แนวโน้มทางเทคโนโลยีและความก้าวหน้าในสื่อดิจิทัลในทศวรรษที่ผ่านมา ส่งผลให้ข้อมูลแบบข้อความมีจำนวนเพิ่มขึ้น ประโยชน์ที่เป็นไปได้ของการขุดข้อความนี้เพื่อให้ได้ข้อมูลเชิงลึก ทั้งเชิงกลยุทธ์และเชิงกลยุทธ์นั้นมหาศาล สิ่งนี้เรียกว่าการประมวลผลภาษาธรรมชาติ (NLP) ตัวอย่างเช่น คุณสามารถใช้ NLP เพื่อวิเคราะห์การรีวิวผลิตภัณฑ์ของคุณสำหรับความคิดเห็นของลูกค้า ฝึกแบบจำลองตัวจำแนกเอนทิตีแบบกำหนดเองเพื่อระบุประเภทผลิตภัณฑ์ที่น่าสนใจตามความคิดเห็นของลูกค้า หรือฝึกแบบจำลองการจัดประเภทข้อความแบบกำหนดเองเพื่อกำหนดประเภทผลิตภัณฑ์ยอดนิยม
เข้าใจ Amazon เป็นบริการ NLP ที่มีระบบอัจฉริยะสำเร็จรูปเพื่อดึงข้อมูลเชิงลึกเกี่ยวกับเนื้อหาของเอกสาร พัฒนาข้อมูลเชิงลึกโดยจดจำเอนทิตี วลีสำคัญ ภาษา ความรู้สึก และองค์ประกอบทั่วไปอื่นๆ ในเอกสาร Amazon Comprehend Custom ใช้การเรียนรู้ของเครื่องอัตโนมัติ (Auto ML) เพื่อสร้างโมเดล NLP ในนามของคุณโดยใช้ข้อมูลของคุณเอง สิ่งนี้ทำให้คุณสามารถตรวจจับเอนทิตีเฉพาะสำหรับธุรกิจของคุณ หรือจัดประเภทข้อความหรือเอกสารตามความต้องการของคุณ นอกจากนี้ คุณสามารถทำให้เวิร์กโฟลว์ NLP ทั้งหมดของคุณเป็นแบบอัตโนมัติด้วย API ที่ใช้งานง่าย
วันนี้ เรายินดีที่จะประกาศเปิดตัวคุณสมบัติการคัดลอกแบบจำลองแบบกำหนดเองของ Amazon Comprehend ซึ่งช่วยให้คุณคัดลอกแบบจำลองที่กำหนดเองของ Amazon Comprehend โดยอัตโนมัติจากบัญชีต้นทางไปยังบัญชีเป้าหมายที่กำหนดในภูมิภาคเดียวกันโดยไม่ต้องเข้าถึงชุดข้อมูลที่แบบจำลองนั้น ได้รับการอบรมและประเมินผลเมื่อ เริ่มวันนี้ คุณสามารถใช้ คอนโซลการจัดการ AWS, อินเทอร์เฟซบรรทัดคำสั่ง AWS AWS (AWS CLI) หรือ boto3 API (Python SDK สำหรับ AWS) เพื่อคัดลอกโมเดลที่กำหนดเองที่ผ่านการฝึกอบรมจากบัญชีต้นทางไปยังบัญชีเป้าหมายที่กำหนด ฟีเจอร์ใหม่นี้ใช้ได้กับทั้งโมเดลการจำแนกแบบกำหนดเองของ Amazon Comprehend และโมเดลการรู้จำเอนทิตีแบบกำหนดเอง
ประโยชน์ของคุณสมบัติการคัดลอกแบบจำลอง
คุณลักษณะใหม่นี้มีประโยชน์ดังต่อไปนี้:
- กลยุทธ์ MLOps หลายบัญชี – ฝึกโมเดลครั้งเดียวและรับรองการปรับใช้ที่คาดการณ์ได้ในสภาพแวดล้อมที่หลากหลายในบัญชีต่างๆ
- ใช้งานได้เร็วขึ้น – คุณสามารถคัดลอกแบบจำลองที่ผ่านการฝึกอบรมระหว่างบัญชีต่างๆ ได้อย่างรวดเร็ว หลีกเลี่ยงเวลาในการฝึกซ้ำในทุกบัญชี
