Оскільки ми все глибше заглиблюємось у цифрову еру, розробка мультимодальних моделей має вирішальне значення для покращення розуміння машин. Ці моделі обробляють і генерують вміст у різних формах даних, як-от текст і зображення. Ключовою особливістю цих моделей є їх здатність перетворювати зображення в текст, які показали надзвичайну майстерність у таких завданнях, як створення підписів до зображень і візуальні відповіді на запитання.
Перекладаючи зображення в текст, ми відкриваємо та використовуємо величезну кількість інформації, що міститься у візуальних даних. Наприклад, в електронній комерції перетворення зображення в текст може автоматизувати категоризацію продуктів на основі зображень, підвищуючи ефективність і точність пошуку. Подібним чином він може допомогти у створенні автоматичних описів фотографій, надаючи інформацію, яка може бути не включена в назви чи описи продуктів, тим самим покращуючи взаємодію з користувачем.
У цій публікації ми надаємо огляд популярних мультимодальних моделей. Ми також демонструємо, як розгортати ці попередньо навчені моделі Amazon SageMaker. Крім того, ми обговорюємо різноманітні застосування цих моделей, зосереджуючись, зокрема, на кількох сценаріях реального світу, таких як тег нульового удару та генерація атрибутів для електронної комерції та автоматична генерація підказок із зображень.
Передумови мультимодальних моделей
Моделі машинного навчання (ML) досягли значних успіхів у таких сферах, як обробка природної мови (NLP) і комп’ютерне зір, де моделі можуть демонструвати людську продуктивність під час аналізу та генерування вмісту з одного джерела даних. Останнім часом все більше уваги приділяється розробці мультимодальних моделей, які здатні обробляти та генерувати вміст у різних модальностях. Ці моделі, такі як злиття бачення та мовних мереж, набули популярності завдяки своїй здатності інтегрувати інформацію з різноманітних джерел і модальностей, тим самим покращуючи їх розуміння та можливості вираження.
У цьому розділі ми пропонуємо огляд двох популярних мультимодальних моделей: CLIP (Попередня підготовка контрастного мовного образу) і BLIP (Попередня підготовка Bootstrapping Language-Image).
Модель CLIP
CLIP — це мультимодальне бачення та мовна модель, яка може використовуватися для схожості зображення та тексту та для класифікації зображень з нуля. CLIP навчається на наборі даних із 400 мільйонів пар зображення та тексту, зібраних із різноманітних загальнодоступних джерел в Інтернеті. Архітектура моделі складається з кодувальника зображень і кодувальника тексту, як показано на наступній схемі.
Під час навчання зображення та відповідний фрагмент тексту подаються через кодери, щоб отримати вектор ознак зображення та вектор ознак тексту. Мета полягає в тому, щоб зображення та текст для пари, що збігається, мали високу косинусну подібність, а для невідповідних пар — низьку. Це робиться за допомогою контрастної втрати. Це контрастне попереднє навчання призводить до створення кодерів, які відображають зображення та текст у спільному просторі вбудовування, де семантика вирівнюється.
Потім кодери можна використовувати для навчання нульової передачі для подальших завдань. Під час висновку попередньо навчений кодер зображення та тексту обробляє відповідні вхідні дані та перетворює їх у багатовимірне векторне представлення, або вбудовування. Потім порівнюються вставлені зображення та текст, щоб визначити їхню подібність, наприклад косинусну. Текстовий запит (класи зображень, категорії чи теги), чиє вбудовування найбільше схоже (наприклад, має найменшу відстань) до вбудовування зображення, вважається найбільш релевантним, і зображення класифікується відповідно.
