Bu gönderide, kullanarak karmaşık görüntü aramaları için bir makine öğrenimi (ML) çözümünü tartışıyoruz. Amazon Kendrası ve Amazon Rekognisyon. Spesifik olarak, çok sayıda farklı görsel simge ve metin içermeleri nedeniyle karmaşık görüntüler için mimari diyagramlar örneğini kullanıyoruz.
İnternet ile görüntü aramak ve elde etmek hiç bu kadar kolay olmamıştı. Çoğu zaman, örneğin bir sonraki tatil kaçamağı yerinizi aramak gibi, istediğiniz görüntüleri doğru bir şekilde bulabilirsiniz. Basit aramalar genellikle başarılıdır, çünkü pek çok özellik ile ilişkilendirilmezler. İstenen görüntü özelliklerinin ötesinde, arama kriterleri genellikle gerekli sonucu bulmak için önemli ayrıntılar gerektirmez. Örneğin, bir kullanıcı belirli bir mavi şişe türünü aramaya çalışırsa, birçok farklı türde mavi şişenin sonuçları görüntülenecektir. Ancak, genel arama terimleri nedeniyle istenen mavi şişe kolayca bulunamayabilir.
Arama bağlamını yorumlamak da sonuçların basitleştirilmesine katkıda bulunur. Kullanıcılar akıllarında arzu ettikleri bir görsel olduğunda, bunu metin tabanlı bir arama sorgusu olarak çerçevelemeye çalışırlar. Benzer konulara yönelik arama sorguları arasındaki nüansları anlamak, alakalı sonuçlar sağlamak ve kullanıcının sonuçları manuel olarak sıralamak için gereken çabayı en aza indirmek için önemlidir. Örneğin, "Köpek sahibi oyun oynuyor" arama sorgusu, bir köpek sahibini bir köpekle oyun oynarken gösteren görsel sonuçları döndürmeye çalışır. Bununla birlikte, üretilen gerçek sonuçlar bunun yerine bir köpeğin, sahibinin müdahalesini göstermeden bir nesneyi getirmesine odaklanabilir. Kullanıcılar, karmaşık aramalarla uğraşırken uygun olmayan resim sonuçlarını manuel olarak filtrelemek zorunda kalabilir.
Karmaşık aramalarla ilgili sorunları ele almak için bu gönderi, Amazon Kendra ve Amazon Rekognition'ı entegre ederek karmaşık görüntüleri arama yeteneğine sahip bir arama motorunu nasıl elde edebileceğinizi ayrıntılı olarak açıklamaktadır. Amazon Kendra, makine öğrenimi tarafından desteklenen akıllı bir arama hizmetidir ve Amazon Rekognition, resimlerden veya videolardan nesneleri, kişileri, metinleri, sahneleri ve etkinlikleri tanımlayabilen bir makine öğrenimi hizmetidir.
Hangi resimler aranamayacak kadar karmaşık olabilir? Bir örnek, kullanım durumunun karmaşıklığına ve gereken teknik servis sayısına bağlı olarak birçok arama kriteri ile ilişkilendirilebilen ve kullanıcı için önemli bir manuel arama çabası ile sonuçlanan mimari diyagramlardır. Örneğin, kullanıcılar müşteri doğrulamasının kullanım durumu için bir mimari çözüm bulmak isterlerse, genellikle "Müşteri doğrulaması için mimari diyagramlar"a benzer bir arama sorgusu kullanırlar. Bununla birlikte, genel arama sorguları, çok çeşitli hizmetleri ve farklı içerik oluşturma tarihlerini kapsayacaktır. Kullanıcıların, belirli hizmetlere dayalı olarak uygun mimari adayları manuel olarak seçmesi ve içerik oluşturma tarihi ve sorgulama tarihine göre mimari tasarım seçeneklerinin uygunluğunu göz önünde bulundurması gerekir.
Aşağıdaki şekilde, düzenlenmiş bir ayıklama, dönüştürme ve yükleme (ETL) mimarisi çözümünü gösteren örnek bir diyagram gösterilmektedir.
Bulut platformunda sağlanan hizmet tekliflerine aşina olmayan kullanıcılar için, böyle bir diyagramı ararken farklı genel yollar ve açıklamalar sağlayabilirler. Nasıl aranabileceğine dair bazı örnekler aşağıda verilmiştir:
- "ETL iş akışını düzenleyin"
- “Toplu veri işleme nasıl otomatikleştirilir”
- "Verileri dönüştürmek için bir ardışık düzen oluşturma yöntemleri"
Çözüme genel bakış
Çözümü uygulamak için aşağıdaki adımlarda size yol gösteriyoruz:
- Bir tren Amazon Rekognition Özel Etiketleri mimari diyagramlardaki sembolleri tanımak için model.
- Mimari diyagram sembollerini doğrulamak için Amazon Rekognition metin algılamayı dahil edin.
