การประมวลผลภาษาธรรมชาติ (NLP) เป็นสาขาหนึ่งของการเรียนรู้ของเครื่อง (ML) ที่เกี่ยวข้องกับการให้คอมพิวเตอร์สามารถเข้าใจข้อความและคำพูดในลักษณะเดียวกับที่มนุษย์สามารถทำได้ เมื่อเร็ว ๆ นี้สถาปัตยกรรมล้ำสมัยเช่น สถาปัตยกรรมหม้อแปลงไฟฟ้า ถูกนำมาใช้เพื่อให้บรรลุประสิทธิภาพที่ใกล้เคียงกับมนุษย์ในงานดาวน์สตรีมของ NLP เช่น การสรุปข้อความ การจัดหมวดหมู่ข้อความ การจดจำเอนทิตี และอื่นๆ
โมเดลภาษาขนาดใหญ่ (LLM) เป็นโมเดลที่ใช้หม้อแปลงไฟฟ้าซึ่งได้รับการฝึกฝนกับข้อความที่ไม่มีป้ายกำกับจำนวนมากซึ่งมีหลายร้อยล้าน (BERT) ถึงกว่าล้านล้านพารามิเตอร์ (มิคส) และขนาดที่ทำให้การฝึก GPU เดี่ยวไม่สามารถทำได้ เนื่องจากความซับซ้อนโดยธรรมชาติ การฝึกอบรม LLM ตั้งแต่เริ่มต้นจึงเป็นงานที่ท้าทายมากซึ่งมีองค์กรเพียงไม่กี่แห่งเท่านั้นที่สามารถทำได้ แนวทางปฏิบัติทั่วไปสำหรับงานดาวน์สตรีม NLP คือการใช้ LLM ที่ได้รับการฝึกอบรมล่วงหน้าและปรับแต่งอย่างละเอียด สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการปรับแต่งอย่างละเอียด โปรดดูที่ การปรับให้เข้ากับโดเมน การปรับแต่งโมเดลพื้นฐานอย่างละเอียดใน Amazon SageMaker JumpStart บนข้อมูลทางการเงิน และ ปรับแต่งโมเดลภาษาของหม้อแปลงไฟฟ้าเพื่อความหลากหลายทางภาษาด้วย Hugging Face บน Amazon SageMaker.
การเรียนรู้แบบ Zero-shot ใน NLP ช่วยให้สามารถ LLM ที่ผ่านการฝึกอบรมล่วงหน้า เพื่อสร้างการตอบสนองต่องานที่ไม่ได้รับการฝึกอบรมอย่างชัดเจน (แม้ว่าจะไม่มีการปรับแต่งอย่างละเอียดก็ตาม) โดยเฉพาะเมื่อพูดถึงการจัดหมวดหมู่ข้อความ การจำแนกข้อความแบบ Zero-shot เป็นงานในการประมวลผลภาษาธรรมชาติที่ใช้โมเดล NLP เพื่อจัดประเภทข้อความจากคลาสที่มองไม่เห็น ตรงกันข้ามกับ การจำแนกประเภทภายใต้การดูแลโดยที่โมเดล NLP สามารถจำแนกได้เฉพาะข้อความที่เป็นของคลาสในข้อมูลการฝึกอบรมเท่านั้น
เมื่อเร็วๆ นี้เราได้เปิดตัวการสนับสนุนโมเดลการจำแนกประเภทแบบ Zero-shot ใน Amazon SageMaker JumpStart. SageMaker JumpStart คือศูนย์กลาง ML ของ อเมซอน SageMaker ที่ให้การเข้าถึงโมเดลพื้นฐานที่ได้รับการฝึกอบรมล่วงหน้า (FM), LLM, อัลกอริธึมในตัว และเทมเพลตโซลูชันเพื่อช่วยให้คุณเริ่มต้นใช้งาน ML ได้อย่างรวดเร็ว ในโพสต์นี้ เราจะแสดงวิธีที่คุณสามารถจัดหมวดหมู่แบบ Zero-shot โดยใช้โมเดลที่ได้รับการฝึกล่วงหน้าใน SageMaker Jumpstart คุณจะได้เรียนรู้วิธีใช้ SageMaker Jumpstart UI และ SageMaker Python SDK เพื่อปรับใช้โซลูชันและดำเนินการอนุมานโดยใช้โมเดลที่มีอยู่
การเรียนรู้แบบไม่มีช็อต
การจำแนกประเภทซีโร่ช็อตเป็นกระบวนทัศน์ที่แบบจำลองสามารถจำแนกตัวอย่างใหม่ๆ ที่มองไม่เห็นซึ่งเป็นของคลาสที่ไม่มีอยู่ในข้อมูลการฝึก เช่น โมเดลภาษาที่ได้รับการฝึกให้เข้าใจภาษามนุษย์สามารถนำไปใช้จัดทวีตปณิธานปีใหม่ได้หลายคลาส เช่น career
