanimanja uporabnika. Uporabniški profili v trgovini funkcij omogočajo sistemu, da predlaga prilagojena priporočila, ki ustrezajo njihovim interesom. Profiliranje uporabnikov je dobro raziskana domena znotraj priporočilnih sistemov. Za poenostavitev lahko sestavite regresijski algoritem z uporabo uporabnikovih prejšnjih ocen v različnih kategorijah, da sklepate o njihovih splošnih preferencah. To je mogoče storiti z algoritmi, kot je XGBoost.
Predstavitev kode
V tem razdelku nudimo primere kode. Celoten potek kode je na voljo v GitHub repo.
Ko pridobimo funkcijo uporabniških interesov iz mehanizma za profiliranje uporabnikov, lahko shranimo rezultate v shrambo funkcij. SageMaker Feature Store podpira paketno zajemanje funkcij in spletno shranjevanje za sklepanje v realnem času. Za vnos je mogoče podatke posodobiti v načinu brez povezave, medtem ko se mora sklepanje zgoditi v milisekundah. SageMaker Feature Store zagotavlja, da nabori podatkov brez povezave in na spletu ostanejo sinhronizirani.
Za vnos podatkov uporabljamo naslednjo kodo:
Za spletno shranjevanje v realnem času bi lahko uporabili naslednjo kodo za ekstrahiranje uporabniškega profila na podlagi ID-ja uporabnika:
Nato razvrstimo tri najboljše kategorije filmov, ki jih zanimajo, da nahranimo mehanizem za priporočila na nižji stopnji:
ID uporabnika: 42
Najboljše 3 kategorije: ['Animirani', 'Triler', 'Pustolovščina']
Naša aplikacija uporablja dve glavni komponenti. Prva komponenta pridobi podatke iz shrambe funkcij, druga komponenta pa pridobi seznam promocij filmov iz shrambe metapodatkov. Usklajevanje med temi komponentami upravlja Verige podjetja LangChain, ki predstavljajo zaporedje klicev komponent.
Vredno je omeniti, da v zapletenih scenarijih aplikacija morda potrebuje več kot fiksno zaporedje klicev LLM-jev ali drugih orodij. Agenti, opremljen z naborom orodij, uporablja LLM za določitev zaporedja dejanj, ki jih je treba izvesti. Medtem ko verige kodirajo trdo kodirano zaporedje dejanj, agenti uporabljajo moč razmišljanja jezikovnega modela, da narekujejo vrstni red in naravo dejanj.
Povezava med različnimi viri podatkov, vključno s SageMaker Feature Store, je prikazana v naslednji kodi. Vsi pridobljeni podatki so konsolidirani za izdelavo obsežnega poziva, ki služi kot vhod za LLM. V naslednjem razdelku se poglobimo v posebnosti hitrega oblikovanja. Sledi definicija predloge poziva, ki je povezana z več viri podatkov:
Poleg tega uporabljamo Amazon SageMaker gostiti naš model LLM in ga izpostaviti kot Končna točka LangChain SageMaker. Za uvedbo LLM uporabljamo Amazon SageMaker JumpStart (za več podrobnosti glejte Modeli temeljev Llama 2 podjetja Meta so zdaj na voljo v Amazon SageMaker JumpStart). Ko je model uveden, lahko ustvarimo modul LLM:
V kontekstu naše aplikacije agent izvaja zaporedje korakov, imenovanih LLMChain. Vključuje predlogo za poziv, model in zaščitne ograje za oblikovanje uporabniškega vnosa, posredovanje v model, pridobitev odgovora in nato preverjanje (in po potrebi popravljanje) izhoda modela.
V naslednjem razdelku se sprehodimo skozi hitro načrtovanje za LLM za ustvarjanje pričakovanih rezultatov.
Spodbujanje priporočil LLM in rezultati
Sledi konceptu na visoki ravni spodbujanja, ki ga vodi sodelovanje, kot je opisano v raziskovalni študiji Prilagojeno priporočilo prek nagovarjanja velikih jezikovnih modelov, temeljno načelo naše strategije pozivanja je vključitev uporabniških preferenc v ustvarjanje pozivov. Ti pozivi so zasnovani tako, da usmerjajo LLM k učinkovitejšemu prepoznavanju atributov v opisu vsebine, ki so v skladu z uporabniškimi nastavitvami. Če podrobneje pojasnimo, je naš poziv sestavljen iz več komponent:
- Kontekstualna ustreznost – Začetni del naše predloge poziva vključuje medijske metapodatke, kot so ime elementa (naslov filma), opis (sinopsis filma) in atribut (zvrst filma). Z vključitvijo teh informacij poziv LLM nudi širši kontekst in celovitejše razumevanje vsebine. Te kontekstualne informacije pomagajo LLM pri boljšem razumevanju predmeta prek njegovega opisa in atributov, s čimer se poveča njegova uporabnost v scenarijih priporočil vsebine.
