นี่คือแขกโพสต์จาก ทุนที่ปรับขนาดได้ซึ่งเป็น FinTech ชั้นนำในยุโรปที่นำเสนอการจัดการความมั่งคั่งดิจิทัลและแพลตฟอร์มนายหน้าซื้อขายหลักทรัพย์ด้วยอัตราการซื้อขายคงที่
ในฐานะบริษัทที่เติบโตอย่างรวดเร็ว เป้าหมายของ Scalable Capital ไม่เพียงแต่สร้างโครงสร้างพื้นฐานที่เป็นนวัตกรรม แข็งแกร่ง และเชื่อถือได้เท่านั้น แต่ยังมอบประสบการณ์ที่ดีที่สุดแก่ลูกค้าของเรา โดยเฉพาะอย่างยิ่งเมื่อเป็นเรื่องของการบริการลูกค้า
Scalable ได้รับการสอบถามทางอีเมลหลายร้อยรายการจากลูกค้าของเราทุกวัน ด้วยการใช้โมเดลการประมวลผลภาษาธรรมชาติ (NLP) สมัยใหม่ กระบวนการตอบสนองจึงได้รับการกำหนดรูปแบบอย่างมีประสิทธิภาพมากขึ้น และเวลารอคอยของลูกค้าก็ลดลงอย่างมาก โมเดลแมชชีนเลิร์นนิง (ML) จะจัดประเภทคำขอใหม่ของลูกค้าที่เข้ามาทันทีที่มาถึงและเปลี่ยนเส้นทางไปยังคิวที่กำหนดไว้ล่วงหน้า ซึ่งช่วยให้ตัวแทนด้านความสำเร็จของลูกค้าของเรามุ่งเน้นไปที่เนื้อหาของอีเมลตามทักษะและให้คำตอบที่เหมาะสม
ในโพสต์นี้ เราจะสาธิตคุณประโยชน์ทางเทคนิคของการใช้หม้อแปลง Hugging Face ที่ใช้งานด้วย อเมซอน SageMakerเช่น การฝึกอบรมและการทดลองในวงกว้าง เพิ่มประสิทธิภาพการทำงานและประหยัดต้นทุน
คำชี้แจงปัญหา
Scalable Capital เป็นหนึ่งใน FinTech ที่เติบโตเร็วที่สุดในยุโรป ด้วยเป้าหมายที่จะทำให้การลงทุนเป็นประชาธิปไตย บริษัทช่วยให้ลูกค้าสามารถเข้าถึงตลาดการเงินได้อย่างง่ายดาย ลูกค้าของ Scalable สามารถมีส่วนร่วมในตลาดผ่านทางแพลตฟอร์มการซื้อขายนายหน้าซื้อขายหลักทรัพย์ของบริษัท หรือใช้ Scalable Wealth Management เพื่อลงทุนในรูปแบบที่ชาญฉลาดและเป็นอัตโนมัติ ในปี 2021 Scalable Capital มีฐานลูกค้าเพิ่มขึ้นสิบเท่าจากหลายหมื่นเป็นหลายแสน
เพื่อให้ลูกค้าของเราได้รับประสบการณ์ผู้ใช้ระดับสูงสุด (และสม่ำเสมอ) ทั่วทั้งผลิตภัณฑ์และการบริการลูกค้า บริษัทจึงมองหาโซลูชันอัตโนมัติเพื่อสร้างประสิทธิภาพสำหรับโซลูชันที่ปรับขนาดได้ในขณะที่ยังคงรักษาความเป็นเลิศในการปฏิบัติงาน ทีมวิทยาศาสตร์ข้อมูลและบริการลูกค้าของ Scalable Capital ระบุว่าหนึ่งในปัญหาคอขวดที่ใหญ่ที่สุดในการให้บริการลูกค้าของเราคือการตอบข้อซักถามทางอีเมล โดยเฉพาะคอขวดคือขั้นตอนการจำแนกประเภท ซึ่งพนักงานต้องอ่านและติดป้ายกำกับข้อความขอเป็นประจำทุกวัน หลังจากที่อีเมลถูกส่งไปยังคิวที่เหมาะสมแล้ว ผู้เชี่ยวชาญที่เกี่ยวข้องก็มีส่วนร่วมและแก้ไขกรณีต่างๆ อย่างรวดเร็ว
