När vi går djupare in i den digitala eran har utvecklingen av multimodalitetsmodeller varit avgörande för att förbättra maskinförståelsen. Dessa modeller bearbetar och genererar innehåll i olika dataformer, som text och bilder. En nyckelfunktion hos dessa modeller är deras bild-till-text-kapacitet, som har visat anmärkningsvärd skicklighet i uppgifter som bildtextning och visuella frågor.
Genom att översätta bilder till text låser vi upp och utnyttjar den mängd information som finns i visuell data. Till exempel, inom e-handel kan bild-till-text automatisera produktkategorisering baserat på bilder, vilket förbättrar sökeffektiviteten och noggrannheten. På samma sätt kan det hjälpa till att generera automatiska fotobeskrivningar, tillhandahålla information som kanske inte ingår i produkttitlar eller beskrivningar, och därigenom förbättra användarupplevelsen.
I det här inlägget ger vi en översikt över populära multimodalitetsmodeller. Vi visar också hur man använder dessa förutbildade modeller på Amazon SageMaker. Vidare diskuterar vi de olika tillämpningarna av dessa modeller, och fokuserar särskilt på flera verkliga scenarier, såsom noll-shot-taggar och attributionsgenerering för e-handel och automatisk promptgenerering från bilder.
Bakgrund för multimodalitetsmodeller
Maskininlärningsmodeller (ML) har uppnått betydande framsteg inom områden som naturlig språkbehandling (NLP) och datorseende, där modeller kan uppvisa mänskliga prestanda när det gäller att analysera och generera innehåll från en enda datakälla. På senare tid har det blivit allt större uppmärksamhet i utvecklingen av multimodalitetsmodeller, som kan bearbeta och generera innehåll över olika modaliteter. Dessa modeller, såsom sammanslagning av syn- och språknätverk, har fått framträdande plats på grund av deras förmåga att integrera information från olika källor och modaliteter, och därigenom förbättra deras förståelse och uttrycksförmåga.
I det här avsnittet ger vi en översikt över två populära multimodalitetsmodeller: CLIP (Kontrastiv språkbild förträning) och BLIP (Bootstrapping Language-Image Pre-training).
CLIP modell
CLIP är en multimodal vision och språkmodell, som kan användas för bild-textlikhet och för nollbildsklassificering. CLIP är utbildad på en datauppsättning av 400 miljoner bild-text-par som samlats in från en mängd offentligt tillgängliga källor på internet. Modellarkitekturen består av en bildkodare och en textkodare, som visas i följande diagram.
Under träningen matas en bild och motsvarande textavsnitt genom kodarna för att få en bildfunktionsvektor och textfunktionsvektor. Målet är att få bild- och textfunktionerna för ett matchat par att ha en hög cosinuslikhet, medan funktioner för felmatchade par har låg likhet. Detta görs genom en kontrastiv förlust. Denna kontrastiva förträning resulterar i kodare som mappar bilder och text till ett gemensamt inbäddningsutrymme där semantiken är anpassad.
Kodarna kan sedan användas för zero-shot transfer learning för nedströmsuppgifter. Vid slutledningstidpunkten bearbetar den förtränade bild- och textkodaren sin respektive indata och omvandlar den till en högdimensionell vektorrepresentation, eller en inbäddning. Inbäddningarna av bilden och texten jämförs sedan för att fastställa deras likhet, såsom cosinuslikhet. Textprompten (bildklasser, kategorier eller taggar) vars inbäddning är mest lik (till exempel har det minsta avståndet) till bildinbäddningen anses vara den mest relevanta, och bilden klassificeras därefter.
BLIP modell
En annan populär multimodalitetsmodell är BLIP. Den introducerar en ny modellarkitektur som kan anpassas till olika vision-språkuppgifter och använder en unik uppstartsteknik för dataset för att lära av bullriga webbdata. BLIP-arkitekturen inkluderar en bildkodare och textkodare: den bildjordade textkodaren injicerar visuell information i textkodarens transformatorblock, och den bildjordade textavkodaren införlivar visuell information i transformatorns avkodarblock. Med denna arkitektur demonstrerar BLIP enastående prestanda över ett spektrum av vision-språkuppgifter som involverar sammansmältning av visuell och språklig information, från bildbaserad sökning och innehållsgenerering till interaktiva visuella dialogsystem. I ett tidigare inlägg föreslog vi en innehållsmodereringslösning baserad på BLIP-modellen som åtgärdade flera utmaningar med hjälp av datorseende unimodala ML-metoder.
