ความสามารถในการจัดการและประมวลผลเอกสารจำนวนมหาศาลได้อย่างมีประสิทธิภาพกลายเป็นสิ่งจำเป็นสำหรับองค์กรในโลกสมัยใหม่ เนื่องจากการหลั่งไหลของข้อมูลที่องค์กรทั้งหมดจัดการด้วยอย่างต่อเนื่อง การจัดประเภทเอกสารด้วยตนเองจึงไม่ใช่ตัวเลือกที่ใช้ได้อีกต่อไป แบบจำลองการจัดประเภทเอกสารสามารถทำให้ขั้นตอนเป็นไปโดยอัตโนมัติและช่วยให้องค์กรประหยัดเวลาและทรัพยากรได้ เทคนิคการจัดหมวดหมู่แบบดั้งเดิม เช่น การประมวลผลด้วยตนเองและการค้นหาตามคีย์เวิร์ด จะมีประสิทธิภาพน้อยลงและใช้เวลามากขึ้นเมื่อปริมาณเอกสารเพิ่มขึ้น ความไร้ประสิทธิภาพนี้ทำให้ผลผลิตลดลงและค่าใช้จ่ายในการดำเนินงานสูงขึ้น นอกจากนี้ยังสามารถป้องกันไม่ให้ข้อมูลสำคัญเข้าถึงได้เมื่อจำเป็น ซึ่งอาจนำไปสู่ประสบการณ์ที่ไม่ดีของลูกค้าและส่งผลต่อการตัดสินใจ ที่ AWS re:Invent 2022 เข้าใจ Amazonซึ่งเป็นบริการประมวลผลภาษาธรรมชาติ (NLP) ที่ใช้การเรียนรู้ของเครื่อง (ML) เพื่อค้นหาข้อมูลเชิงลึกจากข้อความ เปิดตัว รองรับประเภทเอกสารพื้นเมือง คุณลักษณะใหม่นี้ทำให้คุณสามารถจัดประเภทเอกสารในรูปแบบดั้งเดิม (PDF, TIFF, JPG, PNG, DOCX) โดยใช้ Amazon Comprehend
วันนี้เรารู้สึกตื่นเต้นที่จะประกาศว่า Amazon Comprehend รองรับการฝึกอบรมโมเดลการจัดหมวดหมู่แบบกำหนดเองด้วยเอกสารต่างๆ เช่น PDF, Word และรูปแบบรูปภาพ ตอนนี้คุณสามารถฝึกโมเดลการจัดหมวดหมู่เอกสารตามความต้องการบนเอกสารเนทีฟที่รองรับเค้าโครงนอกเหนือจากข้อความ ซึ่งเพิ่มความแม่นยำของผลลัพธ์
ในโพสต์นี้ เราจะแสดงภาพรวมของวิธีเริ่มต้นการฝึกโมเดลการจัดประเภทเอกสารแบบกำหนดเองของ Amazon Comprehend
ขององค์กร
ความสามารถในการเข้าใจตำแหน่งสัมพัทธ์ของวัตถุภายในพื้นที่ที่กำหนดเรียกว่า การรับรู้เค้าโครง. ในกรณีนี้ จะช่วยให้แบบจำลองเข้าใจว่าส่วนหัว หัวข้อย่อย ตาราง และกราฟิกเกี่ยวข้องกันอย่างไรภายในเอกสาร แบบจำลองสามารถจัดหมวดหมู่เอกสารตามเนื้อหาได้อย่างมีประสิทธิภาพมากขึ้น เมื่อทราบโครงสร้างและเค้าโครงของข้อความ
ในโพสต์นี้ เราจะแนะนำขั้นตอนการเตรียมข้อมูลที่เกี่ยวข้อง สาธิตกระบวนการฝึกโมเดล และหารือเกี่ยวกับประโยชน์ของการใช้โมเดลการจัดประเภทเอกสารแบบกำหนดเองใหม่ใน Amazon Comprehend ตามแนวทางปฏิบัติที่ดีที่สุด คุณควรพิจารณาประเด็นต่อไปนี้ก่อนที่คุณจะเริ่มฝึกโมเดลการจัดประเภทเอกสารแบบกำหนดเอง
ประเมินความต้องการการจัดประเภทเอกสารของคุณ
