ปัญญาประดิษฐ์เจเนอเรชั่น (AI กำเนิด) โมเดลได้แสดงให้เห็นถึงความสามารถที่น่าประทับใจในการสร้างข้อความ รูปภาพ และเนื้อหาอื่นๆ คุณภาพสูง อย่างไรก็ตาม โมเดลเหล่านี้ต้องการข้อมูลการฝึกอบรมที่สะอาดและมีโครงสร้างจำนวนมหาศาลเพื่อให้บรรลุศักยภาพสูงสุด ข้อมูลในโลกแห่งความเป็นจริงส่วนใหญ่อยู่ในรูปแบบที่ไม่มีโครงสร้าง เช่น PDF ซึ่งต้องมีการประมวลผลล่วงหน้าก่อนจึงจะสามารถใช้งานได้อย่างมีประสิทธิภาพ
ตามที่ ไอดีซีข้อมูลที่ไม่มีโครงสร้างคิดเป็นสัดส่วนมากกว่า 80% ของข้อมูลธุรกิจทั้งหมดในปัจจุบัน ซึ่งรวมถึงรูปแบบต่างๆ เช่น อีเมล, PDF, เอกสารที่สแกน, รูปภาพ, เสียง, วิดีโอ และอื่นๆ แม้ว่าข้อมูลนี้จะเก็บข้อมูลเชิงลึกอันมีค่า แต่ลักษณะที่ไม่มีโครงสร้างทำให้อัลกอริธึม AI ตีความและเรียนรู้จากข้อมูลดังกล่าวได้ยาก ตามก แบบสำรวจปี 2019 โดย Deloitteมีธุรกิจเพียง 18% เท่านั้นที่รายงานว่าสามารถใช้ประโยชน์จากข้อมูลที่ไม่มีโครงสร้างได้
เนื่องจากการนำ AI มาใช้ยังคงเพิ่มขึ้นอย่างต่อเนื่อง การพัฒนากลไกที่มีประสิทธิภาพสำหรับการแยกแยะและการเรียนรู้จากข้อมูลที่ไม่มีโครงสร้างจึงมีความสำคัญมากยิ่งขึ้นในอนาคต ซึ่งอาจเกี่ยวข้องกับเครื่องมือก่อนการประมวลผลที่ดีกว่า เทคนิคการเรียนรู้แบบกึ่งมีผู้ดูแล และความก้าวหน้าในการประมวลผลภาษาธรรมชาติ บริษัทที่ใช้ข้อมูลที่ไม่มีโครงสร้างอย่างมีประสิทธิภาพสูงสุดจะได้รับข้อได้เปรียบทางการแข่งขันที่สำคัญจาก AI ข้อมูลที่สะอาดเป็นสิ่งสำคัญสำหรับประสิทธิภาพของโมเดลที่ดี ข้อความที่แยกออกมายังคงมีข้อความซึ่งพูดพล่อยๆ และข้อความสำเร็จรูปจำนวนมาก (เช่น อ่าน HTML) ข้อมูลที่คัดลอกมาจากอินเทอร์เน็ตมักจะมีการซ้ำซ้อนจำนวนมาก ข้อมูลจากโซเชียลมีเดีย บทวิจารณ์ หรือเนื้อหาที่ผู้ใช้สร้างขึ้นอาจมีเนื้อหาที่เป็นพิษและลำเอียงได้ และคุณอาจต้องกรองออกโดยใช้ขั้นตอนก่อนการประมวลผล อาจมีเนื้อหาคุณภาพต่ำหรือข้อความที่สร้างจากบอทจำนวนมาก ซึ่งสามารถกรองออกได้โดยใช้เมตาดาต้าที่มาพร้อมกัน (เช่น กรองคำตอบการบริการลูกค้าที่ได้รับคะแนนจากลูกค้าต่ำออก)
การเตรียมข้อมูลมีความสำคัญในหลายขั้นตอนในการดึงข้อมูล Augmented Generation (RAG) รุ่น เอกสารแหล่งความรู้จำเป็นต้องมีการประมวลผลล่วงหน้า เช่น การล้างข้อความและการสร้างการฝังความหมาย เพื่อให้สามารถจัดทำดัชนีและดึงข้อมูลได้อย่างมีประสิทธิภาพ การสืบค้นด้วยภาษาธรรมชาติของผู้ใช้ยังต้องมีการประมวลผลล่วงหน้า จึงสามารถเข้ารหัสเป็นเวกเตอร์และเปรียบเทียบกับการฝังเอกสารได้ หลังจากดึงข้อมูลบริบทที่เกี่ยวข้องแล้ว พวกเขาอาจต้องมีการประมวลผลล่วงหน้าเพิ่มเติม เช่น การตัดทอน ก่อนที่จะเชื่อมต่อกับข้อความค้นหาของผู้ใช้เพื่อสร้างพร้อมท์สุดท้ายสำหรับโมเดลพื้นฐาน ผืนผ้าใบ Amazon SageMaker