เพื่อปรับปรุงกระบวนการจำแนกประเภทนี้ ทีมวิทยาศาสตร์ข้อมูลที่ Scalable ได้สร้างและปรับใช้โมเดล NLP แบบมัลติทาสก์โดยใช้สถาปัตยกรรมหม้อแปลงที่ล้ำสมัย โดยอิงจากการฝึกอบรมล่วงหน้า distilbert-base-german-cased โมเดลเผยแพร่โดย Hugging Face distilbert-base-german-cased ใช้ การกลั่นความรู้ วิธีการฝึกโมเดลการแทนภาษาเพื่อวัตถุประสงค์ทั่วไปที่มีขนาดเล็กกว่าโมเดลฐาน BERT ดั้งเดิม เวอร์ชันกลั่นให้ประสิทธิภาพที่เทียบเท่ากับเวอร์ชันดั้งเดิม ในขณะที่มีขนาดเล็กลงและเร็วกว่า เพื่ออำนวยความสะดวกให้กับกระบวนการวงจรชีวิต ML ของเรา เราจึงตัดสินใจนำ SageMaker มาใช้เพื่อสร้าง ปรับใช้ ให้บริการ และตรวจสอบโมเดลของเรา ในส่วนต่อไปนี้ เราจะแนะนำการออกแบบสถาปัตยกรรมโครงการของเรา
ภาพรวมโซลูชัน
โครงสร้างพื้นฐาน ML ของ Scalable Capital ประกอบด้วยบัญชี AWS สองบัญชี โดยบัญชีหนึ่งเป็นสภาพแวดล้อมสำหรับขั้นตอนการพัฒนา และอีกบัญชีหนึ่งสำหรับขั้นตอนการผลิต
แผนภาพต่อไปนี้แสดงเวิร์กโฟลว์สำหรับโปรเจ็กต์ตัวแยกประเภทอีเมลของเรา แต่ยังสามารถรวมเข้ากับโปรเจ็กต์วิทยาศาสตร์ข้อมูลอื่นๆ ได้ด้วย
เวิร์กโฟลว์ประกอบด้วยส่วนประกอบต่อไปนี้:
- การทดลองแบบจำลอง – นักวิทยาศาสตร์ข้อมูลใช้ สตูดิโอ Amazon SageMaker เพื่อดำเนินการขั้นตอนแรกในวงจรชีวิตวิทยาศาสตร์ข้อมูล: การวิเคราะห์ข้อมูลเชิงสำรวจ (EDA) การล้างข้อมูลและการเตรียมการ และการสร้างแบบจำลองต้นแบบ เมื่อขั้นตอนการสำรวจเสร็จสมบูรณ์ เราจะหันไปใช้ VSCode ที่โฮสต์โดยโน้ตบุ๊ก SageMaker เพื่อเป็นเครื่องมือในการพัฒนาระยะไกลเพื่อแยกส่วนและสร้างฐานโค้ดของเรา เพื่อสำรวจโมเดลประเภทต่างๆ และการกำหนดค่าโมเดล และในเวลาเดียวกันเพื่อติดตามการทดลองของเรา เราใช้ SageMaker Training และ SageMaker Experiments
- การสร้างโมเดล – หลังจากที่เราตัดสินใจเลือกแบบจำลองสำหรับกรณีการใช้งานจริงของเราแล้ว ในกรณีนี้คือต้องทำงานหลายอย่างพร้อมกัน distilbert-base-german-cased โมเดลที่ได้รับการปรับแต่งอย่างละเอียดจากโมเดลที่ได้รับการฝึกฝนจาก Hugging Face เราคอมมิตและพุชโค้ดของเราไปยังสาขาพัฒนา Github เหตุการณ์การรวม Github จะทริกเกอร์ไปป์ไลน์ Jenkins CI ของเรา ซึ่งจะเริ่มงาน SageMaker Pipelines พร้อมข้อมูลทดสอบ สิ่งนี้ทำหน้าที่เป็นการทดสอบเพื่อให้แน่ใจว่าโค้ดทำงานตามที่คาดไว้ จุดสิ้นสุดการทดสอบถูกปรับใช้เพื่อการทดสอบ
- การปรับใช้โมเดล – หลังจากตรวจสอบให้แน่ใจว่าทุกอย่างดำเนินไปตามที่คาดไว้ นักวิทยาศาสตร์ด้านข้อมูลจะรวมสาขาที่กำลังพัฒนาเข้ากับสาขาหลัก เหตุการณ์การรวมนี้จะทริกเกอร์งาน SageMaker Pipelines โดยใช้ข้อมูลการผลิตเพื่อวัตถุประสงค์ในการฝึกอบรม หลังจากนั้น อาร์ติแฟกต์ของโมเดลจะถูกสร้างและจัดเก็บไว้ในเอาต์พุต บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon ที่เก็บข้อมูล (Amazon S3) และเวอร์ชันโมเดลใหม่ได้รับการบันทึกไว้ในรีจิสทรีโมเดล SageMaker นักวิทยาศาสตร์ด้านข้อมูลตรวจสอบประสิทธิภาพของโมเดลใหม่ จากนั้นอนุมัติว่าสอดคล้องกับความคาดหวังหรือไม่ เหตุการณ์การอนุมัติแบบจำลองจะถูกบันทึกโดย อเมซอน EventBridgeซึ่งจะปรับใช้โมเดลกับตำแหน่งข้อมูล SageMaker ในสภาพแวดล้อมการใช้งานจริง