Модель BLIP
Ще одна популярна мультимодальна модель — BLIP. Він представляє нову архітектуру моделі, здатну адаптуватися до різноманітних завдань візуальної мови, і використовує унікальну техніку початкового завантаження набору даних для навчання на шумних веб-даних. Архітектура BLIP включає кодер зображення та кодер тексту: кодер тексту на основі зображення вводить візуальну інформацію в блок трансформатора кодера тексту, а декодер тексту на основі зображення включає візуальну інформацію в блок декодера трансформатора. Завдяки цій архітектурі BLIP демонструє видатну продуктивність у спектрі візуально-мовних завдань, які включають злиття візуальної та лінгвістичної інформації, від пошуку на основі зображень і створення вмісту до інтерактивних візуальних діалогових систем. У попередній публікації ми запропонували a рішення для модерації контенту на основі моделі BLIP які вирішували численні проблеми за допомогою унімодальних підходів комп’ютерного бачення ML.
Варіант використання 1: генерація тегів або атрибутів для платформи електронної комерції
Платформи електронної комерції служать динамічними ринками, що кишать ідеями, продуктами та послугами. З мільйонами перелічених продуктів ефективне сортування та категоризація є серйозною проблемою. Саме тут проявляються можливості автоматичного позначення та створення атрибутів. Завдяки використанню передових технологій, таких як ML і NLP, ці автоматизовані процеси можуть революціонізувати роботу платформ електронної комерції.
Одна з ключових переваг автоматичного позначення або генерації атрибутів полягає в його здатності покращити пошукові можливості. Продукти, точно позначені тегами, можуть бути знайдені клієнтами швидко та ефективно. Наприклад, якщо клієнт шукає «бавовняну футболку з круглим вирізом і логотипом спереду», автоматичне позначення тегами та генерація атрибутів дозволить пошуковій системі точно визначити продукти, які відповідають не лише ширшій категорії «футболки», а й а також специфічні атрибути «бавовни» та «круглого вирізу». Така точна відповідність може полегшити більш персоналізований досвід покупок і підвищити задоволеність клієнтів. Крім того, автоматично згенеровані теги або атрибути можуть значно покращити алгоритми рекомендацій продукту. Завдяки глибокому розумінню атрибутів продукту система може пропонувати клієнтам більш релевантні продукти, тим самим підвищуючи ймовірність покупки та підвищуючи задоволеність клієнтів.
CLIP пропонує багатообіцяюче рішення для автоматизації процесу створення тегів або атрибутів. Він приймає зображення продукту та список описів або тегів як вхідні дані, генеруючи векторне представлення або вбудовування для кожного тегу. Ці вкладення існують у багатовимірному просторі, їх відносні відстані та напрямки відображають семантичні зв’язки між входами. CLIP попередньо навчений на великому масштабі пар зображення-текст, щоб інкапсулювати ці значущі вбудовування. Якщо тег або атрибут точно описує зображення, їх вбудовування має бути відносно близько в цьому просторі. Щоб створити відповідні теги або атрибути, список потенційних тегів можна ввести в текстову частину моделі CLIP, а отримані вбудовування зберегти. В ідеалі цей список має бути вичерпним і охоплювати всі потенційні категорії та атрибути, пов’язані з продуктами на платформі електронної комерції. На наступному малюнку показано кілька прикладів.
Щоб розгорнути модель CLIP на SageMaker, виконайте наведені нижче дії GitHub репо. Ми використовуємо попередньо зібраний SageMaker великі контейнери висновку моделі (LMI). щоб розгорнути модель. Використання контейнерів LMI Обслуговування DJL служити вашій моделі для висновку. Щоб дізнатися більше про розміщення великих моделей на SageMaker, див Розгортайте великі моделі на Amazon SageMaker за допомогою паралельного висновку моделі DJLServing і DeepSpeed та Розгортайте великі моделі з високою продуктивністю за допомогою FasterTransformer на Amazon SageMaker.
У цьому прикладі ми надаємо файли serving.properties
, model.py
та requirements.txt
підготувати артефакти моделі та зберегти їх у архіві.
serving.properties
це файл конфігурації, який можна використовувати для вказівки DJL Serving, які бібліотеки розпаралелювання моделі та оптимізації висновку ви бажаєте використовувати. Залежно від ваших потреб ви можете встановити відповідну конфігурацію. Докладніше про параметри конфігурації та вичерпний список див Конфігурації та налаштування.model.py
це сценарій, який обробляє будь-які запити на обслуговування.requirements.txt
це текстовий файл, що містить будь-які додаткові колеса pip для встановлення.