Användningsfall 1: Zero-shot-tagg eller attributgenerering för en e-handelsplattform
E-handelsplattformar fungerar som dynamiska marknadsplatser som kryllar av idéer, produkter och tjänster. Med miljontals produkter listade utgör effektiv sortering och kategorisering en betydande utmaning. Det är här kraften i autotaggning och generering av attribut kommer till sin rätt. Genom att utnyttja avancerad teknik som ML och NLP kan dessa automatiserade processer revolutionera verksamheten på e-handelsplattformar.
En av de viktigaste fördelarna med automatisk taggning eller generering av attribut ligger i dess förmåga att förbättra sökbarheten. Produkter som är korrekt taggade kan hittas av kunder snabbt och effektivt. Om en kund till exempel söker efter en "t-shirt med rund hals i bomull med en logotyp framtill", gör automatisk märkning och generering av attribut det möjligt för sökmotorn att hitta produkter som inte bara matchar den bredare kategorin "t-shirt", men också de specifika egenskaperna för "bomull" och "crew neck". Denna exakta matchning kan underlätta en mer personlig shoppingupplevelse och öka kundnöjdheten. Dessutom kan autogenererade taggar eller attribut avsevärt förbättra produktrekommendationsalgoritmer. Med en djup förståelse för produktegenskaper kan systemet föreslå mer relevanta produkter till kunder, och därigenom öka sannolikheten för köp och öka kundnöjdheten.
CLIP erbjuder en lovande lösning för att automatisera processen för generering av tagg eller attribut. Det tar en produktbild och en lista med beskrivningar eller taggar som input, genererar en vektorrepresentation eller inbäddning för varje tagg. Dessa inbäddningar existerar i ett högdimensionellt utrymme, där deras relativa avstånd och riktningar återspeglar de semantiska relationerna mellan ingångarna. CLIP är förtränad i en stor skala av bild-text-par för att kapsla in dessa meningsfulla inbäddningar. Om en tagg eller ett attribut exakt beskriver en bild, bör deras inbäddningar vara relativt nära i detta utrymme. För att generera motsvarande taggar eller attribut kan en lista med potentiella taggar matas in i textdelen av CLIP-modellen och de resulterande inbäddningarna lagras. Helst bör den här listan vara uttömmande och täcka alla potentiella kategorier och attribut som är relevanta för produkterna på e-handelsplattformen. Följande bild visar några exempel.
För att distribuera CLIP-modellen på SageMaker kan du följa anteckningsboken nedan GitHub repo. Vi använder den förbyggda SageMaker stora modellinferens (LMI) behållare att distribuera modellen. LMI-containrarna använder DJL Servering att tjäna din modell för slutledning. För att lära dig mer om att vara värd för stora modeller på SageMaker, se Distribuera stora modeller på Amazon SageMaker med hjälp av DJLServing och DeepSpeed modell parallell slutledning och Distribuera stora modeller med hög prestanda med FasterTransformer på Amazon SageMaker.
I det här exemplet tillhandahåller vi filerna serving.properties
, model.py
och requirements.txt
för att förbereda modellartefakterna och lagra dem i en tarball-fil.
serving.properties
är konfigurationsfilen som kan användas för att indikera för DJL Serving vilka modellbibliotek för parallellisering och slutledningsoptimering du vill använda. Beroende på ditt behov kan du ställa in lämplig konfiguration. För mer information om konfigurationsalternativen och en uttömmande lista, se Konfigurationer och inställningar.model.py
är skriptet som hanterar alla förfrågningar om visning.requirements.txt
är textfilen som innehåller eventuella ytterligare piphjul att installera.