, health
และ finance
โดยที่โมเดลภาษาไม่ได้รับการฝึกอบรมอย่างชัดเจนในงานการจัดหมวดหมู่ข้อความ สิ่งนี้ตรงกันข้ามกับการปรับแต่งโมเดลอย่างละเอียด เนื่องจากอย่างหลังหมายถึงการฝึกอบรมโมเดลใหม่ (ผ่านการเรียนรู้แบบถ่ายโอน) ในขณะที่การเรียนรู้แบบ Zero-shot ไม่ต้องการการฝึกอบรมเพิ่มเติม
แผนภาพต่อไปนี้แสดงความแตกต่างระหว่างการเรียนรู้แบบถ่ายโอน (ซ้าย) และการเรียนรู้แบบ Zero-Shot (ขวา)
หยินและคณะ เสนอกรอบการทำงานสำหรับการสร้างตัวแยกประเภทแบบ Zero-shot โดยใช้การอนุมานภาษาธรรมชาติ (NLI) กรอบงานทำงานโดยการวางลำดับเพื่อจัดประเภทเป็นหลักฐาน NLI และสร้างสมมติฐานจากป้ายกำกับผู้สมัครแต่ละราย ตัวอย่างเช่น หากเราต้องการประเมินว่าลำดับนั้นเป็นของคลาสหรือไม่ politics
เราสามารถสร้างสมมติฐานได้ว่า “ข้อความนี้เกี่ยวกับการเมือง” ความน่าจะเป็นสำหรับการมีส่วนร่วมและความขัดแย้งจะถูกแปลงเป็นความน่าจะเป็นที่มีป้ายกำกับ ในการทบทวนอย่างรวดเร็ว NLI พิจารณาสองประโยค: หลักฐานและสมมติฐาน ภารกิจคือการตรวจสอบว่าสมมติฐานเป็นจริง (เกี่ยวข้อง) หรือเท็จ (ขัดแย้ง) เมื่อพิจารณาจากสมมติฐาน ตารางต่อไปนี้เป็นตัวอย่างบางส่วน
หลักฐาน | ฉลาก | สมมติฐาน |
ชายคนหนึ่งตรวจสอบเครื่องแบบของบุคคลในประเทศเอเชียตะวันออกบางแห่ง | ความขัดแย้ง | ผู้ชายกำลังนอนหลับ |
ชายชราและอายุน้อยกว่ายิ้ม | เป็นกลาง | ชายสองคนยิ้มและหัวเราะกับแมวที่กำลังเล่นอยู่บนพื้น |
เกมฟุตบอลที่มีผู้ชายเล่นหลายคน | ความผูกพัน | ผู้ชายบางคนกำลังเล่นกีฬา |
ภาพรวมโซลูชัน
ในโพสต์นี้ เราจะพูดถึงสิ่งต่อไปนี้:
- วิธีปรับใช้โมเดลการจัดประเภทข้อความ Zero-shot ที่ได้รับการฝึกล่วงหน้าโดยใช้ SageMaker JumpStart UI และเรียกใช้การอนุมานบนโมเดลที่ปรับใช้โดยใช้ข้อมูลข้อความสั้น
- วิธีใช้ SageMaker Python SDK เพื่อเข้าถึงโมเดลการจัดประเภทข้อความแบบ Zero-shot ที่ได้รับการฝึกล่วงหน้าใน SageMaker JumpStart และใช้สคริปต์การอนุมานเพื่อปรับใช้โมเดลกับตำแหน่งข้อมูล SageMaker สำหรับกรณีใช้งานการจัดประเภทข้อความแบบเรียลไทม์
- วิธีใช้ SageMaker Python SDK เพื่อเข้าถึงโมเดลการจัดประเภทข้อความแบบ Zero-shot ที่ได้รับการฝึกล่วงหน้า และใช้การแปลงชุด SageMaker สำหรับกรณีการใช้งานการจัดประเภทข้อความแบบกลุ่ม
SageMaker JumpStart มอบการปรับแต่งและการปรับใช้อย่างละเอียดเพียงคลิกเดียวสำหรับโมเดลที่ได้รับการฝึกล่วงหน้าที่หลากหลายในงาน ML ยอดนิยม รวมถึงโซลูชันแบบครบวงจรที่คัดสรรมาเพื่อแก้ไขปัญหาทางธุรกิจทั่วไป คุณสมบัติเหล่านี้ช่วยขจัดภาระหนักในแต่ละขั้นตอนของกระบวนการ ML ทำให้การพัฒนาโมเดลคุณภาพสูงง่ายขึ้น และลดเวลาในการปรับใช้ ที่ JumpStart API ช่วยให้คุณสามารถปรับใช้ทางโปรแกรมและปรับแต่งโมเดลที่ได้รับการฝึกอบรมล่วงหน้าจำนวนมากบนชุดข้อมูลของคุณเอง
