Att bestämma värdet på bostäder är ett klassiskt exempel på att använda maskininlärning (ML). Ett betydande inflytande gjordes av Harrison och Rubinfeld (1978), som publicerade ett banbrytande papper och datauppsättning som informellt blev känd som Boston bostadsdataset. Detta framstående arbete föreslog en metod för att uppskatta bostadspriserna som en funktion av många dimensioner, inklusive luftkvaliteten, som var huvudfokus för deras forskning. Nästan 50 år senare har uppskattningen av bostadspriserna blivit ett viktigt läromedel för studenter och yrkesverksamma som är intresserade av att använda data och ML i affärsbeslut.
I det här inlägget diskuterar vi användningen av en öppen källkodsmodell speciellt utformad för uppgiften att svara på frågor (VQA). Med VQA kan du ställa en fråga om ett foto med naturligt språk och få svar på din fråga – även på ett enkelt språk. Vårt mål i det här inlägget är att inspirera och demonstrera vad som är möjligt med denna teknik. Vi föreslår att du använder denna funktion med Amazon SageMaker plattform av tjänster för att förbättra regressionsmodellens noggrannhet i ett ML-användningsfall, och oberoende, för automatiserad taggning av visuella bilder.
Vi tillhandahåller en motsvarande YouTube-video som visar vad som diskuteras här. Videouppspelning startar halvvägs för att markera den mest framträdande punkten. Vi föreslår att du följer denna läsning med videon för att förstärka och få en rikare förståelse av konceptet.
Grundmodeller
Denna lösning fokuserar på användningen av en grundmodell som publicerats i modellförrådet Hugging Face. Här använder vi termen grundmodell för att beskriva en artificiell intelligens (AI) förmåga som har förtränats på en stor och mångfaldig mängd data. Grundmodeller kan ibland vara redo att användas utan bördan av att träna en modell från noll. Vissa grundmodeller kan finjusteras, vilket innebär att lära dem ytterligare mönster som är relevanta för ditt företag men som saknas från den ursprungliga, generaliserade publicerade modellen. Finjustering behövs ibland för att leverera korrekta svar som är unika för ditt användningsfall eller din kunskap.
I Kramande ansikte repository finns det flera VQA-modeller att välja mellan. Vi valde modellen med flest nedladdningar när detta skrivs. Även om det här inlägget visar förmågan att använda en modell från ett modellförråd med öppen källkod, skulle samma koncept gälla för en modell som du tränade från noll eller använde från en annan pålitlig leverantör.
Ett modernt förhållningssätt till ett klassiskt användningsfall
Bostadsprisuppskattning har traditionellt skett genom tabelldata där egenskaper hos fastigheten används för att informera om priset. Även om det kan finnas hundratals funktioner att överväga, är några grundläggande exempel storleken på hemmet i det färdiga utrymmet, antalet sovrum och badrum och platsen för bostaden.
Maskininlärning kan integrera olika indatakällor utöver tabelldata, såsom ljud, stillbilder, rörlig video och naturligt språk. I AI, termen multimodal hänvisar till användningen av en mängd olika mediatyper, såsom bilder och tabelldata. I det här inlägget visar vi hur man använder multimodal data för att hitta och frigöra dolt värde instängt i det rikliga digitala utblåset som produceras av dagens moderna värld.
Med denna idé i åtanke demonstrerar vi användningen av grundmodeller för att extrahera latenta egenskaper från bilder av fastigheten. Genom att använda insikter som finns i bilderna, som inte tidigare var tillgängliga i tabelldata, kan vi förbättra modellens noggrannhet. Både bilderna och tabelldata som diskuteras i det här inlägget gjordes ursprungligen tillgängliga och publicerades för GitHub av Ahmed och Moustafa (2016).
En bild säger mer än tusen ord
Nu när vi förstår funktionerna hos VQA, låt oss överväga de två följande bilderna av kök. Hur skulle du bedöma bostadens värde utifrån dessa bilder? Vilka frågor skulle du ställa till dig själv? Varje bild kan väcka dussintals frågor i ditt sinne. Några av dessa frågor kan leda till meningsfulla svar som förbättrar en hemvärderingsprocess.
