กระบวนการสร้างแบบจำลองแมชชีนเลิร์นนิง (ML) จะทำซ้ำจนกว่าคุณจะพบโมเดลที่เป็นตัวเลือกที่ทำงานได้ดีและพร้อมที่จะปรับใช้ ในขณะที่นักวิทยาศาสตร์ข้อมูลทำซ้ำผ่านกระบวนการนั้น พวกเขาต้องการวิธีการที่เชื่อถือได้เพื่อติดตามการทดลองอย่างง่ายดาย เพื่อทำความเข้าใจว่าแต่ละรุ่นถูกสร้างขึ้นอย่างไรและทำงานอย่างไร
อเมซอน SageMaker ช่วยให้ทีมใช้ประโยชน์จากคุณลักษณะที่หลากหลายเพื่อจัดเตรียม สร้าง ฝึกอบรม ปรับใช้ และตรวจสอบโมเดล ML ได้อย่างรวดเร็ว ท่อส่ง Amazon SageMaker ให้กระบวนการที่ทำซ้ำได้สำหรับการวนซ้ำผ่านกิจกรรมการสร้างแบบจำลอง และรวมเข้ากับ การทดลอง Amazon SageMaker. ตามค่าเริ่มต้น ไปป์ไลน์ของ SageMaker ทุกรายการจะเชื่อมโยงกับการทดสอบ และทุกการทำงานของไปป์ไลน์นั้นจะถูกติดตามเป็นการทดลองใช้ในการทดสอบนั้น จากนั้นการวนซ้ำของคุณจะถูกติดตามโดยอัตโนมัติโดยไม่มีขั้นตอนเพิ่มเติม
ในโพสต์นี้ เราจะพิจารณาถึงแรงจูงใจเบื้องหลังการมีกระบวนการอัตโนมัติในการติดตามการทดสอบด้วย Experiments และความสามารถดั้งเดิมที่สร้างไว้ในไปป์ไลน์อย่างละเอียดยิ่งขึ้น
เหตุใดการจัดระเบียบการทดลองของคุณจึงเป็นเรื่องสำคัญ
ลองย้อนกลับไปสักครู่แล้วพยายามทำความเข้าใจว่าทำไมการจัดการทดลองสำหรับแมชชีนเลิร์นนิงจึงสำคัญ เมื่อนักวิทยาศาสตร์ข้อมูลเข้าใกล้ปัญหา ML ใหม่ พวกเขาต้องตอบคำถามต่างๆ มากมาย ตั้งแต่ความพร้อมใช้งานของข้อมูลไปจนถึงวิธีที่พวกเขาจะวัดประสิทธิภาพของแบบจำลอง
ในตอนเริ่มต้น กระบวนการเต็มไปด้วยความไม่แน่นอนและมีการทำซ้ำอย่างมาก ด้วยเหตุนี้ ขั้นตอนการทดลองนี้จึงสามารถสร้างแบบจำลองได้หลายแบบ โดยแต่ละแบบสร้างจากอินพุตของตนเอง (ชุดข้อมูล สคริปต์การฝึก และไฮเปอร์พารามิเตอร์) และสร้างผลลัพธ์ของตนเอง (สิ่งประดิษฐ์ของแบบจำลองและเมตริกการประเมิน) ความท้าทายคือการติดตามอินพุตและเอาต์พุตทั้งหมดของการวนซ้ำแต่ละครั้ง
โดยทั่วไปแล้ว นักวิทยาศาสตร์ด้านข้อมูลจะฝึกโมเดลรุ่นต่างๆ มากมาย จนกว่าจะพบการผสมผสานของการแปลงข้อมูล อัลกอริธึม และพารามิเตอร์ไฮเปอร์พารามิเตอร์ซึ่งส่งผลให้โมเดลมีประสิทธิภาพดีที่สุด ชุดค่าผสมที่ไม่ซ้ำกันแต่ละชุดนี้เป็นการทดสอบเดียว ด้วยบันทึกที่ตรวจสอบย้อนกลับได้ของอินพุต อัลกอริทึม และพารามิเตอร์ไฮเปอร์พารามิเตอร์ที่ใช้โดยการทดลองนั้น ทีมวิทยาศาสตร์ข้อมูลสามารถค้นหาขั้นตอนที่ทำซ้ำได้ง่าย
การมีกระบวนการอัตโนมัติในการติดตามการทดลองช่วยเพิ่มความสามารถในการทำซ้ำและปรับใช้รุ่นเฉพาะรุ่นที่มีประสิทธิภาพดี การผสานการทำงานแบบเนทีฟของ Pipelines กับ Experiments ทำให้ง่ายต่อการติดตามและจัดการการทดลองโดยอัตโนมัติในการรันไปป์ไลน์