- Arama için bir veri havuzu oluşturmak üzere bir web gezgini içinde Amazon Rekognition'ı kullanın
- Depoyu aramak için Amazon Kendra'yı kullanın.
Kullanıcılara ilgili sonuçlardan oluşan geniş bir havuzu kolayca sağlamak için çözüm, güvenilir kaynaklarda arama yapmak için otomatik bir yol sağlamalıdır. Örnek olarak mimari diyagramları kullanarak, çözümün mimari diyagramlar için referans bağlantıları ve teknik belgelerde arama yapması ve mevcut hizmetleri tanımlaması gerekir. Bu kaynaklarda kullanım durumları ve sektör dikeyleri gibi anahtar kelimelerin belirlenmesi, bilgilerin yakalanmasına ve kullanıcıya daha alakalı arama sonuçlarının görüntülenmesine de olanak tanır.
İlgili diyagramların nasıl aranması gerektiği göz önüne alındığında, görsel arama çözümünün üç kriteri karşılaması gerekir:
- Basit anahtar kelime aramayı etkinleştir
- Kullanıcıların sağladığı kullanım durumlarına göre arama sorgularını yorumlayın
- Arama sonuçlarını sıralayın ve sıralayın
Anahtar kelime araması, "Amazon Rekognition" araması yapmak ve hizmetin farklı kullanım durumlarında nasıl kullanıldığına dair mimari şemaların gösterilmesidir. Alternatif olarak, arama terimleri, mimariyle ilişkilendirilebilecek kullanım durumları ve sektör dikeyleri aracılığıyla dolaylı olarak şemaya bağlanabilir. Örneğin, "ETL ardışık düzeni nasıl düzenlenir" terimlerinin aranması, AWS Tutkal ve AWS Basamak İşlevleri. Arama sonuçlarının oluşturma tarihi gibi özniteliklere dayalı olarak sıralanması ve sıralanması, hizmet güncellemeleri ve sürümlerine rağmen mimari diyagramların hala alakalı olmasını sağlar. Aşağıdaki şekilde görsel arama çözümünün mimari diyagramı gösterilmektedir.
Önceki diyagramda ve çözüme genel bakışta gösterildiği gibi, çözümün iki ana yönü vardır. İlk özellik, resimlerden veya videolardan nesneleri, insanları, metinleri, sahneleri ve etkinlikleri tanımlayabilen Amazon Rekognition tarafından gerçekleştirilir. Görüntüleri ve videoları geniş ölçekte analiz etmek için uygulanabilen önceden eğitilmiş modellerden oluşur. Amazon Rekognition, özel etiketler özelliğiyle, güvenilir referans bağlantılarında ve teknik belgelerde mimari şemalar yoluyla kaynaktan derlenen görüntüleri etiketleyerek makine öğrenimi hizmetini özel iş ihtiyaçlarınıza göre uyarlamanıza olanak tanır. Amazon Rekognition, küçük bir eğitim görüntüsü seti yükleyerek eğitim verilerini otomatik olarak yükler ve denetler, doğru makine öğrenimi algoritmalarını seçer, bir model eğitir ve model performans ölçümleri sağlar. Bu nedenle, makine öğrenimi uzmanlığı olmayan kullanıcılar, bir API çağrısı aracılığıyla özel bir etiket modelinin avantajlarından yararlanabilir, çünkü önemli miktarda ek yük azalır. Çözüm, mimari diyagramların hizmet adlarıyla aranabilmesini sağlamak için mimari diyagramlardaki AWS hizmet logolarını algılamak için Amazon Rekognition Özel Etiketleri uygular. Modellemeden sonra, her mimari diyagram görüntüsünün algılanan hizmetleri ve URL kaynağı ve görüntü başlığı gibi meta verileri, gelecekteki arama amaçları için dizine eklenir ve depolanır. Amazon DinamoDB, yüksek performanslı uygulamaları çalıştırmak için tasarlanmış, tamamen yönetilen, sunucusuz, anahtar-değer NoSQL veritabanı.
İkinci özellik, farklı içerik havuzlarında arama yapmanızı sağlayan makine öğrenimi tarafından desteklenen akıllı bir kurumsal arama hizmeti olan Amazon Kendra tarafından desteklenir. Amazon Kendra ile dizine eklenmiş resimler veya belgeler gibi sonuçları arayabilirsiniz. Arama hizmeti yerleşik bağlayıcılar kullandığından, bu sonuçlar farklı havuzlarda da saklanabilir. Belirli bir kullanım durumuyla ilgili diyagramları doğru bir şekilde aramanıza olanak tanıyan arama için anahtar sözcükler, ifadeler ve açıklamalar kullanılabilir. Bu nedenle, akıllı bir arama hizmetini minimum geliştirme maliyetiyle kolayca oluşturabilirsiniz.