Foton krediterar Francesca Tosolini (L) och Sidekix Media (R) på Unsplash
Följande tabell ger anekdotiska exempel på VQA-interaktioner genom att visa frågor tillsammans med deras motsvarande svar. Svar kan komma i form av kategoriska, kontinuerliga värden eller binära svar.
Exempelfråga | Exempelsvar från Foundation Model |
Vad är bänkskivorna gjorda av? | granit, kakel, marmor, laminat, etc. |
Är detta ett dyrt kök? | Ja Nej |
Hur många separerade handfat finns det? | 0, 1, 2 |
Referensarkitektur
I det här inlägget använder vi Amazon SageMaker Data Wrangler att ställa en enhetlig uppsättning visuella frågor för tusentals bilder i datamängden. SageMaker Data Wrangler är specialbyggd för att förenkla processen för databeredning och funktionsutveckling. Genom att tillhandahålla mer än 300 inbyggda transformationer hjälper SageMaker Data Wrangler att minska tiden det tar att förbereda tabell- och bilddata för ML från veckor till minuter. Här kombinerar SageMaker Data Wrangler datafunktioner från den ursprungliga tabelluppsättningen med fotobaserade funktioner från grundmodellen för modellträning.
Därefter bygger vi en regressionsmodell med användning av Amazon SageMaker Canvas. SageMaker Canvas kan bygga en modell utan att skriva någon kod och leverera preliminära resultat på så lite som 2–15 minuter. I avsnittet som följer tillhandahåller vi en referensarkitektur som används för att göra denna lösningsvägledning möjlig.
Många populära modeller från Hugging Face och andra leverantörer går att använda med ett klick Amazon SageMaker JumpStart. Det finns hundratusentals modeller tillgängliga i dessa förråd. För det här inlägget väljer vi en modell som inte är tillgänglig i SageMaker JumpStart, vilket kräver en kundinstallation. Som visas i följande figur distribuerar vi en Hugging Face-modell för slutledning med hjälp av en Amazon SageMaker Studio anteckningsbok. Den bärbara datorn används för att distribuera en slutpunkt för realtidsinferens. Anteckningsboken använder tillgångar som inkluderar den binära modellen Hugging Face, en pekare till en containerbild och ett specialbyggt inference.py-skript som matchar modellens förväntade input och output. När du läser detta kan mixen av tillgängliga VQA-modeller förändras. Det viktiga är att granska tillgängliga VQA-modeller, när du läser detta, och vara beredd att distribuera modellen du väljer, som kommer att ha sitt eget API-begäran och svarskontrakt.
Efter att VQA-modellen har betjänats av SageMaker-slutpunkten använder vi SageMaker Data Wrangler för att orkestrera pipelinen som i slutändan kombinerar tabelldata och funktioner som extraherats från de digitala bilderna och omformar data för modellträning. Nästa figur ger en bild av hur det fullskaliga datatransformationsjobbet körs.
I följande figur använder vi SageMaker Data Wrangler för att orkestrera dataförberedande uppgifter och SageMaker Canvas för modellträning. Först använder SageMaker Data Wrangler Amazon platstjänst för att konvertera postnummer tillgängliga i rådata till funktioner för latitud och longitud. För det andra kan SageMaker Data Wrangler koordinera sändningen av tusentals foton till en SageMaker-värd slutpunkt för slutledning i realtid och ställa en enhetlig uppsättning frågor per scen. Detta resulterar i ett rikt utbud av funktioner som beskriver egenskaper som observeras i kök, badrum, hemexteriörer och mer. Efter att data har förberetts av SageMaker Data Wrangler finns en träningsdatauppsättning tillgänglig i Amazon enkel lagringstjänst (Amazon S3). Med hjälp av S3-data som indata kan SageMaker Canvas träna en modell på så lite som 2–15 minuter utan att skriva någon kod.