ขณะนี้รองรับความสามารถในการจัดเตรียมข้อมูลที่ครอบคลุมซึ่งขับเคลื่อนโดย Amazon SageMaker ข้อมูล Wrangler. ด้วยการบูรณาการนี้ SageMaker Canvas ช่วยให้ลูกค้ามีพื้นที่ทำงานแบบไม่ต้องเขียนโค้ดตั้งแต่ต้นทางถึงปลายทาง เพื่อเตรียมข้อมูล สร้าง และใช้ ML และโมเดลพื้นฐานเพื่อเร่งเวลาจากข้อมูลไปสู่ข้อมูลเชิงลึกทางธุรกิจ ตอนนี้คุณสามารถค้นพบและรวบรวมข้อมูลจากแหล่งข้อมูลกว่า 50 แห่งได้อย่างง่ายดาย ตลอดจนสำรวจและเตรียมข้อมูลโดยใช้การวิเคราะห์และการแปลงในตัวมากกว่า 300 รายการในอินเทอร์เฟซภาพของ SageMaker Canvas
ภาพรวมโซลูชัน
ในโพสต์นี้ เราทำงานร่วมกับชุดข้อมูลเอกสาร PDF—อเมซอน เบดร็อค คู่มือผู้ใช้. นอกจากนี้เรายังแสดงวิธีประมวลผลชุดข้อมูลล่วงหน้าสำหรับ RAG โดยเฉพาะอย่างยิ่ง เราทำความสะอาดข้อมูลและสร้าง RAG artifact เพื่อตอบคำถามเกี่ยวกับเนื้อหาของชุดข้อมูล พิจารณาปัญหา Machine Learning (ML) ต่อไปนี้: ผู้ใช้ถามคำถามโมเดลภาษาขนาดใหญ่ (LLM): “จะกรองและค้นหาโมเดลใน Amazon Bedrock ได้อย่างไร” LLM ไม่เห็นเอกสารในระหว่างการฝึกอบรมหรือขั้นตอนการปรับแต่ง จึงไม่สามารถตอบคำถามได้และส่วนใหญ่อาจจะมีอาการประสาทหลอน เป้าหมายของเราในโพสต์นี้คือการค้นหาข้อความที่เกี่ยวข้องจาก PDF (เช่น RAG) และแนบไปกับข้อความแจ้ง ซึ่งจะทำให้ LLM สามารถตอบคำถามเฉพาะสำหรับเอกสารนี้ได้
ด้านล่างนี้ เราจะแสดงให้คุณเห็นว่าคุณสามารถดำเนินการตามขั้นตอนหลักๆ ก่อนการประมวลผลเหล่านี้ได้อย่างไร ผืนผ้าใบ Amazon SageMaker (ขับเคลื่อนโดย Amazon SageMaker ข้อมูล Wrangler):
- แยกข้อความออกจากเอกสาร PDF (สนับสนุนโดย Texttract)
- ลบข้อมูลที่ละเอียดอ่อน (สนับสนุนโดย Comprehend)
- แบ่งข้อความออกเป็นชิ้นๆ
- สร้างการฝังสำหรับแต่ละชิ้น (สนับสนุนโดย Bedrock)
- อัปโหลดการฝังไปยังฐานข้อมูลเวกเตอร์ (สนับสนุนโดย OpenSearch)
เบื้องต้น
สำหรับคำแนะนำนี้ คุณควรมีสิ่งต่อไปนี้:
หมายเหตุ: สร้างโดเมน OpenSearch Service ตามคำแนะนำ โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม. เพื่อความง่าย ให้เลือกตัวเลือกที่มีชื่อผู้ใช้และรหัสผ่านหลักสำหรับการควบคุมการเข้าถึงแบบละเอียด เมื่อสร้างโดเมนแล้ว ให้สร้างดัชนีเวกเตอร์ด้วยการแมปต่อไปนี้ และมิติเวกเตอร์ 1536 จะจัดแนวกับการฝัง Amazon Titan:
คำแนะนำแบบ
สร้างกระแสข้อมูล
ในส่วนนี้ เราจะกล่าวถึงวิธีที่เราสามารถสร้างกระแสข้อมูลเพื่อแยกข้อความและข้อมูลเมตาจาก PDF ทำความสะอาดและประมวลผลข้อมูล สร้างการฝังโดยใช้ Amazon Bedrock และจัดทำดัชนีข้อมูลใน Amazon OpenSearch
เปิด SageMaker Canvas
หากต้องการเปิดใช้งาน SageMaker Canvas ให้ทำตามขั้นตอนต่อไปนี้:
- บนอเมซอน คอนโซล SageMakerเลือก โดเมน ในบานหน้าต่างนำทาง
- เลือกโดเมนของคุณ
- บนเมนูเปิดตัว ให้เลือก ผ้าใบ.