- ม.ป.ป – เนื่องจากตำแหน่งข้อมูล SageMaker เป็นแบบส่วนตัวและไม่สามารถเข้าถึงได้โดยบริการภายนอก VPC AWS แลมบ์ดา และฟังก์ชั่น Amazon API Gateway Amazon ปลายทางสาธารณะจำเป็นต้องสื่อสารกับ CRM เมื่อใดก็ตามที่อีเมลใหม่มาถึงกล่องจดหมาย CRM CRM จะเรียกใช้ตำแหน่งข้อมูลสาธารณะของ API Gateway ซึ่งจะทริกเกอร์ฟังก์ชัน Lambda เพื่อเรียกใช้ตำแหน่งข้อมูล SageMaker ส่วนตัว จากนั้นฟังก์ชันจะถ่ายทอดการจัดหมวดหมู่กลับไปยัง CRM ผ่านทางจุดสิ้นสุดสาธารณะของ API Gateway ในการตรวจสอบประสิทธิภาพของแบบจำลองที่ปรับใช้ของเรา เราใช้วงจรป้อนกลับระหว่าง CRM และนักวิทยาศาสตร์ข้อมูลเพื่อติดตามตัวชี้วัดการคาดการณ์จากแบบจำลอง CRM จะอัปเดตข้อมูลประวัติที่ใช้สำหรับการทดลองและการฝึกโมเดลเป็นประจำทุกเดือน เราใช้ เวิร์กโฟลว์ที่มีการจัดการของ Amazon สำหรับ Apache Airflow (Amazon MWAA) เป็นตัวกำหนดตารางเวลาสำหรับการฝึกซ้ำรายเดือนของเรา
ในส่วนต่อไปนี้ เราจะแจกแจงรายละเอียดของการเตรียมข้อมูล การทดลองแบบจำลอง และขั้นตอนการปรับใช้แบบจำลองโดยละเอียด
การเตรียมข้อมูล
Scalable Capital ใช้เครื่องมือ CRM สำหรับการจัดการและจัดเก็บข้อมูลอีเมล เนื้อหาอีเมลที่เกี่ยวข้องประกอบด้วยหัวเรื่อง เนื้อหา และธนาคารผู้ดูแล มีป้ายกำกับสามป้ายที่จะกำหนดให้กับอีเมลแต่ละฉบับ: อีเมลมาจากสายธุรกิจใด คิวใดที่เหมาะสม และหัวข้อเฉพาะของอีเมล
ก่อนที่เราจะเริ่มการฝึกอบรมโมเดล NLP ใดๆ เราตรวจสอบให้แน่ใจว่าข้อมูลที่ป้อนนั้นสะอาดและมีการกำหนดป้ายกำกับตามความคาดหวัง
เพื่อดึงเนื้อหาการสอบถามที่ชัดเจนจากไคลเอนต์ที่ปรับขนาดได้ เราจะลบข้อมูลอีเมลดิบและข้อความและสัญลักษณ์เพิ่มเติม เช่น ลายเซ็นอีเมล อิมเพรสซั่ม คำพูดของข้อความก่อนหน้าในกลุ่มอีเมล สัญลักษณ์ CSS และอื่นๆ ออกจากอีเมล มิฉะนั้น โมเดลที่ผ่านการฝึกอบรมในอนาคตของเราอาจประสบกับประสิทธิภาพที่ลดลง
ป้ายกำกับสำหรับอีเมลมีการพัฒนาไปตามกาลเวลา เนื่องจากทีมบริการลูกค้าที่ปรับขนาดได้เพิ่มป้ายกำกับใหม่และปรับแต่งหรือลบป้ายกำกับที่มีอยู่เพื่อรองรับความต้องการทางธุรกิจ เพื่อให้แน่ใจว่าป้ายกำกับสำหรับข้อมูลการฝึกอบรมรวมถึงการจำแนกประเภทที่คาดหวังสำหรับการทำนายเป็นข้อมูลล่าสุด ทีมวิทยาการข้อมูลจึงทำงานร่วมกับทีมบริการลูกค้าอย่างใกล้ชิดเพื่อให้แน่ใจว่าฉลากมีความถูกต้อง
การทดลองแบบจำลอง