- ปกป้องชุดข้อมูลที่ละเอียดอ่อน – ตอนนี้คุณไม่จำเป็นต้องแชร์ชุดข้อมูลระหว่างบัญชีหรือผู้ใช้ต่างๆ อีกต่อไป ข้อมูลการฝึกอบรมจะต้องมีอยู่ในบัญชีที่ทำการฝึกอบรมเท่านั้น สิ่งนี้สำคัญมากสำหรับอุตสาหกรรมบางประเภท เช่น บริการทางการเงิน ซึ่งการแยกข้อมูลและแซนด์บ็อกซ์มีความสำคัญต่อการปฏิบัติตามข้อกำหนดด้านกฎระเบียบ
- ทำงานร่วมกันได้ง่าย – คู่ค้าหรือผู้ขายสามารถฝึกอบรมใน Amazon Comprehend Custom ได้อย่างง่ายดายและแชร์โมเดลกับลูกค้าของตน
สำเนาแบบจำลองทำงานอย่างไร
ด้วยคุณสมบัติการคัดลอกโมเดลใหม่ คุณสามารถคัดลอกโมเดลแบบกำหนดเองระหว่างบัญชี AWS ในภูมิภาคเดียวกันในกระบวนการสองขั้นตอน ขั้นแรก ผู้ใช้ในบัญชี AWS หนึ่งบัญชี (บัญชี A) แชร์โมเดลแบบกำหนดเองที่อยู่ในบัญชีของตน จากนั้น ผู้ใช้ในบัญชี AWS อื่น (บัญชี B) จะนำเข้าโมเดลไปยังบัญชีของตน
แชร์โมเดล
หากต้องการแชร์โมเดลที่กำหนดเองในบัญชี A ผู้ใช้แนบ an AWS Identity และการจัดการการเข้าถึง (IAM) นโยบายตามทรัพยากรสำหรับรุ่นโมเดล นโยบายนี้อนุญาตให้นิติบุคคลในบัญชี B เช่น ผู้ใช้หรือบทบาท IAM นำเข้าเวอร์ชันของโมเดลไปยัง Amazon Comprehend ในบัญชี AWS คุณสามารถกำหนดค่านโยบายตามทรัพยากรผ่านคอนโซลหรือด้วยแบบกำหนดเองของ Amazon Comprehend PutResourcePolicy
API
นำเข้าโมเดล
ในการนำเข้าโมเดลไปยังบัญชี B ผู้ใช้บัญชีนี้จะให้รายละเอียดที่จำเป็นแก่ Amazon Comprehend เช่น ชื่อทรัพยากร Amazon (ARN) ของโมเดล เมื่อพวกเขานำเข้าโมเดล ผู้ใช้รายนี้จะสร้างโมเดลแบบกำหนดเองใหม่ในบัญชี AWS ซึ่งจำลองโมเดลที่พวกเขานำเข้า โมเดลนี้ได้รับการฝึกอบรมอย่างเต็มที่และพร้อมสำหรับงานอนุมาน เช่น การจัดประเภทเอกสารหรือการรับรู้เอนทิตีที่มีชื่อ หากโมเดลถูกเข้ารหัสด้วย an บริการจัดการคีย์ AWS คีย์ (AWS KMS) ในต้นทาง จากนั้นบทบาทบริการที่ระบุขณะนำเข้าโมเดลจะต้องมีการเข้าถึงคีย์ KMS เพื่อถอดรหัสโมเดลระหว่างการนำเข้า บัญชีเป้าหมายยังสามารถระบุคีย์ KMS เพื่อเข้ารหัสแบบจำลองระหว่างการนำเข้า การนำเข้าโมเดลที่ใช้ร่วมกันนั้นสามารถใช้ได้ทั้งบนคอนโซลและในรูปแบบ API
ภาพรวมโซลูชัน