สร้างกระแสข้อมูล
ทำตามขั้นตอนต่อไปนี้เพื่อสร้างกระแสข้อมูลใน SageMaker Canvas:
- บนหน้าแรกของ SageMaker Canvas ให้เลือก ดาต้าแรงเลอร์.
- Choose สร้างบัญชีตัวแทน ที่ด้านขวาของหน้า จากนั้นตั้งชื่อกระแสข้อมูลและเลือก สร้างบัญชีตัวแทน.
- สิ่งนี้จะเข้าสู่หน้ากระแสข้อมูล
- Choose นำเข้าข้อมูลให้เลือกข้อมูลแบบตาราง
ตอนนี้มานำเข้าข้อมูลจากบัคเก็ต Amazon S3:
- Choose นำเข้าข้อมูล และเลือก แบน จากรายการแบบหล่นลง
- แหล่งข้อมูล และเลือก Amazon S3 จากรายการแบบหล่นลง
- นำทางไปยังไฟล์ข้อมูลเมตาที่มีตำแหน่งไฟล์ PDF แล้วเลือกไฟล์
- ตอนนี้ไฟล์ข้อมูลเมตาถูกโหลดไปยังโฟลว์ข้อมูลการเตรียมข้อมูล และเราสามารถดำเนินการเพิ่มขั้นตอนต่อไปเพื่อแปลงข้อมูลและดัชนีเป็น Amazon OpenSearch. ในกรณีนี้ ไฟล์จะมีข้อมูลเมตาดังต่อไปนี้ โดยมีตำแหน่งของแต่ละไฟล์ในไดเรกทอรี Amazon S3
ในการเพิ่มการแปลงใหม่ ให้ทำตามขั้นตอนต่อไปนี้:
- เลือกเครื่องหมายบวกแล้วเลือก เพิ่มการแปลง.
- Choose เพิ่มขั้นตอน และเลือก แปลงร่างเอง.
- คุณสามารถสร้างการแปลงแบบกำหนดเองได้โดยใช้ Pandas, PySpark, ฟังก์ชันที่ผู้ใช้กำหนดของ Python และ SQL PySpark เลือก หลาม (PySpark) สำหรับกรณีการใช้งานนี้
- ป้อนชื่อสำหรับขั้นตอน จากตัวอย่างโค้ด ให้เรียกดูและเลือก แยกข้อความจาก pdf. ทำการเปลี่ยนแปลงที่จำเป็นกับข้อมูลโค้ดแล้วเลือก เพิ่ม.