Datatransformation med SageMaker Data Wrangler
Följande skärmdump visar ett SageMaker Data Wrangler-arbetsflöde. Arbetsflödet börjar med tusentals bilder av hem lagrade i Amazon S3. Därefter bestämmer en scendetektor scenen, såsom kök eller badrum. Slutligen ställs en scenspecifik uppsättning frågor till bilderna, vilket resulterar i en rikare tabelluppsättning tillgänglig för träning.
Följande är ett exempel på SageMaker Data Wranglers anpassade transformationskod som används för att interagera med grundmodellen och få information om bilder av kök. I föregående skärmdump, om du skulle välja noden för köksfunktioner, skulle följande kod visas:
Som ett säkerhetsövervägande måste du först aktivera SageMaker Data Wrangler att ringa din SageMaker realtidsslutpunkt via AWS identitets- och åtkomsthantering (JAG ÄR). På liknande sätt kommer alla AWS-resurser du anropar via SageMaker Data Wrangler att behöva liknande tillåtelsebehörigheter.
Datastrukturer före och efter SageMaker Data Wrangler
I det här avsnittet diskuterar vi strukturen för den ursprungliga tabelldatan och den förbättrade datan. Den förbättrade datan innehåller nya datafunktioner i förhållande till detta exempel. Ta dig tid i din ansökan att föreställa dig de olika uppsättningen frågor som finns i dina bilder för att hjälpa din klassificerings- eller regressionsuppgift. Tanken är att föreställa sig så många frågor som möjligt och sedan testa dem för att se till att de ger mervärde.
Struktur för ursprungliga tabelldata
Som beskrivs i källan GitHub repo, innehåller provdatauppsättningen 535 tabellposter inklusive fyra bilder per egenskap. Följande tabell illustrerar strukturen för de ursprungliga tabelldata.
Leverans | Kommentar |
Antal sovrum | . |
Antal badrum | . |
Area (kvadratfot) | . |
Postnummer | . |
Pris | Detta är målvariabeln som ska förutsägas. |
Struktur för förbättrad data
Följande tabell illustrerar den förbättrade datastrukturen, som innehåller flera nya funktioner som härrör från bilderna.
Leverans | Kommentar |
Antal sovrum | . |
Antal badrum | . |
Area (kvadratfot) | . |
Latitud | Beräknas genom att skicka det ursprungliga postnummer till Amazon Location Service. Detta är tyngdpunktsvärdet för ZIP. |
Longitud | Beräknas genom att skicka det ursprungliga postnummer till Amazon Location Service. Detta är tyngdpunktsvärdet för ZIP. |
Har sovrummet ett välvt tak? | 0 = nej; 1 = ja |
Är badrummet dyrt? | 0 = nej; 1 = ja |
Är köket dyrt? | 0 = nej; 1 = ja |
Pris | Detta är målvariabeln som ska förutsägas. |
Modellträning med SageMaker Canvas
Ett SageMaker Data Wrangler-bearbetningsjobb förbereder och gör hela den tabellformade utbildningsdatauppsättningen tillgänglig i Amazon S3. Därefter tar SageMaker Canvas upp modellbyggnadsfasen av ML-livscykeln. Canvas börjar med att öppna S3-träningssetet. Att kunna förstå en modell är ofta ett viktigt kundkrav. Utan att skriva kod och inom några få klick ger SageMaker Canvas rik, visuell feedback om modellens prestanda. Som framgår av skärmdumpen i följande avsnitt visar SageMaker Canvas hur enskilda funktioner informerar modellen.
Modell tränad med ursprungliga tabelldata och funktioner härledda från fastighetsbilder
Vi kan se från följande skärmdump att funktioner som utvecklats från bilder av fastigheten var viktiga. Baserat på dessa resultat var frågan "Är det här köket dyrt" från bilden mer signifikant än "antal sovrum" i den ursprungliga tabelluppsättningen, med funktionsviktighetsvärden på 7.08 respektive 5.498.