เพื่อสาธิตการทำงานของคุณสมบัติการคัดลอกแบบจำลอง เราจะแสดงให้คุณเห็นถึงวิธีการฝึกฝน แชร์ และนำเข้าโมเดลการรู้จำเอนทิตีแบบกำหนดเองของ Amazon Comprehend โดยใช้ทั้งคอนโซล Amazon Comprehend และ AWS CLI สำหรับการสาธิตนี้ เราใช้สองบัญชีที่แตกต่างกัน ขั้นตอนเหล่านี้ใช้ได้กับการจัดประเภทแบบกำหนดเองของ Amazon Comprehend เช่นกัน ขั้นตอนที่จำเป็นมีดังนี้:
- ฝึกโมเดลการรู้จำเอนทิตีแบบกำหนดเองของ Amazon Comprehend ในบัญชีต้นทาง
- กำหนดนโยบายทรัพยากร IAM สำหรับโมเดลที่ได้รับการฝึกเพื่ออนุญาตการเข้าถึงข้ามบัญชี
- คัดลอกรูปแบบการฝึกอบรมจากบัญชีต้นทางไปยังบัญชีเป้าหมาย
- ทดสอบแบบจำลองที่คัดลอกผ่านชุดงาน
ฝึกโมเดลการรู้จำเอนทิตีแบบกำหนดเองของ Amazon Comprehend ในบัญชีต้นทาง
ขั้นตอนแรกคือการฝึกโมเดลการรู้จำเอนทิตีแบบกำหนดเองของ Amazon Comprehend ในบัญชีต้นทาง เป็นชุดข้อมูลอินพุตสำหรับการฝึกอบรม เราใช้ CSV รายการนิติบุคคล และ เอกสารการฝึกอบรม เพื่อรับทราบข้อเสนอบริการของ AWS ในเอกสารที่กำหนด ตรวจสอบให้แน่ใจว่ารายการเอนทิตีและเอกสารการฝึกอบรมอยู่ใน บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) ที่ฝากข้อมูลในบัญชีต้นทาง ดูคำแนะนำได้ที่ การเพิ่มเอกสารไปยัง Amazon S3.
สร้างบทบาท IAM สำหรับ Amazon Comprehend และให้การเข้าถึงที่จำเป็นไปยังบัคเก็ต S3 พร้อมข้อมูลการฝึกอบรม สังเกตเส้นทางที่ฝากข้อมูลของ ARN และ S3 เพื่อใช้ในขั้นตอนต่อๆ ไป
ฝึกโมเดลด้วย AWS CLI
สร้างตัวจำแนกเอนทิตีโดยใช้คำสั่ง AWS CLI ต่อไปนี้ แทนที่พารามิเตอร์ของคุณสำหรับพาธ S3, บทบาท IAM และภูมิภาค คำตอบกลับมาที่ EntityRecognizerArn
.
สามารถตรวจสอบสถานะของงานการฝึกอบรมได้โดยการเรียกโปรแกรมอธิบาย-เอนทิตี-ตัวรับรู้ และตรวจสอบสถานะในการตอบกลับ
ฝึกโมเดลผ่านคอนโซล
ในการฝึกโมเดลผ่านคอนโซล ให้ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล Amazon Comprehend ภายใต้ การปรับแต่งสร้างแบบจำลองตัวจำแนกเอนทิตีแบบกำหนดเองใหม่
- ระบุชื่อรุ่นและรุ่น
- สำหรับ ภาษาเลือก อังกฤษ.
- สำหรับ ประเภทเอนทิตีแบบกำหนดเองเพิ่ม
AWS_OFFERING
.
ในการฝึกโมเดลการรู้จำเอนทิตีแบบกำหนดเอง คุณสามารถเลือกวิธีใดวิธีหนึ่งในการให้ข้อมูลแก่ Amazon Comprehend: คำอธิบายประกอบ or รายการนิติบุคคล. เพื่อความง่าย ให้ใช้วิธีรายการเอนทิตี
- สำหรับ รูปแบบข้อมูลให้เลือก ไฟล์ CSV.
- สำหรับ ประเภทการฝึกอบรมให้เลือก การใช้รายการเอนทิตีและเอกสารการฝึกอบรม.
