Stora språkmodeller (LLM) revolutionerar områden som sökmotorer, naturlig språkbehandling (NLP), sjukvård, robotik och kodgenerering. Applikationerna sträcker sig även till detaljhandeln, där de kan förbättra kundupplevelsen genom dynamiska chatbots och AI-assistenter, och till digital marknadsföring, där de kan organisera kundfeedback och rekommendera produkter baserat på beskrivningar och köpbeteenden.
Personaliseringen av LLM-applikationer kan uppnås genom att införliva uppdaterad användarinformation, vilket vanligtvis innebär att flera komponenter integreras. En sådan komponent är en funktionsbutik, ett verktyg som lagrar, delar och hanterar funktioner för modeller för maskininlärning (ML). Funktioner är indata som används under träning och slutledning av ML-modeller. Till exempel, i ett program som rekommenderar filmer, kan funktioner inkludera tidigare betyg, preferenskategorier och demografi. Amazon SageMaker Feature Store är ett helt hanterat arkiv designat specifikt för lagring, delning och hantering av ML-modellfunktioner. En annan viktig komponent är ett orkestreringsverktyg som är lämpligt för snabb konstruktion och hantering av olika typer av deluppgifter. Generativa AI-utvecklare kan använda ramverk som Langkedja, som erbjuder moduler för integrering med LLM:er och orkestreringsverktyg för uppgiftshantering och snabb konstruktion.
Med utgångspunkt i konceptet att dynamiskt hämta uppdaterad data för att producera personligt innehåll, har användningen av LLM:er fått stor uppmärksamhet i nyare forskning för rekommendatorsystem. Den underliggande principen för dessa tillvägagångssätt involverar konstruktionen av uppmaningar som kapslar in rekommendationsuppgiften, användarprofiler, artikelattribut och interaktioner mellan användarobjekt. Dessa uppgiftsspecifika uppmaningar matas sedan in i LLM, som har till uppgift att förutsäga sannolikheten för interaktion mellan en viss användare och objekt. Som det står i tidningen Personlig rekommendation via stora språkmodeller, rekommendationsdrivna och engagemangsstyrda uppmaningskomponenter spelar en avgörande roll för att göra det möjligt för LLM:er att fokusera på relevant sammanhang och anpassa sig till användarnas preferenser.
I det här inlägget förklarar vi den enkla men kraftfulla idén att kombinera användarprofiler och objektattribut för att generera personliga innehållsrekommendationer med hjälp av LLM. Som visats i inlägget har dessa modeller en enorm potential när det gäller att generera högkvalitativ, sammanhangsmedveten ingångstext, vilket leder till förbättrade rekommendationer. För att illustrera detta guidar vi dig genom processen att integrera en funktionsbutik (som representerar användarprofiler) med en LLM för att generera dessa personliga rekommendationer.
Lösningsöversikt
Låt oss föreställa oss ett scenario där ett filmunderhållningsföretag marknadsför filmer till olika användare via en e-postkampanj. Kampanjen innehåller 25 välkända filmer, och vi vill välja de tre bästa rekommendationerna för varje användare baserat på deras intressen och tidigare betygsbeteenden.
Till exempel, med tanke på en användares intresse för olika filmgenrer som action, romantik och sci-fi, skulle vi kunna låta ett AI-system fastställa de tre bästa rekommenderade filmerna för just den användaren. Dessutom kan systemet generera personliga meddelanden för varje användare i en ton som är skräddarsydd efter deras preferenser. Vi inkluderar några exempel på personliga meddelanden längre fram i det här inlägget.
Denna AI-applikation skulle innehålla flera komponenter som arbetar tillsammans, som illustreras i följande diagram:
- En användarprofileringsmotor tar in en användares tidigare beteenden och matar ut en användarprofil som återspeglar deras intressen.
- En funktionsbutik upprätthåller användarprofildata.
- En mediemetadatabutik håller listan över kampanjfilmer uppdaterad.
- En språkmodell tar den aktuella filmlistan och användarprofildata och matar ut de tre bästa rekommenderade filmerna för varje användare, skrivna i deras föredragna ton.
- En orkestrerande agent koordinerar de olika komponenterna.