- มาเพิ่มขั้นตอนในการปกปิดข้อมูลข้อมูลส่วนบุคคลที่สามารถระบุตัวตนได้ (PII) จากข้อมูลที่แยกออกมาโดยใช้ประโยชน์จาก เข้าใจ Amazon. เลือก เพิ่มขั้นตอน และเลือก แปลงร่างเอง. และเลือก หลาม (PySpark)
จากตัวอย่างโค้ด ให้เรียกดูและเลือก หน้ากาก PII ทำการเปลี่ยนแปลงที่จำเป็นกับข้อมูลโค้ดแล้วเลือก เพิ่ม
- ขั้นตอนต่อไปคือการแบ่งเนื้อหาข้อความเป็นก้อน เลือก เพิ่มขั้นตอน และเลือก แปลงร่างเอง. และเลือก หลาม (PySpark)
จากตัวอย่างโค้ด ให้เรียกดูและเลือก ข้อความเป็นชิ้น ทำการเปลี่ยนแปลงที่จำเป็นกับข้อมูลโค้ดแล้วเลือก เพิ่ม
- มาแปลงเนื้อหาข้อความเป็นการฝังเวกเตอร์โดยใช้ อเมซอน เบดร็อค โมเดล Titan Embeddings เลือก เพิ่มขั้นตอน และเลือก แปลงร่างเอง. และเลือก หลาม (PySpark)
จากตัวอย่างโค้ด ให้เรียกดูและเลือก สร้างข้อความที่ฝังด้วย Bedrock ทำการเปลี่ยนแปลงที่จำเป็นกับข้อมูลโค้ดแล้วเลือก เพิ่ม
- ตอนนี้เรามีการฝังเวกเตอร์สำหรับเนื้อหาไฟล์ PDF แล้ว ดำเนินการต่อและจัดทำดัชนีข้อมูลลงใน Amazon OpenSearch กัน เลือก เพิ่มขั้นตอน และเลือก แปลงร่างเอง. และเลือก หลาม (PySpark) คุณสามารถเขียนโค้ดต่อไปนี้ใหม่เพื่อใช้ฐานข้อมูลเวกเตอร์ที่คุณต้องการได้ เพื่อความง่าย เราใช้ชื่อผู้ใช้และรหัสผ่านหลักในการเข้าถึง OpenSearch API สำหรับปริมาณงานการผลิตให้เลือกตัวเลือกตามนโยบายองค์กรของคุณ
สุดท้ายกระแสข้อมูลที่สร้างขึ้นจะเป็นดังนี้:
ด้วยโฟลว์ข้อมูลนี้ ข้อมูลจากไฟล์ PDF จะถูกอ่านและจัดทำดัชนีด้วยการฝังเวกเตอร์ใน Amazon OpenSearch ตอนนี้ถึงเวลาที่เราจะสร้างไฟล์ที่มีการสืบค้นเพื่อสืบค้นข้อมูลที่จัดทำดัชนีและบันทึกลงในตำแหน่ง Amazon S3 เราจะชี้กระแสข้อมูลการค้นหาของเราไปที่ไฟล์และส่งออกไฟล์ที่มีผลลัพธ์ที่สอดคล้องกันในไฟล์ใหม่ในตำแหน่ง Amazon S3
กำลังเตรียมพรอมต์
หลังจากที่เราสร้างฐานความรู้จาก PDF ของเราแล้ว เราก็สามารถทดสอบได้โดยการค้นหาฐานความรู้เพื่อดูข้อความค้นหาตัวอย่างบางส่วน เราจะประมวลผลคำค้นหาแต่ละรายการดังนี้:
- สร้างการฝังสำหรับการสืบค้น (สนับสนุนโดย Amazon Bedrock)
- สืบค้นฐานข้อมูลเวกเตอร์สำหรับบริบทเพื่อนบ้านที่ใกล้ที่สุด (ขับเคลื่อนโดย Amazon OpenSearch)
- รวมแบบสอบถามและบริบทลงในพร้อมท์
- สืบค้น LLM พร้อมข้อความแจ้ง (สนับสนุนโดย Amazon Bedrock)
- บนหน้าแรกของ SageMaker Canvas ให้เลือก การเตรียมข้อมูล.
- Choose สร้างบัญชีตัวแทน ที่ด้านขวาของหน้า จากนั้นตั้งชื่อกระแสข้อมูลและเลือก สร้างบัญชีตัวแทน.