ฮับโมเดล JumpStart ช่วยให้สามารถเข้าถึงโมเดล NLP จำนวนมาก ซึ่งช่วยให้สามารถถ่ายโอนการเรียนรู้และปรับแต่งชุดข้อมูลแบบกำหนดเองได้อย่างละเอียด ในขณะที่เขียนบทความนี้ ศูนย์กลางโมเดล JumpStart มีโมเดลข้อความมากกว่า 300 โมเดลในโมเดลยอดนิยมต่างๆ เช่น Stable Diffusion, Flan T5, Alexa TM, Bloom และอื่นๆ
โปรดทราบว่าการทำตามขั้นตอนในส่วนนี้จะทำให้คุณปรับใช้โครงสร้างพื้นฐานกับบัญชี AWS ของคุณที่อาจมีค่าใช้จ่าย
ปรับใช้แบบจำลองการจัดประเภทข้อความแบบ Zero-shot แบบสแตนด์อโลน
ในส่วนนี้ เราจะสาธิตวิธีการปรับใช้โมเดลการจัดหมวดหมู่แบบ Zero-shot โดยใช้ SageMaker JumpStart คุณสามารถเข้าถึงโมเดลที่ได้รับการฝึกล่วงหน้าได้ผ่านทางหน้า Landing Page JumpStart สตูดิโอ Amazon SageMaker. ทำตามขั้นตอนต่อไปนี้:
- ใน SageMaker Studio ให้เปิดหน้า Landing Page JumpStart
เอ่ยถึง เปิดและใช้ JumpStart สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับวิธีการนำทางไปยัง SageMaker JumpStart - ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร โมเดลข้อความ แบบหมุน ค้นหาการ์ดโมเดล "Zero-Shot Text Classification"
- Choose ดูรุ่น เพื่อเข้าถึง
facebook-bart-large-mnli
แบบ
หรือคุณสามารถค้นหาโมเดลการจัดหมวดหมู่แบบ Zero-shot ในแถบค้นหาและไปที่โมเดลใน SageMaker JumpStart - ระบุการกำหนดค่าการปรับใช้ ประเภทอินสแตนซ์โฮสต์ SageMaker ชื่อจุดสิ้นสุด บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon ชื่อบัคเก็ต (Amazon S3) และพารามิเตอร์ที่จำเป็นอื่นๆ
- หรือคุณสามารถระบุการกำหนดค่าความปลอดภัยเช่น AWS Identity และการจัดการการเข้าถึง บทบาท (IAM), การตั้งค่า VPC และ บริการจัดการคีย์ AWS คีย์การเข้ารหัส (AWS KMS)
- Choose ปรับใช้ เพื่อสร้างตำแหน่งข้อมูล SageMaker
ขั้นตอนนี้ใช้เวลาสองสามนาทีจึงจะเสร็จสมบูรณ์ เมื่อดำเนินการเสร็จสิ้น คุณสามารถเรียกใช้การอนุมานกับตำแหน่งข้อมูล SageMaker ที่โฮสต์โมเดลการจัดหมวดหมู่แบบ Zero-shot ได้
ในวิดีโอต่อไปนี้ เราจะแสดงคำแนะนำขั้นตอนต่างๆ ในส่วนนี้
ใช้ JumpStart โดยทางโปรแกรมกับ SageMaker SDK
ในส่วน SageMaker JumpStart ของ SageMaker Studio ใต้ วิธีแก้ปัญหาการเริ่มต้นอย่างรวดเร็วคุณสามารถหา เทมเพลตโซลูชัน. เทมเพลตโซลูชัน SageMaker JumpStart เป็นโซลูชันแบบครบวงจรในคลิกเดียวสำหรับกรณีการใช้งาน ML ทั่วไปจำนวนมาก ในขณะที่เขียนบทความนี้ มีโซลูชันมากกว่า 20 รายการให้เลือกใช้งานหลายกรณี เช่น การคาดการณ์ความต้องการ การตรวจจับการฉ้อโกง และคำแนะนำเฉพาะบุคคล เป็นต้น
โซลูชัน “การจัดประเภทข้อความเป็นศูนย์ด้วย Hugging Face” มอบวิธีการจัดประเภทข้อความโดยไม่จำเป็นต้องฝึกแบบจำลองสำหรับป้ายกำกับเฉพาะ (การจำแนกประเภทช็อตเป็นศูนย์) โดยใช้ตัวแยกประเภทข้อความที่ได้รับการฝึกอบรมล่วงหน้า โมเดลการจำแนกประเภทช็อตเป็นศูนย์เริ่มต้นสำหรับโซลูชันนี้คือ facebook-bart-large-mnli (บาร์ต) รุ่น. สำหรับวิธีแก้ปัญหานี้ เราใช้ ชุดข้อมูลปณิธานปีใหม่ 2015 เพื่อจำแนกมติ ชุดย่อยของชุดข้อมูลดั้งเดิมที่มีเพียง Resolution_Category