Följande skärmdump ger viktig information om modellen. För det första visar restgrafen de flesta punkter i uppsättningen klustring runt den lila skuggade zonen. Här annoterades två extremvärden manuellt utanför SageMaker Canvas för denna illustration. Dessa extremvärden representerar betydande klyftor mellan det verkliga bostadsvärdet och det förväntade värdet. Dessutom har R2 värde, som har ett möjligt intervall på 0–100 %, visas vid 76 %. Detta indikerar att modellen är ofullkomlig och inte har tillräckligt med informationspunkter för att fullt ut ta hänsyn till all sort för att helt uppskatta hemvärdena.
Vi kan använda extremvärden för att hitta och föreslå ytterligare signaler för att bygga en mer omfattande modell. Dessa extrema fastigheter kan till exempel inkludera en pool eller vara belägna på stora tomter. Datauppsättningen inkluderade inte dessa funktioner; men du kanske kan hitta dessa data och träna en ny modell med "har pool" som en extra funktion. Helst, på ditt nästa försök, R2 värde skulle öka och MAE- och RMSE-värdena skulle minska.
Modell tränad utan funktioner härledda från fastighetsbilder
Slutligen, innan vi går till nästa avsnitt, låt oss undersöka om funktionerna från bilderna var användbara. Följande skärmdump ger en annan SageMaker Canvas-utbildad modell utan funktionerna från VQA-modellen. Vi ser att modellens felfrekvens har ökat, från en RMSE på 282K till en RMSE på 352K. Av detta kan vi dra slutsatsen att tre enkla frågor från bilderna förbättrade modellens noggrannhet med cirka 20%. Inte visat, men för att vara komplett, R2 värdet för följande modell försämrades också och sjönk till ett värde på 62 % från ett värde på 76 % med de tillhandahållna VQA-funktionerna. Det här är ett exempel på hur SageMaker Canvas gör det enkelt att snabbt experimentera och använda ett datadrivet tillvägagångssätt som ger en modell för ditt företags behov.
Ser framåt
Många organisationer blir allt mer intresserade av grundmodeller, särskilt sedan allmänna förutbildade transformatorer (GPT) officiellt blev ett mainstream-ämne av intresse i december 2022. En stor del av intresset för grundmodeller är centrerat på uppgifter om stora språkmodeller (LLM). ; Det finns dock andra olika användningsfall tillgängliga, såsom datorseende och, mer snävt, den specialiserade VQA-uppgift som beskrivs här.
Det här inlägget är ett exempel för att inspirera användningen av multimodal data för att lösa industrianvändningsfall. Även om vi visade användningen och fördelen med VQA i en regressionsmodell, kan den också användas för att märka och tagga bilder för efterföljande sökning eller routing av affärsflöden. Föreställ dig att kunna söka efter fastigheter som är listade för försäljning eller uthyrning. Anta att du vill hitta en fastighet med klinkergolv eller bänkskivor i marmor. Idag kan du behöva skaffa en lång lista med kandidategenskaper och filtrera dig själv efter synvinkel när du bläddrar igenom varje kandidat. Föreställ dig istället att du kan filtrera listor som innehåller dessa funktioner – även om en person inte uttryckligen taggat dem. Inom försäkringsbranschen, föreställ dig möjligheten att uppskatta skadeståndskrav, eller dirigera nästa åtgärder i ett företags arbetsflöde från bilder. På sociala medieplattformar kan foton automatiskt taggas för senare användning.
Sammanfattning
Det här inlägget demonstrerade hur man använder datorseende aktiverat av en grundmodell för att förbättra ett klassiskt ML-användningsfall med SageMaker-plattformen. Som en del av den föreslagna lösningen hittade vi en populär VQA-modell tillgänglig i ett offentligt modellregister och distribuerade den med hjälp av en SageMaker-slutpunkt för slutledning i realtid.
Därefter använde vi SageMaker Data Wrangler för att orkestrera ett arbetsflöde där enhetliga frågor ställdes till bilderna för att generera en rik uppsättning tabelldata. Slutligen använde vi SageMaker Canvas för att träna en regressionsmodell. Det är viktigt att notera att provdatauppsättningen var mycket enkel och därför ofullkomlig till sin design. Trots det gör SageMaker Canvas det enkelt att förstå modellnoggrannhet och söka efter ytterligare signaler för att förbättra noggrannheten hos en baslinjemodell.