Sammanfattningsvis kan intelligenta agenter konstruera uppmaningar med hjälp av användar- och artikelrelaterade data och leverera anpassade naturliga språksvar till användarna. Detta skulle representera ett typiskt innehållsbaserat rekommendationssystem, som rekommenderar objekt till användare baserat på deras profiler. Användarens profil lagras och underhålls i funktionsbutiken och kretsar kring deras preferenser och smaker. Det härleds vanligtvis utifrån deras tidigare beteenden, såsom betyg.
Följande diagram visar hur det fungerar.
Appen följer dessa steg för att ge svar på en användares rekommendation:
- Användarprofileringsmotorn som tar en användares historiska filmbetyg som input, visar användarintresse och lagrar funktionen i SageMaker Feature Store. Denna process kan uppdateras på ett schemaläggningssätt.
- Agenten tar användar-ID som indata, söker efter användarintresset och fyller i promptmallen efter användarens intressen.
- Agenten hämtar listan över kampanjobjekt (filmnamn, beskrivning, genre) från en mediemetadatabutik.
- Mallen för intresseprompten och listan över kampanjobjekt matas in i en LLM för e-postkampanjmeddelanden.
- Agenten skickar den personliga e-postkampanjen till slutanvändaren.
Användarprofileringsmotorn bygger en profil för varje användare och fångar deras preferenser och intressen. Den här profilen kan representeras som en vektor med element som mappas till funktioner som filmgenrer, med värden som indikerar användarens intressenivå. Användarprofilerna i funktionsbutiken tillåter systemet att föreslå personliga rekommendationer som matchar deras intressen. Användarprofilering är en väl studerad domän inom rekommendationssystem. För att förenkla kan du bygga en regressionsalgoritm med hjälp av en användares tidigare betyg i olika kategorier för att härleda deras övergripande preferenser. Detta kan göras med algoritmer som XGBoost.
Kodgenomgång
I det här avsnittet ger vi exempel på koden. Den fullständiga kodgenomgången finns tillgänglig i GitHub repo.
Efter att ha erhållit funktionen för användarintressen från användarprofileringsmotorn kan vi lagra resultaten i funktionslagret. SageMaker Feature Store stöder intag av batchfunktioner och onlinelagring för realtidsslutning. För inmatning kan data uppdateras i ett offlineläge, medan slutledning måste ske på millisekunder. SageMaker Feature Store säkerställer att datauppsättningar offline och online förblir synkroniserade.
För dataintag använder vi följande kod:
För onlinelagring i realtid kan vi använda följande kod för att extrahera användarprofilen baserat på användar-ID:
Sedan rankar vi de tre bästa filmkategorierna för att mata nedströmsrekommendationsmotorn:
Användar-ID: 42
Topp 3 kategorier: ['Animation', 'Thriller', 'Äventyr']
Vår applikation använder två primära komponenter. Den första komponenten hämtar data från en funktionsbutik och den andra komponenten hämtar en lista över filmkampanjer från metadataarkivet. Samordningen mellan dessa komponenter sköts av Kedjor från LangChain, som representerar en sekvens av anrop till komponenter.
Det är värt att nämna att i komplexa scenarier kan applikationen behöva mer än en fast sekvens av anrop till LLM eller andra verktyg. Agenter, utrustad med en uppsättning verktyg, använd en LLM för att bestämma sekvensen av åtgärder som ska vidtas. Medan kedjor kodar en hårdkodad sekvens av handlingar, använder agenter resonemangskraften hos en språkmodell för att diktera ordningen och arten av handlingar.
Kopplingen mellan olika datakällor, inklusive SageMaker Feature Store, visas i följande kod. All hämtad data konsolideras för att konstruera en omfattande prompt, som fungerar som indata för LLM. Vi dyker djupt in i detaljerna för snabb design i det efterföljande avsnittet. Följande är en snabb malldefinition som samverkar med flera datakällor:
Dessutom använder vi Amazon SageMaker att vara värd för vår LLM-modell och exponera den som LangChain SageMaker slutpunkt. För att distribuera LLM använder vi Amazon SageMaker JumpStart (för mer information, se Llama 2 foundation-modeller från Meta är nu tillgängliga i Amazon SageMaker JumpStart). Efter att modellen har distribuerats kan vi skapa LLM-modulen:
I samband med vår applikation kör agenten en sekvens av steg, som kallas en LLMChain. Den integrerar en snabbmall, modell och skyddsräcken för att formatera användarinmatningen, skicka den till modellen, få ett svar och sedan validera (och, om nödvändigt, korrigera) modellens utdata.