- ระบุเส้นทางตำแหน่ง S3 สำหรับรายการเอนทิตี CSV และข้อมูลการฝึกอบรม
- หากต้องการให้สิทธิ์แก่ Amazon Comprehend ในการเข้าถึงบัคเก็ต S3 ของคุณ ให้สร้างบทบาทที่เชื่อมโยงกับบริการ IAM
ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร นโยบายตามทรัพยากร ส่วน คุณสามารถอนุญาตการเข้าถึงสำหรับรุ่นรุ่น บัญชีที่คุณให้สิทธิ์เข้าถึงสามารถนำเข้าโมเดลนี้ไปยังบัญชีของพวกเขาได้ เราข้ามขั้นตอนนี้ไปก่อนและเพิ่มนโยบายหลังจากที่โมเดลได้รับการฝึกอบรม และเราพอใจกับประสิทธิภาพของโมเดล
- Choose สร้างบัญชีตัวแทน.
การดำเนินการนี้จะส่งตัวจำแนกเอนทิตีแบบกำหนดเองของคุณ ซึ่งจะผ่านโมเดลต่างๆ มากมาย ปรับไฮเปอร์พารามิเตอร์ของคุณ และตรวจสอบการตรวจสอบข้ามเพื่อให้แน่ใจว่าโมเดลของคุณแข็งแกร่ง ทั้งหมดนี้เป็นกิจกรรมเดียวกันกับที่นักวิทยาศาสตร์ด้านข้อมูลทำ
กำหนดนโยบายทรัพยากร IAM สำหรับโมเดลที่ผ่านการฝึกอบรมเพื่ออนุญาตการเข้าถึงข้ามบัญชี
เมื่อเราพอใจกับประสิทธิภาพการฝึกอบรมแล้ว เราสามารถดำเนินการต่อและแบ่งปันรุ่นของแบบจำลองเฉพาะโดยเพิ่มนโยบายทรัพยากร
เพิ่มนโยบายตามทรัพยากรจาก AWS CLI
อนุญาตการนำเข้าแบบจำลองจากบัญชีเป้าหมายโดยเพิ่มนโยบายทรัพยากรในแบบจำลอง ดังแสดงในรหัสต่อไปนี้ นโยบายสามารถกำหนดขอบเขตอย่างเข้มงวดสำหรับรุ่นรุ่นเฉพาะและตัวการกำหนดเป้าหมาย แทนที่ ARN ตัวจดจำเอนทิตีที่ได้รับการฝึกอบรมและบัญชีเป้าหมายเพื่อให้เข้าถึงได้
เพิ่มนโยบายตามทรัพยากรผ่านคอนโซล
เมื่อการฝึกอบรมเสร็จสิ้น เวอร์ชันแบบจำลองการรับรู้เอนทิตีแบบกำหนดเองจะถูกสร้างขึ้น เราสามารถเลือกรุ่นและรุ่นที่ได้รับการฝึกอบรมเพื่อดูรายละเอียดการฝึกรวมทั้งประสิทธิภาพของรูปแบบการฝึกอบรม
ในการอัปเดตนโยบาย ให้ทำตามขั้นตอนต่อไปนี้:
- เกี่ยวกับ แท็ก, VPC & นโยบาย แท็บ แก้ไขนโยบายตามทรัพยากร
- ระบุชื่อนโยบาย หลักบริการ Amazon Comprehend (
comprehend.amazonaws.com
) รหัสบัญชีเป้าหมาย และผู้ใช้ IAM ในบัญชีเป้าหมายที่ได้รับอนุญาตให้นำเข้าเวอร์ชันโมเดล
เราระบุ root
เป็นเอนทิตี IAM เพื่ออนุญาตผู้ใช้ทั้งหมดในบัญชีเป้าหมาย
คัดลอกโมเดลการฝึกอบรมจากบัญชีต้นทางไปยังบัญชีเป้าหมาย
ตอนนี้โมเดลได้รับการฝึกอบรมและแชร์จากบัญชีต้นทาง ผู้ใช้บัญชีเป้าหมายที่ได้รับอนุญาตสามารถนำเข้าแบบจำลองและสร้างสำเนาของแบบจำลองในบัญชีของตนเอง
ในการนำเข้าโมเดล คุณต้องระบุ ARN ของโมเดลต้นทางและบทบาทบริการสำหรับ Amazon Comprehend เพื่อดำเนินการคัดลอกในบัญชีของคุณ คุณสามารถระบุ AWS KMS ID ที่เป็นตัวเลือกเพื่อเข้ารหัสโมเดลในบัญชีเป้าหมายของคุณได้
นำเข้าโมเดลผ่าน AWS CLI
ในการนำเข้าโมเดลของคุณด้วย AWS CLI ให้ป้อนรหัสต่อไปนี้:
นำเข้าโมเดลผ่านคอนโซล
ในการนำเข้าโมเดลผ่านคอนโซล ให้ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล Amazon Comprehend ภายใต้ การรับรู้เอนทิตีแบบกำหนดเองเลือก นำเข้าเวอร์ชัน.