- Usklajevanje uporabniških preferenc – Z upoštevanjem uporabniškega profila, ki označuje uporabniške preference, so morebitna priporočila v boljšem položaju za prepoznavanje značilnosti in funkcij vsebine, ki odmevajo pri ciljnih uporabnikih. Ta uskladitev povečuje uporabnost opisov artiklov, ker povečuje učinkovitost priporočanja elementov, ki so ustrezni in v skladu z uporabniškimi preferencami.
- Izboljšana kakovost priporočil – Poziv, ki ga vodi sodelovanje, uporablja uporabniške nastavitve za prepoznavanje ustreznih promocijskih elementov. Uporabimo lahko tudi uporabniške nastavitve, da prilagodimo ton LLM za končni rezultat. To lahko povzroči natančno, informativno in osebno izkušnjo, s čimer se izboljša splošno delovanje sistema za priporočanje vsebine.
Naslednja koda prikazuje primer predloge poziva:
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. """
Sledi primer rezultata z uporabniškimi preferencami žanrov znanstvene fantastike, pustolovščine in vojne:
Zadeva: Raziščite meje klasične kinematografije z našimi znanstvenofantastičnimi, pustolovskimi in vojnimi filmi!
Dragi [Ime],
Ali ste se pripravljeni podati na potovanje skozi čas in prostor, doživeti srčno akcijo in biti priča pogumu junakov na bojišču? Ne iščite več! Classic Cinema s ponosom predstavlja naš skrbno kuriran izbor filmov, posebej prilagojenih vašim zanimanjem za znanstveno fantastiko, pustolovščino in vojno.Najprej imamo ikonično "Vojno zvezd: Epizoda V – Imperij vrača udarec" (1980). Ta klasičen del sage Vojna zvezd sledi poti Lukea Skywalkerja, da postane mojster Jedi, medtem ko se njegovi prijatelji spopadajo z zlim imperijem. S svojimi revolucionarnimi posebnimi učinki in nepozabnimi liki si ta film mora ogledati vsak ljubitelj tega žanra.
Nato priporočamo "Interstellar" (2014), osupljiv film, ki spodbuja razmišljanje in se poglablja v skrivnosti časa in prostora. Ko se skupina raziskovalcev poda na iskanje rešitve človeštva, naletijo na dih jemajoče pokrajine in odkrijejo skrivnosti vesolja.
Nazadnje imamo »Reševanje vojaka Ryana« (1998), pretresljivo in intenzivno vojno dramo, ki spremlja skupino vojakov na nevarni misiji, da bi našli in rešili padalca, katerega brata sta bila ubita v akciji. Ta kritiško hvaljeni film je močan poklon junakom druge svetovne vojne.
Ne zamudite teh filmskih mojstrovin! Oglejte si jih zdaj in izkusite vznemirjenje pustolovščine, čudeže znanstvene fantastike in pogum vojnih junakov.
Prijeten ogled in naj vas spremlja sila!Lep pozdrav,
Ekipa Classic Cinema
Sledi še en primer rezultata z uporabniško preferenco dokumentarca, glasbe in drame:
Zadeva: Priporočila klasične kinematografije za ljubitelje dokumentarcev, glasbe in dram
Dragi [Ime],
Upamo, da vas je to e-poštno sporočilo dobro našlo in da uživate v različnih filmih, ki so na voljo na naši platformi. Pri Classic Cinema smo ponosni na to, da ustrežemo raznolikim okusom naših strank, zato smo izbrali tri izjemne filme, za katere verjamemo, da bodo odmevali pri vašem zanimanju za dokumentarce, glasbene in drame.
