ซีรีส์สามส่วนนี้สาธิตวิธีการใช้โครงข่ายประสาทเทียมแบบกราฟ (GNN) และ อเมซอนเนปจูน เพื่อสร้างคำแนะนำภาพยนตร์โดยใช้ IMDb และ Box Office Mojo Movies/TV/OTT แพ็คเกจข้อมูลที่สามารถขอลิขสิทธิ์ได้ ซึ่งให้ข้อมูลเมตาด้านความบันเทิงที่หลากหลาย รวมถึงการให้คะแนนของผู้ใช้มากกว่า 1 พันล้านรายการ เครดิตสำหรับนักแสดงและทีมงานกว่า 11 ล้านคน; ภาพยนตร์ ทีวี และความบันเทิง 9 ล้านเรื่อง; และข้อมูลการรายงานบ็อกซ์ออฟฟิศทั่วโลกจากกว่า 60 ประเทศ ลูกค้าสื่อและความบันเทิงของ AWS จำนวนมากอนุญาตให้ใช้ข้อมูล IMDb ผ่าน การแลกเปลี่ยนข้อมูล AWS เพื่อปรับปรุงการค้นพบเนื้อหาและเพิ่มการมีส่วนร่วมและการรักษาลูกค้า
แผนภาพต่อไปนี้แสดงสถาปัตยกรรมที่สมบูรณ์ซึ่งนำมาใช้เป็นส่วนหนึ่งของซีรี่ส์นี้
In 1 หมายเลขเราได้กล่าวถึงการประยุกต์ใช้ GNN และวิธีการแปลงและเตรียมข้อมูล IMDb ของเราให้เป็นกราฟความรู้ (KG) เราดาวน์โหลดข้อมูลจาก AWS Data Exchange และประมวลผลใน AWS กาว เพื่อสร้างไฟล์ KG ไฟล์ KG ถูกเก็บไว้ใน บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) แล้วโหลดเข้ามา อเมซอนเนปจูน.
In 2 หมายเลข, เราสาธิตวิธีการใช้งาน อเมซอน ดาวเนปจูน ML (ใน อเมซอน SageMaker) เพื่อฝึก KG และสร้างการฝัง KG
ในโพสต์นี้ เราจะแนะนำวิธีการใช้การฝัง KG ที่ผ่านการฝึกอบรมของเราใน Amazon S3 กับกรณีการใช้งานการค้นหานอกแค็ตตาล็อกโดยใช้ บริการ Amazon OpenSearch และ AWS แลมบ์ดา. คุณยังปรับใช้เว็บแอปในพื้นที่สำหรับประสบการณ์การค้นหาแบบโต้ตอบ ทรัพยากรทั้งหมดที่ใช้ในโพสต์นี้สามารถสร้างได้โดยใช้ทรัพยากรเดียว ชุดพัฒนา AWS Cloud (AWS CDK) ตามที่อธิบายไว้ในโพสต์
พื้นหลัง
คุณเคยค้นหาชื่อเนื้อหาที่ไม่มีในแพลตฟอร์มสตรีมวิดีโอโดยไม่ได้ตั้งใจหรือไม่ ถ้าใช่ คุณจะพบว่าแทนที่จะเปิดหน้าผลการค้นหาเปล่าๆ คุณจะพบรายการภาพยนตร์ในประเภทเดียวกัน พร้อมนักแสดงหรือทีมงาน นั่นเป็นประสบการณ์การค้นหาที่ไม่อยู่ในแคตตาล็อก!