ตอนนี้เรามาโหลดคำถามของผู้ใช้แล้วสร้างพรอมต์โดยรวมคำถามและเอกสารที่คล้ายกัน พร้อมท์นี้มอบให้กับ LLM เพื่อสร้างคำตอบให้กับคำถามของผู้ใช้
- มาโหลดไฟล์ CSV ที่มีคำถามจากผู้ใช้กัน เลือก นำเข้าข้อมูล และเลือก แบน จากรายการแบบหล่นลง
- แหล่งข้อมูล, และเลือก Amazon S3 จากรายการแบบเลื่อนลง หรือคุณสามารถเลือกที่จะอัปโหลดไฟล์ที่มีคำถามของผู้ใช้
- มาเพิ่มการแปลงแบบกำหนดเองเพื่อแปลงข้อมูลเป็นการฝังเวกเตอร์ ตามด้วยการค้นหาการฝังที่เกี่ยวข้องจาก Amazon OpenSearch ก่อนที่จะส่งข้อความพร้อมท์ไปยัง Amazon Bedrock พร้อมการสืบค้นและบริบทจากฐานความรู้ หากต้องการสร้างการฝังสำหรับการสืบค้น คุณสามารถใช้ข้อมูลโค้ดตัวอย่างเดียวกันได้ สร้างข้อความที่ฝังด้วย Bedrock กล่าวถึงในขั้นตอน #7 ข้างต้น
มาเรียกใช้ Amazon OpenSearch API เพื่อค้นหาเอกสารที่เกี่ยวข้องสำหรับการฝังเวกเตอร์ที่สร้างขึ้น เพิ่มการแปลงแบบกำหนดเองด้วย Python (PySpark)
มาเพิ่มการแปลงแบบกำหนดเองเพื่อเรียก Amazon Bedrock API สำหรับการตอบแบบสอบถาม โดยส่งเอกสารจากฐานความรู้ของ Amazon OpenSearch จากตัวอย่างโค้ด ให้เรียกดูและเลือก ค้นหา Bedrock พร้อมบริบท ทำการเปลี่ยนแปลงที่จำเป็นกับข้อมูลโค้ดแล้วเลือก เพิ่ม
โดยสรุป โฟลว์ข้อมูลการตอบคำถามตาม RAG เป็นดังนี้:
ผู้ปฏิบัติงาน ML ใช้เวลาส่วนใหญ่ในการสร้างโค้ดทางวิศวกรรมฟีเจอร์ นำไปใช้กับชุดข้อมูลเริ่มต้น ฝึกอบรมโมเดลบนชุดข้อมูลที่ออกแบบ และประเมินความแม่นยำของโมเดล เมื่อพิจารณาถึงลักษณะการทดลองของงานนี้ แม้แต่โปรเจ็กต์ที่เล็กที่สุดก็ยังนำไปสู่การทำซ้ำหลายครั้ง โค้ดทางวิศวกรรมฟีเจอร์เดียวกันมักจะถูกเรียกใช้ซ้ำแล้วซ้ำเล่า ทำให้เสียเวลาและทรัพยากรในการคำนวณในการทำซ้ำการดำเนินการเดียวกัน ในองค์กรขนาดใหญ่ สิ่งนี้อาจทำให้สูญเสียประสิทธิภาพการทำงานมากยิ่งขึ้น เนื่องจากทีมที่แตกต่างกันมักจะทำงานที่เหมือนกัน หรือแม้แต่เขียนโค้ดทางวิศวกรรมฟีเจอร์ที่ซ้ำกัน เนื่องจากไม่มีความรู้เกี่ยวกับงานก่อนหน้านี้ เพื่อหลีกเลี่ยงการประมวลผลคุณสมบัติใหม่ เราจะส่งออกโฟลว์ข้อมูลของเราไปยัง Amazon ไปป์ไลน์ SageMaker ลองเลือก ปุ่ม + ทางด้านขวาของแบบสอบถาม เลือกส่งออกกระแสข้อมูลแล้วเลือก เรียกใช้ไปป์ไลน์ SageMaker (ผ่านสมุดบันทึก Jupyter)
การทำความสะอาด
เพื่อหลีกเลี่ยงค่าใช้จ่ายในอนาคต ให้ลบหรือปิดทรัพยากรที่คุณสร้างขึ้นในขณะที่ติดตามโพสต์นี้ อ้างถึง ออกจากระบบ Amazon SageMaker Canvas .