(ป้ายความจริงภาคพื้นดิน) และ text
คอลัมน์จะรวมอยู่ในเนื้อหาของโซลูชัน
ข้อมูลอินพุตประกอบด้วยสตริงข้อความ รายการหมวดหมู่ที่ต้องการสำหรับการจัดหมวดหมู่ และการจัดหมวดหมู่เป็นแบบหลายป้ายกำกับหรือไม่สำหรับการอนุมานแบบซิงโครนัส (เรียลไทม์) สำหรับการอนุมานแบบอะซิงโครนัส (เป็นกลุ่ม) เราจะจัดเตรียมรายการสตริงข้อความ รายการหมวดหมู่สำหรับแต่ละสตริง และระบุว่าการจัดประเภทเป็นแบบหลายป้ายกำกับหรือไม่อยู่ในไฟล์ข้อความที่จัดรูปแบบบรรทัด JSON
ผลลัพธ์ของการอนุมานคือออบเจ็กต์ JSON ที่มีลักษณะคล้ายกับภาพหน้าจอต่อไปนี้
เรามีข้อความต้นฉบับอยู่ใน sequence
ฟิลด์ป้ายกำกับที่ใช้สำหรับการจัดหมวดหมู่ข้อความใน labels
และความน่าจะเป็นที่กำหนดให้กับแต่ละป้ายกำกับ (ตามลำดับที่ปรากฏ) ในฟิลด์ scores
.
หากต้องการปรับใช้โซลูชัน Zero Shot Text Classification ด้วย Hugging Face ให้ทำตามขั้นตอนต่อไปนี้:
- บนหน้าเริ่มต้นของ SageMaker JumpStart ให้เลือก โมเดล โน๊ตบุ๊ค โซลูชั่น ในบานหน้าต่างนำทาง
- ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร โซลูชัน ส่วนเลือก สำรวจโซลูชันทั้งหมด.
- เกี่ยวกับ โซลูชัน หน้า เลือกการ์ดโมเดล Zero Shot Text Classification with Hugging Face
- ตรวจสอบรายละเอียดการปรับใช้ และหากคุณเห็นด้วย ให้เลือก ยิง.
การปรับใช้จะจัดเตรียมตำแหน่งข้อมูลแบบเรียลไทม์ของ SageMaker สำหรับการอนุมานแบบเรียลไทม์ และบัคเก็ต S3 สำหรับจัดเก็บผลลัพธ์การแปลงเป็นชุด
ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมของวิธีนี้
ดำเนินการอนุมานแบบเรียลไทม์โดยใช้แบบจำลองการจำแนกประเภทแบบ Zero-shot
ในส่วนนี้ เราจะตรวจสอบวิธีใช้ Python SDK เพื่อเรียกใช้การจัดประเภทข้อความแบบ Zero-shot (โดยใช้โมเดลใดๆ ที่มีอยู่) แบบเรียลไทม์โดยใช้ตำแหน่งข้อมูล SageMaker
- ขั้นแรก เรากำหนดค่าคำขอเพย์โหลดการอนุมานให้กับโมเดล ขึ้นอยู่กับโมเดล แต่สำหรับโมเดล BART อินพุตจะเป็นออบเจ็กต์ JSON ที่มีโครงสร้างต่อไปนี้:
- โปรดทราบว่าโมเดล BART ไม่ได้รับการฝึกฝนอย่างชัดเจนเกี่ยวกับ
candidate_labels
. เราจะใช้เทคนิคการจำแนกประเภทซีโร่ช็อตเพื่อจัดลำดับข้อความให้เป็นคลาสที่มองไม่เห็น รหัสต่อไปนี้เป็นตัวอย่างการใช้ข้อความจากชุดข้อมูลปณิธานปีใหม่และคลาสที่กำหนด: - จากนั้น คุณสามารถเรียกใช้ตำแหน่งข้อมูล SageMaker ด้วยเพย์โหลดแบบ Zero-shot ได้ ตำแหน่งข้อมูล SageMaker ได้รับการปรับใช้เป็นส่วนหนึ่งของโซลูชัน SageMaker JumpStart
- ออบเจ็กต์การตอบสนองแบบอนุมานประกอบด้วยลำดับดั้งเดิม ป้ายกำกับที่จัดเรียงตามคะแนนจากสูงสุดไปต่ำสุด และคะแนนต่อป้ายกำกับ:
รันงานการแปลงเป็นชุดของ SageMaker โดยใช้ Python SDK
ในส่วนนี้จะอธิบายวิธีการเรียกใช้การอนุมานการแปลงเป็นชุดด้วยการจัดหมวดหมู่แบบ Zero-shot facebook-bart-large-mnli
รุ่นที่ใช้ SageMaker Python SDK. ทำตามขั้นตอนต่อไปนี้:
- จัดรูปแบบข้อมูลอินพุตในรูปแบบบรรทัด JSON และอัปโหลดไฟล์ไปยัง Amazon S3
การแปลงชุด SageMaker จะดำเนินการอนุมานจุดข้อมูลที่อัปโหลดในไฟล์ S3 - ตั้งค่าส่วนการปรับใช้โมเดลด้วยพารามิเตอร์ต่อไปนี้:
- model_id - การใช้
huggingface-zstc-facebook-bart-large-mnli
. - Deploy_image_uri - ใช้
image_uris
ฟังก์ชัน Python SDK เพื่อรับอิมเมจ SageMaker Docker ที่สร้างไว้ล่วงหน้าสำหรับmodel_id
. ฟังก์ชันจะส่งกลับค่า การลงทะเบียน Amazon Elastic Container (Amazon ECR) URI - ปรับใช้_source_uri – ใช้
script_uris
ยูทิลิตี้ API เพื่อดึงข้อมูล S3 URI ที่มีสคริปต์เพื่อเรียกใช้การอนุมานโมเดลที่ได้รับการฝึกล่วงหน้า เราระบุscript_scope
asinference
. - model_uri - การใช้
model_uri
เพื่อรับอาร์ติแฟกต์ของโมเดลจาก Amazon S3 ตามที่ระบุmodel_id
.
- model_id - การใช้
- ใช้
HF_TASK
เพื่อกำหนดงานสำหรับไปป์ไลน์ Hugging Face Transformers และHF_MODEL_ID
เพื่อกำหนดรูปแบบที่ใช้ในการจัดประเภทข้อความ:สำหรับรายการงานทั้งหมด โปรดดูที่ ท่อ ในเอกสารประกอบ Hugging Face
- สร้างออบเจ็กต์โมเดล Hugging Face ที่จะนำไปใช้กับงานการแปลงชุด SageMaker:
- สร้างการแปลงเพื่อรันงานแบตช์:
- เริ่มงานการแปลงเป็นชุดและใช้ข้อมูล S3 เป็นอินพุต:
คุณสามารถตรวจสอบงานการประมวลผลแบบแบตช์ของคุณได้บนคอนโซล SageMaker (เลือก งานแปลงเป็นชุด ภายใต้ การอนุมาน ในบานหน้าต่างนำทาง) เมื่องานเสร็จสมบูรณ์ คุณสามารถตรวจสอบเอาต์พุตการทำนายโมเดลในไฟล์ S3 ที่ระบุใน output_path
.
หากต้องการดูรายการโมเดลที่ได้รับการฝึกล่วงหน้าทั้งหมดที่มีอยู่ใน SageMaker JumpStart โปรดดูที่ อัลกอริธึมในตัวพร้อมตารางโมเดลที่ผ่านการฝึกอบรมมาแล้ว. ใช้คำสำคัญ “zstc” (ย่อมาจากการจัดหมวดหมู่ข้อความเป็นศูนย์ช็อต) ในแถบค้นหาเพื่อค้นหาโมเดลทั้งหมดที่สามารถจัดหมวดหมู่ข้อความเป็นศูนย์ช็อตได้
ทำความสะอาด
หลังจากที่คุณเรียกใช้สมุดบันทึกเสร็จแล้ว ตรวจสอบให้แน่ใจว่าได้ลบทรัพยากรทั้งหมดที่สร้างขึ้นในกระบวนการเพื่อให้แน่ใจว่าต้นทุนที่เกิดขึ้นจากสินทรัพย์ที่ใช้งานในคู่มือนี้จะหยุดลง รหัสสำหรับล้างทรัพยากรที่ปรับใช้มีอยู่ในสมุดบันทึกที่เกี่ยวข้องกับโซลูชันและโมเดลการจัดประเภทข้อความแบบ Zero-shot
การกำหนดค่าความปลอดภัยเริ่มต้น
โมเดล SageMaker JumpStart ได้รับการปรับใช้โดยใช้การกำหนดค่าความปลอดภัยเริ่มต้นต่อไปนี้:
หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับหัวข้อที่เกี่ยวข้องกับความปลอดภัยของ SageMaker โปรดดู กำหนดค่าความปลอดภัยใน Amazon SageMaker.