Vi hoppas att det här inlägget har uppmuntrat dig att använda den multimodala data som din organisation kan ha. Dessutom hoppas vi att inlägget har inspirerat dig att överväga modellträning som en iterativ process. En bra modell kan uppnås med lite tålamod. Modeller som är nästan perfekta kan vara för bra för att vara sanna, kanske resultatet av målläckage eller övermontering. Ett idealiskt scenario skulle börja med en modell som är bra, men inte perfekt. Med hjälp av fel, förluster och kvarvarande plotter kan du få ytterligare datasignaler för att öka noggrannheten från din initiala baslinjeuppskattning.
AWS erbjuder den bredaste och djupaste uppsättningen ML-tjänster och stödjande molninfrastruktur, vilket ger ML i händerna på alla utvecklare, datavetare och experter. Om du är nyfiken på att lära dig mer om SageMaker-plattformen, inklusive SageMaker Data Wrangler och SageMaker Canvas, vänligen kontakta ditt AWS-kontoteam och starta en konversation. Överväg också att läsa mer om SageMaker Data Wrangler anpassade transformationer.
Referensprojekt
Ahmed, E. H., & Moustafa, M. (2016). Husprisuppskattning från visuella och textuella funktioner. IJCCI 2016-Proceedings of the 8th International Joint Conference on Computational Intelligence, 3, 62–68.
Harrison Jr, D., & Rubinfeld, D.L. (1978). Hedoniska bostadspriser och efterfrågan på ren luft. Tidskrift för miljöekonomi och ledning, 5(1), 81-102.
Kim, W., Son, B. & Kim, I... (2021). ViLT: Vision-and-Language Transformer Without Convolution eller Region Supervision. Proceedings of the 38th International Conference on Machine Learning, in Proceedings of Machine Learning Research. 139:5583-5594.
Om författaren
Charles Laughlin är en Principal AI/ML Specialist Solution Architect och arbetar i Amazon SageMakers serviceteam på AWS. Han hjälper till att forma tjänstens färdplan och samarbetar dagligen med olika AWS-kunder för att hjälpa till att transformera deras verksamheter med hjälp av avancerad AWS-teknik och tankeledarskap. Charles har en MS i Supply Chain Management och en Ph.D. i datavetenskap.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
- PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
- Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
- PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/use-foundation-models-to-improve-model-accuracy-with-amazon-sagemaker/
- : har
- :är
- :inte
- :var
- $UPP
- 08
- 1
- 100
- 2016
- 2021
- 2022
- 32
- 49
- 50
- 50 Years
- 7
- 8
- 8:e
- a
- förmåga
- Able
- Om oss
- riklig
- tillgång
- Konto
- noggrannhet
- uppnås
- åtgärder
- Annat
- Dessutom
- adresser
- Efter
- ahmed
- AI
- AI / ML
- LUFT
- Alla
- tillåter
- nästan
- vid sidan av
- också
- Även
- amason
- Amazon SageMaker
- Amazon Web Services
- amp
- an
- och
- Annan
- svara
- svar
- vilken som helst
- api
- visas
- Ansökan
- Ansök
- tillvägagångssätt
- arkitektur
- ÄR
- runt
- array
- konstgjord
- artificiell intelligens
- Konstgjord intelligens (AI)
- AS
- be
- be
- bedöma
- Tillgångar
- At
- försök
- audio
- Automatiserad
- tillgänglig
- AWS
- baserat