Sorun ve çözümün anlaşılmasıyla sonraki bölümler, güvenilir kaynaklardan mimari diyagramların taranması yoluyla veri kaynağının nasıl otomatikleştirileceğine odaklanıyor. Bunu takiben, tam olarak yönetilen bir hizmetle özel bir etiket makine öğrenimi modeli oluşturma sürecinde ilerliyoruz. Son olarak, makine öğrenimi tarafından desteklenen akıllı bir arama hizmeti tarafından veri alımını ele alıyoruz.
Özel etiketlerle bir Amazon Rekognition modeli oluşturun
Herhangi bir mimari diyagram elde etmeden önce, bir görüntünün mimari diyagram olarak tanımlanıp tanımlanamayacağını değerlendirmek için bir araca ihtiyacımız var. Amazon Rekognition Özel Etiketleri, bir iş ihtiyacına özel görüntülerdeki nesneleri ve sahneleri tanımlayan bir görüntü tanıma modeli oluşturmak için kolaylaştırılmış bir süreç sağlar. Bu durumda, AWS hizmet simgelerini tanımlamak için Amazon Rekognition Özel Etiketleri kullanıyoruz, ardından görüntüler, Amazon Kendra kullanılarak daha alakalı bir arama için hizmetlerle dizine ekleniyor. Bu model, bir resmin bir mimari diyagram olup olmadığını ayırt etmez; varsa hizmet simgelerini tanımlar. Bu nedenle, mimari diyagram olmayan resimlerin arama sonuçlarında yer aldığı durumlar olabilir. Ancak, bu tür sonuçlar minimaldir.
Aşağıdaki şekilde, bu çözümün bir Amazon Rekognition Özel Etiketler modeli oluşturmak için uyguladığı adımlar gösterilmektedir.
Bu süreç, veri kümelerinin yüklenmesini, yüklenen veri kümelerine referans veren bir bildirim dosyası oluşturulmasını ve ardından bu bildirim dosyasının Amazon Rekognition'a yüklenmesini içerir. Veri kümelerini yükleme ve bildirim dosyasını oluşturma sürecine yardımcı olması için bir Python betiği kullanılır. Manifest dosyası başarıyla oluşturulduktan sonra, model eğitim sürecini başlatmak için Amazon Rekognition'a yüklenir. Python betiği ve nasıl çalıştırılacağı hakkında ayrıntılar için bkz. GitHub repo.
Modeli eğitmek için Amazon Rekognition projesinde Modeli eğit, eğitmek istediğiniz projeyi seçin, ardından ilgili etiketleri ekleyin ve Modeli eğit. Bir Amazon Rekognition Özel Etiketler projesi başlatmayla ilgili talimatlar için mevcut video eğitimlerini. Modelin bu veri kümesiyle eğitilmesi 8 saate kadar sürebilir.
Eğitim tamamlandığında, değerlendirme sonuçlarını görüntülemek için eğitilen modeli seçebilirsiniz. Kesinlik, geri çağırma ve F1 gibi farklı metrikler hakkında daha fazla ayrıntı için bkz. Modelinizin değerlendirilmesi için metrikler. Modeli kullanmak için şuraya gidin: Modeli Kullan sekmesinde, çıkarım birimi sayısını 1 olarak bırakın ve modeli başlatın. O zaman bir kullanabiliriz AWS Lambda görüntüleri base64'teki modele gönderme işlevi ve model, etiketlerin ve güven puanlarının bir listesini döndürür.
Amazon Rekognition Özel Etiketleri ile bir Amazon Rekognition modelini başarılı bir şekilde eğittikten sonra, taranan mimari şemalardaki hizmet simgelerini tanımlamak için kullanabiliriz. Mimari şemada tanımlama servislerinin doğruluğunu artırmak için, adı verilen başka bir Amazon Tanıma özelliğini kullanıyoruz. metin algılama. Bu özelliği kullanmak için aynı resmi base64'te geçiriyoruz ve Amazon Rekognition resimde tanımlanan metin listesini döndürüyor. Aşağıdaki şekillerde, orijinal görüntü ile görüntüdeki hizmetler tanımlandıktan sonra nasıl göründüğünü karşılaştırıyoruz. İlk şekil orijinal görüntüyü gösterir.
Aşağıdaki şekilde, algılanan hizmetler ile orijinal görüntü gösterilmektedir.
