โพสต์นี้เขียนร่วมกับ Santosh Waddi และ Nanda Kishore Thatikonda จาก BigBasket
BigBasket เป็นร้านขายอาหารและของชำออนไลน์ที่ใหญ่ที่สุดในอินเดีย พวกเขาดำเนินการในช่องอีคอมเมิร์ซหลายช่องทาง เช่น การค้าด่วน การจัดส่งแบบ slotted และการสมัครสมาชิกรายวัน คุณสามารถซื้อได้จากร้านค้าจริงและตู้จำหน่ายสินค้าอัตโนมัติ พวกเขานำเสนอผลิตภัณฑ์ที่หลากหลายมากกว่า 50,000 รายการจาก 1,000 แบรนด์ และดำเนินงานในกว่า 500 เมือง BigBasket ให้บริการลูกค้ามากกว่า 10 ล้านราย
ในโพสต์นี้ เราจะพูดถึงวิธีการใช้งาน BigBasket อเมซอน SageMaker เพื่อฝึกอบรมโมเดลคอมพิวเตอร์วิทัศน์สำหรับการระบุผลิตภัณฑ์สินค้าอุปโภคบริโภคที่เคลื่อนไหวเร็ว (FMCG) ซึ่งช่วยลดเวลาการฝึกอบรมได้ประมาณ 50% และประหยัดค่าใช้จ่ายได้ 20%
ความท้าทายของลูกค้า
ปัจจุบัน ซูเปอร์มาร์เก็ตและร้านค้าส่วนใหญ่ในอินเดียมีบริการชำระเงินด้วยตนเองที่เคาน์เตอร์ชำระเงิน สิ่งนี้มีสองประเด็น:
- โดยต้องใช้กำลังคนเพิ่มเติม สติกเกอร์น้ำหนัก และการฝึกอบรมซ้ำสำหรับทีมปฏิบัติการในร้านเมื่อขยายขนาด
- ในร้านค้าส่วนใหญ่ เคาน์เตอร์ชำระเงินจะแตกต่างจากเคาน์เตอร์ชั่งน้ำหนัก ซึ่งเพิ่มความขัดแย้งในเส้นทางการซื้อของลูกค้า ลูกค้ามักจะสูญเสียสติกเกอร์น้ำหนักและต้องกลับไปที่เคาน์เตอร์ชั่งน้ำหนักเพื่อรับอีกครั้งก่อนดำเนินการตามขั้นตอนการชำระเงิน
กระบวนการชำระเงินด้วยตนเอง
BigBasket เปิดตัวระบบชำระเงินที่ขับเคลื่อนด้วย AI ในร้านค้าทางกายภาพซึ่งใช้กล้องเพื่อแยกแยะรายการสินค้าโดยไม่ซ้ำกัน รูปต่อไปนี้แสดงภาพรวมของกระบวนการชำระเงิน
ทีม BigBasket กำลังใช้งานอัลกอริธึม ML แบบโอเพ่นซอร์สภายในองค์กรสำหรับการจดจำออบเจ็กต์การมองเห็นคอมพิวเตอร์เพื่อขับเคลื่อนการชำระเงินที่เปิดใช้งาน AI ของพวกเขา เฟรชโช (ทางกายภาพ) ร้านค้า เรากำลังเผชิญกับความท้าทายต่อไปนี้ในการใช้งานการตั้งค่าที่มีอยู่:
- ด้วยการเปิดตัวผลิตภัณฑ์ใหม่อย่างต่อเนื่อง โมเดลคอมพิวเตอร์วิทัศน์จึงจำเป็นต้องรวมข้อมูลผลิตภัณฑ์ใหม่อย่างต่อเนื่อง ระบบจำเป็นต้องจัดการแค็ตตาล็อกขนาดใหญ่ที่มีหน่วยเก็บสต็อก (SKU) มากกว่า 12,000 หน่วย โดยมีการเพิ่ม SKU ใหม่อย่างต่อเนื่องในอัตรามากกว่า 600 หน่วยต่อเดือน
- เพื่อให้ทันกับผลิตภัณฑ์ใหม่ จึงผลิตโมเดลใหม่ในแต่ละเดือนโดยใช้ข้อมูลการฝึกอบรมล่าสุด การฝึกอบรมโมเดลบ่อยครั้งเพื่อปรับให้เข้ากับผลิตภัณฑ์ใหม่มีค่าใช้จ่ายสูงและใช้เวลานาน
- BigBasket ยังต้องการลดรอบเวลาการฝึกอบรมเพื่อปรับปรุงเวลาในการออกสู่ตลาด เนื่องจาก SKU ที่เพิ่มขึ้น เวลาที่แบบจำลองใช้จึงเพิ่มขึ้นเชิงเส้น ซึ่งส่งผลต่อเวลาในการออกสู่ตลาดเนื่องจากความถี่ในการฝึกอบรมสูงมากและใช้เวลานาน