ประโยชน์ของการทดลอง SageMaker
SageMaker Experiments ช่วยให้นักวิทยาศาสตร์ด้านข้อมูลที่จัดระเบียบ ติดตาม เปรียบเทียบ และประเมินการทำซ้ำการฝึกอบรมของตนได้
มาเริ่มกันที่ภาพรวมของสิ่งที่คุณสามารถทำได้ด้วยการทดสอบก่อน:
- จัดการทดลอง – โครงสร้างการทดลองการทดลองกับเอนทิตีระดับบนสุดที่เรียกว่า an การทดลอง ที่มีชุดของ การทดลอง. การทดลองแต่ละครั้งประกอบด้วยชุดของขั้นตอนที่เรียกว่า ส่วนประกอบทดลอง. องค์ประกอบการทดลองใช้แต่ละส่วนเป็นการผสมผสานระหว่างชุดข้อมูล อัลกอริธึม และพารามิเตอร์ คุณสามารถนึกภาพการทดลองเป็นโฟลเดอร์ระดับบนสุดสำหรับการจัดระเบียบสมมติฐานของคุณ การทดลองใช้งานของคุณเป็นโฟลเดอร์ย่อยสำหรับการทดสอบแต่ละกลุ่ม และส่วนประกอบการทดลองใช้ของคุณเป็นไฟล์สำหรับอินสแตนซ์ของการทดสอบแต่ละครั้ง
- ติดตามการทดลอง – การทดลองช่วยให้นักวิทยาศาสตร์ข้อมูลสามารถติดตามการทดลองได้ มอบความเป็นไปได้ในการกำหนดงาน SageMaker ให้กับการทดลองใช้โดยอัตโนมัติผ่านการกำหนดค่าอย่างง่าย และผ่าน SDK การติดตาม
- เปรียบเทียบและประเมินการทดลอง – การรวมการทดลองกับ สตูดิโอ Amazon SageMaker ทำให้ง่ายต่อการสร้างภาพข้อมูลและเปรียบเทียบการทดลองต่างๆ คุณยังสามารถเข้าถึงข้อมูลการทดลองใช้ผ่าน Python SDK เพื่อสร้างการแสดงภาพของคุณเองโดยใช้ไลบรารีการพล็อตที่คุณต้องการ
หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ Experiments API และ SDK เราขอแนะนำเอกสารต่อไปนี้: สร้างการทดลอง และ Amazon SageMaker Experiments Python SDK
หากคุณต้องการดำน้ำให้ลึกยิ่งขึ้น เราขอแนะนำให้คุณดู amazon-sagemaker-examples/sagemaker-experiments พื้นที่เก็บข้อมูล GitHub สำหรับตัวอย่างเพิ่มเติม
การบูรณาการระหว่างไปป์ไลน์และการทดลอง
ไปป์ไลน์การสร้างแบบจำลองที่เป็นส่วนหนึ่งของไปป์ไลน์สร้างขึ้นตามวัตถุประสงค์สำหรับ ML และช่วยให้คุณสามารถจัดการงานสร้างโมเดลของคุณโดยใช้เครื่องมือไปป์ไลน์ที่รวมการผสานรวมดั้งเดิมกับฟีเจอร์ SageMaker อื่นๆ รวมถึงความยืดหยุ่นในการขยายไปป์ไลน์ของคุณด้วยขั้นตอนที่ทำงานนอก SageMaker . แต่ละขั้นตอนจะกำหนดการดำเนินการที่ไปป์ไลน์ดำเนินการ การพึ่งพาระหว่างขั้นตอนถูกกำหนดโดยกราฟ acyclic โดยตรง (DAG) ที่สร้างขึ้นโดยใช้ Pipelines Python SDK คุณสามารถสร้างไปป์ไลน์ SageMaker โดยทางโปรแกรมผ่าน SDK เดียวกัน หลังจากปรับใช้ไปป์ไลน์แล้ว คุณสามารถเลือกแสดงภาพเวิร์กโฟลว์ภายใน Studio ได้