Ölçeklenebilirliği sağlamak için, kullanılarak oluşturulan bir API uç noktası aracılığıyla ortaya çıkacak olan bir Lambda işlevi kullanıyoruz. Amazon API Ağ Geçidi. Lambda, sunucuları tedarik etmeden veya yönetmeden hemen hemen her tür uygulama veya arka uç hizmeti için kod çalıştırmanıza izin veren, sunucusuz, olay odaklı bir bilgi işlem hizmetidir. Bir Lambda işlevi kullanmak, API uç noktasına büyük hacimli istekler yapıldığında ölçeği büyütmeyle ilgili yaygın bir endişeyi ortadan kaldırır. Lambda, belirli API çağrısı için işlevi otomatik olarak çalıştırır ve bu işlev, başlatma tamamlandığında durur ve böylece kullanıcının maruz kaldığı maliyeti azaltır. İstek, Amazon Rekognition uç noktasına yönlendirileceği için yalnızca Lambda işlevinin ölçeklenebilir olması yeterli değildir. Amazon Rekognition uç noktasının ölçeklenebilir olması için uç noktanın çıkarım birimini artırabilirsiniz. Çıkarım birimini yapılandırma hakkında daha fazla ayrıntı için bkz. Çıkarım birimleri.
Aşağıda, görüntü tanıma işlemi için Lambda işlevinin bir kod parçacığı bulunmaktadır:
Lambda fonksiyonunu oluşturduktan sonra API Gateway kullanarak API olarak kullanıma sunmaya geçebiliriz. Lambda proxy entegrasyonu ile bir API oluşturmaya ilişkin talimatlar için bkz. Öğretici: Lambda proxy entegrasyonu ile bir Hello World REST API oluşturun.
Mimari diyagramları tarama
Arama özelliğinin uygulanabilir bir şekilde çalışması için, mimari şemalardan oluşan bir havuza ihtiyacımız var. Bununla birlikte, bu diyagramlar aşağıdakiler gibi güvenilir kaynaklardan gelmelidir: AWS Blogu ve AWS Kurallara Dayalı Rehberlik. Veri kaynaklarının güvenilirliğini sağlamak, kullanım durumlarının temel uygulama ve amacının doğru ve iyi incelenmiş olmasını sağlar. Bir sonraki adım, havuzumuzu besleyecek birçok mimari diyagramın toplanmasına yardımcı olabilecek bir tarayıcı kurmaktır. İlgili kaynaklardan uygulamanın açıklaması gibi bilgileri ve mimari diyagramları çıkarmak için bir web gezgini oluşturduk. Böyle bir mekanizma kurmayı başarmanın birçok yolu vardır; bu örnek için, üzerinde çalışan bir program kullanıyoruz. Amazon Elastik Bilgi İşlem Bulutu (Amazon EC2). Program önce bir AWS Blog API'sinden blog gönderilerine bağlantılar alır. API'den döndürülen yanıt, gönderiye ait başlık, URL, tarih ve gönderide bulunan resimlerin bağlantıları gibi bilgileri içerir.
Aşağıda, web tarama işlemi için JavaScript işlevinin bir kod parçacığı bulunmaktadır:
Bu mekanizma ile farklı bloglardan yüzlerce ve binlerce görseli kolayca tarayabiliyoruz. Ancak, mimari diyagram olmayan görüntüleri filtrelemek için yalnızca bir mimari diyagramın içeriğini içeren görüntüleri kabul eden bir filtreye ihtiyacımız var; bunlar bizim durumumuzda AWS hizmetlerinin simgeleridir.
Amazon Tanıma modelimizin amacı budur. Diyagramlar, hizmet simgelerini tanımlayan ve geçerli bir mimari diyagram olarak kabul edilip edilemeyeceğini belirleyen görüntü tanıma sürecinden geçer.
Aşağıda, görüntüleri Amazon Rekognition modeline gönderen işlevin kod parçacığı yer almaktadır:
Görüntü tanıma kontrolünden geçtikten sonra, Amazon Rekognition modelinden döndürülen sonuçlar ve bununla ilgili bilgiler kendi meta verilerinde paketlenir. Meta veriler daha sonra, kaydın Amazon Kendra'ya alınması için kullanılacağı bir DynamoDB tablosunda depolanır.
Aşağıda, diyagramın meta verilerini DynamoDB'de depolayan işlevin bir kod parçacığı bulunmaktadır:
Meta verileri Amazon Kendra'ya alma
Mimari diyagramlar görüntü tanıma sürecinden geçtikten ve meta veriler DynamoDB'de depolandıktan sonra, meta verilerdeki içeriğe başvururken diyagramların aranabilir olması için bir yola ihtiyacımız var. Buna yaklaşım, uygulama ile entegre olabilen ve büyük miktarda arama sorgusunu işleyebilen bir arama motoruna sahip olmaktır. Bu nedenle, akıllı bir kurumsal arama hizmeti olan Amazon Kendra'yı kullanıyoruz.