สรุป
ในโพสต์นี้ เราได้แสดงให้คุณเห็นถึงวิธีการปรับใช้โมเดลการจัดหมวดหมู่แบบ Zero-shot โดยใช้ SageMaker JumpStart UI และทำการอนุมานโดยใช้ตำแหน่งข้อมูลที่ถูกปรับใช้ เราใช้โซลูชันการแก้ปัญหาของ SageMaker JumpStart New Year เพื่อแสดงให้เห็นว่าคุณสามารถใช้ SageMaker Python SDK เพื่อสร้างโซลูชันแบบ end-to-end และใช้แอปพลิเคชันการจัดหมวดหมู่แบบ Zero-shot ได้อย่างไร SageMaker JumpStart ให้การเข้าถึงโมเดลและโซลูชันที่ผ่านการฝึกอบรมมาแล้วหลายร้อยรายการสำหรับงานต่างๆ เช่น คอมพิวเตอร์วิทัศน์ การประมวลผลภาษาธรรมชาติ ระบบการแนะนำ และอื่นๆ ลองใช้วิธีแก้ปัญหาด้วยตัวคุณเองแล้วแจ้งให้เราทราบความคิดของคุณ
เกี่ยวกับผู้แต่ง
เดวิด ลาเรโด เป็นสถาปนิกการสร้างต้นแบบที่ AWS Envision Engineering ใน LATAM ซึ่งเขาได้ช่วยพัฒนาต้นแบบการเรียนรู้ของเครื่องหลายรายการ ก่อนหน้านี้เขาทำงานเป็น Machine Learning Engineer และทำ Machine Learning มามากกว่า 5 ปี พื้นที่ที่เขาสนใจคือ NLP อนุกรมเวลา และ ML แบบ end-to-end
วิกรม เอลังโก เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญด้าน AI/ML ที่ Amazon Web Services ซึ่งตั้งอยู่ในเวอร์จิเนีย สหรัฐอเมริกา Vikram ช่วยลูกค้าในอุตสาหกรรมการเงินและประกันภัยด้วยความเป็นผู้นำด้านการออกแบบและความคิด ในการสร้างและปรับใช้แอปพลิเคชันการเรียนรู้ของเครื่องในวงกว้าง ปัจจุบันเขามุ่งเน้นไปที่การประมวลผลภาษาธรรมชาติ, AI ที่มีความรับผิดชอบ, การเพิ่มประสิทธิภาพการอนุมาน และการปรับขนาด ML ทั่วทั้งองค์กร ในเวลาว่าง เขาชอบท่องเที่ยว เดินป่า ทำอาหาร และตั้งแคมป์กับครอบครัว
ดร.วิเวก มะดัน เป็นนักวิทยาศาสตร์ประยุกต์กับทีม Amazon SageMaker JumpStart เขาสำเร็จการศึกษาระดับปริญญาเอกจากมหาวิทยาลัยอิลลินอยส์ Urbana-Champaign และเป็นนักวิจัยหลังปริญญาเอกที่ Georgia Tech เขาเป็นนักวิจัยเชิงรุกด้านการเรียนรู้ของเครื่องและการออกแบบอัลกอริธึม และได้ตีพิมพ์เอกสารในการประชุม EMNLP, ICLR, COLT, FOCS และ SODA
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. ยานยนต์ / EVs, คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ChartPrime. ยกระดับเกมการซื้อขายของคุณด้วย ChartPrime เข้าถึงได้ที่นี่.
- BlockOffsets การปรับปรุงการเป็นเจ้าของออฟเซ็ตด้านสิ่งแวดล้อมให้ทันสมัย เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/zero-shot-text-classification-with-amazon-sagemaker-jumpstart/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- $ ขึ้น
- 1
- 10
- 100
- 12
- 16
- 17
- 20
- 22
- 30
- 7
- 8
- 9
- a
- ความสามารถ
- เกี่ยวกับเรา
- ข้างบน
- เข้า
- ลงชื่อเข้าใช้
- บรรลุ
- ข้าม
- คล่องแคล่ว
- เพิ่มเติม
- กับ
- AI
- AI / ML
- AL
- Alexa
- ขั้นตอนวิธี
- อัลกอริทึม
- ทั้งหมด
- อนุญาต
- ช่วยให้
- อเมซอน
- อเมซอน SageMaker
- Amazon SageMaker JumpStart
- Amazon Web Services
- จำนวน