- สำหรับ รุ่น รุ่น ARNให้ป้อน ARN สำหรับโมเดลที่ฝึกในบัญชีต้นทาง
- ป้อนชื่อรุ่นและรุ่นสำหรับเป้าหมาย
- ระบุบทบาทบัญชีบริการและเลือก ยืนยัน เพื่อเริ่มกระบวนการนำเข้าแบบจำลอง
หลังจากสถานะรุ่นเปลี่ยนเป็น Imported
เราสามารถดูรายละเอียดรุ่นรวมถึงรายละเอียดประสิทธิภาพของแบบจำลองที่ได้รับการฝึกอบรม
ทดสอบแบบจำลองที่คัดลอกผ่านชุดงาน
เราทดสอบแบบจำลองที่คัดลอกในบัญชีเป้าหมายโดยการตรวจจับเอนทิตีแบบกำหนดเองด้วยงานชุดงาน หากต้องการทดสอบโมเดล ให้ดาวน์โหลด ไฟล์ทดสอบ และวางไว้ในบัคเก็ต S3 ในบัญชีเป้าหมายของคุณ สร้างบทบาท IAM สำหรับ Amazon Comprehend และจัดเตรียมการเข้าถึงที่จำเป็นไปยังบัคเก็ต S3 พร้อมข้อมูลการทดสอบ คุณใช้บทบาท ARN และเส้นทางบัคเก็ต S3 ที่คุณระบุไว้ก่อนหน้านี้
เมื่องานเสร็จสมบูรณ์ คุณสามารถตรวจสอบข้อมูลการอนุมานในบัคเก็ต S3 เอาต์พุตที่ระบุได้
ทดสอบโมเดลด้วย AWS CLI
หากต้องการทดสอบโมเดลโดยใช้ AWS CLI ให้ป้อนรหัสต่อไปนี้:
ทดสอบโมเดลผ่านคอนโซล
ในการทดสอบโมเดลผ่านคอนโซล ให้ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล Amazon Comprehend ให้เลือก งานวิเคราะห์ และเลือก สร้างงาน.
- สำหรับ Name, ป้อนชื่อสำหรับงาน
- สำหรับ ประเภทการวิเคราะห์¸ เลือก การรับรู้เอนทิตีแบบกำหนดเอง.
- เลือกชื่อรุ่นและรุ่นของรุ่นที่นำเข้า
- ระบุเส้นทาง S3 สำหรับไฟล์ทดสอบสำหรับงานและตำแหน่งเอาต์พุตที่ Amazon Comprehend จัดเก็บผลลัพธ์
- เลือกหรือสร้างบทบาท IAM ที่มีสิทธิ์เข้าถึงบัคเก็ต S3
- Choose สร้างงาน.