- การเพิ่มข้อมูลสำหรับการฝึกโมเดลและการจัดการรอบการฝึกแบบ end-to-end ด้วยตนเองทำให้มีค่าใช้จ่ายเพิ่มขึ้นอย่างมาก BigBasket ใช้งานสิ่งนี้บนแพลตฟอร์มบุคคลที่สาม ซึ่งก่อให้เกิดต้นทุนจำนวนมาก
ภาพรวมโซลูชัน
เราแนะนำให้ BigBasket ออกแบบสถาปัตยกรรมใหม่ให้กับโซลูชันการตรวจจับและจำแนกผลิตภัณฑ์ FMCG ที่มีอยู่โดยใช้ SageMaker เพื่อจัดการกับความท้าทายเหล่านี้ ก่อนที่จะย้ายไปสู่การผลิตเต็มรูปแบบ BigBasket ได้ลองใช้โปรแกรมนำร่องบน SageMaker เพื่อประเมินตัวชี้วัดประสิทธิภาพ ต้นทุน และความสะดวกสบาย
วัตถุประสงค์ของพวกเขาคือการปรับแต่งโมเดล Computer Vision Machine Learning (ML) ที่มีอยู่สำหรับการตรวจจับ SKU เราใช้สถาปัตยกรรมโครงข่ายประสาทเทียมแบบหมุนวน (CNN) ด้วย เรสเน็ต152 เพื่อการจำแนกประเภทภาพ ชุดข้อมูลขนาดใหญ่ประมาณ 300 ภาพต่อ SKU เป็นการประเมินสำหรับการฝึกโมเดล ส่งผลให้มีอิมเมจการฝึกทั้งหมดมากกว่า 4 ล้านอิมเมจ สำหรับ SKU บางรายการ เราได้เพิ่มข้อมูลเพื่อให้ครอบคลุมสภาพแวดล้อมที่กว้างขึ้น
ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมโซลูชัน
กระบวนการที่สมบูรณ์สามารถสรุปได้เป็นขั้นตอนระดับสูงดังต่อไปนี้:
- ดำเนินการล้างข้อมูล ใส่คำอธิบายประกอบ และเสริม
- เก็บข้อมูลไว้ใน. บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) ถัง
- ใช้ SageMaker และ Amazon FSx สำหรับความมันวาว เพื่อการเพิ่มข้อมูลอย่างมีประสิทธิภาพ
- แบ่งข้อมูลออกเป็นชุดรถไฟ การตรวจสอบความถูกต้อง และชุดการทดสอบ เราใช้ FSx สำหรับความมันวาวและ บริการฐานข้อมูลเชิงสัมพันธ์ของ Amazon (Amazon RDS) เพื่อการเข้าถึงข้อมูลแบบขนานที่รวดเร็ว
- ใช้แบบกำหนดเอง ไพทอร์ช คอนเทนเนอร์นักเทียบท่ารวมถึงไลบรารีโอเพ่นซอร์สอื่น ๆ
- ใช้ SageMaker กระจายข้อมูลแบบขนาน (SMDDP) สำหรับการฝึกอบรมแบบกระจายแบบเร่งรัด
- ตัวชี้วัดการฝึกโมเดลบันทึก
- คัดลอกโมเดลสุดท้ายไปยังบัคเก็ต S3
บิ๊กบาสเก็ตใช้แล้ว โน้ตบุ๊ค SageMaker เพื่อฝึกฝนโมเดล ML และสามารถย้าย PyTorch โอเพ่นซอร์สที่มีอยู่และการพึ่งพาโอเพ่นซอร์สอื่นๆ ไปยังคอนเทนเนอร์ SageMaker PyTorch ได้อย่างง่ายดาย และรันไปป์ไลน์ได้อย่างราบรื่น นี่เป็นประโยชน์แรกที่ทีม BigBasket เห็น เนื่องจากแทบไม่มีการเปลี่ยนแปลงใดๆ ในโค้ดเพื่อให้เข้ากันได้กับการทำงานบนสภาพแวดล้อม SageMaker
เครือข่ายแบบจำลองประกอบด้วยสถาปัตยกรรม ResNet 152 ตามด้วยเลเยอร์ที่เชื่อมต่อกันอย่างสมบูรณ์ เราแช่แข็งเลเยอร์ฟีเจอร์ระดับต่ำและรักษาน้ำหนักที่ได้รับผ่านการเรียนรู้การถ่ายโอนจากโมเดล ImageNet พารามิเตอร์โมเดลทั้งหมดอยู่ที่ 66 ล้าน ซึ่งประกอบด้วยพารามิเตอร์ที่ฝึกได้ 23 ล้านพารามิเตอร์ แนวทางการเรียนรู้แบบถ่ายโอนข้อมูลนี้ช่วยให้พวกเขาใช้รูปภาพน้อยลงในขณะที่ฝึกอบรม และยังช่วยให้สามารถผสานรวมได้เร็วขึ้นและลดเวลาการฝึกอบรมทั้งหมดอีกด้วย