ระบุประเภทเอกสารต่างๆ ที่คุณอาจต้องจัดประเภท พร้อมด้วยประเภทหรือหมวดหมู่ต่างๆ เพื่อรองรับกรณีการใช้งานของคุณ กำหนดโครงสร้างการจำแนกประเภทหรืออนุกรมวิธานที่เหมาะสมหลังจากประเมินจำนวนและประเภทของเอกสารที่ต้องจัดหมวดหมู่ ประเภทเอกสารอาจแตกต่างกันไปตั้งแต่ PDF, Word, รูปภาพ และอื่นๆ ตรวจสอบให้แน่ใจว่าคุณได้รับอนุญาตให้เข้าถึงชุดเอกสารที่มีป้ายกำกับที่หลากหลายไม่ว่าจะผ่านระบบการจัดการเอกสารหรือกลไกการจัดเก็บอื่น ๆ
เตรียมข้อมูลของคุณ
ตรวจสอบให้แน่ใจว่าไฟล์เอกสารที่คุณต้องการใช้สำหรับการฝึกโมเดลไม่ได้เข้ารหัสหรือล็อค ตัวอย่างเช่น ตรวจสอบให้แน่ใจว่าไฟล์ PDF ของคุณไม่ได้เข้ารหัสและล็อคด้วยรหัสผ่าน คุณต้องถอดรหัสไฟล์ดังกล่าวก่อนจึงจะสามารถใช้เพื่อการฝึกอบรมได้ ติดป้ายกำกับตัวอย่างเอกสารของคุณด้วยหมวดหมู่หรือป้ายกำกับที่เหมาะสม (ชั้นเรียน). พิจารณาว่าการจัดประเภทป้ายกำกับเดียว (โหมดหลายคลาส) หรือ การจำแนกประเภทหลายฉลาก เหมาะสมกับกรณีการใช้งานของคุณ โหมดหลายชั้นเชื่อมโยงเพียงหนึ่งชั้นกับเอกสารแต่ละฉบับ ในขณะที่โหมดหลายป้ายจะเชื่อมโยงหนึ่งชั้นหรือมากกว่ากับเอกสารหนึ่งๆ
พิจารณาการประเมินแบบจำลอง
ใช้ชุดข้อมูลที่มีป้ายกำกับเพื่อฝึกโมเดลเพื่อให้สามารถเรียนรู้การจัดประเภทเอกสารใหม่ได้อย่างถูกต้องและประเมินว่าเวอร์ชันของโมเดลที่ผ่านการฝึกอบรมใหม่ทำงานอย่างไรโดยการทำความเข้าใจเมตริกของโมเดล หากต้องการทำความเข้าใจเมตริกที่ได้รับจากการฝึกอบรมหลังโมเดลของ Amazon Comprehend โปรดดูที่ เมตริกลักษณนามที่กำหนดเอง. หลังจากขั้นตอนการฝึกอบรมเสร็จสิ้น คุณสามารถเริ่มการจัดประเภทเอกสารแบบอะซิงโครนัสหรือตามเวลาจริงได้ เราจะแนะนำวิธีฝึกโมเดลการจัดประเภทแบบกำหนดเองในหัวข้อต่อไปนี้
เตรียมข้อมูลการอบรม
ก่อนที่เราจะฝึกโมเดลการจัดประเภทแบบกำหนดเอง เราต้องเตรียมข้อมูลการฝึก ข้อมูลการฝึกอบรมประกอบด้วยชุดเอกสารที่มีป้ายกำกับ ซึ่งสามารถเป็นเอกสารที่ระบุล่วงหน้าได้จากที่เก็บเอกสารที่คุณมีสิทธิ์เข้าถึงอยู่แล้ว สำหรับตัวอย่างของเรา เราฝึกแบบจำลองการจัดประเภทแบบกำหนดเองด้วยเอกสารประเภทต่างๆ สองสามประเภท ซึ่งโดยทั่วไปจะพบในกระบวนการตัดสินการเรียกร้องค่าประกันสุขภาพ: สรุปการจำหน่ายผู้ป่วย ใบแจ้งหนี้ ใบเสร็จรับเงิน และอื่นๆ เราต้องเตรียมไฟล์คำอธิบายประกอบในรูปแบบ CSV ด้วย ต่อไปนี้คือตัวอย่างข้อมูล CSV ไฟล์คำอธิบายประกอบที่จำเป็นสำหรับการฝึกอบรม:
ไฟล์ CSV คำอธิบายประกอบต้องมีสามคอลัมน์ คอลัมน์แรกมีคลาสที่ต้องการ (ป้ายกำกับ) สำหรับเอกสาร คอลัมน์ที่สองคือชื่อเอกสาร (ชื่อไฟล์) และคอลัมน์สุดท้ายคือหมายเลขหน้าของเอกสารที่คุณต้องการรวมไว้ในชุดข้อมูลการฝึกอบรม เนื่องจากกระบวนการฝึกอบรมรองรับไฟล์ PDF และ DOCX หลายหน้าแบบเนทีฟ คุณต้องระบุหมายเลขหน้าในกรณีที่เอกสารเป็นเอกสารหลายหน้า หากคุณต้องการรวมหน้าทั้งหมดของเอกสารหลายหน้าในชุดข้อมูลการฝึกอบรม คุณต้องระบุแต่ละหน้าเป็นบรรทัดแยกต่างหากในไฟล์คำอธิบายประกอบ CSV ตัวอย่างเช่น ในไฟล์คำอธิบายประกอบก่อนหน้านี้ invoice-1.pdf
เป็นเอกสารสองหน้า และเราต้องการรวมทั้งสองหน้าในชุดข้อมูลการจัดหมวดหมู่ เนื่องจากไฟล์อย่างเช่น PDF, PNG และ TIFF เป็นรูปแบบรูปภาพ ค่าหมายเลขหน้า (คอลัมน์ที่สาม) จะต้องเป็น 1 เสมอ หากชุดข้อมูลของคุณมีไฟล์ TIF แบบหลายเฟรม (หลายหน้า) คุณต้องแยกออกเป็นไฟล์ TIF แยกกันใน เพื่อนำไปใช้ในกระบวนการฝึกอบรม
เราเตรียมไฟล์คำอธิบายประกอบที่เรียกว่า test.csv
ด้วยข้อมูลที่เหมาะสมในการฝึกโมเดลการจัดประเภทแบบกำหนดเอง สำหรับเอกสารตัวอย่างแต่ละฉบับ ไฟล์ CSV จะประกอบด้วยคลาสของเอกสารนั้น ตำแหน่งของเอกสารนั้น บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน S3) เช่น path/to/prefix/document.pdf
และหมายเลขหน้า (ถ้ามี) เนื่องจากเอกสารของเราส่วนใหญ่เป็น DOCX หน้าเดียว ไฟล์ PDF หรือไฟล์ TIF, JPG หรือ PNG หมายเลขหน้าที่กำหนดคือ 1 เนื่องจากคำอธิบายประกอบ CSV และเอกสารตัวอย่างทั้งหมดอยู่ภายใต้คำนำหน้า Amazon S3 เดียวกัน เราจึงไม่' ไม่จำเป็นต้องระบุคำนำหน้าอย่างชัดเจนในคอลัมน์ที่สอง เรายังเตรียมตัวอย่างเอกสารอย่างน้อย 10 ตัวอย่างขึ้นไปสำหรับแต่ละชั้นเรียน และเราใช้ไฟล์ JPG, PNG, DOCX, PDF และ TIF ผสมกันเพื่อฝึกโมเดล โปรดทราบว่าโดยปกติแล้ว ขอแนะนำให้มีชุดเอกสารตัวอย่างที่หลากหลายสำหรับการฝึกอบรมโมเดลเพื่อหลีกเลี่ยงการใช้โมเดลมากเกินไป ซึ่งส่งผลต่อความสามารถในการจดจำเอกสารใหม่ ขอแนะนำให้จำนวนตัวอย่างต่อคลาสสมดุลกัน แม้ว่าจะไม่จำเป็นต้องมีจำนวนตัวอย่างต่อคลาสเท่ากันทุกประการ ต่อไปเราจะอัปโหลดไฟล์ test.csv
ไฟล์คำอธิบายประกอบและเอกสารทั้งหมดลงใน Amazon S3 รูปภาพต่อไปนี้แสดงส่วนหนึ่งของไฟล์ CSV คำอธิบายประกอบของเรา
ฝึกโมเดลการจัดประเภทแบบกำหนดเอง
ตอนนี้เรามีไฟล์คำอธิบายประกอบและเอกสารตัวอย่างทั้งหมดของเราพร้อมแล้ว เราได้ตั้งค่าแบบจำลองการจัดประเภทแบบกำหนดเองและฝึกใช้งาน ก่อนที่คุณจะเริ่มตั้งค่าการฝึกโมเดลการจัดประเภทแบบกำหนดเอง ตรวจสอบให้แน่ใจว่ามีคำอธิบายประกอบ CSV และเอกสารตัวอย่างอยู่ในตำแหน่ง Amazon S3
- บนคอนโซล Amazon Comprehend ให้เลือก การจัดหมวดหมู่แบบกำหนดเอง ในบานหน้าต่างนำทาง
- Choose สร้างโมเดลใหม่.