สรุป
ในโพสต์นี้ เราได้แสดงให้คุณเห็นว่าความสามารถแบบครบวงจรของ Amazon SageMaker Canvas เป็นอย่างไรโดยสมมติบทบาทของผู้เชี่ยวชาญด้านข้อมูลในการเตรียมข้อมูลสำหรับ LLM การเตรียมข้อมูลเชิงโต้ตอบช่วยให้สามารถทำความสะอาด เปลี่ยนแปลง และวิเคราะห์ข้อมูลเพื่อสร้างคุณลักษณะข้อมูลได้อย่างรวดเร็ว ด้วยการขจัดความซับซ้อนในการเขียนโค้ด SageMaker Canvas จึงสามารถทำซ้ำได้อย่างรวดเร็วเพื่อสร้างชุดข้อมูลการฝึกอบรมคุณภาพสูง เวิร์กโฟลว์ที่รวดเร็วขึ้นนี้นำไปสู่การสร้าง การฝึกอบรม และการปรับใช้โมเดลแมชชีนเลิร์นนิงที่มีประสิทธิภาพเพื่อสร้างผลกระทบทางธุรกิจโดยตรง ด้วยการจัดเตรียมข้อมูลที่ครอบคลุมและประสบการณ์แบบครบวงจรตั้งแต่ข้อมูลไปจนถึงข้อมูลเชิงลึก SageMaker Canvas ช่วยให้ผู้ใช้สามารถปรับปรุงผลลัพธ์ ML ของตนได้
เราขอแนะนำให้คุณเรียนรู้เพิ่มเติมโดยการสำรวจ Amazon SageMaker ข้อมูล Wrangler, ผืนผ้าใบ Amazon SageMaker, อเมซอนไททัน รุ่น อเมซอน เบดร็อคและ Amazon บริการ OpenSearch เพื่อสร้างโซลูชันโดยใช้ตัวอย่างการใช้งานที่ให้ไว้ในโพสต์นี้และชุดข้อมูลที่เกี่ยวข้องกับธุรกิจของคุณ หากคุณมีคำถามหรือข้อเสนอแนะโปรดแสดงความคิดเห็น
เกี่ยวกับผู้เขียน
อาจารย์โกวินทราม เป็นสถาปนิกโซลูชันอาวุโสที่ AWS เขาทำงานร่วมกับลูกค้าเชิงกลยุทธ์ที่ใช้ AI/ML เพื่อแก้ปัญหาทางธุรกิจที่ซับซ้อน ประสบการณ์ของเขาอยู่ที่การให้คำแนะนำด้านเทคนิคตลอดจนความช่วยเหลือด้านการออกแบบสำหรับการปรับใช้แอปพลิเคชัน AI/ML ระดับปานกลางถึงขนาดใหญ่ ความรู้ของเขามีตั้งแต่สถาปัตยกรรมแอปพลิเคชันไปจนถึงข้อมูลขนาดใหญ่ การวิเคราะห์ และการเรียนรู้ของเครื่อง เขาชอบฟังเพลงขณะพักผ่อน สัมผัสประสบการณ์กลางแจ้ง และใช้เวลากับคนที่เขารัก
นิกิต้า อิฟคิน เป็นนักวิทยาศาสตร์ประยุกต์อาวุโสที่ Amazon SageMaker Data Wrangler ที่มีความสนใจในแมชชีนเลิร์นนิงและอัลกอริทึมการล้างข้อมูล
- 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/simplify-data-prep-for-gen-ai-with-amazon-sagemaker-data-wrangler/
- :มี
- :เป็น
- :ไม่
- 100
- 14
- 20
- 25
- 28
- 50
- 7
- 8
- 804
- a
- สามารถ
- เกี่ยวกับเรา
- ข้างบน
- เร่งความเร็ว
- เร่ง
- เข้า
- ตาม
- บัญชี
- ความถูกต้อง
- เพิ่ม
- เพิ่มเติม
- การนำมาใช้
- ความก้าวหน้า
- ความได้เปรียบ
- ข้อได้เปรียบ
- หลังจาก
- อีกครั้ง
- สรุป
- ก่อน
- AI
- AI / ML
- อัลกอริทึม
- จัดแนว
- ทั้งหมด
- อนุญาตให้
- ด้วย
- อเมซอน
- อเมซอน SageMaker
- Amazon SageMaker ข้อมูล Wrangler
- Amazon Web Services
- จำนวน
- an
- การวิเคราะห์
- การวิเคราะห์
- วิเคราะห์
- และ
- คำตอบ
- ใด
- API
- การใช้งาน
- ประยุกต์
- การประยุกต์ใช้
- สถาปัตยกรรม
- เป็น
- เทียม
- ปัญญาประดิษฐ์
- AS
- ความช่วยเหลือ
- At
- แนบ
- เสียง