Najprej imamo »The Shawshank Redemption« (1994), močno in vzpodbudno dramo, ki spremlja potovanje dveh zapornikov, ko najdeta upanje in odrešitev v pokvarjenem in neizprosnem zaporniškem sistemu. S svojo navdušujočo zgodbo, izjemnimi predstavami in brezčasnimi temami si ta film mora ogledati vsakdo, ki ima rad dobro oblikovano dramo.
Nato priporočamo "The Lord of the Rings: The Fellowship of the Ring" (2001), epsko pustolovščino, ki združuje dih jemajoče slike, nepozabne like in svet z bogatimi podrobnostmi. Ta film je mojstrski tečaj pripovedovanja zgodb z globokim občutkom za zgodovino in kulturo, ki vas bo popeljal v Srednji svet in vam pustil željo po več.
Nazadnje predlagamo »Pianist« (2002), globok in ganljiv dokumentarec, ki pripoveduje resnično zgodbo Władysława Szpilmana, poljskega judovskega pianista, ki se je boril za preživetje uničenja varšavskega geta med drugo svetovno vojno. Ta film je močan opomin na sposobnost človeškega duha za vzdržljivost in upanje, tudi ob nepredstavljivi tragediji.
Upamo, da ta priporočila ustrezajo vašim zanimanjem in vam nudijo prijetno in bogato filmsko izkušnjo. Ne zamudite teh brezčasnih klasik – oglejte si jih zdaj in odkrijte čarobnost klasičnega filma!
Lep pozdrav,
Ekipa Classic Cinema
Za primerjavo smo izvedli teste z Llama 2 7B-Chat (glejte naslednji vzorec kode) in Llama 70B. Oba modela sta se dobro obnesla in prinesla dosledne zaključke. Z uporabo prompt predloge, napolnjene s posodobljenimi podatki, smo ugotovili, da je lažje testirati poljubne LLM, kar nam pomaga izbrati pravo razmerje med zmogljivostjo in stroški. Podali smo tudi več skupnih opažanj, ki jih je vredno omeniti.
Prvič, vidimo lahko, da so podana priporočila resnično v skladu z uporabniškimi preferencami. Priporočila za filme vodijo različne komponente v naši aplikaciji, predvsem uporabniški profil, shranjen v shrambi funkcij.
Poleg tega ton e-poštnih sporočil ustreza uporabniškim nastavitvam. Zahvaljujoč naprednim zmožnostim razumevanja jezika LLM lahko prilagodimo opise filmov in vsebino e-pošte ter jih prilagodimo vsakemu posameznemu uporabniku.
Poleg tega je mogoče končni izhodni format oblikovati v poziv. Na primer, v našem primeru mora pozdrav »Dragi [ime]« izpolniti e-poštna storitev. Pomembno je omeniti, da čeprav se izogibamo razkrivanju osebno določljivih podatkov (PII) v naši generativni aplikaciji AI, obstaja možnost, da te podatke ponovno uvedemo med naknadno obdelavo, ob predpostavki, da je dodeljena ustrezna raven dovoljenj.
Čiščenje
Da bi se izognili nepotrebnim stroškom, izbrišite vire, ki ste jih ustvarili kot del te rešitve, vključno s shrambo funkcij in končno točko sklepanja LLM, uvedeno s SageMaker JumpStart.
zaključek
Moč LLM-jev pri ustvarjanju prilagojenih priporočil je ogromna in preobrazbena, zlasti če je povezana s pravimi orodji. Z integracijo SageMaker Feature Store in LangChain za hitro inženirstvo lahko razvijalci sestavijo in upravljajo zelo prilagojene uporabniške profile. Posledica tega so visokokakovostni vnosi, ki se zavedajo konteksta, ki bistveno izboljšajo učinkovitost priporočil. V našem ilustrativnem scenariju smo videli, kako je to mogoče uporabiti za prilagajanje filmskih priporočil posameznim uporabniškim željam, kar ima za posledico zelo prilagojeno izkušnjo.
Ker se področje LLM še naprej razvija, pričakujemo, da bomo videli več inovativnih aplikacij, ki uporabljajo te modele za zagotavljanje še bolj privlačnih in prilagojenih izkušenj. Možnosti so neomejene in z veseljem vidimo, kaj boste ustvarili s temi orodji. Z viri, kot sta SageMaker JumpStart in Amazon Bedrock zdaj na voljo za pospešitev razvoja generativnih aplikacij umetne inteligence, toplo priporočamo, da raziščete izdelavo priporočilnih rešitev z uporabo LLM-jev na AWS.
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.