Om du vill ladda ner modellen från Kramande ansikte direkt kan du ställa in option.model_id
parameter i serving.properties
fil som modell-id för en förtränad modell som finns i ett modellförråd på huggingface.co. Behållaren använder detta modell-id för att ladda ner motsvarande modell under driftsättningstiden. Om du ställer in model_id
till en Amazon enkel lagringstjänst (Amazon S3) URL, kommer DJL att ladda ner modellartefakterna från Amazon S3 och byta model_id
till den faktiska platsen för modellartefakterna. I ditt skript kan du peka på detta värde för att ladda den förtränade modellen. I vårt exempel använder vi det senare alternativet, eftersom LMI-behållaren använder s5cmd att ladda ner data från Amazon S3, vilket avsevärt minskar hastigheten vid laddning av modeller under driftsättning. Se följande kod:
I modell.py skript, laddar vi modellsökvägen med det modell-ID som finns i egenskapsfilen:
Efter att modellartefakterna har förberetts och laddats upp till Amazon S3 kan du distribuera CLIP-modellen till SageMaker-värd med några rader kod:
När ändpunkten är i bruk kan du anropa ändpunkten med en ingångsbild och en lista med etiketter som ingångsuppmaning för att generera etikettsannolikheterna:
Användningsfall 2: Automatisk promptgenerering från bilder
En innovativ applikation som använder multimodalitetsmodellerna är att generera informativa uppmaningar från en bild. I generativ AI, en snabb hänvisar till input som ges till en språkmodell eller annan generativ modell för att instruera den om vilken typ av innehåll eller svar som önskas. Uppmaningen är i huvudsak en utgångspunkt eller en uppsättning instruktioner som vägleder modellens genereringsprocess. Det kan ta formen av en mening, fråga, deltext eller vilken som helst input som förmedlar sammanhanget eller önskad utdata till modellen. Valet av en välarbetad prompt är avgörande för att generera högkvalitativa bilder med precision och relevans. Snabb ingenjörskonst är processen att optimera eller skapa en textinmatning för att uppnå önskade svar från en språkmodell, ofta med formuleringar, format eller kontextjusteringar.
Snabb konstruktion för bildgenerering innebär flera utmaningar, inklusive följande:
- Definiera visuella begrepp korrekt – Att beskriva visuella begrepp i ord kan ibland vara oprecis eller tvetydig, vilket gör det svårt att förmedla den exakta bilden som önskas. Att fånga intrikata detaljer eller komplexa scener genom textuppmaningar kanske inte är okomplicerat.
- Ange önskade stilar effektivt – Att kommunicera specifika stilistiska preferenser, såsom humör, färgpalett eller konstnärlig stil, kan vara utmanande enbart genom text. Att översätta abstrakta estetiska begrepp till konkreta instruktioner för modellen kan vara knepigt.
- Balanserar komplexiteten för att förhindra överbelastning av modellen – Utarbetade uppmaningar kan förvirra modellen eller leda till att den överbelastas med information, vilket påverkar den genererade utdata. Det är viktigt att hitta den rätta balansen mellan att ge tillräcklig vägledning och undvika överväldigande komplexitet.
Därför är det tidskrävande att skapa effektiva uppmaningar för bildgenerering, vilket kräver iterativt experimenterande och förfining för att hitta den rätta balansen mellan precision och kreativitet, vilket gör det till en resurskrävande uppgift som är starkt beroende av mänsklig expertis.
Smakämnen CLIP Interrogator är ett verktyg för automatisk promptteknik för bilder som kombinerar CLIP och BLIP för att optimera textuppmaningar så att de matchar en given bild. Du kan använda de resulterande uppmaningarna med text-till-bild-modeller som Stabil diffusion att skapa cool konst. Uppmaningarna som skapats av CLIP Interrogator erbjuder en omfattande beskrivning av bilden, som täcker inte bara dess grundläggande element utan också den konstnärliga stilen, den potentiella inspirationen bakom bilden, mediet där bilden kunde ha varit eller skulle kunna användas och mer. Du kan enkelt distribuera CLIP Interrogator-lösningen på SageMaker för att effektivisera distributionsprocessen och dra fördel av skalbarheten, kostnadseffektiviteten och robusta säkerheten som tillhandahålls av den fullt hanterade tjänsten. Följande diagram visar flödeslogiken för denna lösning.
