ในเดือนธันวาคม 2020 AWS ประกาศ ความพร้อมทั่วไปของ Amazon SageMaker JumpStart, ความสามารถของ อเมซอน SageMaker ที่ช่วยให้คุณเริ่มต้นใช้งานแมชชีนเลิร์นนิง (ML) ได้อย่างรวดเร็วและง่ายดาย JumpStart ให้การปรับแต่งแบบละเอียดในคลิกเดียวและการปรับใช้โมเดลที่ได้รับการฝึกอบรมล่วงหน้าที่หลากหลายสำหรับงาน ML ยอดนิยม ตลอดจนการเลือกโซลูชันแบบ end-to-end ที่แก้ปัญหาทั่วไปทางธุรกิจ คุณลักษณะเหล่านี้ช่วยขจัดภาระหนักออกจากแต่ละขั้นตอนของกระบวนการ ML ทำให้ง่ายต่อการพัฒนาโมเดลคุณภาพสูงและลดเวลาในการปรับใช้
โพสต์นี้เป็นโพสต์ที่สามในซีรีส์เกี่ยวกับการใช้ JumpStart สำหรับงาน ML เฉพาะ ใน โพสต์แรกเราแสดงให้เห็นว่าคุณสามารถเรียกใช้กรณีการใช้งานการจัดประเภทรูปภาพบน JumpStart ได้อย่างไร ใน โพสต์ที่สองเราแสดงให้เห็นว่าคุณสามารถเรียกใช้กรณีการใช้งานการจัดประเภทข้อความบน JumpStart ได้อย่างไร ในโพสต์นี้ เรามีคำแนะนำทีละขั้นตอนเกี่ยวกับวิธีการปรับแต่งและปรับใช้โมเดลการแบ่งส่วนรูปภาพ โดยใช้โมเดลที่ได้รับการฝึกอบรมจาก MXNet เราสำรวจสองวิธีในการรับผลลัพธ์เดียวกัน: ผ่านอินเทอร์เฟซแบบกราฟิกของ JumpStart บน สตูดิโอ Amazon SageMakerและโดยทางโปรแกรมผ่าน JumpStart API.
หากคุณต้องการข้ามไปที่โค้ด JumpStart API ที่เราอธิบายในโพสต์นี้ คุณสามารถอ้างอิงถึงตัวอย่างสมุดบันทึก Jupyter ต่อไปนี้:
ภาพรวม JumpStart
JumpStart ช่วยให้คุณเริ่มต้นใช้งานโมเดล ML สำหรับงานที่หลากหลายโดยไม่ต้องเขียนโค้ดแม้แต่บรรทัดเดียว ในขณะที่เขียน JumpStart ให้คุณทำสิ่งต่อไปนี้:
- ปรับใช้โมเดลที่ได้รับการฝึกอบรมล่วงหน้าสำหรับงาน ML ทั่วไป – JumpStart ช่วยให้คุณจัดการกับงาน ML ทั่วไปโดยไม่ต้องพยายามพัฒนา โดยการปรับใช้โมเดลที่ฝึกอบรมล่วงหน้าบนชุดข้อมูลขนาดใหญ่ที่เปิดเผยต่อสาธารณะได้อย่างง่ายดาย ชุมชนการวิจัย ML ได้ใช้ความพยายามอย่างมากในการทำให้แบบจำลองที่พัฒนาล่าสุดส่วนใหญ่พร้อมใช้งานแบบสาธารณะ JumpStart มีคอลเลกชั่นมากกว่า 300 โมเดล ครอบคลุมงาน ML ยอดนิยม 15 งาน เช่น การตรวจจับวัตถุ การจัดประเภทข้อความ และการสร้างข้อความ ทำให้ง่ายสำหรับผู้เริ่มต้นใช้งาน โมเดลเหล่านี้มาจากฮับโมเดลยอดนิยม เช่น TensorFlow, PyTorch, Hugging Face และ MXNet
- ปรับแต่งรุ่นก่อนการฝึกอบรม – JumpStart ให้คุณปรับแต่งโมเดลที่ได้รับการฝึกมาล่วงหน้าโดยไม่จำเป็นต้องเขียนอัลกอริธึมการฝึกของคุณเอง ใน ML ความสามารถในการถ่ายทอดความรู้ที่เรียนรู้ในโดเมนหนึ่งไปยังอีกโดเมนหนึ่งเรียกว่า ถ่ายทอดการเรียนรู้. คุณสามารถใช้การเรียนรู้การถ่ายโอนเพื่อสร้างแบบจำลองที่แม่นยำบนชุดข้อมูลขนาดเล็กของคุณ โดยมีค่าใช้จ่ายการฝึกอบรมที่ต่ำกว่ามากเมื่อเทียบกับแบบจำลองที่เกี่ยวข้องกับการฝึกโมเดลดั้งเดิม JumpStart ยังรวมอัลกอริธึมการฝึกอบรมยอดนิยมตาม LightGBM, CatBoost, XGBoost และ Scikit-learn ซึ่งคุณสามารถฝึกตั้งแต่เริ่มต้นสำหรับการถดถอยแบบตารางและการจัดประเภท