ไปป์ไลน์ผสานรวมกับการทดสอบโดยอัตโนมัติโดยการสร้างการทดสอบและการทดลองใช้ทุกครั้งโดยอัตโนมัติ ไปป์ไลน์จะสร้างการทดสอบและการทดลองใช้โดยอัตโนมัติสำหรับการรันไปป์ไลน์ทุกครั้งก่อนที่จะดำเนินการตามขั้นตอน เว้นแต่จะระบุอินพุตเหล่านี้อย่างใดอย่างหนึ่งหรือทั้งสองอย่าง ขณะใช้งาน SageMaker ของไปป์ไลน์ ไปป์ไลน์จะเชื่อมโยงการทดลองใช้งานกับการทดสอบ และเชื่อมโยงกับการทดลองใช้ทุกองค์ประกอบการทดลองใช้ที่สร้างขึ้นโดยงาน การระบุการทดสอบหรือการทดลองใช้โดยทางโปรแกรมทำให้คุณสามารถปรับแต่งวิธีจัดระเบียบการทดสอบของคุณได้
เวิร์กโฟลว์ที่เรานำเสนอในตัวอย่างนี้ประกอบด้วยชุดของขั้นตอน: ขั้นตอนก่อนการประมวลผลเพื่อแยกชุดข้อมูลอินพุตของเราออกเป็นชุดข้อมูลฝึก ทดสอบ และการตรวจสอบ ขั้นตอนการปรับแต่งเพื่อปรับแต่งไฮเปอร์พารามิเตอร์ของเราและเริ่มต้นงานการฝึกอบรมเพื่อฝึกแบบจำลองโดยใช้ อัลกอริทึมในตัว XGBoost; และสุดท้ายคือขั้นตอนการสร้างแบบจำลองเพื่อสร้างแบบจำลอง SageMaker จากสิ่งประดิษฐ์แบบจำลองที่ได้รับการฝึกฝนอย่างดีที่สุด ไปป์ไลน์ยังมีบริการที่รองรับมากมาย ประเภทขั้นตอน นอกเหนือที่กล่าวถึงในโพสต์นี้ เรายังแสดงให้เห็นวิธีที่คุณสามารถติดตามเวิร์กโฟลว์ไปป์ไลน์ของคุณ และสร้างตัวชี้วัดและแผนภูมิเปรียบเทียบ นอกจากนี้ เรายังแสดงวิธีเชื่อมโยงการทดลองใช้ใหม่ที่สร้างขึ้นกับการทดลองที่มีอยู่ซึ่งอาจสร้างขึ้นก่อนกำหนดไปป์ไลน์
รหัสไปป์ไลน์ SageMaker
คุณสามารถตรวจสอบและดาวน์โหลดสมุดบันทึกจาก พื้นที่เก็บข้อมูล GitHub ที่เกี่ยวข้องกับโพสต์นี้ เราดูที่โค้ดเฉพาะของไปป์ไลน์เพื่อทำความเข้าใจให้ดีขึ้น
ไปป์ไลน์ช่วยให้คุณส่งผ่านพารามิเตอร์ ณ รันไทม์ได้ ที่นี่ เรากำหนดประเภทและจำนวนอินสแตนซ์การประมวลผลและการฝึกอบรม ณ รันไทม์ด้วยค่าเริ่มต้นที่ตั้งไว้ล่วงหน้า:
ต่อไป เราตั้งค่าสคริปต์การประมวลผลที่ดาวน์โหลดและแยกชุดข้อมูลอินพุตออกเป็นส่วนฝึก การทดสอบ และการตรวจสอบ เราใช้ SKLearnProcessor
สำหรับการรันขั้นตอนก่อนการประมวลผลนี้ ในการดำเนินการดังกล่าว เรากำหนดอ็อบเจ็กต์ตัวประมวลผลด้วยประเภทอินสแตนซ์และจำนวนที่จำเป็นในการรันงานการประมวลผล
ไปป์ไลน์ช่วยให้เราบรรลุการกำหนดเวอร์ชันข้อมูลด้วยวิธีทางโปรแกรมโดยใช้ตัวแปรเฉพาะการดำเนินการ เช่น ExecutionVariables.PIPELINE_EXECUTION_ID
ซึ่งเป็น ID เฉพาะของการรันไปป์ไลน์ ตัวอย่างเช่น เราสามารถสร้างคีย์เฉพาะสำหรับจัดเก็บชุดข้อมูลเอาต์พุตใน บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) ที่ผูกไว้กับการเรียกใช้ไปป์ไลน์เฉพาะ สำหรับรายการตัวแปรทั้งหมด โปรดดูที่ ตัวแปรการดำเนินการ.