I nästa avsnitt går vi igenom den snabba tekniken för LLM för att mata ut förväntade resultat.
LLM-rekommendationsuppmaning och resultat
Följer högnivåkonceptet med engagemangsstyrd uppmaning som beskrivs i forskningsstudien Personlig rekommendation via stora språkmodeller, är den grundläggande principen i vår promptstrategi att integrera användarpreferenser i att skapa prompter. Dessa uppmaningar är utformade för att vägleda LLM mot att mer effektivt identifiera attribut i innehållsbeskrivningen som överensstämmer med användarens preferenser. För att utveckla ytterligare, består vår prompt av flera komponenter:
- Kontextuell relevans – Den första delen av vår promptmall innehåller mediemetadata som objektnamn (filmtitel), beskrivning (filmöversikt) och attribut (filmgenre). Genom att inkludera denna information ger uppmaningen LLM med ett bredare sammanhang och en mer heltäckande förståelse av innehållet. Denna kontextuella information hjälper LLM att bättre förstå artikeln genom dess beskrivning och attribut, och förbättrar därmed dess användbarhet i scenarier med innehållsrekommendationer.
- Användarpreferensjustering – Genom att ta hänsyn till en användarprofil som anger användarpreferenser, är potentiella rekommendationer bättre positionerade för att identifiera innehållsegenskaper och funktioner som resonerar med målanvändare. Denna justering ökar användbarheten av artikelbeskrivningarna eftersom den förbättrar effektiviteten i att rekommendera artiklar som är relevanta och i linje med användarens preferenser.
- Förbättrad rekommendationskvalitet – Den engagemangsstyrda uppmaningen använder användarpreferenser för att identifiera relevanta reklamartiklar. Vi kan också använda användarpreferenser för att justera tonen i LLM för den slutliga utmatningen. Detta kan resultera i en korrekt, informativ och personlig upplevelse, och därigenom förbättra den övergripande prestandan för innehållsrekommendationssystemet.
Följande kod visar ett exempel på en promptmall:
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. """
Följande är ett exempelresultat med användarpreferenser för sci-fi, äventyr och krigsgenrer:
Ämne: Utforska gränsen för klassisk film med våra sci-fi-, äventyrs- och krigsfilmer!
Kära [Namn],
Är du redo att ge dig ut på en resa genom tid och rum, uppleva hjärtpumpande action och bevittna hjältarnas mod på slagfältet? Kolla inte vidare! Classic Cinema presenterar stolt vårt noggrant utvalda urval av filmer, skräddarsydda specifikt för dina intressen inom Sci-Fi, äventyr och krig.Först ut har vi den ikoniska "Star Wars: Episod V – The Empire Strikes Back" (1980). Den här klassiska delen i Star Wars-sagan följer Luke Skywalkers resa till att bli en Jedi-mästare, medan hans vänner möter det onda imperiet. Med sina banbrytande specialeffekter och minnesvärda karaktärer är den här filmen ett måste för alla fans av genren.
Därefter rekommenderar vi "Interstellar" (2014), en tankeväckande och visuellt imponerande film som fördjupar sig i tidens och rummets mysterier. När en grupp upptäcktsresande ger sig ut på en jakt för att rädda mänskligheten möter de hisnande landskap och avslöjar universums hemligheter.
Till sist har vi "Saving Private Ryan" (1998), ett gripande och intensivt krigsdrama som följer en grupp soldater på ett farligt uppdrag för att hitta och rädda en fallskärmsjägare vars bröder har dödats i aktion. Denna kritikerrosade film är en kraftfull hyllning till andra världskrigets hjältar.
Missa inte dessa filmiska mästerverk! Titta på dem nu och upplev äventyrets spänning, sci-fi-underverket och krigshjältarnas tapperhet.
Trevlig visning, och må kraften vara med dig!Med vänliga hälsningar,
Classic Cinema Team
Följande är ett annat exempelresultat med användarpreferenser för dokumentär, musikal och drama:
Ämne: Classic Cinemas rekommendationer för dokumentär-, musik- och dramaälskare
Kära [Namn],
Vi hoppas att det här e-postmeddelandet hittar dig väl och att du njuter av de olika filmerna som finns på vår plattform. På Classic Cinema är vi stolta över att tillgodose våra kunders olika smaker, och vi har valt ut tre exceptionella filmer som vi tror kommer att resonera med ditt intresse för dokumentär, musikal och drama.