เมื่องานวิเคราะห์ของคุณเสร็จสมบูรณ์ คุณมีไฟล์ JSON ในพาธบัคเก็ต S3 เอาต์พุตของคุณ ซึ่งคุณสามารถดาวน์โหลดเพื่อตรวจสอบผลลัพธ์ของการรับรู้เอนทิตีจากโมเดลที่นำเข้า
สรุป
ในโพสต์นี้ เราสาธิตคุณลักษณะการคัดลอกแบบจำลองเอนทิตีแบบกำหนดเองของ Amazon Comprehend คุณลักษณะนี้ช่วยให้คุณสามารถฝึกอบรมการรับรู้เอนทิตีแบบกำหนดเองของ Amazon Comprehend หรือโมเดลการจัดหมวดหมู่ในบัญชีหนึ่ง แล้วแชร์โมเดลกับอีกบัญชีหนึ่งในภูมิภาคเดียวกัน วิธีนี้ช่วยลดความซับซ้อนของกลยุทธ์แบบหลายบัญชี โดยที่โมเดลสามารถฝึกได้ครั้งเดียวและแชร์ระหว่างบัญชีภายในภูมิภาคเดียวกันโดยไม่ต้องอบรมใหม่หรือแชร์ชุดข้อมูลการฝึกอบรม ซึ่งช่วยให้สามารถปรับใช้ที่คาดการณ์ได้ในทุกบัญชีซึ่งเป็นส่วนหนึ่งของเวิร์กโฟลว์ MLOps ของคุณ สำหรับข้อมูลเพิ่มเติม โปรดดูเอกสารประกอบของเราเกี่ยวกับ เข้าใจสำเนาที่กำหนดเองหรือลองใช้คำแนะนำในโพสต์นี้ผ่านคอนโซลหรือใช้คลาวด์เชลล์กับ AWS CLI
ในขณะที่เขียนนี้ คุณลักษณะการคัดลอกแบบจำลองใน Amazon Comprehend มีให้บริการในภูมิภาคต่อไปนี้:
- สหรัฐอเมริกาฝั่งตะวันออก (โอไฮโอ)
- สหรัฐอเมริกาฝั่งตะวันออก (เวอร์จิเนียเหนือ)
- สหรัฐอเมริกาฝั่งตะวันตก (ออริกอน)
- เอเชียแปซิฟิก (มุมไบ)
- เอเชียแปซิฟิก (โซล)
- เอเชียแปซิฟิก (สิงคโปร์)
- เอเชียแปซิฟิก (ซิดนีย์)
- เอเชียแปซิฟิก (โตเกียว)
- สหภาพยุโรป (แฟรงค์เฟิร์ต)
- สหภาพยุโรป (ไอร์แลนด์)
- สหภาพยุโรป (ลอนดอน)
- AWS GovCloud (สหรัฐอเมริกา-ตะวันตก)
ลองใช้คุณลักษณะนี้และโปรดส่งข้อเสนอแนะถึงเราผ่านทาง ฟอรัม AWS สำหรับ Amazon Comprehend หรือผ่านผู้ติดต่อฝ่ายสนับสนุนของ AWS ตามปกติ
เกี่ยวกับผู้เขียน
เปรมกุมาร รังการันต์ เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญ AI/ML ที่ Amazon Web Services และเคยเขียนหนังสือ Natural Language Processing พร้อมบริการ AWS AI มาก่อน เขามีประสบการณ์ 26 ปีในอุตสาหกรรมไอทีในบทบาทที่หลากหลาย รวมถึงผู้นำด้านการจัดส่ง ผู้เชี่ยวชาญด้านการรวมระบบ และสถาปนิกองค์กร เขาช่วยองค์กรทุกขนาดนำ AI และ ML มาใช้ในการแก้ปัญหาในโลกแห่งความเป็นจริง
เชธาน กฤษณะ เป็น Senior Partner Solutions Architect ในอินเดีย เขาทำงานร่วมกับพันธมิตร AWS เชิงกลยุทธ์เพื่อสร้างความสามารถด้านระบบคลาวด์ที่แข็งแกร่ง นำแนวทางปฏิบัติที่ดีที่สุดของ AWS มาใช้และแก้ปัญหาความท้าทายของลูกค้า เขาเป็นผู้สร้างและสนุกกับการทดลองกับ AI/ML, IoT และการวิเคราะห์
Sriharsha MS เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญ AI/ML ในทีมผู้เชี่ยวชาญด้านกลยุทธ์ที่ Amazon Web Services เขาทำงานร่วมกับลูกค้า AWS เชิงกลยุทธ์ที่ใช้ประโยชน์จาก AI/ML เพื่อแก้ปัญหาทางธุรกิจที่ซับซ้อน เขาให้คำแนะนำด้านเทคนิคและคำแนะนำในการออกแบบเพื่อนำแอปพลิเคชัน AI/ML ไปใช้ในวงกว้าง ความเชี่ยวชาญของเขาครอบคลุมสถาปัตยกรรมแอปพลิเคชัน ข้อมูลขนาดใหญ่ การวิเคราะห์ และการเรียนรู้ของเครื่อง