เราเริ่มต้นการทดลองด้วยการฝึกล่วงหน้าที่พร้อมใช้งาน distilbert-base-german-cased โมเดลเผยแพร่โดย Hugging Face เนื่องจากโมเดลที่ได้รับการฝึกอบรมล่วงหน้าเป็นโมเดลการนำเสนอภาษาสำหรับวัตถุประสงค์ทั่วไป เราจึงสามารถปรับสถาปัตยกรรมเพื่อทำงานดาวน์สตรีมเฉพาะ เช่น การจำแนกประเภทและการตอบคำถาม โดยการแนบส่วนหัวที่เหมาะสมเข้ากับโครงข่ายประสาทเทียม ในกรณีการใช้งานของเรา งานดาวน์สตรีมที่เราสนใจคือการจำแนกลำดับ โดยไม่ต้องแก้ไข. สถาปัตยกรรมที่มีอยู่เราตัดสินใจปรับแต่งโมเดลที่ได้รับการฝึกล่วงหน้าสามแบบแยกกันสำหรับแต่ละหมวดหมู่ที่ต้องการของเรา กับ SageMaker Hugging Face คอนเทนเนอร์การเรียนรู้เชิงลึก (DLC) การเริ่มและการจัดการการทดลอง NLP ทำได้ง่ายด้วยคอนเทนเนอร์ Hugging Face และ SageMaker Experiments API
ต่อไปนี้เป็นข้อมูลโค้ดของ train.py
:
รหัสต่อไปนี้เป็นตัวประมาณค่า Hugging Face:
เพื่อตรวจสอบความถูกต้องของโมเดลที่ได้รับการปรับแต่ง เราใช้ คะแนน F1 เนื่องจากลักษณะที่ไม่สมดุลของชุดข้อมูลอีเมลของเรา แต่ยังรวมถึงการคำนวณตัวชี้วัดอื่นๆ เช่น ความแม่นยำ ความแม่นยำ และการเรียกคืน เพื่อให้ SageMaker Experiments API ลงทะเบียนตัววัดของงานการฝึก เราต้องบันทึกตัววัดลงในคอนโซลภายในเครื่องของงานการฝึกก่อน ซึ่งรับมาจาก อเมซอน คลาวด์วอตช์. จากนั้นเราจะกำหนดรูปแบบ regex ที่ถูกต้องเพื่อบันทึกบันทึก CloudWatch คำจำกัดความของตัววัดประกอบด้วยชื่อของตัววัดและการตรวจสอบความถูกต้องของ regex สำหรับการแยกตัววัดจากงานการฝึก:
ในส่วนหนึ่งของการฝึกซ้ำสำหรับโมเดลตัวแยกประเภท เราใช้เมทริกซ์ความสับสนและรายงานการจำแนกประเภทเพื่อประเมินผลลัพธ์ รูปต่อไปนี้แสดงเมทริกซ์ความสับสนสำหรับการทำนายสายธุรกิจ
ภาพหน้าจอต่อไปนี้แสดงตัวอย่างของรายงานการจัดประเภทสำหรับการคาดการณ์รายการธุรกิจ
ในการทดสอบซ้ำครั้งถัดไป เราจะใช้ประโยชน์จาก การเรียนรู้แบบหลายงาน เพื่อปรับปรุงโมเดลของเรา การเรียนรู้แบบหลายงานเป็นรูปแบบหนึ่งของการฝึกอบรมที่แบบจำลองเรียนรู้ที่จะแก้ไขปัญหาหลาย ๆ งานพร้อมกัน เนื่องจากข้อมูลที่แบ่งปันระหว่างงานสามารถปรับปรุงประสิทธิภาพการเรียนรู้ได้ ด้วยการแนบส่วนหัวการจัดหมวดหมู่อีกสองรายการเข้ากับสถาปัตยกรรมดิสทิลเบิร์ตดั้งเดิม เราจึงสามารถดำเนินการปรับแต่งแบบละเอียดหลายงานได้ ซึ่งบรรลุตัวชี้วัดที่เหมาะสมสำหรับทีมบริการลูกค้าของเรา
การปรับใช้โมเดล
ในกรณีการใช้งานของเรา ตัวแยกประเภทอีเมลจะถูกปรับใช้กับตำแหน่งข้อมูล ซึ่งไปป์ไลน์ CRM ของเราสามารถส่งอีเมลที่ไม่ได้จัดประเภทเป็นชุดและรับการคาดการณ์กลับได้ เนื่องจากเรามีตรรกะอื่นๆ เช่น การล้างข้อมูลอินพุตและการคาดการณ์แบบหลายงาน นอกเหนือจากการอนุมานโมเดล Hugging Face เราจึงต้องเขียนสคริปต์การอนุมานแบบกำหนดเองที่ยึดตาม มาตรฐาน SageMaker.