Först ut har vi "The Shawshank Redemption" (1994), ett kraftfullt och upplyftande drama som följer två fångars resa när de hittar hopp och förlösning i ett korrupt och oförlåtande fängelsesystem. Med sin gripande handling, enastående prestationer och tidlösa teman är den här filmen ett måste för alla som älskar ett välarbetat drama.
Därefter rekommenderar vi "The Lord of the Rings: The Fellowship of the Ring" (2001), ett episkt äventyr som kombinerar hisnande bilder, minnesvärda karaktärer och en rikt detaljerad värld. Den här filmen är en mästarklass i berättande, med en djup känsla för historia och kultur som kommer att föra dig till Midgård och få dig att vilja ha mer.
Slutligen föreslår vi "Pianisten" (2002), en djupgående och gripande dokumentär som berättar den sanna historien om Władysław Szpilman, en polsk judisk pianist som kämpade för att överleva förstörelsen av Warszawas getto under andra världskriget. Den här filmen är en kraftfull påminnelse om den mänskliga andens förmåga till motståndskraft och hopp, även inför ofattbar tragedi.
Vi hoppas att dessa rekommendationer resonerar med dina intressen och ger dig en njutbar och berikande filmupplevelse. Missa inte dessa tidlösa klassiker – se dem nu och upptäck magin med klassisk film!
Med vänliga hälsningar,
Classic Cinema Team
Vi har genomfört tester med både Llama 2 7B-Chat (se följande kodexempel) och Llama 70B för jämförelse. Båda modellerna presterade bra och gav konsekventa slutsatser. Genom att använda en snabbmall fylld med uppdaterad data fann vi det lättare att testa godtyckliga LLM:er, vilket hjälper oss att välja rätt balans mellan prestanda och kostnad. Vi har också gjort flera gemensamma observationer som är värda att notera.
För det första kan vi se att rekommendationerna som tillhandahålls verkligen överensstämmer med användarnas preferenser. Filmrekommendationerna styrs av olika komponenter i vår applikation, framför allt användarprofilen som lagras i funktionsbutiken.
Dessutom motsvarar tonen i e-postmeddelandena användarens preferenser. Tack vare LLMs avancerade språkförståelse kan vi anpassa filmbeskrivningarna och e-postinnehållet, skräddarsy dem för varje enskild användare.
Dessutom kan det slutliga utdataformatet utformas i prompten. Till exempel, i vårt fall, måste hälsningen "Kära [namn]" fyllas i av e-posttjänsten. Det är viktigt att notera att även om vi undviker att exponera personlig identifierbar information (PII) i vår generativa AI-applikation, finns det möjlighet att återinföra denna information under efterbearbetning, förutsatt att rätt nivå av behörigheter beviljas.
Städa upp
För att undvika onödiga kostnader, ta bort resurserna du skapade som en del av den här lösningen, inklusive funktionsarkivet och LLM slutpunkten som distribueras med SageMaker JumpStart.
Slutsats
Kraften hos LLM:er när det gäller att generera personliga rekommendationer är enorm och transformerande, särskilt när de kombineras med rätt verktyg. Genom att integrera SageMaker Feature Store och LangChain för snabb konstruktion kan utvecklare konstruera och hantera mycket skräddarsydda användarprofiler. Detta resulterar i högkvalitativa, sammanhangsmedvetna indata som avsevärt förbättrar rekommendationsprestandan. I vårt illustrativa scenario såg vi hur detta kan tillämpas för att skräddarsy filmrekommendationer efter individuella användarpreferenser, vilket resulterar i en mycket personlig upplevelse.
När LLM-landskapet fortsätter att utvecklas, förväntar vi oss att se fler innovativa applikationer som använder dessa modeller för att leverera ännu mer engagerande, personliga upplevelser. Möjligheterna är oändliga, och vi är spännande att se vad du kommer att skapa med dessa verktyg. Med resurser som SageMaker JumpStart och Amazonas berggrund nu tillgänglig för att påskynda utvecklingen av generativa AI-applikationer, rekommenderar vi starkt att utforska konstruktionen av rekommendationslösningar med hjälp av LLMs på AWS.