การสร้างและฝึกอบรมโมเดลภายใน สตูดิโอ Amazon SageMaker มอบสภาพแวดล้อมการพัฒนาแบบผสมผสาน (IDE) พร้อมด้วยทุกสิ่งที่จำเป็นในการเตรียม สร้าง ฝึกฝน และปรับแต่งโมเดล การเพิ่มข้อมูลการฝึกโดยใช้เทคนิคต่างๆ เช่น การครอบตัด การหมุน และการพลิกรูปภาพ ช่วยปรับปรุงข้อมูลการฝึกโมเดลและความแม่นยำของโมเดล
การฝึกโมเดลเร็วขึ้น 50% ผ่านการใช้ไลบรารี SMDDP ซึ่งรวมถึงอัลกอริธึมการสื่อสารที่ได้รับการปรับปรุงซึ่งออกแบบมาสำหรับโครงสร้างพื้นฐาน AWS โดยเฉพาะ เพื่อปรับปรุงประสิทธิภาพการอ่าน/เขียนข้อมูลระหว่างการฝึกโมเดลและการเพิ่มข้อมูล เราใช้ FSx for Luster สำหรับทรูพุตที่มีประสิทธิภาพสูง
ขนาดข้อมูลการฝึกเริ่มต้นของพวกเขามากกว่า 1.5 TB เราใช้สองอัน อเมซอน อีลาสติก คอมพิวท์ คลาวด์ (อเมซอน อีซี2) p4d.24 อินสแตนซ์ขนาดใหญ่ พร้อม 8 GPU และหน่วยความจำ GPU 40 GB สำหรับการฝึกอบรมแบบกระจายของ SageMaker อินสแตนซ์จะต้องอยู่ในภูมิภาค AWS และ Availability Zone เดียวกัน นอกจากนี้ ข้อมูลการฝึกที่จัดเก็บไว้ในบัคเก็ต S3 จะต้องอยู่ใน Availability Zone เดียวกัน สถาปัตยกรรมนี้ยังช่วยให้ BigBasket สามารถเปลี่ยนไปใช้อินสแตนซ์ประเภทอื่นๆ หรือเพิ่มอินสแตนซ์เพิ่มเติมให้กับสถาปัตยกรรมปัจจุบันเพื่อรองรับการเติบโตของข้อมูลที่สำคัญหรือลดเวลาการฝึกอบรมลงได้อีก
วิธีที่ไลบรารี SMDDP ช่วยลดเวลาการฝึกอบรม ต้นทุน และความซับซ้อน
ในการฝึกอบรมข้อมูลแบบกระจายแบบดั้งเดิม เฟรมเวิร์กการฝึกอบรมจะกำหนดอันดับให้กับ GPU (ผู้ปฏิบัติงาน) และสร้างแบบจำลองของโมเดลของคุณบน GPU แต่ละตัว ในระหว่างการฝึกซ้ำแต่ละครั้ง ชุดข้อมูลทั่วโลกจะถูกแบ่งออกเป็นชิ้น ๆ (ชิ้นส่วนของแบทช์) และชิ้นส่วนจะถูกแจกจ่ายให้กับผู้ปฏิบัติงานแต่ละคน จากนั้นพนักงานแต่ละคนจะดำเนินการส่งต่อและถอยหลังตามที่กำหนดไว้ในสคริปต์การฝึกอบรมของคุณบน GPU แต่ละตัว สุดท้าย น้ำหนักและการไล่ระดับสีของแบบจำลองจากแบบจำลองแบบจำลองต่างๆ จะถูกซิงค์เมื่อสิ้นสุดการวนซ้ำผ่านการดำเนินการสื่อสารแบบรวมที่เรียกว่า AllReduce หลังจากที่ผู้ปฏิบัติงานและ GPU แต่ละคนมีแบบจำลองที่ซิงค์กันแล้ว การวนซ้ำครั้งถัดไปจะเริ่มต้นขึ้น