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.
Michelle Hong, doktorica znanosti, dela kot arhitektka rešitev za izdelavo prototipov pri Amazon Web Services, kjer strankam pomaga graditi inovativne aplikacije z uporabo različnih komponent AWS. Izkazala je svoje strokovno znanje na področju strojnega učenja, zlasti na področju obdelave naravnega jezika, da bi razvila podatkovno vodene rešitve, ki optimizirajo poslovne procese in izboljšajo izkušnje strank.
Bin Wang, doktor znanosti, je višji analitični specialist za rešitve pri AWS, ki se ponaša z več kot 12-letnimi izkušnjami v industriji strojnega pisanja, s posebnim poudarkom na oglaševanju. Ima strokovno znanje na področju obdelave naravnega jezika (NLP), sistemov priporočil, različnih algoritmov ML in operacij ML. Zelo se navdušuje nad uporabo tehnik ML/DL in velikih podatkov za reševanje problemov v resničnem svetu. Zunaj poklicnega življenja uživa v glasbi, branju in potovanjih.
- 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/personalize-your-generative-ai-applications-with-amazon-sagemaker-feature-store/
- :ima
- : je
- :ne
- :kje
- $GOR
- 100
- 12
- 14
- 15%
- 19
- 1994
- 1998
- 2001
- 2014
- 25
- 30
- 7
- 9
- a
- O meni
- pospeši
- cenjen
- Račun
- natančna
- doseže
- Pridobiva
- čez
- Ukrep
- dejavnosti
- Poleg tega
- Poleg tega
- držijo
- napredno
- Adventure
- Oglaševanje
- po
- proti
- Agent
- agenti
- AI
- Z AI napajanjem
- AI / ML
- pomoč
- Cilj
- algoritem
- algoritmi
- uskladiti
- poravnava
- vsi
- omogočajo
- Prav tako
- Čeprav
- Amazon
- Amazon SageMaker
- Amazon Web Services
- an
- Analitični
- in
- Še ena
- pričakujte
- kaj
- kdo
- pritožbe
- uporaba
- aplikacije
- uporabna
- Uporaba
- pristopi
- SE
- okoli
- AS
- pomoč
- pomočniki
- At
- pozornosti
- lastnosti
- Na voljo
- izogniti
- AWS
- Ravnovesje
- temeljijo
- Battlefield
- BE
- ker
- postajajo
- bilo
- vedenje
- vedenja
- Verjemite
- BEST
- najboljše prakse
- Boljše
- med
- Big
- Big Podatki
- hvalisanje
- tako
- brezmejna
- dih jemajoče
- širši
- Brata
- izgradnjo
- Building
- Gradi
- poslovni
- by
- se imenuje
- poziva
- Akcija
- CAN
- Zmogljivosti
- kapaciteta
- Zajemanje
- previdno
- prenašal
- primeru
- kategorije
- Kategorija
- verige
- lastnosti
- znaki
- klepetalnice
- Izberite
- Cinema
- filmsko
- razred
- klasična
- klasika
- Koda
- združuje
- združevanje
- pogosto
- podjetje
- Primerjava
- Zaključi
- kompleksna
- komponenta
- deli
- celovito
- obsega
- računalnik
- Računalništvo
- Računalniška vizija
- Koncept
- povezava
- dosledno
- gradnjo
- Gradbeništvo
- Vsebuje
- vsebina
- ozadje
- kontekstualno
- se nadaljuje
- usklajevanje
- ustreza
- strošek
- stroški
- bi
- skupaj
- ustvarjajo
- ustvaril
- Ustvarjanje
- Cross
- ključnega pomena
- Kultura
- kurirano
- Trenutna
- stranka
- Stranke, ki so
- prilagodite
- meri
- Nevarno
- datum
- Podatkov usmerjenih
- nabor podatkov
- Datum
- globoko
- opredelitev
- poda
- Demografski podatki
- Dokazano
- razporedi
- razporejeni
- Izpeljano
- opisano
- opis
- Oblikovanje
- zasnovan
- podrobno
- Podrobnosti
- Ugotovite,
- Razvoj
- Razvijalci
- Razvoj
- DICT
- narekujejo
- drugačen
- digitalni