Якщо ви хочете завантажити модель з Обіймати обличчя безпосередньо, ви можете встановити option.model_id
параметр у serving.properties
файл як ідентифікатор моделі попередньо навченої моделі, розміщеної в репозиторії моделей на huggingface.co. Контейнер використовує цей ідентифікатор моделі для завантаження відповідної моделі під час розгортання. Якщо ви встановите model_id
в Служба простого зберігання Amazon (Amazon S3) URL-адреса, DJL завантажить артефакти моделі з Amazon S3 і замінить model_id
до фактичного розташування артефактів моделі. У вашому сценарії ви можете вказати на це значення, щоб завантажити попередньо навчену модель. У нашому прикладі ми використовуємо останній варіант, оскільки контейнер LMI використовує s5cmd для завантаження даних з Amazon S3, що значно знижує швидкість під час завантаження моделей під час розгортання. Перегляньте наступний код:
У model.py сценарієм, ми завантажуємо шлях моделі, використовуючи ідентифікатор моделі, наданий у файлі властивостей:
Після того як артефакти моделі будуть підготовлені та завантажені в Amazon S3, ви можете розгорнути модель CLIP на хостингу SageMaker за допомогою кількох рядків коду:
Коли кінцева точка обслуговується, ви можете викликати кінцеву точку за допомогою вхідного зображення та списку міток як підказки для генерації ймовірностей міток:
Варіант використання 2: автоматичне створення підказок із зображень
Одним із інноваційних застосувань, що використовують мультимодальні моделі, є створення інформативних підказок із зображення. У генеративному ШІ а підказка відноситься до вхідних даних, наданих мовній моделі або іншій генеративній моделі, щоб вказати їй, який тип вмісту чи відповіді бажаний. Підказка, по суті, є відправною точкою або набором інструкцій, які керують процесом створення моделі. Він може мати форму речення, запитання, часткового тексту або будь-якого вхідного даних, який передає контекст або бажаний результат моделі. Вибір добре продуманої підказки має ключове значення для створення високоякісних зображень із точністю та релевантністю. Швидка інженерія це процес оптимізації або створення текстового введення для досягнення бажаних відповідей від мовної моделі, що часто включає коригування формулювання, формату або контексту.
Швидка розробка для створення зображень створює кілька проблем, зокрема такі:
- Точне визначення візуальних понять – Опис візуальних концепцій словами іноді може бути неточним або двозначним, що ускладнює передачу точного бажаного зображення. Зйомка складних деталей або складних сцен за допомогою текстових підказок може бути не простою.
- Ефективне визначення бажаних стилів – Передача конкретних стилістичних уподобань, таких як настрій, колірна палітра чи художній стиль, може бути складною лише за допомогою тексту. Переклад абстрактних естетичних концепцій у конкретні інструкції для моделі може бути складним.
- Складність балансування для запобігання перевантаження моделі – Складні підказки можуть заплутати модель або призвести до її перевантаження інформацією, що вплине на згенерований результат. Вкрай важливо знайти правильний баланс між наданням достатніх вказівок і уникненням надзвичайної складності.
Таким чином, створення ефективних підказок для генерації зображень займає багато часу, що вимагає багаторазового експериментування та вдосконалення, щоб досягти правильного балансу між точністю та креативністю, що робить це ресурсомістким завданням, яке значною мірою залежить від людського досвіду.
Команда CLIP Interrogator це автоматичний інструмент розробки підказок для зображень, який поєднує CLIP і BLIP для оптимізації текстових підказок відповідно до даного зображення. Ви можете використовувати отримані підказки з моделями перетворення тексту в зображення, наприклад Стабільна дифузія створювати класне мистецтво. Підказки, створені CLIP Interrogator, пропонують вичерпний опис зображення, охоплюючи не лише його фундаментальні елементи, але й художній стиль, потенційне натхнення, що лежить в основі зображення, засіб, де зображення могло бути або могло бути використано, і не тільки. Ви можете легко розгорнути рішення CLIP Interrogator на SageMaker, щоб оптимізувати процес розгортання та скористатися перевагами масштабованості, економічності та надійної безпеки, які надає повністю керована служба. На наступній діаграмі показано логіку потоку цього рішення.