Çözümün etkileşimli bileşeni olarak Amazon Kendra'yı kullanmamızın nedeni, özellikle doğal dil kullanımıyla güçlü arama yetenekleridir. Bu, kullanıcılar aradıkları şeye en yakın diyagramları ararken ek bir basitlik katmanı ekler. Amazon Kendra, içerikleri almak ve bağlamak için bir dizi veri kaynağı bağlayıcısı sunar. Bu çözüm, mimari diyagramların bilgilerini DynamoDB'den almak için özel bir bağlayıcı kullanır. Bir veri kaynağını bir Amazon Kendra dizinine yapılandırmak için mevcut bir dizini veya yeni bir dizin oluştur.
Daha sonra taranan diyagramların, oluşturulan Amazon Kendra dizinine alınması gerekir. Aşağıdaki şekil, diyagramların nasıl dizine eklendiğinin akışını gösterir.
İlk olarak, DynamoDB'ye eklenen diyagramlar aracılığıyla bir Put olayı oluşturur. Amazon DynamoDB Akışları. Olay, Amazon Kendra için özel bir veri kaynağı görevi gören ve diyagramları dizine yükleyen Lambda işlevini tetikler. Bir Lambda işlevi için bir DynamoDB Akış tetikleyicisi oluşturmaya ilişkin talimatlar için bkz. Öğretici: AWS Lambda'yı Amazon DynamoDB Akışlarıyla Kullanma
Lambda fonksiyonunu DynamoDB ile entegre ettikten sonra fonksiyona gönderilen diyagramların kayıtlarını Amazon Kendra indeksine almamız gerekiyor. Dizin, çeşitli kaynak türlerinden verileri kabul eder ve Lambda işlevinden dizine öğelerin alınması, özel veri kaynağı yapılandırmasını kullanması gerektiği anlamına gelir. Dizininiz için özel bir veri kaynağı oluşturmaya ilişkin talimatlar için bkz. Özel veri kaynağı bağlayıcısı.
Aşağıda, bir diyagramın özel bir şekilde nasıl dizine eklenebileceğine ilişkin Lambda işlevinin bir kod parçacığı yer almaktadır:
Diyagramların aranabilir olmasını sağlayan önemli faktör, bir belgedeki Blob anahtarıdır. Kullanıcılar arama girdilerini sağladığında Amazon Kendra'nın baktığı şey budur. Bu örnek kodda Blob anahtarı, görüntü tanıma sürecinden algılanan bilgilerle birleştirilmiş diyagramın kullanım durumunun özetlenmiş bir sürümünü içerir. Bu, kullanıcıların "Fraud Detection" gibi kullanım durumlarına göre veya "Amazon Kendra" gibi hizmet adlarına göre mimari şemaları aramasına olanak tanır.
Blob anahtarının neye benzediğinin bir örneğini göstermek için aşağıdaki kod parçacığı, bu gönderide daha önce tanıttığımız ilk ETL diyagramına başvuruyor. Tarandığında elde edilen diyagramın yanı sıra Amazon Rekognition modeli tarafından tanımlanan hizmetlerin bir açıklamasını içerir.
Amazon Kendra ile arama yapın
Tüm bileşenleri bir araya getirdikten sonra, “gerçek zamanlı analiz” için örnek bir aramanın sonuçları aşağıdaki ekran görüntüsü gibi görünür.
Bu kullanım durumunu arayarak farklı mimari diyagramlar üretir. Kullanıcılara, uygulamaya çalıştıkları belirli iş yükünün bu farklı yöntemleri sağlanır.
Temizlemek
Bu gönderinin bir parçası olarak oluşturduğunuz kaynakları temizlemek için bu bölümdeki adımları tamamlayın:
- API'yi silin:
- API Gateway konsolunda silinecek API'yi seçin.
- Üzerinde İşlemler menü seç Sil.
- Klinik Sil onaylamak.
- DynamoDB tablosunu silin:
- DynamoDB konsolunda, tablolar Gezinti bölmesinde.
- Oluşturduğunuz tabloyu seçin ve seçin Sil.
- Onay istendiğinde silme girin.
- Klinik Tabloyu sil onaylamak.
- Amazon Kendra dizinini silin:
- Amazon Kendra konsolunda şunu seçin: Dizinler Gezinti bölmesinde.
- Oluşturduğunuz dizini seçin ve seçin Sil
- Onay istendiğinde bir neden girin.
- Klinik Sil onaylamak.
- Amazon Rekognition projesini silin:
- Amazon Rekognition konsolunda şunu seçin: Özel Etiketleri Kullanın gezinme bölmesinde, ardından Projeler.
- Oluşturduğunuz projeyi seçin ve seçin Sil.
- Onay istendiğinde Sil'e girin.
- Klinik İlişkili veri kümelerini ve modelleri silin onaylamak.
- Lambda işlevini silin:
- Lambda konsolunda silinecek işlevi seçin.
- Üzerinde İşlemler menü seç Sil.
- Onay istendiğinde Sil'e girin.
- Klinik Sil onaylamak.