- Baslinje
- BE
- blev
- blir
- passande
- varit
- innan
- börja
- Där vi får lov att vara utan att konstant prestera,
- fördel
- mellan
- Bortom
- kropp
- boston
- båda
- SLUTRESULTAT
- Byggnad
- inbyggd
- belastning
- företag
- företag
- men
- by
- Ring
- KAN
- kandidat
- canvas
- kapacitet
- kapacitet
- kapabel
- Vid
- fall
- tak
- centrerad
- Centers
- kedja
- byta
- egenskaper
- Charles
- Välja
- patentkrav
- klassiska
- klassificering
- rena
- cloud
- molninfrastruktur
- klustring
- koda
- koder
- de samarbetar
- färg
- kombinerar
- komma
- fullborda
- omfattande
- beräkningar
- dator
- Datorsyn
- begrepp
- avslutar
- Konferens
- Tänk
- övervägande
- innehålla
- Behållare
- innehåller
- kontinuerlig
- kontrakt
- Konversation
- konvertera
- samordna
- korrekt
- Motsvarande
- kunde
- kredit
- nyfiken
- beställnings
- kund
- Kunder
- allra senaste
- dagligen
- datum
- Förberedelse av data
- datavetenskap
- datavetare
- datauppsättning
- Datastruktur
- data driven
- December
- Beslutsfattande
- minskning
- djupaste
- leverera
- Efterfrågan
- demonstrera
- demonstreras
- demonstrerar
- distribuera
- utplacerade
- utplacering
- Härledd
- beskriva
- beskriven
- Designa
- utformade
- bestämd
- utvecklade
- Utvecklare
- digital
- dimensioner
- diskutera
- diskuteras
- flera
- do
- gör
- inte
- Nedladdningar
- dussintals
- Drop
- e
- varje
- lätt
- Ekonomi
- möjliggöra
- aktiverad
- uppmuntras
- Slutpunkt
- Teknik
- förbättrad
- tillräckligt
- Hela
- miljömässigt
- fel
- fel
- speciellt
- uppskatta
- etc
- Även
- Varje
- exempel
- exempel
- förväntat
- dyra
- experimentera
- expert
- uttryckligen
- utforska
- extrahera
- Ansikte
- Leverans
- Funktioner
- återkoppling
- fot
- få
- Figur
- filtrera
- Slutligen
- hitta
- Förnamn
- Golv
- Fokus
- följer
- efter
- följer
- För
- formen
- hittade
- fundament
- fyra
- från
- fullskalig
- fullständigt
- fungera
- funktioner
- grundläggande
- Få
- luckor
- Allmänt
- generera
- skaffa sig
- Målet
- god
- diagram
- stor
- banbrytande
- vägleda
- händer
- Har
- he
- hjälpa
- hjälp
- hjälper
- här.
- dold
- Markera
- innehar
- Hem
- Bostäder
- hoppas
- värd
- Huset
- bostäder
- Hur ser din drömresa ut
- How To
- Men
- http
- HTTPS
- Hundratals
- i
- Tanken
- idealisk
- idealt
- Identitet
- if
- illustrerar
- bild
- bilder
- bild
- importera
- vikt
- med Esport
- förbättra
- förbättras
- in
- innefattar
- ingår
- Inklusive
- införlivande
- Öka
- ökat
- alltmer
- oberoende av
- pekar på
- industrin
- påverka
- underrätta
- informationen
- Infrastruktur
- inledande
- ingång
- insikter
- inspirerar
- inspirerat
- istället
- försäkring
- Intelligens
- interagera
- interaktioner
- intresse
- intresserad
- Internationell
- in
- IT
- DESS
- Jobb
- gemensam
- jpg
- json
- Nyckel
- kim
- kunskap
- känd
- etikett
- land
- språk
- Large
- senare
- leda
- Ledarskap
- LÄRA SIG
- inlärning
- livscykel
- Lista
- Noterade
- Annonser
- liten
- LLM
- belägen
- läge
- låst
- Lång
- förluster
- Maskinen
- maskininlärning
- gjord
- Vanliga
- göra
- GÖR
- ledning
- manuellt
- många
- tändstickor
- Maj..