- เติม
- ใช้ได้
- หลีกเลี่ยง
- AWS
- ฐาน
- ตาม
- BE
- เพราะ
- จะกลายเป็น
- รับ
- ก่อน
- กำลัง
- ดีกว่า
- ลำเอียง
- ใหญ่
- ข้อมูลขนาดใหญ่
- สร้าง
- การก่อสร้าง
- built-in
- ธุรกิจ
- ธุรกิจ
- ปุ่ม
- by
- โทรศัพท์
- CAN
- ผ้าใบ
- ความสามารถในการ
- กรณี
- ก่อให้เกิด
- การเปลี่ยนแปลง
- โหลด
- Choose
- ปลาเดยส์
- การทำความสะอาด
- รหัส
- การเข้ารหัส
- การรวมกัน
- ความเห็น
- บริษัท
- เมื่อเทียบกับ
- การแข่งขัน
- สมบูรณ์
- ซับซ้อน
- ความซับซ้อน
- เข้าใจ
- ครอบคลุม
- คำนวณ
- พิจารณา
- ปลอบใจ
- บรรจุ
- มี
- เนื้อหา
- เนื้อหา
- สิ่งแวดล้อม
- บริบท
- อย่างต่อเนื่อง
- ควบคุม
- แปลง
- ตรงกัน
- ได้
- หน้าปก
- สร้าง
- ที่สร้างขึ้น
- วิกฤติ
- ประเพณี
- ลูกค้า
- บริการลูกค้า
- ลูกค้า
- ข้อมูล
- การเตรียมข้อมูล
- ฐานข้อมูล
- ชุดข้อมูล
- ดีลอยท์
- แสดงให้เห็นถึง
- ปรับใช้
- การใช้งาน
- ออกแบบ
- รายละเอียด
- ที่กำลังพัฒนา
- ต่าง
- ยาก
- Dimension
- ทิศทาง
- โดยตรง
- ค้นพบ
- do
- เอกสาร
- เอกสาร
- เอกสาร
- โดเมน
- โดเมน
- ลง
- ในระหว่าง
- e
- แต่ละ
- อย่างง่ายดาย
- มีประสิทธิภาพ
- ที่มีประสิทธิภาพ
- อย่างมีประสิทธิภาพ
- อีเมล
- การฝัง
- ให้อำนาจ
- เปิดการใช้งาน
- การเปิดใช้งาน
- ส่งเสริม
- จบสิ้น
- วิศวกร
- วิศวกรรม
- ชั้นเยี่ยม
- การประเมินการ
- แม้
- ตัวอย่าง
- ที่มีอยู่
- ประสบการณ์
- ประสบ
- การทดลอง
- สำรวจ
- สำรวจ
- ส่งออก
- สารสกัด
- ลักษณะ
- คุณสมบัติ
- สองสาม
- สาขา
- เนื้อไม่มีมัน
- กรอง
- สุดท้าย
- หา
- ไหล
- ตาม
- ดังต่อไปนี้
- ดังต่อไปนี้
- สำหรับ
- ฟอร์บ
- รากฐาน
- ฐานราก
- ฟรี
- ราคาเริ่มต้นที่
- เต็ม
- ฟังก์ชั่น
- ต่อไป
- อนาคต
- ได้รับ
- สร้าง
- สร้าง
- การสร้าง
- รุ่น
- กำเนิด
- กำเนิด AI
- ได้รับ
- ให้
- กำหนด
- เหตุการณ์ที่
- Go
- เป้าหมาย
- ดี
- มากขึ้น
- มี
- he
- ส่วนหัว
- ที่มีคุณภาพสูง
- ของเขา
- ถือ
- หน้าแรก
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- อย่างไรก็ตาม
- HTML
- HTTPS
- i
- identiques
- if
- ภาพ
- ส่งผลกระทบ
- การดำเนินงาน
- นำเข้า
- สำคัญ
- ประทับใจ
- ปรับปรุง
- in
- รวมถึง
- ดัชนี
- การจัดทำดัชนี
- ข้อมูล
- ให้ข้อมูล
- แรกเริ่ม
- ข้อมูลเชิงลึก
- คำแนะนำการใช้
- บูรณาการ
- Intelligence
- การโต้ตอบ
- ผลประโยชน์
- อินเตอร์เฟซ
- อินเทอร์เน็ต
- เข้าไป
- รวมถึง
- IT
- การย้ำ
- ซ้ำ
- ITS
- งาน
- jpg
- JSON
- ความรู้
- ที่ดิน
- ภาษา
- ใหญ่
- ขนาดใหญ่
- เปิดตัว
- นำไปสู่
- เรียนรู้
- การเรียนรู้
- ทิ้ง
- นำ
- การใช้ประโยชน์
- ตั้งอยู่
- กดไลก์
- รายการ
- การฟัง
- LLM
- โหลด
- ที่ตั้ง
- วันหยุด
- ปิด
- Lot
- รัก
- ต่ำ
- เครื่อง
- เรียนรู้เครื่อง
- หลัก
- ทำ
- ทำให้
- หน้ากาก
- มาก
- เจ้านาย
- อาจ..