จากนั้นเราไปต่อเพื่อสร้างอ็อบเจ็กต์ตัวประมาณเพื่อฝึกโมเดล XGBoost เราตั้งค่าไฮเปอร์พารามิเตอร์แบบคงที่ที่มักใช้กับ XGBoost:
เราทำการปรับแต่งไฮเปอร์พารามิเตอร์ของแบบจำลองที่เราสร้างโดยใช้a ContinuousParameter
ช่วงสำหรับ lambda
. การเลือกตัววัดหนึ่งตัวให้เป็นตัวชี้วัดวัตถุประสงค์จะบอกตัวปรับแต่ง (อินสแตนซ์ที่รันงานการปรับแต่งไฮเปอร์พารามิเตอร์) ว่าคุณจะประเมินงานการฝึกอบรมตามตัวชี้วัดเฉพาะนี้ จูนเนอร์จะส่งกลับชุดค่าผสมที่ดีที่สุดโดยพิจารณาจากค่าที่ดีที่สุดสำหรับเมตริกวัตถุประสงค์นี้ ซึ่งหมายถึงชุดค่าผสมที่ดีที่สุดที่จะลดค่าความผิดพลาดกำลังสองของรากที่ดีที่สุด (RMSE)
ขั้นตอนการปรับแต่งจะดำเนินการทดลองหลายครั้งโดยมีเป้าหมายในการกำหนดรูปแบบที่ดีที่สุดจากช่วงพารามิเตอร์ที่ทดสอบ ด้วยวิธีการ get_top_model_s3_uri
เราจัดอันดับ 50 เวอร์ชันที่มีประสิทธิภาพสูงสุดของแบบจำลองสิ่งประดิษฐ์ S3 URI และแยกเฉพาะเวอร์ชันที่มีประสิทธิภาพดีที่สุดเท่านั้น (เราระบุ k=0
เพื่อสิ่งที่ดีที่สุด) เพื่อสร้างแบบจำลอง SageMaker
เมื่อไปป์ไลน์ทำงาน จะสร้างส่วนประกอบทดลองสำหรับงานปรับแต่งไฮเปอร์พารามิเตอร์แต่ละงานและงาน SageMaker แต่ละงานที่สร้างโดยขั้นตอนไปป์ไลน์
คุณสามารถกำหนดค่าการรวมไปป์ไลน์กับ Experiments เพิ่มเติมได้โดยสร้าง a PipelineExperimentConfig
วัตถุและส่งผ่านไปยังวัตถุไปป์ไลน์ พารามิเตอร์ทั้งสองกำหนดชื่อของการทดสอบที่จะสร้าง และการทดลองที่จะอ้างถึงการทำงานทั้งหมดของไปป์ไลน์
หากคุณต้องการเชื่อมโยงไปป์ไลน์ที่เรียกใช้กับการทดสอบที่มีอยู่ คุณสามารถส่งต่อชื่อ จากนั้นไปป์ไลน์จะเชื่อมโยงการทดลองใหม่กับการทดลอง คุณสามารถป้องกันการสร้างการทดลองและการทดลองสำหรับไปป์ไลน์ที่เรียกใช้โดยการตั้งค่า pipeline_experiment_config
ไปยัง None
.