การค้นหานอกแค็ตตาล็อก (OOC) คือเมื่อคุณป้อนคำค้นหาที่ไม่มีการจับคู่โดยตรงในแค็ตตาล็อก เหตุการณ์นี้มักเกิดขึ้นในแพลตฟอร์มสตรีมวิดีโอที่ซื้อเนื้อหาที่หลากหลายจากผู้ขายและบริษัทผู้ผลิตหลายรายอย่างต่อเนื่องในช่วงเวลาจำกัด การไม่มีความเกี่ยวข้องหรือการแมปจากแคตตาล็อกของบริษัทสตรีมมิงไปยังฐานความรู้ขนาดใหญ่ของภาพยนตร์และรายการทีวี อาจส่งผลให้เกิดประสบการณ์การค้นหาที่ต่ำกว่ามาตรฐานสำหรับลูกค้าที่ค้นหาเนื้อหา OOC ซึ่งส่งผลให้เวลาในการโต้ตอบกับแพลตฟอร์มลดลง การแมปนี้สามารถทำได้โดยการแมปข้อความค้นหา OOC ที่พบบ่อยกับแคตตาล็อกเนื้อหาด้วยตนเอง หรือทำให้เป็นอัตโนมัติโดยใช้แมชชีนเลิร์นนิง (ML)
ในโพสต์นี้ เราจะแสดงวิธีจัดการ OOC โดยใช้พลังของชุดข้อมูล IMDb (แหล่งข้อมูลระดับชั้นนำของข้อมูลเมตาความบันเทิงระดับโลก) และกราฟความรู้
บริการ OpenSearch เป็นบริการที่มีการจัดการเต็มรูปแบบที่ช่วยให้คุณดำเนินการวิเคราะห์บันทึกแบบโต้ตอบ การตรวจสอบแอปพลิเคชันตามเวลาจริง การค้นหาเว็บไซต์ และอื่นๆ ได้อย่างง่ายดาย OpenSearch เป็นโอเพ่นซอร์ส การค้นหาแบบกระจายและชุดการวิเคราะห์ที่ได้รับมาจาก Elasticsearch OpenSearch Service นำเสนอ OpenSearch เวอร์ชันล่าสุด รองรับ Elasticsearch 19 เวอร์ชัน (เวอร์ชัน 1.5 ถึง 7.10) รวมถึงความสามารถในการแสดงภาพที่ขับเคลื่อนโดย OpenSearch Dashboards และ Kibana (เวอร์ชัน 1.5 ถึง 7.10) ปัจจุบัน OpenSearch Service มีลูกค้าที่ใช้งานอยู่หลายหมื่นราย โดยมีคลัสเตอร์นับแสนภายใต้การจัดการที่ประมวลผลคำขอหลายล้านล้านคำขอต่อเดือน OpenSearch Service นำเสนอการค้นหาด้วย kNN ซึ่งสามารถปรับปรุงการค้นหาในกรณีการใช้งาน เช่น คำแนะนำผลิตภัณฑ์ การตรวจจับการฉ้อโกง และรูปภาพ วิดีโอ และสถานการณ์ความหมายเฉพาะบางอย่าง เช่น ความคล้ายคลึงกันของเอกสารและข้อความค้นหา สำหรับข้อมูลเพิ่มเติมเกี่ยวกับฟังก์ชันการค้นหาที่ขับเคลื่อนด้วยความเข้าใจในภาษาธรรมชาติของ OpenSearch Service โปรดดูที่ สร้างแอปพลิเคชันการค้นหาที่ขับเคลื่อนด้วย NLU ด้วย Amazon SageMaker และฟีเจอร์ Amazon OpenSearch Service KNN.
ภาพรวมโซลูชัน
ในโพสต์นี้ เรานำเสนอวิธีแก้ปัญหาเพื่อจัดการกับสถานการณ์ OOC ผ่านการค้นหาแบบฝังตามกราฟความรู้โดยใช้ความสามารถในการค้นหา k-nearest neighbour (kNN) ของ OpenSearch Service บริการหลักของ AWS ที่ใช้ในการปรับใช้โซลูชันนี้คือ OpenSearch Service, SageMaker, Lambda และ Amazon S3
เช็คเอาท์ 1 หมายเลข และ 2 หมายเลข ของชุดนี้เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการสร้างกราฟความรู้และการฝัง GNN โดยใช้ Amazon Neptune ML
โซลูชัน OOC ของเราถือว่าคุณมี KG รวมกันซึ่งได้รับจากการรวมบริษัทสตรีมมิ่ง KG และ IMDb KG ซึ่งสามารถทำได้โดยใช้เทคนิคการประมวลผลข้อความง่ายๆ ที่จับคู่ชื่อเรื่องกับประเภทชื่อเรื่อง (ภาพยนตร์ ซีรีส์ สารคดี) นักแสดง และทีมงาน นอกจากนี้ กราฟความรู้ร่วมนี้ต้องได้รับการฝึกอบรมเพื่อสร้างการฝังกราฟความรู้ผ่านท่อที่กล่าวถึงใน 1 หมายเลข และ 2 หมายเลข. แผนภาพต่อไปนี้แสดงมุมมองแบบง่ายของ KG ที่รวมกัน