Om författarna
Yanwei Cui, PhD, är Senior Machine Learning Solutions Architect på AWS. Han började forskning om maskininlärning vid IRISA (Research Institute of Computer Science and Random Systems), och har flera års erfarenhet av att bygga AI-drivna industriella applikationer inom datorseende, naturligt språkbehandling och förutsägelse av användarbeteende online. På AWS delar han med sig av sin domänexpertis och hjälper kunder att låsa upp affärspotentialer och skapa handlingsbara resultat med maskininlärning i stor skala. Utanför jobbet tycker han om att läsa och att resa.
Gordon Wang är en Senior AI/ML Specialist TAM på AWS. Han stödjer strategiska kunder med AI/ML bästa praxis i många branscher. Han brinner för datorseende, NLP, generativ AI och MLOps. På fritiden älskar han att springa och vandra.
Michelle Hong, PhD, arbetar som Prototyping Solutions Architect på Amazon Web Services, där hon hjälper kunder att bygga innovativa applikationer med en mängd olika AWS-komponenter. Hon visade sin expertis inom maskininlärning, särskilt inom naturlig språkbehandling, för att utveckla datadrivna lösningar som optimerar affärsprocesser och förbättrar kundupplevelser.
Bin Wang, PhD, är Senior Analytic Specialist Solutions Architect på AWS, med över 12 års erfarenhet av ML-branschen, med särskilt fokus på reklam. Han har expertis inom naturlig språkbehandling (NLP), rekommendatorsystem, olika ML-algoritmer och ML-operationer. Han brinner djupt för att tillämpa ML/DL och big data-tekniker för att lösa verkliga problem. Utanför sitt yrkesliv tycker han om musik, läsning och att resa.
- 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/personalize-your-generative-ai-applications-with-amazon-sagemaker-feature-store/
- : har
- :är
- :inte
- :var
- $UPP
- 100
- 12
- 14
- 15%
- 19
- 1994
- 1998
- 2001
- 2014
- 25
- 30
- 7
- 9
- a
- Om oss
- accelerera
- uppmärksammad
- Konto
- exakt
- uppnås
- förvärvar
- tvärs
- Handling
- åtgärder
- Dessutom
- Dessutom
- anslutit sig
- avancerat
- Äventyr
- reklam
- Efter
- mot
- Recensioner
- medel
- AI
- AI-powered
- AI / ML
- AIDS
- Syftet
- algoritm
- algoritmer
- rikta
- uppriktning
- Alla
- tillåter
- också
- Även
- amason
- Amazon SageMaker
- Amazon Web Services
- an
- Analytisk
- och
- Annan
- förutse
- vilken som helst
- någon
- överklaganden
- Ansökan
- tillämpningar
- tillämpas
- Tillämpa
- tillvägagångssätt
- ÄR
- runt
- AS
- bistå
- assistenter
- At
- uppmärksamhet
- attribut
- tillgänglig
- undvika
- AWS
- Balansera
- baserat
- Battlefield
- BE
- därför att
- passande
- varit
- beteende
- beteenden
- tro
- BÄST
- bästa praxis
- Bättre
- mellan
- Stor
- Stora data
- skryt
- båda
- gränslös
- hänförande
- bredare
- bröder
- SLUTRESULTAT
- Byggnad
- bygger
- företag
- by
- kallas
- Samtal
- Kampanj
- KAN
- kapacitet
- Kapacitet
- Fångande
- försiktigt
- genom
- Vid
- kategorier
- Kategori
- kedjor
- egenskaper
- tecken
- chatbots
- Välja
- Bio
- filmiska
- klass
- klassiska
- klassiker
- koda
- kombinerar
- kombinera
- vanligen
- företag
- jämförelse
- slutför
- komplex
- komponent