- digitalni marketing
- odkriti
- potop
- razne
- Dokumentarec
- domena
- opravljeno
- dont
- Osnutek
- Drama
- pogon
- med
- dinamično
- dinamično
- vsak
- lažje
- učinkovito
- Učinki
- učinkovitosti
- Izdelati
- elementi
- E-naslov
- e-pošta
- vkrcati
- Empire
- zaposluje
- omogočanje
- konec
- Končna točka
- angažiran
- Motor
- Inženiring
- Motorji
- okrepi
- okrepljeno
- Izboljša
- izboljšanje
- prijetna
- bogatenje
- zagotovitev
- zagotavlja
- zagotoviti
- Zabava
- EPIC
- epizoda
- opremljena
- bistvena
- Tudi
- razvijajo
- Primer
- Primeri
- presega
- izjemno
- razburjen
- Pričakuje
- izkušnje
- Doživetja
- strokovno znanje
- raziskuje
- Raziskovalci
- Raziskovati
- izražena
- razširiti
- obsežen
- ekstrakt
- Obraz
- ventilator
- Feature
- FeatureGroup
- Lastnosti
- Fed
- povratne informacije
- Področja
- napolnjena
- Film
- končna
- končno
- Najdi
- najdbe
- prva
- Všita
- Osredotočite
- po
- sledi
- za
- moč
- format
- je pokazala,
- Fundacija
- okviri
- pogosto
- prijatelji
- iz
- Frontier
- polno
- v celoti
- temeljna
- nadalje
- pridobili
- ustvarjajo
- ustvarjajo
- generacija
- generativno
- Generativna AI
- žanr
- dobili
- dana
- odobreno
- prelomni
- skupina
- vodi
- voden
- Smernice
- se zgodi
- Harmony
- Imajo
- he
- zdravstveno varstvo
- pomoč
- Pomaga
- jo
- Heroes
- na visoki ravni
- visoka kvaliteta
- zelo
- njegov
- zgodovinski
- zgodovina
- držite
- upam,
- gostitelj
- Kako
- HTTPS
- človeškega
- Človeštvo
- ikona
- ID
- Ideja
- identificirati
- identifikacijo
- if
- ii
- ilustrirajte
- ponazarja
- slika
- neizmerno
- uvoz
- Pomembno
- izboljšanje
- izboljšanju
- in
- vključujejo
- Vključno
- vključujoč
- individualna
- industrijske
- industrij
- Industrija
- Podatki
- informativni
- začetna
- inovativne
- vhod
- vhodi
- obrok
- primer
- Inštitut
- integrirati
- Integrira
- Povezovanje
- Inteligentna
- interakcije
- interakcije
- obresti
- zainteresirani
- interesi
- vmesniki
- v
- IT
- Izdelkov
- ITS
- Potovanje
- jpg
- Imejte
- Pokrajina
- jezik
- velika
- pozneje
- Interesenti
- učenje
- pustite
- pismo
- Stopnja
- življenje
- kot
- verjetnost
- LIMIT
- vrstica
- Seznam
- Llama
- LLM
- Poglej
- Lord of the Rings
- ljubi
- stroj
- strojno učenje
- je
- magic
- vzdržuje
- upravljanje
- upravlja
- upravljanje
- upravlja
- upravljanje
- Način
- več
- kartiranje
- Trženje
- mojster
- Masterclass
- ujemanje
- Maj ..
- mediji
- nepozabno
- sporočil
- Meta
- metapodatki
- morda
- milisekund
- pogrešam
- Mission
- ML
- MLOps
- način
- Model
- modeli
- Moduli
- Moduli
- mesec
- več
- Najbolj
- Film
- filmi
- premikanje
- več
- Glasba
- Glasbeno
- Ime
- naravna
- Obdelava Natural Language
- Narava
- potrebno
- Nimate
- potrebe
- Naslednja
- nlp
- št
- predvsem
- prenosnik
- Opažam
- zdaj
- pridobitev
- of
- off
- Ponudbe
- offline
- on
- ONE
- na spletu
- operacije
- Optimizirajte
- or
- orkestracijo
- Da
- Ostalo
- naši
- ven
- rezultatov
- izhod
- izhodi
- zunaj
- Neporavnani
- več
- Splošni
- Papir
- parametri
- del
- zlasti
- zlasti
- mimo
- strastno
- performance
- predstave
- opravljeno
- Dovoljenja
- personalizacija
- prilagodite
- Prilagojene
- Osebno
- Dr.