- ใช้โซลูชันที่สร้างไว้ล่วงหน้า – JumpStart มีชุดโซลูชัน 17 ชุดสำหรับกรณีการใช้งาน ML ทั่วไป เช่น การคาดการณ์ความต้องการและแอปพลิเคชันด้านอุตสาหกรรมและการเงิน ซึ่งคุณสามารถปรับใช้ได้ด้วยการคลิกเพียงไม่กี่ครั้ง โซลูชันคือแอปพลิเคชัน ML แบบครบวงจรที่รวมบริการต่างๆ ของ AWS เพื่อแก้ปัญหากรณีการใช้งานทางธุรกิจโดยเฉพาะ พวกเขาใช้ การก่อตัวของ AWS Cloud เทมเพลตและสถาปัตยกรรมอ้างอิงเพื่อการปรับใช้อย่างรวดเร็ว ซึ่งหมายความว่าปรับแต่งได้อย่างเต็มที่
- ดูตัวอย่างสมุดบันทึกสำหรับอัลกอริธึม SageMaker – SageMaker มีชุดอัลกอริทึมในตัวเพื่อช่วยให้นักวิทยาศาสตร์ข้อมูลและผู้ปฏิบัติงาน ML เริ่มต้นการฝึกอบรมและปรับใช้โมเดล ML ได้อย่างรวดเร็ว JumpStart มีโน้ตบุ๊กตัวอย่างที่คุณสามารถใช้อัลกอริธึมเหล่านี้ได้อย่างรวดเร็ว
- ตรวจสอบวิดีโอการฝึกอบรมและบล็อก – JumpStart ยังมีโพสต์บล็อกและวิดีโอมากมายที่สอนวิธีใช้ฟังก์ชันต่างๆ ภายใน SageMaker
JumpStart ยอมรับการตั้งค่า VPC แบบกำหนดเองและ บริการจัดการคีย์ AWS คีย์การเข้ารหัส (AWS KMS) คุณจึงสามารถใช้โมเดลและโซลูชันที่มีอยู่ได้อย่างปลอดภัยภายในสภาพแวดล้อมองค์กรของคุณ คุณสามารถส่งการตั้งค่าความปลอดภัยของคุณไปที่ JumpStart ภายใน Studio หรือผ่าน SageMaker Python SDK
การแบ่งส่วนความหมาย
การแบ่งส่วนความหมายจะอธิบายแต่ละชั้นของวัตถุที่ปรากฏในภาพที่นำเข้า มันแท็ก (จัดประเภท) แต่ละพิกเซลของภาพอินพุตด้วยป้ายกำกับคลาสจากชุดคลาสที่กำหนดไว้ล่วงหน้า ออบเจ็กต์หลายรายการในคลาสเดียวกันถูกแมปกับมาสก์เดียวกัน
โมเดลที่พร้อมใช้งานสำหรับการปรับแต่งแบบละเอียดจะสร้าง "หัว" เครือข่ายแบบหมุนรอบอย่างสมบูรณ์ (FCN) ที่ด้านบนของเครือข่ายฐาน ขั้นตอนการปรับละเอียดจะปรับ FCNHead อย่างละเอียดในขณะที่คงพารามิเตอร์ของส่วนที่เหลือของแบบจำลองไว้ และส่งคืนแบบจำลองที่ปรับแต่งอย่างละเอียด วัตถุประสงค์คือเพื่อลดการสูญเสียเอนโทรปีข้ามของ softmax ต่อพิกเซลให้น้อยที่สุดเพื่อฝึก FCN โมเดลที่ส่งคืนโดยการปรับแต่งแบบละเอียดสามารถนำไปปรับใช้เพิ่มเติมสำหรับการอนุมานได้
ไดเร็กทอรีอินพุตควรมีลักษณะเหมือนโค้ดต่อไปนี้ หากข้อมูลการฝึกมีสองภาพ ชื่อของไฟล์ .png สามารถเป็นอะไรก็ได้
ไฟล์มาสก์ควรมีข้อมูลป้ายกำกับคลาสสำหรับแต่ละพิกเซล
การแบ่งส่วนอินสแตนซ์