ต่อไปนี้เป็นข้อมูลโค้ดของ inference.py
:
เมื่อทุกอย่างพร้อมแล้ว เราจะใช้ SageMaker Pipelines เพื่อจัดการไปป์ไลน์การฝึกอบรมของเราและแนบไปกับโครงสร้างพื้นฐานของเราเพื่อตั้งค่า MLOps ให้เสร็จสมบูรณ์
ในการตรวจสอบประสิทธิภาพของโมเดลที่ปรับใช้ เราสร้างลูปคำติชมเพื่อให้ CRM สามารถแจ้งสถานะของอีเมลที่จัดประเภทเมื่อปิดกรณีและปัญหาได้ จากข้อมูลนี้ เราทำการปรับเปลี่ยนเพื่อปรับปรุงโมเดลที่ปรับใช้
สรุป
ในโพสต์นี้ เราได้แชร์วิธีที่ SageMaker อำนวยความสะดวกให้กับทีมวิทยาศาสตร์ข้อมูลที่ Scalable เพื่อจัดการวงจรชีวิตของโครงการวิทยาศาสตร์ข้อมูลอย่างมีประสิทธิภาพ กล่าวคือ โครงการตัวแยกประเภทอีเมล วงจรชีวิตเริ่มต้นด้วยระยะเริ่มต้นของการวิเคราะห์และสำรวจข้อมูลด้วย SageMaker Studio ก้าวไปสู่การทดลองจำลองและการปรับใช้ด้วยการฝึกอบรม SageMaker การอนุมาน และ Hugging Face DLC และเสร็จสิ้นด้วยไปป์ไลน์การฝึกอบรมด้วย SageMaker Pipelines ที่ผสานรวมกับบริการของ AWS อื่น ๆ ด้วยโครงสร้างพื้นฐานนี้ เราจึงสามารถทำซ้ำและปรับใช้โมเดลใหม่ได้อย่างมีประสิทธิภาพมากขึ้น และจึงสามารถปรับปรุงกระบวนการที่มีอยู่ภายใน Scalable รวมถึงประสบการณ์ของลูกค้าของเราได้
หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ Hugging Face และ SageMaker โปรดดูแหล่งข้อมูลต่อไปนี้:
เกี่ยวกับผู้เขียน
ดร.แซนดรา ชมิด เป็นหัวหน้าฝ่ายวิเคราะห์ข้อมูลที่ Scalable GmbH เธอรับผิดชอบแนวทางที่ขับเคลื่อนด้วยข้อมูลและกรณีการใช้งานในบริษัทร่วมกับทีมของเธอ เป้าหมายหลักของเธอคือการค้นหาการผสมผสานที่ดีที่สุดของโมเดลการเรียนรู้ของเครื่องและวิทยาศาสตร์ข้อมูลและเป้าหมายทางธุรกิจ เพื่อให้ได้มูลค่าทางธุรกิจและประสิทธิภาพจากข้อมูลมากที่สุดเท่าที่จะเป็นไปได้
ฮุ้ยแดง นักวิทยาศาสตร์ข้อมูลที่ Scalable GmbH ความรับผิดชอบของเขา ได้แก่ การวิเคราะห์ข้อมูล การสร้างและการปรับใช้โมเดลการเรียนรู้ของเครื่อง รวมถึงการพัฒนาและบำรุงรักษาโครงสร้างพื้นฐานสำหรับทีมวิทยาศาสตร์ข้อมูล ในเวลาว่าง เขาสนุกกับการอ่านหนังสือ เดินป่า ปีนเขา และติดตามข่าวสารเกี่ยวกับการพัฒนาแมชชีนเลิร์นนิงล่าสุด
มีอาช้าง เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญ ML สำหรับ Amazon Web Services เธอทำงานร่วมกับลูกค้าใน EMEA และแบ่งปันแนวทางปฏิบัติที่ดีที่สุดในการรันปริมาณงาน AI/ML บนคลาวด์พร้อมพื้นฐานด้านคณิตศาสตร์ประยุกต์ วิทยาการคอมพิวเตอร์ และ AI/ML เธอมุ่งเน้นไปที่ปริมาณงานเฉพาะของ NLP และแบ่งปันประสบการณ์ของเธอในฐานะวิทยากรในการประชุมและผู้แต่งหนังสือ ในเวลาว่าง เธอชอบเล่นโยคะ เกมกระดาน และชงกาแฟ
มอริตซ์ เกิร์ตเลอร์ เป็นผู้บริหารบัญชีในส่วน Digital Native Business ที่ AWS เขามุ่งเน้นไปที่ลูกค้าในพื้นที่ FinTech และสนับสนุนพวกเขาในการเร่งสร้างนวัตกรรมผ่านโครงสร้างพื้นฐานคลาวด์ที่ปลอดภัยและปรับขนาดได้
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. ยานยนต์ / EVs, คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ChartPrime. ยกระดับเกมการซื้อขายของคุณด้วย ChartPrime เข้าถึงได้ที่นี่.