ไลบรารี SMDDP เป็นไลบรารีการสื่อสารแบบรวมที่ปรับปรุงประสิทธิภาพของกระบวนการฝึกอบรมแบบขนานที่มีข้อมูลแบบกระจาย ไลบรารี SMDDP ช่วยลดค่าใช้จ่ายในการสื่อสารของการดำเนินการสื่อสารรวมที่สำคัญ เช่น AllReduce การใช้งาน AllReduce ได้รับการออกแบบมาสำหรับโครงสร้างพื้นฐาน AWS และสามารถเพิ่มความเร็วในการฝึกอบรมได้โดยการทับซ้อนการดำเนินการ AllReduce กับการส่งย้อนกลับ แนวทางนี้ทำให้ได้ประสิทธิภาพในการปรับขนาดแบบใกล้เชิงเส้นและความเร็วในการฝึกอบรมที่เร็วขึ้นโดยปรับการทำงานของเคอร์เนลให้เหมาะสมระหว่าง CPU และ GPU
สังเกตการคำนวณต่อไปนี้:
- ขนาดของแบตช์ส่วนกลางคือ (จำนวนโหนดในคลัสเตอร์) * (จำนวน GPU ต่อโหนด) * (ต่อส่วนแบ่งแบตช์)
- ชิ้นส่วนแบทช์ (ชุดเล็ก) คือชุดย่อยของชุดข้อมูลที่กำหนดให้กับ GPU แต่ละตัว (ผู้ปฏิบัติงาน) ต่อการวนซ้ำ
BigBasket ใช้ไลบรารี SMDDP เพื่อลดเวลาการฝึกอบรมโดยรวม ด้วย FSx for Luster เราได้ลดปริมาณงานการอ่าน/เขียนข้อมูลระหว่างการฝึกโมเดลและการเพิ่มข้อมูล ด้วยความเท่าเทียมของข้อมูล BigBasket สามารถบรรลุผลเร็วขึ้นเกือบ 50% และการฝึกอบรมถูกกว่า 20% เมื่อเทียบกับทางเลือกอื่นๆ ซึ่งมอบประสิทธิภาพที่ดีที่สุดบน AWS SageMaker จะปิดไปป์ไลน์การฝึกอบรมโดยอัตโนมัติหลังเสร็จสิ้น โปรเจ็กต์เสร็จสมบูรณ์ด้วยเวลาการฝึกอบรมที่เร็วขึ้น 50% ใน AWS (4.5 วันใน AWS เทียบกับ 9 วันบนแพลตฟอร์มเดิม)
ในขณะที่เขียนโพสต์นี้ BigBasket ได้ใช้งานโซลูชันการผลิตแบบครบวงจรมานานกว่า 6 เดือน และขยายขนาดระบบด้วยการรองรับเมืองใหม่ๆ และเรากำลังเพิ่มร้านค้าใหม่ทุกเดือน
“ความร่วมมือของเรากับ AWS ในการย้ายไปสู่การฝึกอบรมแบบกระจายโดยใช้ข้อเสนอ SMDDP ถือเป็นชัยชนะที่ยอดเยี่ยม ไม่เพียงแต่ลดเวลาการฝึกอบรมของเราลง 50% แต่ยังถูกกว่าถึง 20% อีกด้วย ในความร่วมมือทั้งหมดของเรา AWS ได้กำหนดมาตรฐานสำหรับความหลงใหลของลูกค้าและการส่งมอบผลลัพธ์ โดยทำงานร่วมกับเราตลอดทางเพื่อให้บรรลุถึงผลประโยชน์ที่สัญญาไว้”
– Keshav Kumar หัวหน้าฝ่ายวิศวกรรมของ BigBasket
สรุป
ในโพสต์นี้ เราได้พูดคุยถึงวิธีที่ BigBasket ใช้ SageMaker เพื่อฝึกฝนโมเดลคอมพิวเตอร์วิทัศน์เพื่อระบุผลิตภัณฑ์ FMCG การใช้ระบบชำระเงินด้วยตนเองอัตโนมัติที่ขับเคลื่อนด้วย AI มอบประสบการณ์ลูกค้ารายย่อยที่ได้รับการปรับปรุงผ่านนวัตกรรม ขณะเดียวกันก็ขจัดข้อผิดพลาดของมนุษย์ในกระบวนการชำระเงิน การเร่งการเริ่มต้นผลิตภัณฑ์ใหม่โดยใช้การฝึกอบรมแบบกระจายของ SageMaker ช่วยลดเวลาและต้นทุนการเริ่มต้นใช้งาน SKU การผสานรวม FSx for Luster ช่วยให้สามารถเข้าถึงข้อมูลแบบคู่ขนานได้อย่างรวดเร็วเพื่อการฝึกอบรมโมเดลที่มีประสิทธิภาพด้วย SKU ใหม่หลายร้อยรายการต่อเดือน โดยรวมแล้ว โซลูชันการชำระเงินด้วยตนเองที่ใช้ AI นี้มอบประสบการณ์การช็อปปิ้งที่ได้รับการปรับปรุงโดยไม่มีข้อผิดพลาดในการชำระเงินส่วนหน้า ระบบอัตโนมัติและนวัตกรรมได้เปลี่ยนแปลงขั้นตอนการชำระเงินปลีกและการดำเนินการเริ่มต้นใช้งาน