เพื่อสาธิตฟังก์ชันการค้นหา OOC ด้วยตัวอย่างง่ายๆ เราแบ่งกราฟความรู้ IMDb ออกเป็นแค็ตตาล็อกลูกค้าและแคตตาล็อกนอกเหนือลูกค้า เราทำเครื่องหมายชื่อเรื่องที่มี “Toy Story” เป็นทรัพยากรที่ไม่อยู่ในแคตตาล็อกของลูกค้า และกราฟความรู้ IMDb ที่เหลือเป็นแคตตาล็อกลูกค้า ในสถานการณ์ที่แคตตาล็อกลูกค้าไม่ได้รับการปรับปรุงหรือผสานกับฐานข้อมูลภายนอก การค้นหา "toy story" จะส่งคืนชื่อเรื่องใดๆ ที่มีคำว่า "toy" หรือ "story" ในข้อมูลเมตาด้วยการค้นหาข้อความ OpenSearch หากแค็ตตาล็อกลูกค้าถูกแมปกับ IMDb จะง่ายกว่าที่จะรวบรวมว่าไม่มีข้อความค้นหา "toy story" ในแคตตาล็อก และการจับคู่สูงสุดใน IMDb คือ "Toy Story" "Toy Story 2" "Toy เรื่องที่ 3” “Toy Story 4” และ “Charlie: Toy Story” ในลำดับความเกี่ยวข้องที่ลดลงด้วยการจับคู่ข้อความ เพื่อให้ได้ผลลัพธ์ภายในแคตตาล็อกสำหรับแต่ละแมตช์เหล่านี้ เราสามารถสร้างภาพยนตร์ที่ใกล้เคียงที่สุดห้าเรื่องในการฝัง kNN ตามแคตตาล็อกของลูกค้า (ของ KG ร่วม) ผ่าน OpenSearch Service
ประสบการณ์ OOC ทั่วไปเป็นไปตามโฟลว์ที่แสดงในรูปต่อไปนี้
วิดีโอต่อไปนี้แสดงผลลัพธ์ OOC ห้าอันดับแรก (จำนวนครั้งที่เข้าชม) สำหรับคำค้นหา “toy story” และการจับคู่ที่เกี่ยวข้องในแคตตาล็อกลูกค้า (จำนวนคำแนะนำ)
ที่นี่ ข้อความค้นหาจะจับคู่กับกราฟความรู้โดยใช้การค้นหาข้อความใน OpenSearch Service จากนั้นเราจะจับคู่การฝังของข้อความที่ตรงกับชื่อแคตตาล็อกลูกค้าโดยใช้ดัชนี OpenSearch Service kNN เนื่องจากข้อความค้นหาของผู้ใช้ไม่สามารถแมปโดยตรงกับเอนทิตีกราฟความรู้ได้ เราจึงใช้วิธีสองขั้นตอนเพื่อค้นหาความคล้ายคลึงกันของข้อความค้นหาตามชื่อเรื่อง จากนั้นจึงค้นหารายการที่คล้ายกับชื่อเรื่องโดยใช้การฝังกราฟความรู้ ในส่วนต่อไปนี้ เราจะแนะนำขั้นตอนการตั้งค่าคลัสเตอร์ OpenSearch Service การสร้างและอัปโหลดดัชนีกราฟความรู้ และการปรับใช้โซลูชันเป็นเว็บแอปพลิเคชัน
เบื้องต้น
ในการใช้โซลูชันนี้ คุณควรมี บัญชี AWSความคุ้นเคยกับ OpenSearch Service, SageMaker, Lambda และ การก่อตัวของ AWS Cloudและดำเนินการตามขั้นตอนเรียบร้อยแล้ว 1 หมายเลข และ 2 หมายเลข ของชุดนี้
เรียกใช้ทรัพยากรโซลูชัน
ไดอะแกรมสถาปัตยกรรมต่อไปนี้แสดงเวิร์กโฟลว์นอกแค็ตตาล็อก
คุณจะใช้ AWS Cloud Development Kit (CDK) เพื่อจัดเตรียมทรัพยากรที่จำเป็นสำหรับแอปพลิเคชันการค้นหา OOC รหัสเพื่อเปิดใช้ทรัพยากรเหล่านี้ดำเนินการต่อไปนี้:
- สร้าง VPC สำหรับทรัพยากร
- สร้างโดเมน OpenSearch Service สำหรับแอปพลิเคชันการค้นหา
- สร้างฟังก์ชัน Lambda เพื่อประมวลผลและโหลดข้อมูลเมตาของภาพยนตร์และการฝังลงในดัชนี OpenSearch Service (
**-ReadFromOpenSearchLambda-**
). - สร้างฟังก์ชัน Lambda ที่ป้อนข้อความค้นหาของผู้ใช้จากเว็บแอปและส่งคืนชื่อที่เกี่ยวข้องจาก OpenSearch (
**-LoadDataIntoOpenSearchLambda-**
). - สร้างเกตเวย์ API ที่เพิ่มชั้นความปลอดภัยเพิ่มเติมระหว่างอินเทอร์เฟซผู้ใช้ของเว็บแอปและ Lambda
ในการเริ่มต้น ให้ทำตามขั้นตอนต่อไปนี้:
- เรียกใช้รหัสและสมุดบันทึกจาก 1 หมายเลข และ 2 หมายเลข.