เราส่งต่อประเภทอินสแตนซ์และนับเป็นพารามิเตอร์ และเชื่อมโยงขั้นตอนก่อนหน้าตามลำดับดังนี้ เวิร์กโฟลว์ไปป์ไลน์ถูกกำหนดโดยปริยายโดยผลลัพธ์ของขั้นตอนที่เป็นอินพุตของขั้นตอนอื่น
ขณะนี้ท่อส่งที่เต็มเปี่ยมถูกสร้างขึ้นและพร้อมที่จะไป เราเพิ่มบทบาทการดำเนินการให้กับไปป์ไลน์และเริ่มต้น จากที่นี่ เราสามารถไปที่คอนโซล SageMaker Studio Pipelines และติดตามทุกขั้นตอนด้วยสายตา คุณยังสามารถเข้าถึงบันทึกที่เชื่อมโยงจากคอนโซลเพื่อแก้ไขจุดบกพร่องของไปป์ไลน์
ภาพหน้าจอก่อนหน้านี้แสดงไปป์ไลน์ที่เรียกใช้สำเร็จเป็นสีเขียว เราได้รับตัวชี้วัดของการทดลองหนึ่งครั้งจากการรันไปป์ไลน์ด้วยรหัสต่อไปนี้:
เปรียบเทียบเมตริกสำหรับส่วนประกอบการทดลองใช้แต่ละส่วน
คุณสามารถพล็อตผลลัพธ์ของการปรับแต่งไฮเปอร์พารามิเตอร์ใน Studio หรือผ่านไลบรารีการพล็อต Python อื่นๆ เราแสดงทั้งสองวิธีในการทำเช่นนี้
สำรวจเมตริกการฝึกอบรมและการประเมินใน Studio
Studio มีส่วนต่อประสานกับผู้ใช้แบบโต้ตอบซึ่งคุณสามารถสร้างแผนการโต้ตอบได้ ขั้นตอนมีดังนี้:
- Choose การทดลองและการทดลอง จาก แหล่งข้อมูล SageMaker ไอคอนบนแถบด้านข้างด้านซ้าย
- เลือกการทดสอบของคุณเพื่อเปิด
- เลือก (คลิกขวา) การทดลองใช้ที่สนใจ
- Choose เปิดในรายการส่วนประกอบทดลอง.
- ข่าวประชา เปลี่ยน เพื่อเลือกส่วนประกอบทดลองที่เป็นตัวแทนของงานฝึกอบรม
- Choose เพิ่มแผนภูมิ.
- Choose ชาร์ตใหม่ และปรับแต่งเพื่อพล็อตเมตริกที่รวบรวมไว้ที่คุณต้องการวิเคราะห์ สำหรับกรณีการใช้งานของเรา ให้เลือกดังต่อไปนี้:
- สำหรับ ประเภทข้อมูล¸ เลือก สรุปสถิติ.
- สำหรับ ชนิดแผนภูมิ¸ เลือก พล็อตกระจาย.
- สำหรับ แกน Xเลือก
lambda
. - สำหรับ แกน Yเลือก
validation:rmse_last
.
แผนภูมิใหม่จะปรากฏที่ด้านล่างของหน้าต่าง โดยมีป้ายกำกับว่า '8'
คุณสามารถรวมงานฝึกอบรมมากหรือน้อยได้โดยกด เปลี่ยน และเลือกไอคอนรูปตาเพื่อประสบการณ์การโต้ตอบที่มากขึ้น
การวิเคราะห์ด้วย SageMaker Experiments
เมื่อการดำเนินการไปป์ไลน์เสร็จสมบูรณ์ เราจะเห็นภาพได้อย่างรวดเร็วว่ารูปแบบต่างๆ เปรียบเทียบกันอย่างไรในแง่ของเมตริกที่รวบรวมระหว่างการฝึกอบรม ก่อนหน้านี้ เราได้ส่งออกตัวชี้วัดการทดลองทั้งหมดไปยัง a นุ่น DataFrame
การใช้ ExperimentAnalytics
. เราสามารถทำซ้ำพล็อตที่ได้รับใน Studio โดยใช้ไลบรารี Matplotlib
สรุป
การผสานรวมแบบเนทีฟระหว่าง SageMaker Pipelines และ SageMaker Experiments ช่วยให้นักวิทยาศาสตร์ข้อมูลสามารถจัดระเบียบ ติดตาม และแสดงภาพการทดลองโดยอัตโนมัติในระหว่างกิจกรรมการพัฒนาแบบจำลอง คุณสามารถสร้างการทดลองเพื่อจัดระเบียบงานการพัฒนาแบบจำลองทั้งหมดของคุณได้ เช่น:
- กรณีการใช้งานทางธุรกิจที่คุณกำลังพูดถึง เช่น การสร้างการทดลองเพื่อคาดการณ์การเลิกราของลูกค้า