- สำหรับ ชื่อรุ่นป้อนชื่อที่ไม่ซ้ำ
- สำหรับ ชื่อรุ่นป้อนชื่อเวอร์ชันเฉพาะ
- สำหรับ ประเภทโมเดลการฝึกให้เลือก เอกสารพื้นเมือง.
สิ่งนี้เป็นการบอก Amazon Comprehend ว่าคุณตั้งใจจะใช้ประเภทเอกสารเนทีฟเพื่อฝึกโมเดลแทนข้อความที่ทำให้ต่อเนื่องกัน
- สำหรับ โหมดลักษณนามให้เลือก ใช้โหมดป้ายกำกับเดียว.
โหมดนี้จะบอกตัวแยกประเภทว่าเราตั้งใจจะจัดประเภทเอกสารเป็นชั้นเดียว หากคุณต้องการฝึกโมเดลด้วยโหมดหลายป้ายกำกับ หมายความว่าเอกสารอาจอยู่ในหนึ่งคลาสหรือมากกว่าหนึ่งคลาส คุณต้องตั้งค่าไฟล์คำอธิบายประกอบอย่างเหมาะสมโดยระบุคลาสของเอกสารที่คั่นด้วยอักขระพิเศษในคำอธิบายประกอบ CSV ไฟล์. ในกรณีนั้น คุณจะเลือก การใช้โหมดหลายป้ายกำกับ ตัวเลือก
- สำหรับ ตำแหน่งคำอธิบายประกอบบน S3ป้อนเส้นทางของไฟล์ CSV คำอธิบายประกอบ
- สำหรับ ตำแหน่งข้อมูลการฝึกอบรมบน S3ป้อนตำแหน่ง Amazon S3 ที่เอกสารของคุณอยู่
- ปล่อยให้ตัวเลือกอื่นๆ ทั้งหมดเป็นค่าเริ่มต้นในส่วนนี้
- ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร ข้อมูลเอาต์พุต ส่วนระบุตำแหน่ง Amazon S3 สำหรับเอาต์พุตของคุณ
ตัวเลือกนี้เป็นทางเลือก แต่ควรระบุตำแหน่งเอาต์พุตไว้เป็นแนวทางปฏิบัติที่ดี เนื่องจาก Amazon Comprehend จะสร้างเมตริกการประเมินผลการฝึกอบรมหลังการสร้างแบบจำลองในตำแหน่งนี้ ข้อมูลนี้มีประโยชน์ในการประเมินประสิทธิภาพของโมเดล ทำซ้ำ และปรับปรุงความแม่นยำของโมเดลของคุณ
- ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร บทบาท IAM ส่วน เลือกที่เหมาะสม AWS Identity และการจัดการการเข้าถึง บทบาท (IAM) ที่อนุญาตให้ Amazon Comprehend เข้าถึงตำแหน่ง Amazon S3 และเขียนและอ่านจากตำแหน่งนั้น
- Choose สร้างบัญชีตัวแทน เพื่อเริ่มการฝึกอบรมแบบจำลอง
โมเดลอาจใช้เวลาหลายนาทีในการฝึก ขึ้นอยู่กับจำนวนคลาสและขนาดชุดข้อมูล คุณสามารถตรวจสอบสถานะการฝึกอบรมได้ที่ การจัดหมวดหมู่แบบกำหนดเอง หน้าหนังสือ. ขั้นตอนการฝึกอบรมจะแสดง Submitted สถานะทันทีหลังจากเริ่มกระบวนการฝึกอบรมและจะเปลี่ยนเป็น การฝึกอบรม สถานะเมื่อกระบวนการฝึกอบรมเริ่มต้นขึ้น หลังจากที่โมเดลของคุณได้รับการฝึกฝนแล้ว สถานะเวอร์ชัน จะเปลี่ยนเป็น ผ่านการฝึกอบรม. หาก Amazon Comprehend พบความไม่สอดคล้องกันในข้อมูลการฝึกอบรมของคุณ สถานะจะแสดงขึ้น ในข้อผิดพลาด พร้อมกับการแจ้งเตือนที่แสดงข้อความแสดงข้อผิดพลาดที่เหมาะสม เพื่อให้คุณสามารถดำเนินการแก้ไขและเริ่มกระบวนการฝึกอบรมใหม่ด้วยข้อมูลที่แก้ไขแล้ว