- ไปที่
part3-out-of-catalog
โฟลเดอร์ในที่เก็บรหัส
- เรียกใช้ AWS CDK จากเทอร์มินัลด้วยคำสั่ง
bash launch_stack.sh
. - ระบุเส้นทางไฟล์ S3 สองไฟล์ที่สร้างในส่วนที่ 2 เป็นอินพุต:
- เส้นทาง S3 ไปยังไฟล์ CSV ที่ฝังภาพยนตร์
- เส้นทาง S3 ไปยังไฟล์โหนดภาพยนตร์
- รอจนกว่าสคริปต์จะจัดเตรียมทรัพยากรที่จำเป็นทั้งหมดและทำงานเสร็จสิ้น
- คัดลอก URL เกตเวย์ API ที่สคริปต์ AWS CDK พิมพ์ออกมาและบันทึก (เราใช้สิ่งนี้สำหรับแอป Streamlit ในภายหลัง)
สร้างโดเมนบริการ OpenSearch
เพื่อจุดประสงค์ในการอธิบาย คุณสร้างโดเมนการค้นหาบน Availability Zone หนึ่งในอินสแตนซ์ r6g.large.search ภายใน VPC และเครือข่ายย่อยที่ปลอดภัย โปรดทราบว่าแนวทางปฏิบัติที่ดีที่สุดคือการตั้งค่าบน Availability Zone สามแห่งด้วยหนึ่งอินสแตนซ์หลักและสองอินสแตนซ์จำลอง
สร้างดัชนี OpenSearch Service และอัปโหลดข้อมูล
คุณใช้ฟังก์ชัน Lambda (สร้างโดยใช้คำสั่ง AWS CDK launch stack) เพื่อสร้างดัชนี OpenSearch Service ในการเริ่มสร้างดัชนี ให้ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล Lambda ให้เปิด
LoadDataIntoOpenSearchLambda
ฟังก์ชันแลมบ์ดา - เกี่ยวกับ ทดสอบ เลือกแท็บ ทดสอบ เพื่อสร้างและนำข้อมูลเข้าสู่ดัชนี OpenSearch Service
โค้ดต่อไปนี้ของฟังก์ชัน Lambda สามารถพบได้ใน part3-out-of-catalog/cdk/ooc/lambdas/LoadDataIntoOpenSearchLambda/lambda_handler.py
:
ฟังก์ชันดำเนินการต่อไปนี้:
- โหลดไฟล์โหนดภาพยนตร์ IMDB KG ที่มีข้อมูลเมตาของภาพยนตร์และการฝังที่เกี่ยวข้องจากเส้นทางไฟล์ S3 ที่ส่งผ่านไปยังไฟล์การสร้างสแต็ก
launch_stack.sh
. - รวมไฟล์อินพุตสองไฟล์เพื่อสร้าง dataframe เดียวสำหรับการสร้างดัชนี
- เริ่มต้นไคลเอนต์ OpenSearch Service โดยใช้ไลบรารี Boto3 Python
- สร้างสองดัชนีสำหรับข้อความ (
ooc_text
) และการค้นหาแบบฝัง kNN (ooc_knn
) และอัปโหลดข้อมูลจำนวนมากจาก dataframe ที่รวมกันผ่านingest_data_into_ops
ฟังก์ชัน
กระบวนการนำเข้าข้อมูลนี้ใช้เวลา 5-10 นาที และสามารถตรวจสอบได้ผ่านทาง อเมซอน คลาวด์วอตช์ เข้าสู่ระบบ การตรวจสอบ แท็บของฟังก์ชันแลมบ์ดา
คุณสร้างสองดัชนีเพื่อเปิดใช้งานการค้นหาตามข้อความและการค้นหาตามการฝัง kNN การค้นหาข้อความจะจับคู่คำค้นหารูปแบบอิสระที่ผู้ใช้ป้อนกับชื่อเรื่องของภาพยนตร์ การค้นหาแบบฝัง kNN จะค้นหาภาพยนตร์ที่ใกล้เคียงที่สุด k กับข้อความที่ดีที่สุดจากพื้นที่แฝงของ KG เพื่อส่งคืนเป็นเอาต์พุต
ปรับใช้โซลูชันเป็นเว็บแอปพลิเคชันภายในเครื่อง
ตอนนี้คุณมีการค้นหาข้อความและดัชนี kNN ที่ใช้งานได้บน OpenSearch Service แล้ว คุณก็พร้อมที่จะสร้างเว็บแอปที่ขับเคลื่อนด้วย ML
เราใช้ streamlit
แพ็คเกจ Python เพื่อสร้างภาพประกอบส่วนหน้าสำหรับแอปพลิเคชันนี้ เดอะ IMDb-Knowledge-Graph-Blog/part3-out-of-catalog/run_imdb_demo.py