Ви можете використовувати наступне ноутбук щоб розгорнути рішення CLIP Interrogator на SageMaker. Так само для розміщення моделі CLIP ми використовуємо контейнер SageMaker LMI для розміщення рішення на SageMaker за допомогою служби DJL. У цьому прикладі ми надали додатковий вхідний файл з артефактами моделі, який визначає моделі, розгорнуті в кінцевій точці SageMaker. Ви можете вибрати різні моделі CLIP або BLIP, передавши назву моделі підпису та назву моделі кліпу через model_name.json
файл, створений за допомогою такого коду:
Сценарій висновку model.py
містить функцію обробки, яка DJL Serving виконає ваш запит, викликавши цю функцію. Щоб підготувати цей сценарій точки входу, ми взяли код з оригіналу clip_interrogator.py файл і змінив його для роботи з DJL Serving на хостингу SageMaker. Одним із оновлень є завантаження моделі BLIP. Моделі BLIP і CLIP завантажуються через load_caption_model()
та load_clip_model()
під час ініціалізації об’єкта Interrogator. Щоб завантажити модель BLIP, ми спочатку завантажили артефакти моделі з Hugging Face і завантажили їх на Amazon S3 як цільове значення model_id
у файлі властивостей. Це тому, що модель BLIP може бути великим файлом, наприклад blip2-opt-2.7b модель, розмір якої перевищує 15 Гб. Завантаження моделі з Hugging Face під час розгортання моделі потребуватиме більше часу для створення кінцевої точки. Тому вказуємо на model_id
до розташування Amazon S3 моделі BLIP2 і завантажте модель зі шляху моделі, указаного у файлі властивостей. Зауважте, що під час розгортання шлях моделі буде замінено на шлях локального контейнера, куди артефакти моделі було завантажено DJL Serving із розташування Amazon S3. Перегляньте наступний код:
Оскільки модель CLIP не дуже велика за розміром, ми використовуємо open_clip
щоб завантажити модель безпосередньо з Hugging Face, який є таким же, як і оригінал clip_interrogator
реалізація:
Ми використовуємо подібний код для розгортання рішення CLIP Interrogator на кінцевій точці SageMaker і викликаємо кінцеву точку за допомогою вхідного зображення, щоб отримати підказки, які можна використовувати для створення подібних зображень.
Візьмемо для прикладу наступне зображення. Використовуючи розгорнуту кінцеву точку CLIP Interrogator на SageMaker, він створює такий текстовий опис: croissant on a plate, pexels contest winner, aspect ratio 16:9, cgsocietywlop, 8 h, golden cracks, the artist has used bright, picture of a loft in morning, object features, stylized border, pastry, french emperor.
Крім того, ми можемо поєднати рішення CLIP Interrogator зі стабільною дифузією та оперативними інженерними методами — з’являється абсолютно новий вимір творчих можливостей. Ця інтеграція дозволяє нам не тільки описувати зображення за допомогою тексту, але й маніпулювати та створювати різноманітні варіанти оригінальних зображень. Stable Diffusion забезпечує контрольований синтез зображення шляхом ітеративного вдосконалення згенерованого результату, а стратегічне швидке проектування спрямовує процес генерації до бажаних результатів.