การแบ่งส่วนอินสแตนซ์จะตรวจจับและกำหนดวัตถุที่น่าสนใจแต่ละชิ้นที่ปรากฏในรูปภาพ มันแท็กทุกพิกเซลด้วยป้ายกำกับอินสแตนซ์ ในขณะที่การแบ่งส่วนเชิงความหมายกำหนดแท็กเดียวกันให้กับพิกเซลของวัตถุหลายชิ้นในคลาสเดียวกัน การแบ่งส่วนอินสแตนซ์จะระบุพิกเซลเพิ่มเติมที่สอดคล้องกับการเกิดขึ้นของวัตถุบนรูปภาพด้วยแท็กแยกกัน
ปัจจุบัน JumpStart นำเสนอโมเดลการอนุมานเท่านั้นสำหรับการแบ่งกลุ่มอินสแตนซ์ และไม่รองรับการปรับแต่งแบบละเอียด
รูปภาพต่อไปนี้แสดงความแตกต่างระหว่างการอนุมานในการแบ่งส่วนความหมายและการแบ่งส่วนอินสแตนซ์ ภาพต้นฉบับมีคนสองคนอยู่ในภาพ การแบ่งส่วนความหมายปฏิบัติต่อบุคคลหลายคนในภาพเป็นเอนทิตีเดียว: Person
. อย่างไรก็ตาม การแบ่งส่วนอินสแตนซ์จะระบุบุคคลภายใน Person
หมวดหมู่
ภาพรวมโซลูชัน
ส่วนต่อไปนี้เป็นการสาธิตทีละขั้นตอนเพื่อดำเนินการแบ่งกลุ่มตามความหมายด้วย JumpStart ทั้งผ่านทาง Studio UI และผ่าน JumpStart API
เราทำตามขั้นตอนต่อไปนี้:
- เข้าถึง JumpStart ผ่าน Studio UI:
- เรียกใช้การอนุมานบนโมเดลที่ฝึกไว้ล่วงหน้า
- ปรับแต่งโมเดลที่ฝึกไว้ล่วงหน้าอย่างละเอียด
- ใช้ JumpStart โดยทางโปรแกรมกับ SageMaker Python SDK:
- เรียกใช้การอนุมานบนโมเดลที่ฝึกไว้ล่วงหน้า
- ปรับแต่งโมเดลที่ฝึกไว้ล่วงหน้าอย่างละเอียด
เรายังพูดถึงคุณสมบัติขั้นสูงเพิ่มเติมของ JumpStart
เข้าถึง JumpStart ผ่าน Studio UI
ในส่วนนี้ เราสาธิตวิธีฝึกและปรับใช้โมเดล JumpStart ผ่าน Studio UI
เรียกใช้การอนุมานบนโมเดลที่ฝึกไว้ล่วงหน้า
วิดีโอต่อไปนี้แสดงวิธีค้นหาโมเดลการแบ่งส่วนความหมายล่วงหน้าใน JumpStart และปรับใช้ หน้าแบบจำลองประกอบด้วยข้อมูลที่มีค่าเกี่ยวกับแบบจำลอง วิธีใช้งาน รูปแบบข้อมูลที่คาดหวัง และรายละเอียดการปรับแต่งบางส่วน คุณสามารถปรับใช้โมเดลก่อนการฝึกอบรมใดๆ ที่มีอยู่ใน JumpStart สำหรับการอนุมาน เราเลือกประเภทอินสแตนซ์ ml.g4dn.xlarge มันให้การเร่งความเร็ว GPU ที่จำเป็นสำหรับเวลาแฝงการอนุมานต่ำ แต่ที่จุดราคาที่ต่ำกว่า หลังจากที่คุณกำหนดค่าอินสแตนซ์โฮสติ้ง SageMaker แล้ว ให้เลือก ปรับใช้. อาจใช้เวลา 5-10 นาทีจนกว่าปลายทางถาวรของคุณจะเริ่มทำงาน
หลังจากนั้นไม่กี่นาที ปลายทางของคุณจะใช้งานได้และพร้อมที่จะตอบสนองต่อคำขอการอนุมาน
ในทำนองเดียวกัน คุณสามารถปรับใช้โมเดลการแบ่งกลุ่มอินสแตนซ์ที่ได้รับการฝึกอบรมล่วงหน้าโดยทำตามขั้นตอนเดียวกันในวิดีโอก่อนหน้าขณะค้นหาการแบ่งกลุ่มอินสแตนซ์แทนการแบ่งส่วนความหมายในแถบค้นหา JumpStart
ปรับแต่งโมเดลที่ฝึกไว้ล่วงหน้าอย่างละเอียด
วิดีโอต่อไปนี้แสดงวิธีค้นหาและปรับแต่งโมเดลการแบ่งส่วนความหมายใน JumpStart ในวิดีโอ เราปรับแต่งโมเดลโดยใช้ปุ่ม ชุดข้อมูล PennFudanPedมีให้โดยค่าเริ่มต้นใน JumpStart ซึ่งคุณสามารถดาวน์โหลดได้ภายใต้ ใบอนุญาต Apache 2.0.