ไฟล์ Python ในไฟล์ repo GitHub มีรหัสที่จำเป็นในการเปิดเว็บแอปในพื้นที่เพื่อสำรวจความสามารถนี้
เมื่อต้องการรันโค้ด ให้ทำตามขั้นตอนต่อไปนี้:
- ติดตั้ง
streamlit
และaws_requests_auth
แพ็คเกจ Python ในสภาพแวดล้อม Python เสมือนในพื้นที่ของคุณผ่านคำสั่งต่อไปนี้ในเทอร์มินัลของคุณ:
- แทนที่ตัวยึดตำแหน่งสำหรับ URL เกตเวย์ API ในโค้ดต่อไปนี้ด้วยตัวยึดที่สร้างโดย AWS CDK:
api = '<ENTER URL OF THE API GATEWAY HERE>/opensearch-lambda?q={query_text}&numMovies={num_movies}&numRecs={num_recs}'
- เปิดเว็บแอปด้วยคำสั่ง
streamlit run run_imdb_demo.py
จากเทอร์มินัลของคุณ
สคริปต์นี้เปิดตัวเว็บแอป Streamlit ที่สามารถเข้าถึงได้ในเว็บเบราว์เซอร์ของคุณ สามารถดึง URL ของเว็บแอปได้จากเอาต์พุตของสคริปต์ ดังที่แสดงในภาพหน้าจอต่อไปนี้
แอปยอมรับสตริงการค้นหาใหม่ จำนวนครั้ง และจำนวนคำแนะนำ จำนวนการเข้าชมสอดคล้องกับจำนวนเนื้อหา OOC ที่ตรงกันที่เราควรดึงมาจากแค็ตตาล็อกภายนอก (IMDb) จำนวนคำแนะนำสอดคล้องกับจำนวนเพื่อนบ้านที่ใกล้ที่สุดที่เราควรดึงจากแคตตาล็อกลูกค้าตามการค้นหาที่ฝัง kNN ดูรหัสต่อไปนี้:
ข้อมูลนี้ (ข้อความค้นหา จำนวน Hit และคำแนะนำ) จะถูกส่งต่อไปยัง **-ReadFromOpenSearchLambda-**
ฟังก์ชัน Lambda ที่สร้างโดย AWS CDK ผ่านคำขอ API Gateway สิ่งนี้ทำในฟังก์ชั่นต่อไปนี้:
ผลลัพธ์เอาต์พุตของฟังก์ชัน Lambda จาก OpenSearch Service จะถูกส่งผ่านไปยัง API Gateway และแสดงในแอป Streamlit
ทำความสะอาด
คุณสามารถลบทรัพยากรทั้งหมดที่สร้างโดย AWS CDK ผ่านคำสั่ง npx cdk destroy –app “python3 appy.py” --all
ในตัวอย่างเดียวกัน (ภายใน cdk
โฟลเดอร์) ที่ใช้ในการเปิดสแต็ก (ดูภาพหน้าจอต่อไปนี้)
สรุป
ในโพสต์นี้ เราได้แสดงวิธีสร้างโซลูชันสำหรับการค้นหา OOC โดยใช้ข้อความและการค้นหาตาม kNN โดยใช้ SageMaker และ OpenSearch Service คุณใช้การฝังโมเดลกราฟความรู้แบบกำหนดเองเพื่อค้นหาเพื่อนบ้านที่ใกล้ที่สุดในแคตตาล็อกของคุณไปยังชื่อ IMDb ตัวอย่างเช่น ตอนนี้ คุณสามารถค้นหา "The Rings of Power" ซีรีส์แนวแฟนตาซีที่พัฒนาโดย Amazon Prime Video บนแพลตฟอร์มการสตรีมอื่นๆ และบอกเหตุผลว่าพวกเขาสามารถเพิ่มประสิทธิภาพผลการค้นหาได้อย่างไร
สำหรับข้อมูลเพิ่มเติมเกี่ยวกับตัวอย่างโค้ดในโพสต์นี้ โปรดดูที่ repo GitHub. หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับการทำงานร่วมกับ Amazon ML Solutions Lab เพื่อสร้างแอปพลิเคชัน ML ที่ล้ำสมัยที่คล้ายกัน โปรดดู ห้องปฏิบัติการโซลูชันแมชชีนเลิร์นนิงของ Amazon. สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการให้สิทธิ์ใช้งานชุดข้อมูล IMDb โปรดไปที่ ผู้พัฒนา imdb.com.