- กลไก
- ภาพบรรยากาศ
- เมนู
- Meta
- เมตาดาต้า
- ML
- แบบ
- โมเดล
- เจียมเนื้อเจียมตัว
- ข้อมูลเพิ่มเติม
- มากที่สุด
- หลาย
- ดนตรี
- ชื่อ
- โดยธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- ธรรมชาติ
- การเดินเรือ
- จำเป็น
- จำเป็นต้อง
- ใหม่
- ถัดไป
- ไม่
- สมุดบันทึก
- ตอนนี้
- of
- มักจะ
- on
- ครั้งเดียว
- คน
- เพียง
- การดำเนินการ
- ตัวเลือกเสริม (Option)
- or
- organizacja
- องค์กร
- อื่นๆ
- ของเรา
- ออก
- ผลลัพธ์
- กลางแจ้ง
- เอาท์พุต
- เกิน
- หน้า
- หมีแพนด้า
- บานหน้าต่าง
- ที่ผ่านไป
- รหัสผ่าน
- รูปแบบไฟล์ PDF
- การปฏิบัติ
- ส่วนบุคคล
- เลือก
- ชิ้น
- ชิ้น
- ท่อ
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- กรุณา
- บวก
- จุด
- นโยบาย
- โพสต์
- ที่มีศักยภาพ
- ขับเคลื่อน
- ที่ต้องการ
- การจัดเตรียม
- เตรียมการ
- การเตรียมความพร้อม
- ก่อน
- อาจ
- ปัญหา
- ปัญหาที่เกิดขึ้น
- ดำเนิน
- กระบวนการ
- การประมวลผล
- การผลิต
- ผลผลิต
- มืออาชีพ
- โครงการ
- คุณสมบัติ
- ให้
- ให้
- การให้
- หลาม
- คำสั่ง
- คำถาม
- คำถาม
- อย่างรวดเร็ว
- ช่วง
- รวดเร็ว
- การให้คะแนน
- มาถึง
- อ่าน
- โลกแห่งความจริง
- ที่ได้รับ
- อ้างอิง
- ที่เกี่ยวข้อง
- ตรงประเด็น
- ลบ
- รายงาน
- การร้องขอ
- ต้องการ
- ต้อง
- แหล่งข้อมูล
- คำตอบ
- การตอบสนอง
- พักผ่อน
- ผลสอบ
- กลับ
- รีวิว
- ขวา
- บทบาท
- วิ่ง
- sagemaker
- เดียวกัน
- ลด
- นักวิทยาศาสตร์
- ค้นหา
- ค้นหา
- Section
- เห็น
- เลือก
- การส่ง
- ระดับอาวุโส
- มีความละเอียดอ่อน
- บริการ
- บริการ
- การตั้งค่า
- น่า
- โชว์
- แสดงให้เห็นว่า
- ปิด
- ปิดตัวลง
- ด้าน
- ลงชื่อ
- สำคัญ
- คล้ายคลึงกัน
- ความง่าย
- ลดความซับซ้อน
- ขนาด
- เศษเล็กเศษน้อย
- So
- สังคม
- โซเชียลมีเดีย
- ทางออก
- โซลูชัน
- แก้
- บาง
- แหล่ง
- แหล่งที่มา
- โดยเฉพาะ
- เฉพาะ
- ใช้จ่าย
- การใช้จ่าย
- ระยะ
- ขั้นตอน
- ขั้นตอน
- ขั้นตอน
- ยังคง
- ยุทธศาสตร์
- โครงสร้าง
- สรุป
- รองรับ
- การสำรวจ
- เอา
- ทีม
- วิชาการ
- เทคนิค
- ทดสอบ
- ข้อความ
- ที่
- พื้นที่
- ก้าวสู่อนาคต
- ของพวกเขา
- พวกเขา
- แล้วก็
- ที่นั่น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- นี้
- ดังนั้น
- เวลา
- ยักษ์
- ไปยัง
- ในวันนี้
- เครื่องมือ
- การฝึกอบรม
- แปลง
- การแปลง
- การแปลง
- การเปลี่ยนแปลง
- จริง
- การตัดทอน
- ชนิด
- ชนิด
- ปึกแผ่น
- us
- ใช้
- มือสอง
- ผู้ใช้งาน
- ผู้ใช้
- การใช้
- มีคุณค่า
- ผ่านทาง
- วีดีโอ
- ภาพ
- คำแนะนำ
- we
- เว็บ
- บริการเว็บ
- ดี
- ที่
- ในขณะที่
- WHO
- จะ
- กับ
- งาน
- เวิร์กโฟลว์
- โรงงาน
- จะ
- เขียน
- คุณ
- ของคุณ
- ลมทะเล