การปรับแต่งชุดข้อมูลของคุณอย่างละเอียดนั้นเกี่ยวข้องกับการจัดรูปแบบข้อมูลที่ถูกต้อง (ตามที่อธิบายไว้ในหน้าแบบจำลอง) การอัปโหลดไปยัง บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) และระบุตำแหน่งในการกำหนดค่าแหล่งข้อมูล เราใช้ค่าพารามิเตอร์ไฮเปอร์พารามิเตอร์เดียวกันตามค่าเริ่มต้น (จำนวนยุค อัตราการเรียนรู้ และขนาดแบทช์) เรายังใช้ ml.p3.2xlarge ที่สนับสนุน GPU เป็นอินสแตนซ์การฝึกอบรม SageMaker ของเราด้วย
คุณตรวจสอบงานการฝึกที่กำลังทำงานได้โดยตรงบนคอนโซล Studio และรับการแจ้งเตือนเมื่อเสร็จสิ้น หลังจากการฝึกอบรมเสร็จสิ้น คุณสามารถปรับใช้แบบจำลองที่ปรับแต่งแล้วจากหน้าเดียวกับที่มีรายละเอียดงานการฝึกอบรม เวิร์กโฟลว์การปรับใช้จะเหมือนกับการปรับใช้โมเดลที่ผ่านการฝึกอบรมล่วงหน้า
ใช้ JumpStart โดยทางโปรแกรมกับ SageMaker SDK
ในส่วนก่อนหน้านี้ เราได้แสดงวิธีที่คุณสามารถใช้ JumpStart UI เพื่อปรับใช้โมเดลที่ได้รับการฝึกอบรมล่วงหน้าและปรับแต่งแบบโต้ตอบได้ภายในไม่กี่คลิก อย่างไรก็ตาม คุณยังสามารถใช้โมเดลของ JumpStart และปรับแต่งอย่างง่ายโดยทางโปรแกรมได้โดยใช้ API ที่รวมเข้ากับ SageMaker SDK ตอนนี้เราจะยกตัวอย่างสั้นๆ เกี่ยวกับวิธีที่คุณสามารถทำซ้ำกระบวนการก่อนหน้านี้ ขั้นตอนทั้งหมดในการสาธิตนี้มีอยู่ในโน้ตบุ๊กที่ให้มาด้วย บทนำสู่ JumpStart – การแบ่งส่วนอินสแตนซ์ และ บทนำสู่ JumpStart – Semantic Segmentation.