ในโพสต์นี้ เราได้สาธิตขั้นตอนในการฝึกโมเดลตัวแยกประเภทแบบกำหนดเองโดยใช้คอนโซล Amazon Comprehend คุณยังสามารถใช้ AWS SDK ในภาษาใดก็ได้ (เช่น Boto3 สำหรับ Python) หรือ อินเทอร์เฟซบรรทัดคำสั่ง AWS AWS (AWS CLI) เพื่อเริ่มต้นการฝึกอบรมโมเดลการจัดหมวดหมู่แบบกำหนดเอง ด้วย SDK หรือ AWS CLI คุณสามารถใช้ สร้างตัวแยกประเภทเอกสาร API เพื่อเริ่มต้นการฝึกโมเดล จากนั้นจึงใช้ อธิบายเอกสารตัวแยกประเภท API เพื่อตรวจสอบสถานะของโมเดล
หลังจากฝึกโมเดลแล้ว คุณสามารถดำเนินการอย่างใดอย่างหนึ่งก็ได้ การวิเคราะห์ตามเวลาจริง or งานการวิเคราะห์แบบอะซิงโครนัส (แบทช์) ในเอกสารใหม่ หากต้องการจัดประเภทเอกสารตามเวลาจริง คุณต้องปรับใช้ตำแหน่งข้อมูลแบบเรียลไทม์ของ Amazon Comprehend ด้วยโมเดลการจัดประเภทแบบกำหนดเองที่ผ่านการฝึกอบรม จุดสิ้นสุดตามเวลาจริงเหมาะที่สุดสำหรับกรณีการใช้งานที่ต้องการผลการอนุมานแบบเรียลไทม์ในเวลาแฝงต่ำ ในขณะที่การจัดประเภทเอกสารชุดใหญ่ งานวิเคราะห์แบบอะซิงโครนัสจะเหมาะสมกว่า หากต้องการเรียนรู้วิธีดำเนินการอนุมานแบบอะซิงโครนัสกับเอกสารใหม่โดยใช้แบบจำลองการจัดประเภทที่ผ่านการฝึกอบรม โปรดดูที่ ขอแนะนำการจัดประเภทแบบขั้นตอนเดียวและการจดจำเอนทิตีด้วย Amazon Comprehend สำหรับการประมวลผลเอกสารอัจฉริยะ.
ประโยชน์ของโมเดลการจัดประเภทแบบกำหนดเองที่รับรู้โครงร่าง
โมเดลตัวแยกประเภทใหม่มีการปรับปรุงหลายอย่าง ไม่เพียงแต่ฝึกโมเดลใหม่ได้ง่ายกว่าเท่านั้น แต่คุณยังสามารถฝึกโมเดลใหม่ได้ด้วยตัวอย่างเพียงไม่กี่รายการสำหรับแต่ละคลาส นอกจากนี้ คุณไม่จำเป็นต้องดึงข้อความธรรมดาที่เรียงตามลำดับออกจากเอกสารที่สแกนหรือเอกสารดิจิทัล เช่น รูปภาพหรือ PDF เพื่อเตรียมชุดข้อมูลการฝึกอบรมอีกต่อไป ต่อไปนี้คือการปรับปรุงที่น่าสังเกตเพิ่มเติมบางอย่างที่คุณคาดหวังได้จากโมเดลการจัดประเภทใหม่:
- ปรับปรุงความแม่นยำ – แบบจำลองคำนึงถึงรูปแบบและโครงสร้างของเอกสาร ซึ่งนำไปสู่ความเข้าใจที่ดีขึ้นเกี่ยวกับโครงสร้างและเนื้อหาของเอกสาร ซึ่งจะช่วยแยกความแตกต่างระหว่างเอกสารที่มีข้อความคล้ายกันแต่เค้าโครงหรือโครงสร้างต่างกัน ส่งผลให้การจัดประเภทมีความแม่นยำมากขึ้น
- ความแข็งแรง – โมเดลนี้จัดการกับรูปแบบต่างๆ ในโครงสร้างและการจัดรูปแบบเอกสาร สิ่งนี้ทำให้เหมาะสำหรับการจำแนกเอกสารจากแหล่งต่างๆ ด้วยรูปแบบหรือรูปแบบการจัดรูปแบบที่แตกต่างกัน ซึ่งเป็นความท้าทายทั่วไปในงานการจัดประเภทเอกสารในโลกแห่งความเป็นจริง เข้ากันได้กับเอกสารหลายประเภทโดยกำเนิด ทำให้มีความหลากหลายและใช้ได้กับอุตสาหกรรมและกรณีการใช้งานต่างๆ
- ลดการแทรกแซงด้วยตนเอง – ความแม่นยำที่สูงขึ้นนำไปสู่การแทรกแซงในกระบวนการจำแนกประเภทด้วยตนเองน้อยลง ซึ่งจะช่วยประหยัดเวลาและทรัพยากร และเพิ่มประสิทธิภาพการดำเนินงานในปริมาณงานการประมวลผลเอกสารของคุณ
สรุป