- meningsfull
- betyder
- Media
- metod
- Halvvägs
- kanske
- emot
- minuter
- saknas
- Blanda
- ML
- modell
- modeller
- Modern Konst
- mer
- mest
- rörelse
- rörliga
- måste
- Natural
- Behöver
- behövs
- Nya
- Nya funktioner
- Nästa
- Nej
- nod
- anteckningsbok
- antal
- talrik
- få
- inträffade
- of
- Erbjudanden
- Officiellt
- Ofta
- on
- endast
- öppen källkod
- öppning
- or
- beställa
- organisation
- organisationer
- ursprungliga
- ursprungligen
- Övriga
- vår
- ut
- uteliggare
- produktion
- utanför
- egen
- Papper
- del
- Förbi
- Tålamod
- mönster
- för
- perfekt
- prestanda
- kanske
- behörigheter
- personen
- fas
- bild
- Bilder
- Bild
- Bilder
- rörledning
- Enkel
- plattform
- Plattformar
- plato
- Platon Data Intelligence
- PlatonData
- snälla du
- Punkt
- poäng
- poolen
- Populära
- del
- besitter
- möjlig
- Inlägg
- förutsagda
- preliminära
- beredning
- Förbered
- beredd
- förbereder
- tidigare
- pris
- Priser
- Principal
- förfaranden
- process
- bearbetning
- producerad
- yrkesmän/kvinnor
- egenskaper
- egenskapen
- föreslå
- föreslagen
- ge
- förutsatt
- leverantör
- leverantörer
- ger
- tillhandahålla
- allmän
- publicerade
- sätta
- kvalitet
- fråga
- frågor
- snabbt
- R
- område
- Betygsätta
- Raw
- nå
- Läsa
- Läsning
- redo
- realtid
- motta
- register
- minska
- referens
- hänvisar
- region
- register
- förstärka
- relativ
- relevanta
- Hyra
- Repository
- representerar
- begära
- krav
- Kräver
- forskning
- omforma
- Residence
- Resurser
- respektive
- respons
- svar
- resultera
- resulterande
- Resultat
- avkastning
- översyn
- Rik
- rikare
- färdplan
- Rutt
- routing
- Körning
- runtime
- s
- sagemaker
- Till Salu
- Samma
- Exempeldatauppsättning
- scenario
- scen
- Vetenskap
- Forskare
- scott
- skript
- Sök
- Andra
- §
- säkerhet
- se
- Seek
- sett
- vald
- skicka
- tjänar
- eras
- service
- Tjänster
- in
- flera
- Forma
- show
- visas
- Visar
- Syn
- signaler
- signifikant
- liknande
- Liknande
- Enkelt
- förenkla
- eftersom
- enda
- Storlek
- So
- Social hållbarhet
- sociala medier
- sociala medierna
- lösning
- LÖSA
- några
- ibland
- dess
- Källa
- Källor
- Utrymme
- specialist
- specialiserad
- specifikt
- kvadrat
- starta
- Fortfarande
- förvaring
- lagras
- okomplicerad
- struktur
- strukturer
- Studenter
- senare
- sådana
- föreslå
- övervakning
- leverera
- leveranskedjan
- supply chain management
- Stödjande
- säker
- bord
- MÄRKA
- Ta
- tar
- Målet
- uppgift
- uppgifter
- Undervisning
- grupp
- Tekniken
- Teknologi
- termin
- testa
- text-
- än
- den där
- Smakämnen
- källan
- deras
- Dem
- sedan
- Där.
- därför
- Dessa
- de
- sak
- detta
- de
- trodde
- tanke ledarskap
- tusen
- tusentals
- tre
- Genom
- tid
- till
- i dag
- dagens
- alltför
- verktyg
- ämne
- traditionellt
- Tåg
- tränad
- Utbildning
- Förvandla
- Transformation
- transformationer
- transformator
- transformatorer
- sann
- betrodd
- två
- Typ
- typer
- Ytterst
- förstå
- förståelse
- unika
- Unsplash
- användning
- användningsfall
- Begagnade
- användningar
- med hjälp av
- Använda
- Värdering
- värde
- värde-tillägg
- Värden
- variabel
- mängd
- mycket
- Video
- utsikt
- synlig
- syn
- visuell
- W
- vill
- var
- we
- webb
- webbservice
- veckor
- VÄL
- były
- Vad
- Vad är
- som
- VEM
- kommer
- fönster
- med
- inom
- utan
- trä
- Arbete
- arbetsflöde
- fungerar
- världen
- värt
- skulle
- skrivning
- år
- utbyten
- Om er
- Din
- själv
- Youtube
- zephyrnet
- noll-
- Postnummer