เกี่ยวกับผู้เขียน
ดิวา ภาร์กาวี เป็นนักวิทยาศาสตร์ด้านข้อมูลและผู้นำด้านสื่อและความบันเทิงในแนวดิ่งที่ Amazon ML Solutions Lab ซึ่งเธอแก้ปัญหาทางธุรกิจที่มีมูลค่าสูงให้กับลูกค้า AWS โดยใช้แมชชีนเลิร์นนิง เธอทำงานเกี่ยวกับการทำความเข้าใจภาพ/วิดีโอ ระบบแนะนำกราฟความรู้ กรณีการใช้งานโฆษณาเชิงคาดการณ์
เการาฟ เรเล เป็นนักวิทยาศาสตร์ข้อมูลที่ Amazon ML Solution Lab ซึ่งเขาทำงานร่วมกับลูกค้า AWS ในแนวดิ่งต่างๆ เพื่อเร่งการใช้แมชชีนเลิร์นนิงและบริการ AWS Cloud เพื่อแก้ปัญหาความท้าทายทางธุรกิจ
แมทธิว โรดส์ เป็นนักวิทยาศาสตร์ข้อมูลที่ฉันทำงานใน Amazon ML Solutions Lab เขาเชี่ยวชาญในการสร้างท่อส่งแมชชีนเลิร์นนิงที่เกี่ยวข้องกับแนวคิดต่างๆ เช่น การประมวลผลภาษาธรรมชาติและการมองเห็นด้วยคอมพิวเตอร์
การัน สินด์วานี เป็นนักวิทยาศาสตร์ข้อมูลที่ Amazon ML Solutions Lab ซึ่งเขาสร้างและปรับใช้โมเดลการเรียนรู้เชิงลึก เขาเชี่ยวชาญในด้านคอมพิวเตอร์วิทัศน์ เวลาว่างชอบเดินป่า
โซจิ อาเดชินะ เป็นนักวิทยาศาสตร์ประยุกต์ที่ AWS ซึ่งเขาได้พัฒนาแบบจำลองกราฟเครือข่ายนิวรอลสำหรับแมชชีนเลิร์นนิงในงานเกี่ยวกับกราฟด้วยแอปพลิเคชันเพื่อการฉ้อโกงและการละเมิด กราฟความรู้ ระบบผู้แนะนำ และวิทยาศาสตร์เพื่อชีวิต ในเวลาว่าง เขาชอบอ่านหนังสือและทำอาหาร
วิทยาสาคร รวิปาติ เป็นผู้จัดการที่ Amazon ML Solutions Lab ซึ่งเขาใช้ประสบการณ์มากมายในระบบแบบกระจายขนาดใหญ่และความหลงใหลในแมชชีนเลิร์นนิงเพื่อช่วยลูกค้า AWS ในอุตสาหกรรมประเภทต่างๆ เร่งการนำ AI และระบบคลาวด์ไปใช้
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/power-recommendations-and-search-using-an-imdb-knowledge-graph-part-3/
- 1
- 10
- 100
- 11
- 116
- 7
- 9
- a
- เกี่ยวกับเรา
- การล่วงละเมิด
- เร่งความเร็ว
- ยอมรับ
- Accessed
- ข้าม
- คล่องแคล่ว
- เพิ่มเติม
- นอกจากนี้
- เพิ่ม
- การนำมาใช้
- การโฆษณา
- AI
- ทั้งหมด
- อเมซอน
- ห้องปฏิบัติการโซลูชัน Amazon ML
- อเมซอนเนปจูน
- อเมซอน ดาวเนปจูน ML
- บริการ Amazon OpenSearch
- อเมซอน SageMaker
- การวิเคราะห์
- และ
- API
- app
- การใช้งาน
- การใช้งาน
- ประยุกต์
- ใช้
- เข้าใกล้
- สถาปัตยกรรม
- AREA
- ที่เกี่ยวข้อง
- อัตโนมัติ
- ความพร้อมใช้งาน
- ใช้ได้
- AWS
- การแลกเปลี่ยนข้อมูล AWS
- ตาม
- เพราะ
- ที่ดีที่สุด
- ระหว่าง
- พันล้าน
- กล่อง
- บ็อกซ์ออฟฟิศ
- เบราว์เซอร์
- สร้าง
- การก่อสร้าง
- สร้าง
- ธุรกิจ
- ความสามารถในการ
- กรณี