แบบจำลองการจัดประเภทเอกสารของ Amazon Comprehend ใหม่ ซึ่งรวมการรับรู้เลย์เอาต์ เป็นตัวเปลี่ยนเกมสำหรับธุรกิจที่ต้องจัดการกับเอกสารจำนวนมาก ด้วยการทำความเข้าใจโครงสร้างและเลย์เอาต์ของเอกสาร โมเดลนี้มีความแม่นยำและประสิทธิภาพการจำแนกที่ดีขึ้น การใช้โซลูชันการจัดประเภทเอกสารที่มีประสิทธิภาพและแม่นยำโดยใช้แบบจำลองที่รับรู้เค้าโครงสามารถช่วยธุรกิจของคุณประหยัดเวลา ลดต้นทุนการดำเนินงาน และปรับปรุงกระบวนการตัดสินใจ
ในขั้นตอนถัดไป เราขอแนะนำให้คุณลองใช้โมเดลการจัดประเภทแบบกำหนดเองใหม่ของ Amazon Comprehend ผ่านทาง คอนโซล Amazon Comprehen. นอกจากนี้ เราขอแนะนำให้คุณทบทวนประกาศการปรับปรุงแบบจำลองการจัดประเภทแบบกำหนดเองของเราจาก ปีก่อน และเยี่ยมชม พื้นที่เก็บข้อมูล GitHub สำหรับตัวอย่างโค้ด
เกี่ยวกับผู้แต่ง
อัญชัน บิสวาส เป็นสถาปนิกอาวุโสด้านโซลูชันบริการ AI โดยมุ่งเน้นที่ AI/ML และการวิเคราะห์ข้อมูล Anjan เป็นส่วนหนึ่งของทีมบริการ AI ทั่วโลก และทำงานร่วมกับลูกค้าเพื่อช่วยให้พวกเขาเข้าใจและพัฒนาวิธีแก้ปัญหาทางธุรกิจด้วย AI และ ML Anjan มีประสบการณ์มากกว่า 14 ปีในการทำงานกับซัพพลายเชน การผลิต และองค์กรค้าปลีกระดับโลก และคอยช่วยเหลือลูกค้าในการเริ่มต้นและปรับขนาดบนบริการ AWS AI
ก็อดวิน สหยาราช วินเซนต์ เป็น Enterprise Solutions Architect ของ AWS ซึ่งหลงใหลเกี่ยวกับ Machine Learning และให้คำแนะนำแก่ลูกค้าในการออกแบบ ปรับใช้ และจัดการปริมาณงานและสถาปัตยกรรม AWS ในเวลาว่าง เขาชอบเล่นคริกเก็ตกับเพื่อน ๆ และเล่นเทนนิสกับลูกสามคน
Wrick ตะลักดาร์ เป็นสถาปนิกอาวุโสกับทีม Amazon Comprehend Service เขาทำงานร่วมกับลูกค้า AWS เพื่อช่วยให้พวกเขานำการเรียนรู้ของเครื่องไปใช้ในวงกว้าง นอกเวลางาน เขาชอบอ่านหนังสือและถ่ายรูป
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
- การสร้างอนาคตโดย Adryenn Ashley เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/amazon-comprehend-document-classifier-adds-layout-support-for-higher-accuracy/
- :มี
- :เป็น
- $ ขึ้น
- 1
- 10
- 100
- 11
- 2022
- 7
- a
- ความสามารถ
- เกี่ยวกับเรา
- เข้า
- สามารถเข้าถึงได้
- ลงชื่อเข้าใช้
- ความถูกต้อง
- ถูกต้อง
- แม่นยำ
- การกระทำ
- อย่างกระตือรือร้น
- นอกจากนี้
- เพิ่มเติม
- นอกจากนี้
- เพิ่ม
- นำมาใช้
- หลังจาก
- AI
- บริการ AI
- AI / ML
- เอดส์
- เตือนภัย
- ทั้งหมด
- ช่วยให้
- ตาม
- แล้ว
- แม้ว่า
- เสมอ
- อเมซอน
- เข้าใจ Amazon
- จำนวน
- จำนวน
- การวิเคราะห์
- การวิเคราะห์
- และ
- ประกาศ
- ประกาศ
- อื่น
- ใด
- API
- เหมาะสม
- เหมาะสม
- อย่างเหมาะสม
- เป็น
- AS
- ที่ได้รับมอบหมาย