Du kan använda följande anteckningsbok för att distribuera CLIP Interrogator-lösningen på SageMaker. På samma sätt, för CLIP-modellvärd, använder vi SageMaker LMI-behållaren för att vara värd för lösningen på SageMaker med hjälp av DJL-servering. I det här exemplet tillhandahöll vi ytterligare en indatafil med modellartefakter som specificerar modellerna som distribueras till SageMaker-slutpunkten. Du kan välja olika CLIP- eller BLIP-modeller genom att skicka modellnamnet och klippets modellnamn genom model_name.json
fil skapad med följande kod:
Slutledningsmanuset model.py
innehåller en handtagsfunktion som DJL Serving kör din begäran genom att anropa den här funktionen. För att förbereda det här ingångsskriptet antog vi koden från originalet clip_interrogator.py fil och modifierade den för att fungera med DJL Serving på SageMaker-värd. En uppdatering är laddningen av BLIP-modellen. BLIP- och CLIP-modellerna laddas via load_caption_model()
och load_clip_model()
funktion under initieringen av Interrogator-objektet. För att ladda BLIP-modellen laddade vi först ner modellartefakterna från Hugging Face och laddade upp dem till Amazon S3 som målvärdet för model_id
i egenskapsfilen. Detta beror på att BLIP-modellen kan vara en stor fil, som t.ex blip2-opt-2.7b modell, som är mer än 15 GB stor. Att ladda ner modellen från Hugging Face under modelldistribution kommer att kräva mer tid för att skapa slutpunkter. Därför pekar vi på model_id
till Amazon S3-platsen för BLIP2-modellen och ladda modellen från den modellsökväg som anges i egenskapsfilen. Observera att under driftsättningen kommer modellsökvägen att bytas ut till den lokala containersökvägen där modellartefakterna laddades ner till av DJL Serving från Amazon S3-platsen. Se följande kod:
Eftersom CLIP-modellen inte är särskilt stor i storlek använder vi open_clip
att ladda modellen direkt från Hugging Face, vilket är samma som originalet clip_interrogator
genomförande:
Vi använder liknande kod för att distribuera CLIP Interrogator-lösningen till en SageMaker-slutpunkt och anropar slutpunkten med en ingångsbild för att få de uppmaningar som kan användas för att generera liknande bilder.
Låt oss ta följande bild som ett exempel. Genom att använda den distribuerade CLIP Interrogator-slutpunkten på SageMaker genererar den följande textbeskrivning: 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.
Vi kan ytterligare kombinera CLIP Interrogator-lösningen med stabil diffusion och snabba ingenjörstekniker – en helt ny dimension av kreativa möjligheter dyker upp. Denna integration tillåter oss att inte bara beskriva bilder med text, utan också manipulera och generera olika varianter av originalbilderna. Stabil diffusion säkerställer kontrollerad bildsyntes genom att iterativt förfina det genererade resultatet, och strategisk snabb ingenjörskonst leder genereringsprocessen mot önskade resultat.
I andra delen av anteckningsboken, beskriver vi stegen för att använda prompt ingenjörskonst för att styla om bilder med modellen Stable Diffusion (Stabil Diffusion XL 1.0). Vi använder Stabilitet AI SDK att distribuera den här modellen från SageMaker JumpStart efter att ha prenumererat på den här modellen på AWS marknadsplats. Eftersom detta är en nyare och bättre version för bildgenerering tillhandahålls av Stabilitet AI, kan vi få högkvalitativa bilder baserat på den ursprungliga ingångsbilden. Dessutom, om vi prefixer den föregående beskrivningen och lägger till en extra uppmaning som nämner en känd konstnär och ett av hans verk, får vi fantastiska resultat med restyling. Följande bild använder prompten: 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.
Följande bild använder prompten: 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.
Slutsats
Framväxten av multimodalitetsmodeller, som CLIP och BLIP, och deras applikationer förändrar snabbt landskapet för bild-till-text-konvertering. De överbryggar klyftan mellan visuell och semantisk information och ger oss verktygen för att låsa upp den enorma potentialen hos visuell data och utnyttja den på sätt som tidigare var otänkbara.