- การทดลองที่ทีมวิทยาศาสตร์ข้อมูลเป็นเจ้าของเกี่ยวกับการวิเคราะห์การตลาด เช่น
- วิทยาศาสตร์ข้อมูลเฉพาะและโครงการ ML
ในโพสต์นี้ เราเจาะลึกเข้าไปในไปป์ไลน์เพื่อแสดงให้เห็นว่าคุณสามารถใช้มันควบคู่ไปกับการทดลองเพื่อจัดระเบียบเวิร์กโฟลว์แบบอัตโนมัติตั้งแต่ต้นทางถึงปลายทางได้อย่างไร
ในขั้นตอนต่อไป คุณสามารถใช้คุณลักษณะ SageMaker ทั้งสามนี้ – Studio, Experiments และ Pipelines – สำหรับโครงการ ML ถัดไปของคุณ
การอ่านที่แนะนำ
เกี่ยวกับผู้แต่ง
เปาโล ดิ ฟรานเชสโก้ เป็นสถาปนิกโซลูชันที่ AWS เขามีประสบการณ์ด้านวิศวกรรมโทรคมนาคมและซอฟต์แวร์ เขาหลงใหลเกี่ยวกับแมชชีนเลิร์นนิงและกำลังมุ่งเน้นไปที่การใช้ประสบการณ์ของเขาเพื่อช่วยให้ลูกค้าบรรลุเป้าหมายใน AWS โดยเฉพาะอย่างยิ่งในการอภิปรายเกี่ยวกับ MLOps นอกเวลางาน เขาชอบเล่นฟุตบอลและอ่านหนังสือ
มาริโอ บูร์กอ็อง เป็น Senior Partner Solutions Architect for AWS, ผู้เชี่ยวชาญ AI/ML และผู้นำด้านเทคโนโลยีระดับโลกสำหรับ MLOps เขาทำงานร่วมกับลูกค้าองค์กรและคู่ค้าในการปรับใช้โซลูชัน AI ในระบบคลาวด์ เขามีประสบการณ์มากกว่า 30 ปีในการทำแมชชีนเลิร์นนิงและ AI ในบริษัทสตาร์ทอัพและในองค์กรต่างๆ โดยเริ่มจากการสร้างระบบแมชชีนเลิร์นนิงเชิงพาณิชย์ระบบแรกสำหรับบิ๊กดาต้า มาริโอใช้เวลาว่างเล่นกับเทอร์วูเรนชาวเบลเยียมสามคน ทำอาหารเย็นให้ครอบครัว และเรียนรู้เกี่ยวกับคณิตศาสตร์และจักรวาลวิทยา
คณปาถี กฤษณมัวร์ธี เป็นสถาปนิกอาวุโส ML Solutions ที่ AWS Ganapathi ให้คำแนะนำที่กำหนดไว้สำหรับการเริ่มต้นและลูกค้าระดับองค์กรที่ช่วยพวกเขาในการออกแบบและปรับใช้แอปพลิเคชันระบบคลาวด์ในวงกว้าง เขาเชี่ยวชาญด้านแมชชีนเลิร์นนิงและมุ่งเน้นที่การช่วยเหลือลูกค้าให้ใช้ประโยชน์จาก AI/ML เพื่อผลลัพธ์ทางธุรกิจ เมื่อไม่ได้ทำงาน เขาชอบออกสำรวจกลางแจ้งและฟังเพลง
วาเลอรี สุนทรกิจ เป็นสถาปนิกโซลูชันสำหรับ AWS ซึ่งทำงานในอุตสาหกรรมเกมและกับคู่ค้าที่ปรับใช้โซลูชัน AI เธอตั้งเป้าที่จะสร้างอาชีพของเธอเกี่ยวกับ Computer Vision ในช่วงเวลาว่างของเธอ วาเลอรีใช้จ่ายเพื่อท่องเที่ยว ค้นพบร้านอาหารใหม่ๆ และเปลี่ยนการตกแต่งภายในบ้านของเธอ
- AI
- ไอ อาร์ต
- เครื่องกำเนิดไออาร์ท
- หุ่นยนต์ไอ
- อเมซอน SageMaker
- ปัญญาประดิษฐ์
- ใบรับรองปัญญาประดิษฐ์
- ปัญญาประดิษฐ์ในการธนาคาร
- หุ่นยนต์ปัญญาประดิษฐ์
- หุ่นยนต์ปัญญาประดิษฐ์
- ซอฟต์แวร์ปัญญาประดิษฐ์
- AWS Machine Learning AWS
- blockchain
- การประชุม blockchain ai
- เหรียญอัจฉริยะ
- ปัญญาประดิษฐ์สนทนา
- การประชุม crypto ai
- ดัล-อี
- การเรียนรู้ลึก ๆ
- google ai
- เรียนรู้เครื่อง
- เพลโต
- เพลโตไอ
- เพลโตดาต้าอินเทลลิเจนซ์
- เกมเพลโต
- เพลโตดาต้า
- เพลโตเกม
- ขนาดไอ
- วากยสัมพันธ์
- ลมทะเล