- At
- โดยอัตโนมัติ
- ความตระหนัก
- AWS
- AWS re:ประดิษฐ์
- ตาม
- BE
- เพราะ
- กลายเป็น
- ก่อน
- เริ่ม
- กำลัง
- ประโยชน์ที่ได้รับ
- ที่ดีที่สุด
- ดีกว่า
- ระหว่าง
- ธุรกิจ
- ธุรกิจ
- by
- ที่เรียกว่า
- CAN
- สามารถรับ
- ความจุ
- กรณี
- กรณี
- หมวดหมู่
- สาเหตุที่
- โซ่
- ท้าทาย
- เปลี่ยนแปลง
- ตัวอักษร
- ตรวจสอบ
- Choose
- ข้อเรียกร้อง
- ชั้น
- ชั้นเรียน
- การจัดหมวดหมู่
- แยกประเภท
- รหัส
- คอลัมน์
- คอลัมน์
- ร่วมกัน
- เข้ากันได้
- สมบูรณ์
- เข้าใจ
- ประกอบด้วย
- พิจารณา
- ปลอบใจ
- บรรจุ
- มี
- เนื้อหา
- ต่อเนื่องกัน
- การแก้ไข
- ค่าใช้จ่าย
- ได้
- จิ้งหรีด
- สำคัญมาก
- ประเพณี
- ลูกค้า
- ประสบการณ์ของลูกค้า
- ลูกค้า
- ข้อมูล
- วิเคราะห์ข้อมูล
- การเตรียมข้อมูล
- จัดการ
- การซื้อขาย
- การตัดสินใจ
- ถอดรหัส
- ค่าเริ่มต้น
- กำหนด
- สาธิต
- แสดงให้เห็นถึง
- ทั้งนี้ขึ้นอยู่กับ
- ปรับใช้
- ออกแบบ
- ที่ต้องการ
- กำหนด
- พัฒนา
- ต่าง
- ดิจิตอล
- ค้นพบ
- สนทนา
- แสดง
- เห็นความแตกต่าง
- หลาย
- เอกสาร
- การจัดการเอกสาร
- เอกสาร
- Dont
- แต่ละ
- ง่ายดาย
- มีประสิทธิภาพ
- อย่างมีประสิทธิภาพ
- ที่มีประสิทธิภาพ
- ทั้ง
- ส่งเสริม
- ที่มีการเข้ารหัส
- ปลายทาง
- มหาศาล
- ทำให้มั่นใจ
- เข้าสู่
- Enterprise
- ผู้ประกอบการ
- เอกลักษณ์
- ความผิดพลาด
- จำเป็น
- ประเมินค่า
- การประเมินการ
- การประเมินผล
- ตัวอย่าง
- ตื่นเต้น
- คาดหวัง
- รายจ่าย
- ประสบการณ์
- สารสกัด
- ลักษณะ
- สองสาม
- เนื้อไม่มีมัน
- ไฟล์
- พบ
- ชื่อจริง
- โฟกัส
- ดังต่อไปนี้
- สำหรับ
- รูป
- พบ
- เพื่อน
- ราคาเริ่มต้นที่
- เกมเปลี่ยน
- สร้าง
- ได้รับ
- เหตุการณ์ที่
- ดี
- กราฟิก
- คำแนะนำ
- จัดการ
- จัดการ
- มี
- he
- ส่วนหัว
- สุขภาพ
- การประกันสุขภาพ
- ช่วย
- การช่วยเหลือ
- จะช่วยให้
- สูงกว่า
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTML
- ที่ http
- HTTPS
- เอกลักษณ์
- ภาพ
- ภาพ
- ส่งผลกระทบ
- ผลกระทบ
- การดำเนินการ
- ปรับปรุง
- การปรับปรุง
- การปรับปรุง
- การปรับปรุง
- in
- ประกอบด้วย
- เพิ่ม
- เพิ่มขึ้น
- เพิ่มขึ้น
- ที่เพิ่มขึ้น
- อุตสาหกรรม
- การไหลเข้า
- ข้อมูล
- เริ่มต้น
- ข้อมูลเชิงลึก
- แทน
- ประกัน
- ฉลาด
- ตั้งใจ
- การแทรกแซง
- ร่วมมือ
- IT
- ITS
- การสัมภาษณ์
- jpg
- เด็ก
- ฉลาก
- ป้ายกำกับ
- ภาษา
- ใหญ่
- ชื่อสกุล
- แบบ
- นำ
- นำไปสู่
- เรียนรู้
- การเรียนรู้
- กดไลก์
- Line
- ที่ตั้ง
- ล็อค
- อีกต่อไป
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- ทำให้
- การทำ
- จัดการ
- การจัดการ
- คู่มือ
- ด้วยมือ
- การผลิต
- อาจ..