Özet
Bu yazıda, resimlerden akıllıca nasıl bilgi arayabileceğinize dair bir örnek gösterdik. Buna, görüntüler için bir filtre işlevi gören bir Amazon Rekognition ML modelinin eğitim süreci, güvenilirlik ve verimlilik sağlayan görüntü taramanın otomasyonu ve öğeleri dizine eklemek için daha esnek bir yol sağlayan özel bir veri kaynağı ekleyerek diyagramlar için sorgulama dahildir. . Kodların uygulanmasına daha derinlemesine dalmak için bkz. GitHub repo.
Artık karmaşık aramalar için merkezi bir arama havuzunun omurgasını nasıl sunacağınızı anladığınıza göre, kendi görsel arama motorunuzu oluşturmayı deneyin. Temel özellikler hakkında daha fazla bilgi için bkz. Amazon Rekognition Özel Etiketlerini kullanmaya başlama, İçeriği denetleme, Ve Amazon Kendra Geliştirici Kılavuzu. Amazon Rekognition Özel Etiketleri konusunda yeniyseniz, 3 ay süren ve ayda 10 ücretsiz eğitim saati ve ayda 4 ücretsiz çıkarım saati içeren Ücretsiz Kullanımımızı kullanarak deneyin.
Yazarlar Hakkında
Ryan See AWS'de bir Çözüm Mimarıdır. Singapur'da yerleşik olarak, iş sorunlarını çözmeye yönelik çözümler oluşturmak ve bulutta daha ölçeklenebilir ve verimli iş yüklerini çalıştırmaya yardımcı olacak teknik bir vizyon oluşturmak için müşterilerle birlikte çalışır.
James Ong Jia Xiang AWS'de Müşteri Çözümleri Yöneticisidir. Müşterilerin ve iş ortaklarının AWS'ye büyük ölçekli geçiş programlarını başarıyla uygulamalarına yardımcı olduğu Geçiş Hızlandırma Programı'nda (MAP) uzmandır. Singapur merkezli olarak, ölçeklenebilir mekanizmalar aracılığıyla APJ'de modernizasyon ve kurumsal dönüşüm girişimlerini yönlendirmeye de odaklanıyor. Boş zamanlarında trekking ve sörf gibi doğa aktivitelerinden hoşlanır.
Duong'u asın AWS'de bir Çözüm Mimarıdır. Hanoi, Vietnam'da yerleşik olarak, müşterileri için yüksek düzeyde kullanılabilir, güvenli ve ölçeklenebilir bulut çözümleri sunarak ülkesi genelinde bulut benimsemesini artırmaya odaklanıyor. Ek olarak, inşa etmeyi seviyor ve çeşitli prototipleme projelerinde yer alıyor. Ayrıca makine öğrenimi alanında da tutkulu.
Trin Vo AWS'de Ho Chi Minh City, Vietnam merkezli bir Çözüm Mimarıdır. Müşterinin iş gereksinimlerinden geriye doğru çalışan ve uygun AWS teknolojisinin benimsenmesini hızlandıran AWS platformunun mimarilerini ve tanıtımlarını oluşturmak için Vietnam'daki farklı sektörlerden müşteriler ve iş ortaklarıyla çalışmaya odaklanıyor. Boş zamanlarında mağaracılıktan ve trekking yapmaktan hoşlanıyor.
Wai Kin Tham AWS'de bir Bulut Mimarıdır. Singapur'da bulunan günlük işi, müşterilerin buluta geçiş yapmasına ve buluttaki teknoloji yığınlarını modernleştirmesine yardımcı olmayı içeriyor. Boş zamanlarında Muay Thai ve Brezilya Jiu Jitsu derslerine katılıyor.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoAiStream. Web3 Veri Zekası. Bilgi Genişletildi. Buradan Erişin.
- Adryenn Ashley ile Geleceği Basmak. Buradan Erişin.