SageMaker มอบความสามารถในการพัฒนา การปรับใช้ และการตรวจสอบ ML แบบครบวงจร เช่น สภาพแวดล้อมโน้ตบุ๊ก SageMaker Studio สำหรับการเขียนโค้ด การเก็บข้อมูล การติดแท็กข้อมูล การฝึกโมเดล การปรับแต่งโมเดล การปรับใช้ การตรวจสอบ และอื่นๆ อีกมากมาย หากธุรกิจของคุณเผชิญกับความท้าทายใดๆ ที่อธิบายไว้ในโพสต์นี้ และต้องการประหยัดเวลาในการทำตลาดและปรับปรุงต้นทุน โปรดติดต่อทีมบัญชี AWS ในภูมิภาคของคุณ และเริ่มต้นใช้งาน SageMaker
เกี่ยวกับผู้เขียน
ซานโตส วัดดี เป็นวิศวกรหลักที่ BigBasket และนำความเชี่ยวชาญกว่าทศวรรษในการแก้ปัญหาความท้าทายด้าน AI ด้วยพื้นฐานที่แข็งแกร่งในด้านคอมพิวเตอร์วิทัศน์ วิทยาศาสตร์ข้อมูล และการเรียนรู้เชิงลึก เขาสำเร็จการศึกษาระดับสูงกว่าปริญญาตรีจาก IIT Bombay Santosh เป็นผู้เขียนสิ่งพิมพ์ IEEE ที่มีชื่อเสียง และในฐานะผู้เขียนบล็อกด้านเทคโนโลยีที่มีประสบการณ์ เขายังมีส่วนสำคัญในการพัฒนาโซลูชันคอมพิวเตอร์วิทัศน์ระหว่างที่เขาดำรงตำแหน่งที่ Samsung
นันทา กิชอร์ ฐิโกณฑะ เป็นผู้จัดการฝ่ายวิศวกรรมซึ่งเป็นผู้นำด้านวิศวกรรมข้อมูลและการวิเคราะห์ที่ BigBasket Nanda ได้สร้างแอปพลิเคชั่นมากมายสำหรับการตรวจจับความผิดปกติ และได้ยื่นสิทธิบัตรในพื้นที่ที่คล้ายกัน เขาทำงานเกี่ยวกับการสร้างแอปพลิเคชันระดับองค์กร การสร้างแพลตฟอร์มข้อมูลในหลายองค์กร และแพลตฟอร์มการรายงานเพื่อปรับปรุงการตัดสินใจที่ได้รับการสนับสนุนจากข้อมูล Nanda มีประสบการณ์มากกว่า 18 ปีในการทำงานกับ Java/J2EE, เทคโนโลยี Spring และเฟรมเวิร์ก Big Data โดยใช้ Hadoop และ Apache Spark
ซูดานชูเกลียด เป็นผู้เชี่ยวชาญด้าน AI และ ML หลักกับ AWS และทำงานร่วมกับลูกค้าเพื่อให้คำแนะนำพวกเขาเกี่ยวกับ MLOps และการเดินทางของ AI เชิงสร้างสรรค์ ในบทบาทก่อนหน้านี้ เขาได้วางแนวความคิด สร้าง และนำทีมเพื่อสร้างแพลตฟอร์ม AI และเกมมิฟิเคชันแบบโอเพ่นซอร์สแบบพื้นฐาน และประสบความสำเร็จในเชิงพาณิชย์กับลูกค้ามากกว่า 100 ราย Sudhanshu ต้องให้เครดิตสิทธิบัตรของเขาสองสามฉบับ ได้เขียนหนังสือ 2 เล่ม เอกสารหลายฉบับ และบล็อก และได้นำเสนอความเห็นในเวทีต่างๆ เขาเป็นผู้นำทางความคิดและผู้พูด และอยู่ในอุตสาหกรรมนี้มาเกือบ 25 ปี เขาทำงานร่วมกับลูกค้าที่ติดอันดับ Fortune 1000 ทั่วโลก และล่าสุดกำลังทำงานร่วมกับลูกค้าดิจิทัลในอินเดีย
อายุช กุมาร เป็นสถาปนิกโซลูชันที่ AWS เขาทำงานร่วมกับลูกค้า AWS ที่หลากหลาย ช่วยให้พวกเขานำแอปพลิเคชันที่ทันสมัยล่าสุดมาใช้ และสร้างสรรค์สิ่งใหม่ๆ ได้รวดเร็วยิ่งขึ้นด้วยเทคโนโลยีบนระบบคลาวด์ คุณจะพบว่าเขากำลังทดลองอยู่ในครัวในเวลาว่าง