- an
- และ
- ใด
- API
- การใช้งาน
- การใช้งาน
- ประยุกต์
- สถาปัตยกรรม
- เป็น
- พื้นที่
- AS
- เอเชีย
- สินทรัพย์
- ที่ได้รับมอบหมาย
- ที่เกี่ยวข้อง
- At
- อัตโนมัติ
- ใช้ได้
- AWS
- บาร์
- ฐาน
- ตาม
- BE
- รับ
- กำลัง
- เป็น
- ระหว่าง
- บานสะพรั่ง
- ร่างกาย
- ร้านหนังสือเกาหลี
- รับประทานอาหารเช้า
- สร้าง
- built-in
- ธุรกิจ
- แต่
- by
- CAN
- ผู้สมัคร
- สามารถ
- บัตร
- ความก้าวหน้า
- ม้าหมุน
- กรณี
- หมวดหมู่
- แมว
- ท้าทาย
- ตรวจสอบ
- Choose
- ชั้น
- ชั้นเรียน
- การจัดหมวดหมู่
- จัด
- แยกประเภท
- รหัส
- คอลัมน์
- ร่วมกัน
- สมบูรณ์
- ความซับซ้อน
- คอมพิวเตอร์
- วิสัยทัศน์คอมพิวเตอร์
- คอมพิวเตอร์
- เกี่ยวข้อง
- การประชุม
- องค์ประกอบ
- พิจารณา
- ปลอบใจ
- สร้าง
- ภาชนะ
- มี
- ตรงกันข้าม
- แปลง
- ค่าใช้จ่าย
- ได้
- ประเทศ
- คู่
- สร้าง
- ที่สร้างขึ้น
- การสร้าง
- ขณะนี้
- ประเพณี
- ลูกค้า
- ข้อมูล
- จุดข้อมูล
- ชุดข้อมูล
- ทุ่มเท
- ค่าเริ่มต้น
- กำหนด
- กำหนด
- ความต้องการ
- การพยากรณ์ความต้องการ
- สาธิต
- การอ้างอิง
- ขึ้นอยู่กับ
- ปรับใช้
- นำไปใช้
- การใช้งาน
- ออกแบบ
- ที่ต้องการ
- รายละเอียด
- การตรวจพบ
- กำหนด
- พัฒนา
- พัฒนาการ
- ความแตกต่าง
- การจัดจำหน่าย
- สนทนา
- ความหลากหลาย
- นักเทียบท่า
- เอกสาร
- ไม่
- การทำ
- ทำ
- สอง
- E&T
- แต่ละ
- ตะวันออก
- การศึกษา
- อีเมล
- ทำให้สามารถ
- การเข้ารหัสลับ
- จบสิ้น
- ปลายทาง
- วิศวกร
- ชั้นเยี่ยม
- ทำให้มั่นใจ
- Enterprise
- เอกลักษณ์
- วาดภาพ
- ประเมินค่า
- แม้
- ตัวอย่าง
- ตัวอย่าง
- ใบหน้า
- เท็จ
- ครอบครัว
- คุณสมบัติ
- สองสาม
- สนาม
- รูป
- เนื้อไม่มีมัน
- เงินทุน
- ทางการเงิน
- หา
- ชั้น
- มุ่งเน้น
- ดังต่อไปนี้
- สำหรับ
- รูป
- รากฐาน
- กรอบ
- การหลอกลวง
- การตรวจจับการฉ้อโกง
- ราคาเริ่มต้นที่
- ฟังก์ชัน
- เกม
- สร้าง
- จอร์เจีย
- ได้รับ
- GitHub
- กำหนด
- ให้
- พื้น
- การเจริญเติบโต
- ให้คำแนะนำ
- การจัดการ
- มี
- he
- สุขภาพ
- หนัก
- ยกของหนัก
- ช่วย
- ช่วย
- จะช่วยให้
- ที่มีคุณภาพสูง
- ของเขา
- โฮสติ้ง
- เจ้าภาพ
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTML
- ที่ http
- HTTPS
- Hub
- เป็นมนุษย์
- อารมณ์ขัน
- ร้อย
- หลายร้อยล้าน
- ID
- เอกลักษณ์
- if
- อิลลินอยส์
- แสดงให้เห็นถึง
- ภาพ
- การดำเนินการ
- นำเข้า
- in
- รวม
- รวมถึง
- อุตสาหกรรม
- ข้อมูล
- โครงสร้างพื้นฐาน
- โดยธรรมชาติ
- อินพุต
- ปัจจัยการผลิต
- ตัวอย่าง
- ประกัน
- อยากเรียนรู้
- IT
- การสัมภาษณ์
- งาน
- jpg
- JSON
- คีย์
- กุญแจ
- ทราบ
- ฉลาก
- ป้ายกำกับ
- เชื่อมโยงไปถึง
- ภาษา
- ใหญ่
- LATAM
- เปิดตัว
- ความเป็นผู้นำ
- เรียนรู้
- การเรียนรู้
- ซ้าย
- ให้
- facelift
- กดไลก์
- Line
- เส้น
- รายการ
- LLM
- โหลด
- LOOKS
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- ทำให้
- มนุษย์
- การจัดการ
- หลาย
- แม็กซ์
- อาจ..