- BlockOffsets การปรับปรุงการเป็นเจ้าของออฟเซ็ตด้านสิ่งแวดล้อมให้ทันสมัย เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/accelerate-client-success-management-through-email-classification-with-hugging-face-on-amazon-sagemaker/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- $ ขึ้น
- 1
- 100
- 13
- 15%
- 17
- 2021
- 26%
- 32
- 500
- 7
- a
- สามารถ
- เกี่ยวกับเรา
- ข้างบน
- เร่งความเร็ว
- เร่ง
- ยอมรับ
- เข้า
- อำนวยความสะดวก
- ตาม
- ลงชื่อเข้าใช้
- บัญชี
- ความถูกต้อง
- ประสบความสำเร็จ
- ข้าม
- อย่างกระตือรือร้น
- การกระทำ
- ปรับ
- เพิ่ม
- นอกจากนี้
- การปรับเปลี่ยน
- นำมาใช้
- ความได้เปรียบ
- หลังจาก
- ภายหลัง
- ตัวแทน
- AI / ML
- จุดมุ่งหมาย
- ช่วยให้
- ด้วย
- อเมซอน
- อเมซอน SageMaker
- Amazon Web Services
- ในหมู่
- an
- การวิเคราะห์
- การวิเคราะห์
- และ
- ใด
- อาปาเช่
- API
- ประยุกต์
- วิธีการ
- เหมาะสม
- การอนุมัติ
- อนุมัติ
- สถาปัตยกรรม
- เป็น
- ข้อโต้แย้ง
- AS
- ที่ได้รับมอบหมาย
- At
- แนบ
- ผู้เขียน
- อัตโนมัติ
- ใช้ได้
- AWS
- กลับ
- พื้นหลัง
- ธนาคาร
- ฐาน
- ตาม
- รากฐาน
- BE
- เพราะ
- รับ
- กำลัง
- ประโยชน์ที่ได้รับ
- ที่ดีที่สุด
- ปฏิบัติที่ดีที่สุด
- ระหว่าง
- คณะกรรมการ
- เกมกระดาน
- ร่างกาย
- หนังสือ
- สาขา
- ทำลาย
- ค่านายหน้า
- สร้าง
- การก่อสร้าง
- สร้าง
- ธุรกิจ
- ธุรกิจ
- แต่
- by
- CAN
- เมืองหลวง
- ทุน
- จับ
- ถูกจับกุม
- พกพา
- กรณี
- กรณี
- หมวดหมู่
- ห่วงโซ่
- การจัดหมวดหมู่
- จัด
- การทำความสะอาด
- ไคลเอนต์
- ลูกค้า
- ปีนเขา
- ปิดหน้านี้
- ปิด
- เมฆ
- โครงสร้างพื้นฐานคลาวด์
- รหัส
- ฐานรหัส
- รหัส
- กาแฟ
- การทำงานร่วมกัน
- การผสมผสาน
- มา
- ผูกมัด
- สื่อสาร
- บริษัท
- บริษัท
- เทียบเคียง
- สมบูรณ์
- เสร็จสิ้น
- ส่วนประกอบ
- คำนวณ
- คอมพิวเตอร์
- วิทยาการคอมพิวเตอร์
- การประชุม
- ความสับสน
- คงเส้นคงวา
- ประกอบ
- ปลอบใจ
- ภาชนะบรรจุ
- เนื้อหา
- เนื้อหา
- แก้ไข
- CRM
- CSS
- ผู้ปกครอง
- ประเพณี
- ลูกค้า
- ลูกค้า
- ประจำวัน
- ข้อมูล
- การวิเคราะห์ข้อมูล
- วิเคราะห์ข้อมูล
- การเตรียมข้อมูล
- วิทยาศาสตร์ข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- ที่ขับเคลื่อนด้วยข้อมูล
- วันที่
- ตัดสินใจ
- ตัดสินใจ
- ทุ่มเท
- ลึก
- การเรียนรู้ลึก ๆ
- ค่าเริ่มต้น
- กำหนด
- กำหนด
- คำจำกัดความ
- ทำให้เป็นประชาธิปไตย
- สาธิต
- ปรับใช้
- นำไปใช้
- ปรับใช้
- การใช้งาน
- Deploys
- ออกแบบ
- รายละเอียด
- พัฒนา
- ที่กำลังพัฒนา
- พัฒนาการ
- การพัฒนา
- ต่าง
- ดิจิตอล
- การจัดการความมั่งคั่งทางดิจิทัล
- ลง
- สอง