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/how-bigbasket-improved-ai-enabled-checkout-at-their-physical-stores-using-amazon-sagemaker/
- :มี
- :เป็น
- :ไม่
- $ 10 ล้าน
- $ ขึ้น
- 000
- 1
- 10
- 100
- 12
- 120
- 13
- 152
- 23
- 24
- 25
- 300
- 40
- 50
- 500
- 600
- 66
- 7
- 8
- 80
- 9
- 98
- a
- สามารถ
- เร่ง
- เร่ง
- เข้า
- ลงชื่อเข้าใช้
- ความถูกต้อง
- บรรลุ
- ประสบความสำเร็จ
- ที่ได้มา
- การครอบครอง
- ข้าม
- ปรับ
- เพิ่ม
- ที่เพิ่ม
- เพิ่ม
- เพิ่มเติม
- ที่อยู่
- เพิ่ม
- นำมาใช้
- แนะนำ
- หลังจาก
- อีกครั้ง
- AI
- ขับเคลื่อนด้วย AI
- อัลกอริทึม
- ช่วยให้
- เกือบจะ
- ด้วย
- ทางเลือก
- อเมซอน
- Amazon EC2
- อเมซอน RDS
- อเมซอน SageMaker
- Amazon Web Services
- an
- การวิเคราะห์
- และ
- การตรวจจับความผิดปกติ
- ใด
- อาปาเช่
- การใช้งาน
- เข้าใกล้
- ประมาณ
- สถาปัตยกรรม
- เป็น
- รอบ
- AS
- ที่ได้รับมอบหมาย
- การแบ่งประเภท
- At
- เติม
- ผู้เขียน
- ประพันธ์
- อัตโนมัติ
- อัตโนมัติ
- อัตโนมัติ
- ความพร้อมใช้งาน
- AWS
- กลับ
- ถอย
- พื้นหลัง
- บาร์
- BE
- เพราะ
- รับ
- ก่อน
- เริ่มต้น
- กำลัง
- ประโยชน์
- ประโยชน์ที่ได้รับ
- ที่ดีที่สุด
- ระหว่าง
- ใหญ่
- ข้อมูลขนาดใหญ่
- บล็อก
- Blog
- ร้านหนังสือเกาหลี
- แบรนด์
- นำ
- ที่กว้างขึ้น
- สร้าง
- การก่อสร้าง
- สร้าง
- ธุรกิจ
- ซื้อ
- by
- การคำนวณ
- ที่เรียกว่า
- กล้อง
- CAN
- ความสามารถในการ
- แค็ตตาล็อก
- ให้ความบันเทิง
- ทำอาหารรับประทานเอง
- บาง
- ความท้าทาย
- เปลี่ยนแปลง
- การเปลี่ยนแปลง
- ช่อง
- ราคาถูก
- Checkout
- เมือง
- การจัดหมวดหมู่
- ลูกค้า
- Cluster
- ซีเอ็นเอ็น
- รหัส
- รวบรวม
- โดยรวม
- พาณิชย์
- การสื่อสาร
- เมื่อเทียบกับ
- เข้ากันได้
- สมบูรณ์
- เสร็จ
- คำนวณ
- คอมพิวเตอร์
- วิสัยทัศน์คอมพิวเตอร์
- เงื่อนไข
- งานที่เชื่อมต่อ
- ประกอบด้วย
- ประกอบ
- ผู้บริโภค
- การบริโภค
- ภาชนะ
- เรื่อย
- ต่อเนื่องกัน
- อย่างต่อเนื่อง
- ผลงาน
- ความสะดวกสบาย
- การลู่เข้า
- ราคา
- แพง
- ค่าใช้จ่าย
- ตอบโต้
- เคาน์เตอร์
- คู่
- ที่สร้างขึ้น
- สร้าง
- เครดิต
- ปัจจุบัน
- ประเพณี
- ลูกค้า
- ประสบการณ์ของลูกค้า
- ลูกค้า
- ตัด
- วงจร
- ประจำวัน
- ข้อมูล
- การเข้าถึงข้อมูล
- วิทยาศาสตร์ข้อมูล
- ฐานข้อมูล
- วัน
- ทศวรรษ
- การตัดสินใจ
- ลึก
- การเรียนรู้ลึก ๆ
- กำหนด
- องศา
- การส่งมอบ
- มอบ
- การจัดส่ง
- การอ้างอิง
- การใช้งาน
- อธิบาย
- ได้รับการออกแบบ
- การตรวจพบ
- พัฒนาการ
- แผนภาพ
- DID
- ต่าง
- ดิจิตอล