- komponenter
- omfattande
- innefattar
- dator
- Datavetenskap
- Datorsyn
- begrepp
- anslutning
- konsekvent
- konstruera
- konstruktion
- innehåller
- innehåll
- sammanhang
- kontextuella
- fortsätter
- samordning
- motsvarar
- Pris
- Kostar
- kunde
- kopplad
- skapa
- skapas
- Skapa
- Cross
- avgörande
- kultur
- kurerad
- Aktuella
- kund
- Kunder
- skräddarsy
- kundanpassad
- Dangerous
- datum
- data driven
- datauppsättningar
- Datum
- djup
- definition
- leverera
- Demografi
- demonstreras
- distribuera
- utplacerade
- Härledd
- beskriven
- beskrivning
- Designa
- utformade
- detaljerad
- detaljer
- Bestämma
- utveckla
- utvecklare
- Utveckling
- DICT
- diktera
- olika
- digital
- digital marknadsföring
- Upptäck
- Dyk
- flera
- dokumentär
- domän
- gjort
- inte
- utkast
- Drama
- driv
- under
- dynamisk
- dynamiskt
- varje
- lättare
- effektivt
- effekter
- effektivitet
- Utveckla
- element
- e
- gå ombord
- Empire
- sysselsätter
- möjliggör
- änden
- Slutpunkt
- engagerande
- Motor
- Teknik
- Motorer
- förbättra
- förbättrad
- Förbättrar
- förbättra
- roligt
- berikande
- säkerställa
- säkerställer
- säkerställa
- Underhållning
- EPISK
- episod
- utrustad
- väsentlig
- Även
- utvecklas
- exempel
- exempel
- överstiga
- exceptionell
- exciterade
- förväntat
- erfarenhet
- Erfarenheter
- expertis
- utforska
- Upptäcktsresande
- Utforska
- uttryckt
- förlänga
- omfattande
- extrahera
- Ansikte
- fläkt
- Leverans
- FeatureGroup
- Funktioner
- Fed
- återkoppling
- Fält
- fyllda
- Film
- slutlig
- Slutligen
- hitta
- fynd
- Förnamn
- fixerad
- Fokus
- efter
- följer
- För
- kraft
- format
- hittade
- fundament
- ramar
- ofta
- vänner
- från
- Frontier
- full
- fullständigt
- grundläggande
- ytterligare
- samlat
- generera
- generera
- generering
- generativ
- Generativ AI
- snäll
- skaffa sig
- ges
- beviljats
- banbrytande
- Grupp
- styra
- guidad
- riktlinjer
- hända
- Harmoni
- Har
- he
- hälso-och sjukvård
- hjälpa
- hjälper
- här
- Hjältar
- högnivå
- hög kvalitet
- höggradigt
- hans
- historisk
- historia
- hålla
- hoppas
- värd
- Hur ser din drömresa ut
- HTTPS
- humant
- Mänskligheten
- ikoniska
- ID
- Tanken
- identifiera
- identifiera
- if
- ii
- illustrera
- illustrerar
- bild
- enorma
- importera
- med Esport
- förbättra
- förbättra
- in
- innefattar
- Inklusive
- införlivande
- individuellt
- industriell
- industrier
- industrin
- informationen
- informativ
- inledande
- innovativa
- ingång
- ingångar
- avbetalning
- exempel
- Institute
- integrera
- integrerar
- Integrera
- Intelligent
- interaktion
- interaktioner
- intresse
- intresserad
- intressen
- gränssnitt
- in
- IT
- artikel
- DESS
- resa
- jpg
- Ha kvar
- liggande
- språk
- Large
- senare
- Leads
- inlärning
- Lämna
- brev
- Nivå
- livet
- tycka om
- sannolikhet
- BEGRÄNSA
- linje
- Lista
- Lama
- LLM
- se
- Lord of the Rings
- älskar
- Maskinen
- maskininlärning
- gjord
- magi
- upprätthåller
- hantera
- förvaltade
- ledning
- förvaltar
- hantera
- sätt
- många
- kartläggning
- Marknadsföring
- Master
- Mästarklass
- matchande
- Maj..