- แต่ละ
- ง่าย
- ประสิทธิภาพ
- อย่างมีประสิทธิภาพ
- อื่น
- อีเมล
- อีเมล
- EMEA
- พนักงาน
- ทำให้สามารถ
- ปลายทาง
- หมั้น
- ทำให้มั่นใจ
- สิ่งแวดล้อม
- ยุค
- โดยเฉพาะอย่างยิ่ง
- ยุโรป
- ประเมินค่า
- การประเมินผล
- เหตุการณ์
- ทุกอย่าง
- คาย
- ตรวจสอบ
- ตัวอย่าง
- ความยอดเยี่ยม
- ผู้บริหารงาน
- ที่มีอยู่
- ความคาดหวัง
- ความคาดหวัง
- ที่คาดหวัง
- ประสบการณ์
- มีประสบการณ์
- ประสบการณ์
- การทดลอง
- การทดลอง
- การสำรวจ
- การวิเคราะห์ข้อมูลเชิงสำรวจ
- สำรวจ
- พิเศษ
- f1
- ใบหน้า
- อำนวยความสะดวก
- อำนวยความสะดวก
- แฟชั่น
- เร็วขึ้น
- ที่เร็วที่สุด
- ที่เติบโตเร็วที่สุด
- ข้อเสนอแนะ
- รูป
- ทางการเงิน
- หา
- Fintech
- fintechs
- ชื่อจริง
- ก้าวแรก
- แบน
- โฟกัส
- มุ่งเน้นไปที่
- ดังต่อไปนี้
- สำหรับ
- ฟอร์ม
- รูป
- ฟรี
- ราคาเริ่มต้นที่
- ฟังก์ชัน
- อนาคต
- ได้รับ
- เกม
- เกตเวย์
- จุดประสงค์ทั่วไป
- สร้าง
- ได้รับ
- GitHub
- จีเอ็มบีเอช
- เป้าหมาย
- การเจริญเติบโต
- แขก
- โพสต์ของผู้เข้าพัก
- มี
- มี
- he
- หัว
- หัว
- เธอ
- ของเขา
- ทางประวัติศาสตร์
- เป็นเจ้าภาพ
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- HTML
- ที่ http
- HTTPS
- ร้อย
- ระบุ
- if
- การดำเนินการ
- การดำเนินการ
- ปรับปรุง
- in
- ประกอบด้วย
- ขาเข้า
- เพิ่ม
- เพิ่มขึ้น
- ข้อมูล
- โครงสร้างพื้นฐาน
- แรกเริ่ม
- นักวิเคราะห์ส่วนบุคคลที่หาโอกาสให้เป็นไปได้มากที่สุด
- นวัตกรรม
- อินพุต
- สอบถามข้อมูล
- การสอบสวน
- แบบบูรณาการ
- ฉลาด
- สนใจ
- เข้าไป
- แนะนำ
- ลงทุน
- การลงทุน
- จะเรียก
- IT
- การย้ำ
- ITS
- การสัมภาษณ์
- JSON
- เก็บ
- คีย์
- ฉลาก
- ป้ายกำกับ
- ภาษา
- ใหญ่ที่สุด
- ล่าสุด
- ชั้นนำ
- เรียนรู้
- การเรียนรู้
- วงจรชีวิต
- Line
- โหลด
- ในประเทศ
- เข้าสู่ระบบ
- เข้า
- ที่ต้องการหา
- ปิด
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- การบำรุงรักษา
- ทำ
- การทำ
- จัดการ
- การจัดการ
- การจัดการ
- การจัดการ
- ตลาด
- ตลาด
- คณิตศาสตร์
- มดลูก
- ผสาน
- รวมเหตุการณ์
- ข้อความ
- วิธี
- เมตริก
- ตัวชี้วัด
- อาจ
- ML
- ม.ป.ป
- แบบ
- โมเดล
- ทันสมัย
- การตรวจสอบ
- รายเดือน
- ข้อมูลเพิ่มเติม
- ย้าย
- มาก
- หลาย
- ชื่อ
- คือ
- พื้นเมือง
- โดยธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- ธรรมชาติ
- จำเป็นต้อง
- ความต้องการ
- เครือข่าย
- เกี่ยวกับประสาท
- เครือข่ายประสาท
- ใหม่
- ถัดไป
- NLP
- สมุดบันทึก
- ตอนนี้
- จำนวน
- of
- เสนอ
- on
- ONE
- คน
- เพียง
- การดำเนินงาน
- or
- ใบสั่ง
- เป็นต้นฉบับ
- อื่นๆ
- มิฉะนั้น
- ของเรา
- ออก
- เอาท์พุต
- ด้านนอก