- สนทนา
- กล่าวถึง
- เห็นความแตกต่าง
- กระจาย
- กระจายการฝึกอบรม
- แบ่งออก
- นักเทียบท่า
- ลง
- สอง
- ในระหว่าง
- แต่ละ
- อย่างง่ายดาย
- อีคอมเมิร์ซ
- อย่างมีประสิทธิภาพ
- ที่มีประสิทธิภาพ
- การกำจัด
- เปิดการใช้งาน
- ช่วยให้
- ห้อมล้อม
- ปลาย
- จบสิ้น
- วิศวกร
- ชั้นเยี่ยม
- ที่เพิ่มขึ้น
- ระดับองค์กร
- ทั้งหมด
- สิ่งแวดล้อม
- สิ่งแวดล้อม
- ข้อผิดพลาด
- ประมาณ
- ประเมินค่า
- ทุกๆ
- ทุกอย่าง
- ที่มีอยู่
- ประสบการณ์
- ทดลอง
- ความชำนาญ
- หันหน้าไปทาง
- FAST
- เคลื่อนไหวเร็ว
- เร็วขึ้น
- ลักษณะ
- น้อยลง
- รูป
- ยื่น
- สุดท้าย
- ในที่สุด
- หา
- ชื่อจริง
- FMCG
- ตาม
- ดังต่อไปนี้
- อาหาร
- สำหรับ
- โชคลาภ
- ฟอรั่ม
- ข้างหน้า
- กรอบ
- กรอบ
- เวลา
- มัก
- แรงเสียดทาน
- ราคาเริ่มต้นที่
- ส่วนหน้า
- เต็มรูปแบบ
- อย่างเต็มที่
- ต่อไป
- gamification
- กำเนิด
- กำเนิด AI
- ได้รับ
- เหตุการณ์ที่
- โลก
- Go
- สินค้า
- GPU
- GPUs
- การไล่ระดับสี
- ยิ่งใหญ่
- การเจริญเติบโต
- จัดการ
- มี
- he
- หัว
- ช่วย
- การช่วยเหลือ
- จุดสูง
- ระดับสูง
- ประสิทธิภาพสูง
- พระองค์
- ของเขา
- ถือ
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- HTML
- ที่ http
- HTTPS
- เป็นมนุษย์
- ร้อย
- ประจำตัว
- อีอีอี
- if
- แสดงให้เห็นถึง
- ภาพ
- การจำแนกรูปภาพ
- ภาพ
- ที่กระทบ
- การดำเนินงาน
- ปรับปรุง
- การปรับปรุง
- ช่วยเพิ่ม
- in
- ร้านค้า
- รวมถึง
- รวมทั้ง
- รวมเข้าด้วยกัน
- เพิ่มขึ้น
- ที่เพิ่มขึ้น
- ที่เกิดขึ้น
- อินเดีย
- อุตสาหกรรม
- ข้อมูล
- โครงสร้างพื้นฐาน
- เราสร้างสรรค์สิ่งใหม่ ๆ
- นักวิเคราะห์ส่วนบุคคลที่หาโอกาสให้เป็นไปได้มากที่สุด
- ตัวอย่าง
- แบบบูรณาการ
- การบูรณาการ
- เข้าไป
- แนะนำ
- บทนำ
- ปัญหา
- IT
- รายการ
- การย้ำ
- ITS
- การเดินทาง
- jpg
- เก็บ
- การเก็บรักษา
- คีย์
- kumar
- ใหญ่
- ใหญ่ที่สุด
- ล่าสุด
- ชั้น
- ผู้นำ
- ชั้นนำ
- การเรียนรู้
- นำ
- มรดก
- ห้องสมุด
- ห้องสมุด
- กดไลก์
- นาน
- เวลานาน
- สูญเสีย
- เครื่อง
- เรียนรู้เครื่อง
- เครื่อง
- ทำ
- ทำ
- ผู้จัดการ
- การจัดการ
- คู่มือ
- ด้วยมือ
- ตลาด
- หน่วยความจำ
- ตัวชี้วัด
- การโยกย้าย
- ล้าน
- ML
- ม.ป.ป
- แบบ
- โมเดล
- ทันสมัย
- การตรวจสอบ
- เดือน
- รายเดือน
- เดือน
- ข้อมูลเพิ่มเติม
- มากที่สุด
- การย้าย
- มาก
- หลาย
- พื้นเมือง
- เกือบทั้งหมด
- จำเป็นต้อง
- จำเป็น
- ความต้องการ
- เครือข่าย
- เกี่ยวกับประสาท
- เครือข่ายประสาท
- ใหม่
- ผลิตภัณฑ์ใหม่
- ผลิตภัณฑ์ใหม่
- ถัดไป
- ปม
- โหนด
- โดดเด่น
- สมุดบันทึก
- จำนวน
- วัตถุ
- วัตถุประสงค์
- of