- Media
- minnesvärda
- meddelanden
- meta
- metadata
- kanske
- millisekunder
- Fröken
- Mission
- ML
- MLOps
- Mode
- modell
- modeller
- Modulerna
- Moduler
- Månad
- mer
- mest
- film
- Filmer
- rörliga
- multipel
- Musik
- musikal
- namn
- Natural
- Naturlig språkbehandling
- Natur
- nödvändigt för
- Behöver
- behov
- Nästa
- nlp
- Nej
- i synnerhet
- anteckningsbok
- notera
- nu
- erhållande
- of
- sänkt
- Erbjudanden
- offline
- on
- ONE
- nätet
- Verksamhet
- Optimera
- or
- orkestrering
- beställa
- Övriga
- vår
- ut
- utfall
- produktion
- utgångar
- utanför
- utestående
- över
- övergripande
- Papper
- parametrar
- del
- särskilt
- särskilt
- passera
- brinner
- prestanda
- föreställningar
- utfört
- behörigheter
- personalisering
- personifiera
- personlig
- Personligen
- phd
- plattform
- plato
- Platon Data Intelligence
- PlatonData
- Spela
- snälla du
- polska
- Populära
- placerad
- Möjligheterna
- Möjligheten
- Inlägg
- potentiell
- potentialer
- kraft
- den mäktigaste
- praxis
- exakt
- förutsäga
- förutsägelse
- preferenser
- föredragen
- presenterar
- föregående
- ära
- primär
- Principen
- fängelse
- fångar
- privat
- problem
- process
- processer
- bearbetning
- producera
- Produkter
- professionell
- Profil
- Profiler
- profilering
- djupgående
- främjar
- främjande
- PR
- kampanjer
- prototyping
- stolt
- ge
- förutsatt
- ger
- inköp
- quest
- slumpmässig
- rangordna
- betyg
- betyg
- Läsning
- redo
- verkliga världen
- realtid
- senaste
- rekommenderar
- Rekommendation
- rekommendationer
- rekommenderas
- rekommendera
- rekommenderar
- post
- inlösen
- hänvisa
- reflektera
- reflekterande
- Reflekterar
- Hälsningar
- relevans
- relevanta
- förblir
- påminnelse
- Repository
- representerar
- representerade
- representerar
- rädda
- forskning
- motståndskraft
- resonans
- Resurser
- respons
- svar
- resultera
- resulterande
- Resultat
- detaljhandeln
- avkastning
- revolutionera
- kretsar
- höger
- robotik
- Roll
- romantik
- rinnande
- kör
- s
- saga
- sagemaker
- Save
- såg
- Skala
- scenario
- scenarier
- schemaläggning
- sci-fi
- Vetenskap
- Sök
- Sökmotorer
- sök
- Andra
- hemligheter
- §
- se
- se
- vald
- Val
- SJÄLV
- sänder
- senior
- känsla
- Sekvens
- service
- Tjänster
- portion
- flera
- delas
- aktier
- delning
- hon
- skall
- Visar
- signifikant
- signifikant
- betyder
- Enkelt
- förenkla
- lösning
- Lösningar
- LÖSA
- några
- kommer från
- Källor
- Utrymme
- speciell
- specialist
- specifikt
- detaljer
- Stjärna
- Star Wars
- igång
- anges
- Steg
- förvaring
- lagra
- lagras
- lagrar
- misslyckande
- Historia
- berättande
- Strategisk
- Strategi
- Strejker
- starkt
- Läsa på
- Bedövning
- senare
- sådana
- föreslå
- lämplig
- svit
- SAMMANFATTNING
- Stöder
- överleva
- synopsis
- system
- System
- skräddarsydd
- skrädderi
- Ta
- tagen
- tar
- tar
- Målet
- uppgift
- smak
- tekniker
- berättar
- mall
- testa
- tester
- text
- än
- Tack
- den där
- Smakämnen
- deras
- Dem
- teman
- sedan
- Där.
- vari
- Dessa
- de
- detta
- de
- tankeväckande
- tre
- Genom
- hela
- tid
- tidlös
- Titel
- till
- tillsammans
- TON
- verktyg
- verktyg
- topp
- mot
- Utbildning
- transformativ
- transport
- Traveling
- bidra
- sann
- två
- Typ
- typisk
- typiskt
- avslöja
- underliggande
- förståelse
- ofattbar
- Universum
- låsa
- onödig
- TIDSENLIG
- uppdaterad
- us
- användning
- Begagnade
- Användare
- användare
- användningar
- med hjälp av
- verktyg
- BEKRÄFTA
- Värden
- mängd
- olika
- via
- visning
- syn
- visuellt
- visuella
- gå
- genomgång
- vill
- önskar
- kriget
- Warszawa
- Kolla på
- we
- webb
- webbservice
- VÄL
- ALLBEKANT
- Vad
- när
- medan
- som
- medan
- VEM
- vars
- kommer
- med
- inom
- Vittne
- undrar
- ord
- Arbete
- arbetssätt
- fungerar
- världen
- värt
- skulle
- skriven
- år
- ännu
- vilket gav
- Om er
- Din
- zephyrnet