- เกิน
- ส่วนหนึ่ง
- มีส่วนร่วม
- ดำเนินการ
- การปฏิบัติ
- ระยะ
- เลือก
- ท่อ
- เวที
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เป็นไปได้
- โพสต์
- การปฏิบัติ
- ความแม่นยำ
- คำทำนาย
- การคาดการณ์
- การจัดเตรียม
- ก่อน
- ประถม
- ส่วนตัว
- กระบวนการ
- กระบวนการ
- การประมวลผล
- ผลิต
- การผลิต
- ผลผลิต
- ผลิตภัณฑ์
- โครงการ
- โครงการ
- เหมาะสม
- ต้นแบบ
- ให้
- ให้
- สาธารณะ
- การตีพิมพ์
- วัตถุประสงค์
- ผลัก
- คำถาม
- อย่างรวดเร็ว
- คำพูด
- ยก
- คะแนน
- ดิบ
- ถึง
- อ่าน
- การอ่าน
- พร้อม
- เหมาะสม
- ที่ได้รับ
- บันทึก
- ลดลง
- อ้างอิง
- ปรับแต่ง
- นิพจน์ทั่วไป
- ทะเบียน
- รีจิสทรี
- ตรงประเด็น
- น่าเชื่อถือ
- รีโมท
- เอาออก
- รายงาน
- การแสดง
- ขอ
- การร้องขอ
- จำเป็นต้องใช้
- ได้รับการแก้ไข
- แหล่งข้อมูล
- ว่า
- การตอบสนอง
- คำตอบ
- การตอบสนอง
- ความรับผิดชอบ
- รับผิดชอบ
- ผล
- กลับ
- แข็งแรง
- หิน
- วิ่ง
- sagemaker
- ท่อส่ง SageMaker
- เดียวกัน
- ที่ปรับขนาดได้
- ขนาด
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- นักวิทยาศาสตร์
- ต้นฉบับ
- Section
- ส่วน
- ปลอดภัย
- ส่วน
- ส่ง
- แยก
- ลำดับ
- ให้บริการ
- บริการ
- บริการ
- การติดตั้ง
- มีรูป
- ที่ใช้ร่วมกัน
- หุ้น
- เธอ
- แสดงให้เห็นว่า
- ลายเซ็น
- ง่าย
- พร้อมกัน
- ทักษะ
- มีขนาดเล็กกว่า
- เศษเล็กเศษน้อย
- So
- ทางออก
- โซลูชัน
- แก้
- ในไม่ช้า
- ช่องว่าง
- ลำโพง
- ผู้เชี่ยวชาญ
- ผู้เชี่ยวชาญ
- โดยเฉพาะ
- เฉพาะ
- ระยะ
- เริ่มต้น
- ที่เริ่มต้น
- เริ่มต้น
- รัฐของศิลปะ
- Status
- การเข้าพัก
- ขั้นตอน
- ขั้นตอน
- การเก็บรักษา
- เก็บไว้
- การเก็บรักษา
- เพรียวลม
- สตูดิโอ
- หรือ
- ความสำเร็จ
- อย่างเช่น
- รองรับ
- แน่ใจ
- เอา
- งาน
- งาน
- ทีม
- ทีม
- วิชาการ
- เมตริกซ์
- ทดสอบ
- การทดสอบ
- ข้อความ
- กว่า
- ขอบคุณ
- ที่
- พื้นที่
- ของพวกเขา
- พวกเขา
- แล้วก็
- ที่นั่น
- ดังนั้น
- พวกเขา
- นี้
- พัน
- สาม
- ตลอด
- เวลา
- ไปยัง
- ร่วมกัน
- เครื่องมือ
- หัวข้อ
- ไฟฉาย
- ลู่
- เทรด
- แพลตฟอร์มการซื้อขาย
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- หม้อแปลงไฟฟ้า
- หม้อแปลง
- อย่างมาก
- กลับ
- สอง
- ชนิด
- ชนิด
- การปรับปรุง
- us
- ใช้
- ใช้กรณี
- มือสอง
- ผู้ใช้งาน
- ประสบการณ์ของผู้ใช้
- ใช้
- การใช้
- ตรวจสอบความถูกต้อง
- การตรวจสอบ
- ความคุ้มค่า
- รุ่น
- ที่รอ
- คือ
- we
- ความมั่งคั่ง
- การบริหารความมั่งคั่ง
- เว็บ
- บริการเว็บ
- ดี
- คือ
- เมื่อ
- เมื่อไรก็ตาม
- ที่
- ในขณะที่
- กับ
- ภายใน
- ไม่มี
- เวิร์กโฟลว์
- ขั้นตอนการทำงาน
- โรงงาน
- เขียน
- โยคะ
- ลมทะเล