- PREIPO® ile PRE-IPO Şirketlerinde Hisse Al ve Sat. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/build-an-image-search-engine-with-amazon-kendra-and-amazon-rekognition/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 1
- 10
- 100
- 12
- 200
- 40
- 7
- 8
- a
- Hakkımızda
- hızlandırmak
- Kabul eder
- Göre
- doğruluk
- doğru
- tam olarak
- Başarmak
- karşısında
- faaliyetler
- eylemler
- eklemek
- Ek
- Ayrıca
- adres
- Ekler
- Benimseme
- Sonra
- Yardım
- algoritmalar
- Türkiye
- izin vermek
- veriyor
- Ayrıca
- Amazon
- Amazon Atina
- Amazon EC2
- Amazon Kendrası
- Amazon Rekognisyon
- miktar
- an
- çözümlemek
- ve
- Başka
- herhangi
- api
- Uygulama
- uygulamaları
- uygulamalı
- yaklaşım
- uygun
- mimari
- mimari
- ARE
- Dizi
- AS
- boy
- yönleri
- ilişkili
- At
- öznitelikleri
- otomatikleştirmek
- Otomatik
- otomatik olarak
- Otomasyon
- mevcut
- beklemek
- AWS
- AWS Tutkal
- AWS Lambda
- AWS Basamak İşlevleri
- Axios
- Omurga
- Backend
- merkezli
- BE
- Çünkü
- olmuştur
- başlamak
- olmak
- faydaları
- arasında
- Ötesinde
- Blog
- Blog Yazıları
- birisinde
- Mavi
- vücut
- Brezilyalı
- mola
- tarayıcı
- tampon
- inşa etmek
- bina
- yapılı
- yerleşik
- birlikte
- iş
- by
- çağrı
- denilen
- aramalar
- CAN
- adaylar
- yetenekleri
- yetenekli
- dava
- durumlarda
- katalog
- merkezi
- özellikleri
- Kontrol
- Çekler
- choices
- Klinik
- Şehir
- sınıflar
- bulut
- bulut benimseme
- Bulut Platformu
- kod
- ortak
- karşılaştırmak
- tamamlamak
- Tamamlandı
- karmaşık
- karmaşıklık
- bileşen
- bileşenler
- hesaplamak
- İlgilendirmek
- güven
- emin
- yapılandırma
- Onaylamak
- onay
- bağlantı
- Düşünmek
- kabul
- konsolos
- içermek
- içeren
- içerik
- içerik yaratımı
- içindekiler
- bağlam
- çekirdek
- Ücret
- maliyetler
- olabilir
- ülke
- kapak
- zanaat
- paletli
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- Oluşturma
- oluşturma
- güvenilirlik
- inandırıcı
- kriterleri
- görenek
- müşteri
- Müşteri Çözümleri
- Müşteriler
- veri
- veritabanı
- veri kümeleri
- Tarih
- Tarih
- gün
- ilgili
- derin
- teslim etmek
- bağlı
- tanım
- Dizayn
- tasarlanmış
- İstediğiniz
- hedef
- ayrıntı
- ayrıntılar
- algılandı
- Bulma
- belirleyen
- Geliştirici
- gelişme
- diyagramlar
- farklı
- farklılaştırmak
- tartışmak
- sergileyen
- belge
- belgeleme
- evraklar
- Değil
- Köpek
- sürme
- gereken
- e
- her
- Daha erken
- kolay
- kolayca
- verim
- verimli
- çaba
- eleman
- ortadan kaldırır
- istihdam
- sağlar
- son
- Son nokta
- Motor
- keyfini çıkarın
- sağlamak
- olmasını sağlar
- kuruluş
- hata
- kurulması
- değerlendirmek
- değerlendirme
- Etkinlikler
- örnek
- örnekler
- mevcut
- Uzmanlık
- ihracat
- maruz
- çıkarmak
- f1
- faktör
- tanıdık
- Özellikler(Hazırlık aşamasında)
- Özellikler
- alan
- şekil
- rakamlar
- fileto
- filtre
- bulmak
- Ad
- esnek
- akış
- odak
- odaklanır
- takip
- takip etme
- İçin
- bulundu
- ÇERÇEVE
- Ücretsiz
- itibaren
- tamamen
- işlev
- fonksiyonlar
- gelecek
- oyun
- geçit
- toplamak
- oluşturulan
- üreten
- almak
- Küresel
- Go
- sap
- Var
- sahip olan
- he
- başlıkları
- yardım et
- yardım
- yardımcı olur
- onu
- yüksek performans
- en yüksek
- büyük ölçüde
- onun
- Tatil
- SAAT
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTML
- http
- HTTPS
- Yüzlerce
- i
- ID
- tespit
- tanımlar
- belirlemek
- belirlenmesi
- if
- göstermektedir
- görüntü
- Görüntü Tanıma
- Görsel Arama
- görüntüleri
- uygulamak
- uygulama
- ithalat
- önemli
- in
- içerir
- Artırmak
- indeks
- dolaylı olarak
- bireysel
- Endüstri
- sanayi
- bilgi
- ilk
- girişimler
- giriş
- yerine
- talimatlar
- entegre
- entegre
- Bütünleştirme
- bütünleşme
- Akıllı
- interaktif
- Internet
- içine
- tanıttı
- ilgili
- tutulum
- IT
- ürün
- ONUN
- JavaScript
- İş
- jpg
- json
- anahtar
- Kin
- etiket
- etiketleme
- Etiketler
- dil
- büyük
- büyük ölçekli
- tabaka
- öğrenme
- en az
- Ayrılmak
- uzunluk
- izin
- Lets
- sevmek
- LINK
- bağlantılı
- bağlantılar
- Liste
- yük
- yükler
- Bakın
- gibi görünmek
- bakıyor
- GÖRÜNÜYOR
- makine
- makine öğrenme
- yapılmış
- Ana
- yönetilen
- müdür
- yönetme
- tavır
- Manuel
- el ile
- çok
- harita
- Mayıs..