- "
- &
- 100
- 9
- เกี่ยวกับเรา
- เข้า
- ลงชื่อเข้าใช้
- การกระทำ
- กิจกรรม
- ความก้าวหน้า
- ความได้เปรียบ
- คำแนะนำ
- AI
- บริการ AI
- ทั้งหมด
- อเมซอน
- Amazon Web Services
- การวิเคราะห์
- การวิเคราะห์
- ประกาศ
- ประกาศ
- อื่น
- API
- APIs
- เหมาะสม
- การใช้งาน
- การใช้งาน
- สถาปัตยกรรม
- รถยนต์
- ใช้ได้
- AWS
- ประโยชน์ที่ได้รับ
- ที่ดีที่สุด
- ปฏิบัติที่ดีที่สุด
- ชายแดน
- สร้าง
- สร้าง
- ธุรกิจ
- ความท้าทาย
- การตรวจสอบ
- การตรวจสอบ
- การจัดหมวดหมู่
- เมฆ
- รหัส
- ความคิดเห็น
- ร่วมกัน
- ซับซ้อน
- ปลอบใจ
- เนื้อหา
- ลูกค้า
- ข้อมูล
- ทศวรรษ
- การจัดส่ง
- การใช้งาน
- ออกแบบ
- ต่าง
- ดิจิตอล
- เอกสาร
- อย่างง่ายดาย
- ผล
- มหาศาล
- Enterprise
- จำเป็น
- ตัวอย่าง
- ประสบการณ์
- ความชำนาญ
- ลักษณะ
- ข้อเสนอแนะ
- ทางการเงิน
- บริการทางการเงิน
- ชื่อจริง
- ดังต่อไปนี้
- ฟังก์ชั่น
- มีความสุข
- มี
- จะช่วยให้
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTTPS
- แยกแยะ
- เอกลักษณ์
- การดำเนินการ
- สำคัญ
- การนำเข้า
- รวมทั้ง
- อินเดีย
- อุตสาหกรรม
- อุตสาหกรรม
- ข้อมูล
- ข้อมูลเชิงลึก
- บูรณาการ
- Intelligence
- อยากเรียนรู้
- IOT
- ไอร์แลนด์
- ความเหงา
- IT
- การสัมภาษณ์
- งาน
- คีย์
- ภาษา
- เปิดตัว
- นำ
- การเรียนรู้
- Line
- รายการ
- ที่ตั้ง
- ลอนดอน
- เครื่อง
- เรียนรู้เครื่อง
- การจัดการ
- ภาพบรรยากาศ
- การทำเหมืองแร่
- ML
- แบบ
- โมเดล
- มากที่สุด
- เป็นที่นิยม
- มุมไบ
- โดยธรรมชาติ
- การเสนอขาย
- โอไฮโอ
- ใบสั่ง
- ออริกอน
- อื่นๆ
- แปซิฟิก
- หุ้นส่วน
- พาร์ทเนอร์
- การปฏิบัติ
- วลี
- นโยบาย
- ยอดนิยม
- หลัก
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- ผลิตภัณฑ์
- ให้
- ให้
- อย่างรวดเร็ว
- หน่วยงานกำกับดูแล
- จำเป็นต้องใช้
- ความต้องการ
- ทรัพยากร
- คำตอบ
- ผลสอบ
- รับคืน
- รีวิว
- ขนาด
- นักวิทยาศาสตร์
- SDK
- โซล
- บริการ
- บริการ
- Share
- ที่ใช้ร่วมกัน
- หุ้น
- เปลือก
- ง่าย
- สิงคโปร์
- So
- โซลูชัน
- แก้
- เริ่มต้น
- คำแถลง
- Status
- การเก็บรักษา
- ร้านค้า
- ยุทธศาสตร์
- กลยุทธ์
- สนับสนุน
- ซิดนีย์
- เป้า
- ทีม
- วิชาการ
- ทดสอบ
- ที่มา
- ตลอด
- เวลา
- ในวันนี้
- โตเกียว
- การฝึกอบรม
- แนวโน้ม
- เป็นเอกลักษณ์
- บันทึก
- us
- ใช้
- ผู้ใช้
- ผู้ขาย
- รายละเอียด
- virginia
- เว็บ
- บริการเว็บ
- ตะวันตก
- WHO
- ภายใน
- ไม่มี
- โรงงาน
- การเขียน
- ปี