เรียกใช้การอนุมานบนโมเดลที่ฝึกไว้ล่วงหน้า
ในส่วนนี้ เราเลือกโมเดลที่ได้รับการฝึกฝนล่วงหน้าที่เหมาะสมใน JumpStart ปรับใช้โมเดลนี้กับตำแหน่งข้อมูล SageMaker และเรียกใช้การอนุมานบนจุดปลายที่ปรับใช้
SageMaker เป็นแพลตฟอร์มที่ใช้คอนเทนเนอร์ Docker JumpStart ใช้เฟรมเวิร์กเฉพาะที่มีอยู่ คอนเทนเนอร์การเรียนรู้เชิงลึกของ SageMaker (DLC). เราดึงแพ็คเกจเพิ่มเติม รวมถึงสคริปต์เพื่อจัดการการฝึกอบรมและการอนุมานสำหรับงานที่เลือก ในที่สุด สิ่งประดิษฐ์แบบจำลองล่วงหน้าจะถูกดึงออกมาต่างหากด้วย model_uris
ซึ่งให้ความยืดหยุ่นแก่แพลตฟอร์ม คุณสามารถใช้แบบจำลองจำนวนเท่าใดก็ได้ที่ได้รับการฝึกฝนไว้ล่วงหน้าสำหรับงานเดียวกันด้วยสคริปต์การฝึกอบรมหรือการอนุมานเดียว ดูรหัสต่อไปนี้:
ตัวอย่างเช่น การแบ่งส่วน เราสามารถตั้งค่า model_id
ไปยัง mxnet-semseg-fcn-resnet50-ade
. อยู่ในตัวระบุที่สอดคล้องกับการแบ่งส่วนอินสแตนซ์
ต่อไป เราป้อนทรัพยากรลงใน รุ่น SageMaker อินสแตนซ์และปรับใช้ปลายทาง:
หลังจากนั้นไม่กี่นาที โมเดลของเราก็จะถูกปรับใช้และเราสามารถรับการคาดคะเนได้แบบเรียลไทม์!
ข้อมูลโค้ดต่อไปนี้ช่วยให้คุณเห็นคร่าวๆ ว่าการแบ่งเซ็กเมนต์เชิงความหมายเป็นอย่างไร มาสก์ที่คาดคะเนสำหรับแต่ละพิกเซลจะแสดงเป็นภาพ ในการรับการอนุมานจากโมเดลที่ปรับใช้ ต้องระบุอิมเมจอินพุตในรูปแบบไบนารี การตอบสนองของปลายทางเป็นป้ายกำกับที่คาดคะเนสำหรับแต่ละพิกเซลในรูปภาพ เราใช้ query_endpoint
และ parse_response
ฟังก์ชันตัวช่วยซึ่งกำหนดไว้ใน โน้ตบุ๊ค:
ปรับแต่งโมเดลที่ฝึกไว้ล่วงหน้าอย่างละเอียด
ในการปรับแต่งโมเดลที่เลือกอย่างละเอียด เราจำเป็นต้องได้รับ URI ของโมเดลนั้น รวมถึงของสคริปต์การฝึกและอิมเมจคอนเทนเนอร์ที่ใช้สำหรับการฝึก โชคดีที่อินพุตทั้งสามนี้ขึ้นอยู่กับชื่อรุ่น เวอร์ชันเท่านั้น (สำหรับรายการรุ่นที่มี โปรดดูที่ ตารางรุ่นที่มีจำหน่าย JumpStart)และประเภทของอินสแตนซ์ที่คุณต้องการฝึก สิ่งนี้แสดงให้เห็นในข้อมูลโค้ดต่อไปนี้:
เราดึง model_id
ตรงตามรุ่นที่เราเคยใช้ ตอนนี้คุณสามารถปรับแต่งโมเดล JumpStart นี้บนชุดข้อมูลที่คุณกำหนดเองได้โดยใช้ SageMaker SDK เราใช้ชุดข้อมูลที่โฮสต์แบบสาธารณะใน Amazon S3 ซึ่งเน้นไปที่การแบ่งส่วนความหมายโดยสะดวก ชุดข้อมูลควรมีโครงสร้างสำหรับการปรับแต่งตามที่อธิบายไว้ในส่วนก่อนหน้า ดูโค้ดตัวอย่างต่อไปนี้:
เราได้รับไฮเปอร์พารามิเตอร์เริ่มต้นเดียวกันสำหรับโมเดลที่เลือกของเราเหมือนกับที่เราเห็นในส่วนก่อนหน้า โดยใช้ sagemaker.hyperparameters.retrieve_default()
. จากนั้นเราจะยกตัวอย่างตัวประมาณ SageMaker และเรียก .fit
วิธีการเริ่มปรับแต่งโมเดลของเราอย่างละเอียด โดยส่งต่อ Amazon S3 URI สำหรับข้อมูลการฝึกของเรา ดิ entry_point
สคริปต์ที่ให้มามีชื่อว่า transfer_learning.py (เหมือนกันสำหรับงานและโมเดลอื่นๆ) และช่องข้อมูลอินพุตที่ส่งผ่านไปยัง .fit
ต้องชื่อ training
.