- แค็ตตาล็อก
- ความท้าทาย
- Choose
- ไคลเอนต์
- เมฆ
- การยอมรับระบบคลาวด์
- บริการคลาวด์
- Cluster
- รหัส
- การทำงานร่วมกัน
- รวม
- บริษัท
- บริษัท
- บริษัท
- สมบูรณ์
- เสร็จ
- คอมพิวเตอร์
- วิสัยทัศน์คอมพิวเตอร์
- แนวความคิด
- ปลอบใจ
- ไม่หยุดหย่อน
- มี
- เนื้อหา
- สอดคล้อง
- ได้
- ประเทศ
- สร้าง
- ที่สร้างขึ้น
- การสร้าง
- การสร้าง
- เครดิต
- ปัจจุบัน
- ขณะนี้
- ประเพณี
- ลูกค้า
- การมีส่วนร่วมของลูกค้า
- ลูกค้า
- ข้อมูล
- การแลกเปลี่ยนข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- ฐานข้อมูล
- ชุดข้อมูล
- ลึก
- การเรียนรู้ลึก ๆ
- สาธิต
- แสดงให้เห็นถึง
- ปรับใช้
- ปรับใช้
- Deploys
- ที่ได้มา
- อธิบาย
- ทำลาย
- การตรวจพบ
- พัฒนา
- พัฒนาการ
- พัฒนา
- ต่าง
- โดยตรง
- โดยตรง
- การค้นพบ
- กล่าวถึง
- กระจาย
- ระบบกระจาย
- เอกสาร
- สารคดี
- ไม่
- โดเมน
- แต่ละ
- ง่ายดาย
- ทำให้สามารถ
- มีส่วนร่วม
- ที่เพิ่มขึ้น
- เข้าสู่
- รุก
- ความบันเทิง
- หน่วยงาน
- สิ่งแวดล้อม
- เหตุการณ์
- เคย
- ตัวอย่าง
- ตลาดแลกเปลี่ยน
- ประสบการณ์
- สำรวจ
- ภายนอก
- พิเศษ
- หันหน้าไปทาง
- ความคุ้นเคย
- FANTASY
- รูป
- เนื้อไม่มีมัน
- ไฟล์
- หา
- พบ
- ชื่อจริง
- ไหล
- ดังต่อไปนี้
- ดังต่อไปนี้
- พบ
- การหลอกลวง
- การตรวจจับการฉ้อโกง
- บ่อย
- มัก
- ราคาเริ่มต้นที่
- อย่างเต็มที่
- ฟังก์ชัน
- ฟังก์ชันการทำงาน
- ฟังก์ชั่น
- ฟังก์ชั่น
- เกตเวย์
- สร้าง
- ได้รับ
- เหตุการณ์ที่
- กราฟ
- กราฟ
- จัดการ
- ส่วนหัว
- ช่วย
- ตี
- ฮิต
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTML
- HTTPS
- ร้อย
- ภาพ
- การดำเนินการ
- การดำเนินการ
- ปรับปรุง
- in
- รวมทั้ง
- เพิ่ม
- ดัชนี
- ดัชนี
- ดัชนี
- อุตสาหกรรม
- ข้อมูล
- อินพุต
- ติดตั้ง
- ตัวอย่าง
- แทน
- ปฏิสัมพันธ์
- การโต้ตอบ
- อินเตอร์เฟซ
- รวมถึง
- IT
- รายการ
- คีย์
- ความรู้
- กราฟความรู้
- ห้องปฏิบัติการ
- ภาษา
- ใหญ่
- ขนาดใหญ่
- ล่าสุด
- เปิดตัว
- การเปิดตัว
- ชั้น
- นำ
- เรียนรู้
- การเรียนรู้
- ยกระดับ
- ห้องสมุด
- License
- ลิขสิทธิ์
- ชีวิต
- วิทยาศาสตร์สิ่งมีชีวิต
- ถูก จำกัด
- รายการ
- โหลด
- ในประเทศ
- เครื่อง
- เรียนรู้เครื่อง
- ทำให้
- การจัดการ
- การจัดการ
- ผู้จัดการ
- ด้วยมือ
- หลาย
- แผนที่
- การทำแผนที่
- แผนที่
- เครื่องหมาย
- การจับคู่
- การจับคู่
- ภาพบรรยากาศ
- สมาชิก
- กล่าวถึง
- การผสม
- เมตาดาต้า
- ล้าน
- นาที
- ML
- แบบ
- โมเดล
- การตรวจสอบ