- ความหมาย
- ข่าวสาร
- ตัวชี้วัด
- นาที
- ML
- โหมด
- แบบ
- โมเดล
- ทันสมัย
- ข้อมูลเพิ่มเติม
- มากที่สุด
- ชื่อ
- พื้นเมือง
- โดยธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- การเดินเรือ
- จำเป็นต้อง
- ใหม่
- ถัดไป
- NLP
- น่าสังเกต
- จำนวน
- วัตถุ
- of
- เสนอ
- on
- ONE
- การดำเนินงาน
- การดำเนินงาน
- ตัวเลือกเสริม (Option)
- Options
- ใบสั่ง
- องค์กร
- อื่นๆ
- ของเรา
- เอาท์พุต
- ด้านนอก
- เกิน
- ภาพรวม
- หน้า
- บานหน้าต่าง
- ส่วนหนึ่ง
- หลงใหล
- รหัสผ่าน
- เส้นทาง
- ผู้ป่วย
- รูปแบบไฟล์ PDF
- ดำเนินการ
- การปฏิบัติ
- ดำเนินการ
- การถ่ายภาพ
- การลงทุน
- ที่ราบ
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- จุด
- น่าสงสาร
- โพสต์
- การปฏิบัติ
- เตรียมการ
- เตรียม
- ป้องกัน
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- กระบวนการ
- การประมวลผล
- ผลผลิต
- ให้
- ให้
- การให้
- วัตถุประสงค์
- RE
- อ่าน
- การอ่าน
- พร้อม
- จริง
- โลกแห่งความจริง
- เรียลไทม์
- รายรับ
- การรับรู้
- รับรู้
- แนะนำ
- แนะนำ
- ลด
- เรียกว่า
- กรุ
- ต้องการ
- จำเป็นต้องใช้
- แหล่งข้อมูล
- ส่งผลให้
- ผลสอบ
- ค้าปลีก
- ทบทวน
- แข็งแรง
- บทบาท
- เดียวกัน
- ลด
- ขนาด
- SDK
- ที่สอง
- Section
- ส่วน
- ระดับอาวุโส
- แยก
- บริการ
- บริการ
- ชุด
- การตั้งค่า
- หลาย
- น่า
- โชว์
- แสดงให้เห็นว่า
- คล้ายคลึงกัน
- ง่าย
- เดียว
- ขนาด
- So
- ทางออก
- โซลูชัน
- บาง
- แหล่งที่มา
- ช่องว่าง
- พิเศษ
- แยก
- ข้อความที่เริ่ม
- เริ่มต้น
- Status
- ขั้นตอน
- ขั้นตอน
- การเก็บรักษา
- โครงสร้าง
- ต่อจากนั้น
- อย่างเช่น
- เหมาะสม
- สรุป
- จัดหาอุปกรณ์
- ห่วงโซ่อุปทาน
- สนับสนุน
- รองรับ
- ระบบ
- เอา
- ใช้เวลา
- งาน
- อนุกรมวิธาน
- ทีม
- เทคนิค
- บอก
- ที่
- พื้นที่
- ของพวกเขา
- พวกเขา
- ที่สาม
- สาม
- ตลอด
- เวลา
- ต้องใช้เวลามาก
- ไปยัง
- แบบดั้งเดิม
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- ชนิด
- เป็นปกติ
- ภายใต้
- เข้าใจ
- ความเข้าใจ
- เป็นเอกลักษณ์
- ใช้
- ใช้กรณี
- มือสอง
- มักจะ
- ความคุ้มค่า
- ต่างๆ
- อเนกประสงค์
- รุ่น
- ผ่านทาง
- ทำงานได้
- เยี่ยมชมร้านค้า
- ปริมาณ
- ไดรฟ์
- ว่า
- ที่
- WHO
- จะ
- กับ
- ภายใน
- คำ
- งาน
- การทำงาน
- โรงงาน
- โลก
- จะ
- เขียน
- ปี
- คุณ
- ของคุณ
- ลมทะเล