ขณะที่อัลกอริทึมฝึก คุณสามารถตรวจสอบความคืบหน้าได้ในโน้ตบุ๊ก SageMaker ที่คุณรันโค้ดเองหรือบน อเมซอน คลาวด์วอตช์. เมื่อการฝึกอบรมเสร็จสิ้น สิ่งประดิษฐ์ของโมเดลที่ปรับแต่งอย่างละเอียดจะถูกอัปโหลดไปยังตำแหน่งเอาต์พุต Amazon S3 ที่ระบุในการกำหนดค่าการฝึก ตอนนี้คุณสามารถปรับใช้โมเดลในลักษณะเดียวกับโมเดลที่ฝึกอบรมล่วงหน้า
คุณสมบัติขั้นสูง
นอกเหนือจากการปรับแต่งอย่างละเอียดและการปรับใช้โมเดลที่ฝึกไว้ล่วงหน้าแล้ว JumpStart ยังนำเสนอคุณสมบัติขั้นสูงมากมาย
ครั้งแรกคือ การปรับรุ่นอัตโนมัติ ซึ่งช่วยให้คุณปรับแต่งโมเดล ML ของคุณโดยอัตโนมัติเพื่อค้นหาค่าไฮเปอร์พารามิเตอร์ที่มีความแม่นยำสูงสุดภายในช่วงที่ให้ผ่าน SageMaker API
ประการที่สองคือ การฝึกแบบค่อยเป็นค่อยไป. สิ่งนี้ทำให้คุณสามารถฝึกแบบจำลองที่คุณได้ปรับแต่งแล้วโดยใช้ชุดข้อมูลที่ขยายซึ่งมีรูปแบบพื้นฐานที่ไม่รวมอยู่ในการปรับจูนครั้งก่อน ซึ่งส่งผลให้ประสิทธิภาพของแบบจำลองต่ำ การฝึกอบรมแบบเพิ่มหน่วยช่วยประหยัดทั้งเวลาและทรัพยากร เนื่องจากคุณไม่จำเป็นต้องฝึกแบบจำลองใหม่ตั้งแต่ต้น
สรุป
ในโพสต์นี้ เราแสดงวิธีปรับแต่งและปรับใช้โมเดลการแบ่งส่วนความหมายที่ฝึกอบรมไว้ล่วงหน้า และวิธีปรับให้เข้ากับการแบ่งกลุ่มตัวอย่างโดยใช้ JumpStart คุณสามารถทำได้โดยไม่ต้องเขียนโค้ด ลองใช้วิธีแก้ปัญหาด้วยตัวคุณเองและส่งความคิดเห็นของคุณมาที่เรา
หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ JumpStart และวิธีที่คุณสามารถใช้โมเดลโอเพนซอร์สที่ได้รับการฝึกฝนล่วงหน้าสำหรับงาน ML อื่นๆ ที่หลากหลาย โปรดดูสิ่งต่อไปนี้ วิดีโอ AWS re:Invent 2020.
เกี่ยวกับผู้เขียน
ดร.วิเวก มะดัน เป็นนักวิทยาศาสตร์ประยุกต์กับทีม Amazon SageMaker JumpStart เขาสำเร็จการศึกษาระดับปริญญาเอกจากมหาวิทยาลัยอิลลินอยส์ Urbana-Champaign และเป็นนักวิจัยหลังปริญญาเอกที่ Georgia Tech เขาเป็นนักวิจัยเชิงรุกด้านการเรียนรู้ของเครื่องและการออกแบบอัลกอริธึม และได้ตีพิมพ์เอกสารในการประชุม EMNLP, ICLR, COLT, FOCS และ SODA
ซานโตส กุลคาร์นิ เป็น Enterprise Solutions Architect ที่ Amazon Web Services ซึ่งทำงานร่วมกับลูกค้าด้านกีฬาในออสเตรเลีย เขาหลงใหลในการสร้างแอปพลิเคชันแบบกระจายขนาดใหญ่เพื่อแก้ปัญหาทางธุรกิจโดยใช้ความรู้ด้าน AI/ML, บิ๊กดาต้า และการพัฒนาซอฟต์แวร์
เลโอนาร์โด บาเชก้า เป็นนักวิทยาศาสตร์อาวุโสและผู้จัดการในทีม Amazon SageMaker JumpStart เขาหลงใหลในการสร้างบริการ AI สำหรับคอมพิวเตอร์วิทัศน์
- 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