- platforma
- platon
- Platonova podatkovna inteligenca
- PlatoData
- Predvajaj
- prosim
- poljski
- Popular
- pozicioniran
- možnosti
- možnost
- Prispevek
- potencial
- potenciali
- moč
- močan
- vaje
- Ravno
- napovedovanje
- napoved
- nastavitve
- prednostno
- darila
- prejšnja
- ponos
- primarni
- Načelo
- zapor
- zaporniki
- zasebna
- Težave
- Postopek
- Procesi
- obravnavati
- proizvodnjo
- Izdelki
- strokovni
- profil
- Profili
- profiliranje
- globok
- spodbuja
- promocija
- promocijsko
- promocije
- prototipov
- ponosno
- zagotavljajo
- če
- zagotavlja
- nakup
- iskanje
- naključno
- uvrstitev
- ocena
- ocen
- reading
- pripravljen
- resnični svet
- v realnem času
- nedavno
- Priporočamo
- Priporočilo
- Priporočila
- priporočeno
- priporočilo
- priporoča
- zapis
- odkup
- glejte
- odražajo
- razmišljanje
- odseva
- pozdrav
- ustreznost
- pomembno
- ostajajo
- opomnik
- Skladišče
- predstavljajo
- zastopan
- predstavlja
- reševanje
- Raziskave
- odpornost
- resonator
- viri
- Odgovor
- odgovorov
- povzroči
- rezultat
- Rezultati
- Trgovina na drobno
- vrnitev
- Revolucioniranje
- vrti
- Pravica
- robotika
- vloga
- romance
- tek
- deluje
- s
- saga
- sagemaker
- Shrani
- Videl
- Lestvica
- Scenarij
- scenariji
- razporejanje
- sci-fi
- Znanost
- Iskalnik
- Iskalniki
- iskanja
- drugi
- skrivnosti
- Oddelek
- glej
- videnje
- izbran
- izbor
- SAMO
- pošlje
- višji
- Občutek
- Zaporedje
- Storitev
- Storitve
- služijo
- več
- deli
- Delnice
- delitev
- je
- shouldnt
- Razstave
- pomemben
- bistveno
- pomeni
- Enostavno
- poenostavitev
- Rešitev
- rešitve
- SOLVE
- nekaj
- vir
- Viri
- Vesolje
- posebna
- specialist
- posebej
- posebnosti
- zvezda
- Vojna zvezd
- začel
- navedla
- Koraki
- shranjevanje
- trgovina
- shranjeni
- trgovine
- shranjevanje
- Zgodba
- pripovedovanja
- Strateško
- Strategija
- Stavke
- Močno
- študija
- Osupljiva
- kasneje
- taka
- predlagajte
- primerna
- apartma
- POVZETEK
- Podpira
- preživetje
- sinopsis
- sistem
- sistemi
- prilagojene
- krojenje
- Bodite
- sprejeti
- meni
- ob
- ciljna
- Naloga
- okusi
- tehnike
- pove
- Predloga
- Test
- testi
- besedilo
- kot
- Hvala
- da
- O
- njihove
- Njih
- teme
- POTEM
- Tukaj.
- s tem
- te
- jih
- ta
- tisti,
- spodbujanje razmišljanja
- 3
- skozi
- vsej
- čas
- brezčasna
- Naslov
- do
- skupaj
- TONE
- orodje
- orodja
- vrh
- proti
- usposabljanje
- transformativno
- prevoz
- Potovanje
- poklon
- Res
- dva
- tip
- tipičen
- tipično
- odkrijte
- osnovni
- razumevanje
- nepredstavljivo
- Vesolje
- odklepanje
- nepotrebna
- up-to-date
- posodobljeno
- us
- uporaba
- Rabljeni
- uporabnik
- Uporabniki
- uporablja
- uporabo
- pripomoček
- POTRDI
- Vrednote
- raznolikost
- različnih
- preko
- ogled
- Vizija
- vizualno
- slike
- sprehod
- walkthrough
- želeli
- želim
- vojna
- Varšava
- Watch
- we
- web
- spletne storitve
- Dobro
- dobro znana
- Kaj
- kdaj
- medtem ko
- ki
- medtem
- WHO
- katerih
- bo
- z
- v
- priča
- Sprašujem
- besede
- delo
- deluje
- deluje
- svet
- vredno
- bi
- pisni
- let
- še
- Mehek
- Vi
- Vaša rutina za
- zefirnet