- ผู้ชาย
- วิธี
- ล้าน
- นาที
- นาที
- ML
- แบบ
- โมเดล
- การตรวจสอบ
- ข้อมูลเพิ่มเติม
- หลาย
- my
- ชื่อ
- โดยธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- นำทาง
- การเดินเรือ
- จำเป็นต้อง
- ใหม่
- ปีใหม่
- NLP
- ไม่
- สมุดบันทึก
- จำนวน
- วัตถุ
- of
- on
- เพียง
- เปิด
- การเพิ่มประสิทธิภาพ
- or
- ใบสั่ง
- องค์กร
- เป็นต้นฉบับ
- อื่นๆ
- ออก
- เอาท์พุต
- เกิน
- ของตนเอง
- หน้า
- บานหน้าต่าง
- เอกสาร
- ตัวอย่าง
- พารามิเตอร์
- ส่วนหนึ่ง
- เส้นทาง
- ต่อ
- ดำเนินการ
- การปฏิบัติ
- สิทธิ์
- ส่วนบุคคล
- ส่วนบุคคล
- phd
- การทำบุญ
- ท่อ
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- จุด
- การเมือง
- ยอดนิยม
- โพสต์
- การปฏิบัติ
- คำทำนาย
- การคาดการณ์
- นำเสนอ
- ก่อนหน้านี้
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- การประมวลผล
- เสนอ
- ต้นแบบ
- การสร้างต้นแบบ
- ให้
- ให้
- ให้
- บทบัญญัติ
- การตีพิมพ์
- หลาม
- ไฟฉาย
- รวดเร็ว
- อย่างรวดเร็ว
- อ่าน
- จริง
- เรียลไทม์
- เมื่อเร็ว ๆ นี้
- การรับรู้
- แนะนำ
- แนะนำ
- ลด
- เอาออก
- ขอ
- ต้องการ
- จำเป็นต้องใช้
- นักวิจัย
- แหล่งข้อมูล
- คำตอบ
- การตอบสนอง
- รับผิดชอบ
- ผล
- ผลสอบ
- รับคืน
- ทบทวน
- ขวา
- บทบาท
- วิ่ง
- วิ่ง
- s
- sagemaker
- เดียวกัน
- ลด
- ขนาด
- ปรับ
- นักวิทยาศาสตร์
- คะแนน
- รอยขีดข่วน
- สคริปต์
- การเลื่อน
- SDK
- ค้นหา
- Section
- ความปลอดภัย
- เห็น
- การเลือก
- ลำดับ
- ชุด
- บริการ
- การตั้งค่า
- สั้น
- การถ่ายภาพ
- โชว์
- แสดงให้เห็นว่า
- ง่าย
- ลดความซับซ้อน
- ตั้งแต่
- ขนาด
- ฟุตบอล
- ทางออก
- โซลูชัน
- แก้
- บาง
- บางสิ่งบางอย่าง
- การพูด
- ผู้เชี่ยวชาญ
- โดยเฉพาะ
- เฉพาะ
- ที่ระบุไว้
- พูด
- กีฬา
- มั่นคง
- สแตนด์อโลน
- เริ่มต้น
- ข้อความที่เริ่ม
- รัฐของศิลปะ
- เข้าพัก
- ขั้นตอน
- ขั้นตอน
- หยุด
- การเก็บรักษา
- การเก็บรักษา
- เชือก
- โครงสร้าง
- สตูดิโอ
- อย่างเช่น
- สนับสนุน
- แน่ใจ
- ระบบ
- ตาราง
- เอา
- ใช้เวลา
- งาน
- งาน
- ทีม
- เทคโนโลยี
- แม่แบบ
- การจัดประเภทข้อความ
- ที่
- พื้นที่
- ของพวกเขา
- แล้วก็
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- นี้
- คิดว่า
- ความเป็นผู้นำทางความคิด
- ตลอด
- เวลา
- อนุกรมเวลา
- TM
- ไปยัง
- หัวข้อ
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- โอน
- แปลง
- การแปลง
- หม้อแปลงไฟฟ้า
- หม้อแปลง
- การเดินทาง
- ล้านล้าน
- จริง
- ความจริง
- ลอง
- ทวีต
- สอง
- ชนิด
- ui
- ภายใต้
- เข้าใจ
- มหาวิทยาลัย
- อัปโหลด
- us
- ใช้
- มือสอง
- การใช้
- ประโยชน์
- ความหลากหลาย
- กว้างใหญ่
- รุ่น
- มาก
- วีดีโอ
- virginia
- วิสัยทัศน์
- vs
- คำแนะนำ
- ต้องการ
- คือ
- ทาง..
- we
- เว็บ
- บริการเว็บ
- ดี
- คือ
- เมื่อ
- ว่า
- ในขณะที่
- ใคร
- กว้าง
- จะ
- กับ
- ไม่มี
- คำ
- ทำงาน
- โรงงาน
- การเขียน
- ปี
- ปี
- คุณ
- น้อง
- ของคุณ
- ลมทะเล
- เป็นศูนย์
- การเรียนรู้แบบ Zero-Shot