- การตรวจสอบ
- เดือน
- ข้อมูลเพิ่มเติม
- หนัง
- Movies
- หลาย
- โดยธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- เพื่อนบ้าน
- เกตุ
- ตามเครือข่าย
- เครือข่าย
- เครือข่ายประสาทเทียม
- ใหม่
- ปม
- จำนวน
- ที่ได้รับ
- เสนอ
- Office
- ONE
- เปิด
- โอเพนซอร์ส
- การดำเนินการ
- การปรับให้เหมาะสม
- ใบสั่ง
- OS
- อื่นๆ
- แพ็คเกจ
- ส่วนหนึ่ง
- ผ่าน
- กิเลส
- เส้นทาง
- ดำเนินการ
- ดำเนินการ
- ตัวยึด
- เวที
- แพลตฟอร์ม
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- กรุณา
- โพสต์
- อำนาจ
- ขับเคลื่อน
- การปฏิบัติ
- นายกรัฐมนตรี
- เตรียมการ
- นำเสนอ
- ประถม
- สำคัญ
- พิมพ์
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- แปรรูปแล้ว
- การประมวลผล
- ผลิตภัณฑ์
- การผลิต
- ให้
- บทบัญญัติ
- ซื้อ
- วัตถุประสงค์
- หลาม
- พิสัย
- การให้คะแนน
- การอ่าน
- พร้อม
- เรียลไทม์
- เหตุผล
- แนะนำ
- แนะนำ
- ความสัมพันธ์กัน
- ตรงประเด็น
- แบบจำลอง
- การรายงาน
- กรุ
- ขอ
- การร้องขอ
- จำเป็นต้องใช้
- ทรัพยากร
- แหล่งข้อมูล
- คำตอบ
- REST
- ผล
- ผลสอบ
- ความจำ
- กลับ
- รับคืน
- วิ่ง
- วิ่ง
- sagemaker
- เดียวกัน
- ลด
- สถานการณ์
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- ค้นหา
- ส่วน
- ปลอดภัย
- ความปลอดภัย
- ชุด
- บริการ
- บริการ
- ชุด
- การตั้งค่า
- การตั้งค่า
- น่า
- แสดง
- แสดงให้เห็นว่า
- คล้ายคลึงกัน
- ความคล้ายคลึงกัน
- ง่าย
- ที่เรียบง่าย
- เดียว
- สถานการณ์
- ทางออก
- โซลูชัน
- แก้
- แก้ปัญหา
- บาง
- แหล่ง
- ช่องว่าง
- ความเชี่ยวชาญ
- โดยเฉพาะ
- แยก
- กอง
- เริ่มต้น
- ข้อความที่เริ่ม
- รัฐของศิลปะ
- ขั้นตอน
- การเก็บรักษา
- เก็บไว้
- เรื่องราว
- ที่พริ้ว
- เครือข่ายย่อย
- อย่างเช่น
- ชุด
- สนับสนุน
- ระบบ
- เอา
- ใช้เวลา
- งาน
- เทคนิค
- สถานีปลายทาง
- พื้นที่
- พื้นที่
- ข้อต่อ
- ของพวกเขา
- ดังนั้น
- พัน
- สาม
- ตลอด
- เวลา
- ชื่อหนังสือ
- ชื่อ
- ไปยัง
- ด้านบน
- รถไฟ
- ผ่านการฝึกอบรม
- แปลง
- ล้านล้าน
- tv
- ตามแบบฉบับ
- ภายใต้
- ความเข้าใจ
- อัปโหลด
- URL
- ใช้
- ผู้ใช้งาน
- ส่วนติดต่อผู้ใช้
- การใช้ประโยชน์
- ความหลากหลาย
- กว้างใหญ่
- ผู้ขาย
- แนวดิ่ง
- วีดีโอ
- รายละเอียด
- เสมือน
- วิสัยทัศน์
- การสร้างภาพ
- เว็บ
- โปรแกรมประยุกต์บนเว็บ
- เว็บเบราเซอร์
- Website
- ที่
- กว้าง
- ช่วงกว้าง
- จะ
- ภายใน
- คำ
- คำ
- การทำงาน
- โรงงาน
- จะ
- คุณ
- ของคุณ
- ลมทะเล
- โซน