- เสนอ
- การเสนอ
- มักจะ
- on
- การดูแลพนักงานใหม่
- ONE
- ออนไลน์
- เพียง
- เปิด
- โอเพนซอร์ส
- ทำงาน
- การดำเนินงาน
- การดำเนินการ
- การดำเนินงาน
- การดำเนินการ
- การปรับให้เหมาะสม
- การเพิ่มประสิทธิภาพ
- or
- องค์กร
- อื่นๆ
- ของเรา
- ออก
- เกิน
- ทั้งหมด
- เหนือศีรษะ
- ภาพรวม
- ก้าว
- เอกสาร
- Parallel
- พารามิเตอร์
- พาร์ทเนอร์
- ส่ง
- สิทธิบัตร
- สิทธิบัตร
- ต่อ
- การปฏิบัติ
- กายภาพ
- ชิ้น
- ชิ้น
- นักบิน
- ท่อ
- เวที
- แพลตฟอร์ม
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- จุด
- จุดชมวิว
- โพสต์
- สูงกว่าปริญญาตรี
- อำนาจ
- เตรียมการ
- นำเสนอ
- ก่อน
- หลัก
- เงินที่ได้
- กระบวนการ
- ผลิต
- ผลิตภัณฑ์
- ข้อมูลผลิตภัณฑ์
- การผลิต
- ผลิตภัณฑ์
- โครงการ
- สัญญา
- ให้
- ให้
- ให้
- สิ่งพิมพ์
- ซื้อ
- ไฟฉาย
- รวดเร็ว
- พิสัย
- อันดับ
- คะแนน
- มาถึง
- ตระหนักถึง
- เมื่อเร็ว ๆ นี้
- การรับรู้
- แนะนำ
- ลด
- ลดลง
- ลด
- การลดลง
- ภูมิภาค
- ซ้ำแล้วซ้ำอีก
- แบบจำลอง
- การรายงาน
- ต้อง
- ส่งผลให้
- ค้าปลีก
- บทบาท
- วิ่ง
- วิ่ง
- sagemaker
- เดียวกัน
- ซัมซุง
- ลด
- ขนาด
- ปรับ
- วิทยาศาสตร์
- ต้นฉบับ
- ได้อย่างลงตัว
- ช่ำชอง
- เห็น
- ให้บริการอาหาร
- บริการ
- ชุด
- ชุดอุปกรณ์
- การติดตั้ง
- หลาย
- ช้อปปิ้ง
- ปิด
- สำคัญ
- คล้ายคลึงกัน
- ง่าย
- ขนาดใหญ่
- ขนาด
- เล็ก
- ทางออก
- โซลูชัน
- การแก้
- แหล่ง
- ช่องว่าง
- จุดประกาย
- ลำโพง
- ผู้เชี่ยวชาญ
- เฉพาะ
- ความเร็ว
- ฤดูใบไม้ผลิ
- ข้อความที่เริ่ม
- ที่เริ่มต้น
- ขั้นตอน
- สติกเกอร์
- สต็อก
- การเก็บรักษา
- จัดเก็บ
- เก็บไว้
- ร้านค้า
- เพรียวลม
- แข็งแรง
- สตูดิโอ
- การสมัครรับข้อมูล
- ประสบความสำเร็จ
- อย่างเช่น
- ระบบ
- นำ
- ทีม
- ทีม
- เทคโนโลยี
- เทคนิค
- เทคโนโลยี
- ทดสอบ
- กว่า
- ที่
- พื้นที่
- ของพวกเขา
- พวกเขา
- แล้วก็
- ที่นั่น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- ของบุคคลที่สาม
- นี้
- คิดว่า
- ตลอด
- ปริมาณงาน
- เวลา
- ครั้ง
- ไปยัง
- เอา
- รวม
- เมือง
- แบบดั้งเดิม
- รถไฟ
- การฝึกอบรม
- โอน
- เปลี่ยน
- พยายาม
- ปรับแต่ง
- จูน
- สอง
- ชนิด
- ที่ไม่ซ้ำกัน
- หน่วย
- us
- ใช้
- มือสอง
- ใช้
- การใช้
- การตรวจสอบ
- ความหลากหลาย
- ต่างๆ
- มาก
- รายละเอียด
- วิสัยทัศน์
- vs
- อยาก
- ต้องการ
- คือ
- ทาง..
- we
- เว็บ
- บริการเว็บ
- การชั่ง
- น้ำหนัก
- คือ
- ที่
- ในขณะที่
- ทั้งหมด
- กว้าง
- ชนะ
- กับ
- ภายใน
- ทำงาน
- ผู้ปฏิบัติงาน
- แรงงาน
- การทำงาน
- โรงงาน
- การเขียน
- เขียน
- ปี
- คุณ
- ของคุณ
- ลมทะเล
- โซน