I det här inlägget illustrerade vi olika tillämpningar av multimodalitetsmodellerna. Dessa sträcker sig från att förbättra effektiviteten och noggrannheten för sökning i e-handelsplattformar genom automatisk taggning och kategorisering till generering av uppmaningar för text-till-bild-modeller som Stable Diffusion. Dessa applikationer öppnar nya horisonter för att skapa unikt och engagerande innehåll. Vi uppmuntrar dig att lära dig mer genom att utforska de olika multimodalitetsmodellerna på SageMaker och bygga en lösning som är innovativ för ditt företag.
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.
Raghu Ramesha är senior ML Solutions Architect med Amazon SageMaker Service-teamet. Han fokuserar på att hjälpa kunder att bygga, distribuera och migrera ML-produktionsarbetsbelastningar till SageMaker i stor skala. Han är specialiserad på domäner för maskininlärning, AI och datorseende och har en magisterexamen i datavetenskap från UT Dallas. På fritiden tycker han om att resa och fotografera.
Sam Edwards, är en molningenjör (AI/ML) på AWS Sydney specialiserad på maskininlärning och Amazon SageMaker. Han brinner för att hjälpa kunder att lösa problem relaterade till arbetsflöden för maskininlärning och skapa nya lösningar för dem. Utanför jobbet tycker han om att spela racketsporter och att resa.
Melanie Li, PhD, är en Senior AI/ML Specialist TAM vid AWS baserad i Sydney, Australien. Hon hjälper företagskunder att bygga lösningar med hjälp av toppmoderna AI/ML-verktyg på AWS och ger vägledning om arkitektur och implementering av ML-lösningar med bästa praxis. På fritiden älskar hon att utforska naturen och umgås med familj och vänner.
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.
Dhawal Patel är en huvudarkitekt för maskininlärning på AWS. Han har arbetat med organisationer som sträcker sig från stora företag till medelstora startups med problem relaterade till distribuerad datoranvändning och artificiell intelligens. Han fokuserar på djupinlärning inklusive NLP- och Computer Vision-domäner. Han hjälper kunder att uppnå högpresterande modellslutningar på SageMaker.
- 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/build-an-image-to-text-generative-ai-application-using-multimodality-models-on-amazon-sagemaker/
- : har
- :är
- :inte
- :var
- 1
- 10
- 100
- 12
- 15%
- 16
- 400
- 7
- 8
- 9
- 97
- a
- förmåga
- Om Oss
- SAMMANDRAG
- i enlighet med detta
- noggrannhet
- exakt
- Uppnå
- uppnås
- tvärs
- faktiska
- lägga till
- Annat
- Dessutom
- adresserad
- justeringar
- antagen
- avancerat
- framsteg
- Fördel
- påverkar
- Efter
- AI
- AI-powered
- AI / ML
- algoritmer
- Justerat
- Alla
- tillåter
- ensam
- också
- fantastiska
- amason
- Amazon SageMaker
- Amazon Web Services
- an
- analys
- och
- vilken som helst
- Ansökan
- tillämpningar
- tillvägagångssätt
- lämpligt
- arkitektur
- ÄR
- Konst
- konstgjord
- artificiell intelligens
- konstnär
- konstnärliga
- AS
- aspekt
- bistå
- At
- uppmärksamhet
- attribut
- Australien
- automatisera
- Automatiserad
- Automat
- automatisera
- tillgänglig
- undvika
- AWS
- Balansera
- baserat
- BE
- därför att
- varit
- beteende
- bakom
- Fördelarna
- BÄST
- bästa praxis
- Bättre
- mellan
- Bortom
- Stor
- Blockera
- kropp
- lyft
- gränsen
- överbryggande
- Bright
- bredare
- SLUTRESULTAT
- Byggnad
- företag