- anlamına geliyor
- mekanizma
- mekanizmaları
- Metadata
- yöntemleri
- Metrikleri
- göç
- göç
- akla
- en az
- ML
- model
- modelleri
- modernleştirmek
- Ay
- ay
- Daha
- çoğu
- çoklu
- şart
- isim
- isimleri
- Doğal (Madenden)
- Tabiat
- Gezin
- Navigasyon
- gerek
- ihtiyaçlar
- asla
- yeni
- sonraki
- numara
- sayısız
- nesne
- nesnel
- nesneler
- elde
- edinme
- elde eder
- of
- teklifleri
- Teklifler
- sık sık
- on
- ONE
- bir tek
- or
- orkestra
- sipariş
- orijinal
- OS
- bizim
- dışarı
- genel bakış
- kendi
- sahip
- Kanal
- bölmesi
- Bölüm
- belirli
- özellikle
- ortaklar
- geçmek
- Geçen
- tutkulu
- model
- İnsanlar
- performans
- ifadeler
- resim
- boru hattı
- platform
- Platon
- Plato Veri Zekası
- PlatoVeri
- oynama
- çalış
- Çivi
- Mesajlar
- powered
- güçlü
- Hassas
- mevcut
- Sorun
- sorunlar
- süreç
- Programı
- Programlar
- proje
- Projeler
- söz
- prototip
- sağlamak
- sağlanan
- sağlar
- sağlama
- vekil
- halka açık
- amaç
- amaçlı
- koymak
- koyar
- Python
- sorgular
- menzil
- neden
- tanıma
- tanımak
- kayıt
- kayıtlar
- Indirimli
- azaltarak
- referanslar
- bölge
- ilgili
- Bildirileri
- ilgisi
- uygun
- Kaldır
- çıkarıldı
- Depo
- talep
- isteklerinizi
- gerektirir
- gereklidir
- Kaynaklar
- yanıt
- DİNLENME
- sonuç
- Sonuçlar
- tutmak
- dönüş
- İade
- SIRA
- koşmak
- s
- aynı
- ölçeklenebilirlik
- ölçeklenebilir
- ölçek
- ölçekleme
- Sahneler
- Ara
- arama motoru
- arama
- İkinci
- Bölüm
- bölümler
- güvenli
- Arıyor
- seçilmiş
- göndermek
- gönderir
- Serverless
- Sunucular
- hizmet
- Hizmetler
- set
- o
- meli
- gösterilen
- Gösteriler
- önemli
- benzer
- Basit
- basitlik
- sadece
- Singapur
- beden
- küçük
- çözüm
- Çözümler
- ÇÖZMEK
- biraz
- Kaynak
- kaynaklar
- Kaynak Bulma
- karış
- uzmanlaşmış
- özel
- özellikle
- nispet
- yığın
- başlama
- başladı
- XNUMX dakika içinde!
- adım
- Basamaklar
- Yine
- Durdurur
- saklı
- mağaza
- aerodinamik
- dere
- sonraki
- başarılı
- Başarılı olarak
- böyle
- yeterli
- uygun
- destekli
- tablo
- Bizi daha iyi tanımak için
- alır
- Teknik
- Teknoloji
- şartlar
- Tayland
- o
- The
- Bilgi
- ve bazı Asya
- sonra
- Orada.
- böylece
- bu nedenle
- Bunlar
- onlar
- Re-Tweet
- Bu
- Binlerce
- üç
- İçinden
- aşama
- zaman
- Başlık
- için
- birlikte
- çok
- araç
- Konular
- Tren
- eğitilmiş
- Eğitim
- trenler
- Dönüştürmek
- Dönüşüm
- dönüşüm
- denenmiş
- tetikleyebilir
- gerçek
- Güvenilir
- iki
- tip
- türleri
- tipik
- aciz
- altında yatan
- anlamak
- anlayış
- birim
- birimleri
- Güncellemeler
- Yüklenen
- Yükleme
- üzerine
- URL
- kullanım
- kullanım durumu
- Kullanılmış
- kullanıcı
- kullanıcılar
- kullanma
- DOĞRULA
- değer
- çeşitli
- Doğrulama
- versiyon
- sektörler
- incelenmiş
- üzerinden
- Videolar
- Vietnam
- Görüntüle
- fiilen
- vizyonumuz
- hacimleri
- istemek
- oldu
- Yol..
- yolları
- we
- ağ
- İYİ
- vardı
- Ne
- ne zaman
- olup olmadığını
- hangi
- süre
- DSÖ
- geniş
- Geniş ürün yelpazesi
- irade
- ile
- olmadan
- İş
- çalışma
- çalışır
- Dünya
- olur
- yazmak
- Sen
- zefirnet