- men
- by
- KAN
- Kan få
- kapacitet
- kapabel
- Fångande
- Vid
- KATT
- kategorier
- Kategori
- Katter
- utmanar
- utmaningar
- utmanande
- val
- Välja
- klasser
- klassificering
- klassificerad
- Stäng
- cloud
- koda
- färg
- kombinera
- kombinerar
- kommer
- Gemensam
- kommunicera
- jämfört
- komplex
- Komplexiteten
- omfattande
- dator
- Datavetenskap
- Datorsyn
- databehandling
- Begreppen
- konfiguration
- anses
- består
- innehöll
- Behållare
- Behållare
- innehåller
- innehåll
- Innehållsgenerering
- sammanhang
- kontrolleras
- Konvertering
- kyla
- Motsvarande
- kunde
- beläggning
- skapa
- skapas
- Skapa
- skapande
- Kreativ
- kreativitet
- kritisk
- Cross
- kund
- Kundnöjdhet
- Kunder
- Dallas
- datum
- djup
- djupt lärande
- djupare
- Examen
- gräva
- demonstrera
- demonstrerar
- beroende
- distribuera
- utplacerade
- utplacering
- beskriva
- beskrivning
- önskas
- detalj
- detaljer
- Bestämma
- Utveckling
- anordning
- dialogruta
- olika
- svårt
- Diffusion
- digital
- Dimensionera
- direkt
- diskutera
- avstånd
- distribueras
- distribuerad databehandling
- flera
- domän
- domäner
- gjort
- ladda ner
- driv
- grund
- under
- dynamisk
- varje
- lätt
- e-handel
- Effektiv
- effektivitet
- effektivt
- Utveckla
- element
- annars
- inbäddning
- uppkomst
- framträder
- sysselsätter
- möjliggöra
- uppmuntra
- Slutpunkt
- engagerande
- Motor
- ingenjör
- Teknik
- förbättra
- förbättra
- säkerställer
- Företag
- företag
- inträde
- Era
- väsentlig
- väsentligen
- exempel
- exempel
- uppvisar
- existerar
- erfarenhet
- expertis
- utforska
- Utforska
- Uttrycket
- Ansikte
- främja
- familj
- Leverans
- Funktioner
- Fed
- få
- Fält
- Figur
- Fil
- Filer
- Förnamn
- flöda
- fokuserar
- fokusering
- följer
- efter
- För
- formen
- format
- former
- hittade
- Fri
- franska
- vänner
- från
- främre
- fullständigt
- fungera
- grundläggande
- ytterligare
- Vidare
- sammansmältning
- vunnits
- spalt
- generera
- genereras
- genererar
- generera
- generering
- generativ
- Generativ AI
- skaffa sig
- ges
- Målet
- Golden
- stor
- vägleda
- Guider
- hantera
- Handtag
- sele
- Utnyttja
- Har
- he
- kraftigt
- hjälpa
- hjälper
- här
- Hög
- hög kvalitet
- hans
- innehar
- Horizons
- värd
- värd
- värd
- Hur ser din drömresa ut
- How To
- html
- http
- HTTPS
- humant
- ID
- idealt
- idéer
- if
- bild
- Bildklassificering
- bilder
- genomförande
- genomföra
- importera
- förbättra
- förbättra
- in
- ingår
- innefattar
- Inklusive
- ökande
- indikerar
- industriell
- industrier
- informationen
- informativ
- innovativa
- ingång
- ingångar
- inuti
- Inspiration
- installera
- exempel
- Institute
- instruktioner
- integrera
- integrering
- Intelligens
- interaktiva
- Internet
- in
- Introducerar
- engagera
- involverar
- problem
- IT
- DESS
- jpg
- json
- Nyckel
- känd
- etikett
- Etiketter
- liggande
- språk
- Large
- Stora företag
- leda
- LÄRA SIG
- inlärning
- Li
- bibliotek
- ligger
- tycka om
- sannolikhet
- rader
- Lista
- Noterade
- läsa in
- läser in
- lokal
- läge
- Logiken
- logotyp
- förlust
- älskar
- Låg
- Maskinen
- maskininlärning
- göra
- Framställning
- förvaltade
- många
- karta
- marknads
- master
- Match
- matchas
- matchande
- meningsfull
- Medium
- endast
- kanske
- migrera
- miljon
- miljoner
- ML
- MLOps
- modell
- modeller
- måttfullhet
- modifierad
- mer
- Dessutom
- Morgonen
- mest
- multipel
- namn
- Natural
- Naturlig språkbehandling
- Natur
- Behöver
- nätverk
- Nya
- nya horisonter
- natt
- nlp
- Ingen
- anteckningsbok
- roman
- objektet
- of
- sänkt
- erbjudanden
- Erbjudanden
- Ofta
- on
- ONE
- nätet
- endast
- öppet
- Verksamhet
- optimering
- Optimera
- optimera
- Alternativet
- Tillbehör
- or
- organisationer
- ursprungliga
- OS
- Övriga
- vår
- utfall
- produktion
- utanför
- utestående
- Översikt
- överväldigande
- egen
- målning
- par
- par
- paletten
- Parallell
- parameter
- del
- särskilt
- Förbi
- brinner
- bana
- prestanda
- personlig
- phd
- bild
- fotografi
- Bild
- svängbara
- plattform
- Plattformar
- plato
- Platon Data Intelligence
- PlatonData
- i
- kontakt
- Punkt
- Populära
- utgör
- Möjligheterna
- Inlägg
- potentiell
- potentialer
- kraft
- praxis
- exakt
- Precision
- förutsägelse
- preferenser
- Förbered
- beredd
- förhindra
- föregående
- tidigare
- Principal
- problem
- process
- processer
- bearbetning
- Produkt
- Produktion
- Produkter
- prominens
- lovande
- egenskaper
- egenskapen
- föreslagen
- ge
- förutsatt
- ger
- tillhandahålla
- publicly
- inköp
- fråga
- slumpmässig
- område
- som sträcker sig
- snabbt
- ratio
- Läsning
- verkliga världen
- nyligen
- Rekommendation
- minskar
- hänvisa
- hänvisar
- raffinering
- reflekterande
- region
- relaterad
- Förhållanden
- relativ
- relativt
- relevans
- relevanta
- anmärkningsvärd
- Repository
- representation
- begära
- förfrågningar
- kräver
- Kräver
- forskning
- Resursintensiv
- att
- respons
- svar
- resulterande
- Resultat
- avkastning
- revolutionera
- höger
- robusta
- Körning
- rinnande
- sagemaker
- Samma
- tillfredsställande
- skalbarhet
- Skala
- scenarier
- scen
- scener
- Vetenskap
- skript
- Sök
- sökmotor
- söka
- §
- säkerhet
- se
- SJÄLV
- semantik
- senior
- mening
- tjänar
- service
- Tjänster
- portion
- in
- flera
- aktier
- hon
- Gå och Handla
- skall
- visas
- Visar
- signifikant
- signifikant
- liknande
- Liknande
- Enkelt
- enda
- Storlek
- kodavsnitt
- lösning
- Lösningar
- LÖSA
- några
- ibland
- Källa
- Källor
- Utrymme
- specialist
- specialiserad
- specialiserat
- specifik
- specificerade
- Spektrum
- fart
- spendera
- Sporter
- stabil
- starry
- igång
- Starta
- Startups
- state-of-the-art
- Steg
- förvaring
- lagra
- lagras
- okomplicerad
- Strategisk
- effektivisera
- strejka
- stil
- väsentligen
- sådana
- tillräcklig
- föreslå
- Stöder
- byta
- snabbt
- sydney
- system
- System
- MÄRKA
- Ta
- tar
- Målet
- uppgift
- uppgifter
- grupp
- Tekniken
- Tekniken
- mall
- text
- text-
- än
- den där
- Smakämnen
- Landskapet
- deras
- Dem
- sedan
- Där.
- vari
- därför
- Dessa
- de
- detta
- Genom
- tid
- titlar
- till
- verktyg
- verktyg
- mot
- tränad
- Utbildning
- överföring
- transformator
- omvandla
- transformer
- Traveling
- två
- Typ
- förståelse
- ofattbar
- unika
- låsa
- Uppdatering
- uppladdad
- URL
- us
- användning
- Begagnade
- Användare
- Användarupplevelse
- användningar
- med hjälp av
- värde
- mängd
- olika
- Omfattande
- version
- mycket
- via
- syn
- W
- vill
- Våg
- sätt
- we
- Rikedom
- webb
- webbservice
- były
- Vad
- när
- som
- medan
- Hela
- vars
- kommer
- vinnare
- med
- formulering
- ord
- Arbete
- arbetade
- arbetsflöden
- fungerar
- skulle
- år
- Om er
- Din
- zephyrnet