У друга частина зошита, ми детально описуємо кроки, щоб використати оперативне проектування для зміни стилю зображень за допомогою моделі Stable Diffusion (Stable Diffusion XL 1.0). Ми використовуємо Стабільність AI SDK щоб розгорнути цю модель із SageMaker JumpStart після підписки на цю модель на AWS ринку. Оскільки це новіша та краща версія для створення зображень, яку надає Стабільність ШІ, ми можемо отримати високоякісні зображення на основі оригінального вхідного зображення. Крім того, якщо ми додамо префікс до попереднього опису та додамо додаткову підказку зі згадкою про відомого художника та одну з його робіт, ми отримаємо чудові результати з рестайлінгом. На наступному зображенні використовується підказка: This scene is a Van Gogh painting with The Starry Night style, croissant on a plate, pexels contest winner, aspect ratio 16:9, cgsocietywlop, 8 h, golden cracks, the artist has used bright, picture of a loft in morning, object features, stylized border, pastry, french emperor.
На наступному зображенні використовується підказка: This scene is a Hokusai painting with The Great Wave off Kanagawa style, croissant on a plate, pexels contest winner, aspect ratio 16:9, cgsocietywlop, 8 h, golden cracks, the artist has used bright, picture of a loft in morning, object features, stylized border, pastry, french emperor.
Висновок
Поява мультимодальних моделей, таких як CLIP і BLIP, і їх застосування швидко трансформують ландшафт перетворення зображення в текст. Долаючи розрив між візуальною та семантичною інформацією, вони надають нам інструменти для розкриття величезного потенціалу візуальних даних і використання його у спосіб, який раніше було неможливо уявити.
У цій публікації ми проілюстрували різні застосування мультимодальних моделей. Вони варіюються від підвищення ефективності й точності пошуку на платформах електронної комерції за допомогою автоматичного додавання тегів і категоризації до генерації підказок для моделей перетворення тексту в зображення, як-от Stable Diffusion. Ці програми відкривають нові горизонти для створення унікального та цікавого контенту. Ми заохочуємо вас дізнатися більше, вивчивши різні мультимодальні моделі на SageMaker, і створити рішення, яке буде інноваційним для вашого бізнесу.
Про авторів
Янвей Цуй, PhD, є старшим спеціалістом з машинного навчання, архітектором рішень в AWS. Він розпочав дослідження машинного навчання в IRISA (Дослідницький інститут комп’ютерних наук і випадкових систем) і має кількарічний досвід створення промислових додатків на базі штучного інтелекту для комп’ютерного зору, обробки природної мови та прогнозування поведінки користувачів в Інтернеті. В AWS він ділиться своїм досвідом і допомагає клієнтам розкрити бізнес-потенціал і досягти реальних результатів за допомогою машинного навчання в масштабах. Поза роботою любить читати та подорожувати.
Рагу Рамеша є старшим архітектором рішень ML у команді Amazon SageMaker Service. Він зосереджується на допомозі клієнтам створювати, розгортати та переносити робочі навантаження ML на SageMaker у великих масштабах. Він спеціалізується на машинному навчанні, штучному інтелекті та комп’ютерному зорі, а також має ступінь магістра комп’ютерних наук в UT Dallas. У вільний час захоплюється подорожами та фотографією.
Сем Едвардс, є хмарним інженером (AI/ML) в AWS Sydney, який спеціалізується на машинному навчанні та Amazon SageMaker. Він захоплено допомагає клієнтам вирішувати проблеми, пов’язані з робочими процесами машинного навчання, і створює нові рішення для них. Поза роботою він любить грати в ракетний спорт і подорожувати.
Мелані Лі, доктор філософії, є старшим спеціалістом зі штучного інтелекту та ML в AWS у Сіднеї, Австралія. Вона допомагає корпоративним клієнтам створювати рішення за допомогою найсучасніших інструментів AI/ML на AWS і надає вказівки щодо архітектури та впровадження рішень ML із передовими практиками. У вільний час вона любить досліджувати природу та проводити час із родиною та друзями.
Гордон Ван є старшим спеціалістом зі штучного інтелекту та ML в AWS. Він підтримує стратегічних клієнтів за допомогою найкращих практик AI/ML у багатьох галузях. Він захоплюється комп’ютерним зором, НЛП, генеративним ШІ та MLOps. У вільний час любить бігати та піші прогулянки.
Дхавал Патель є головним архітектором машинного навчання в AWS. Він працював з організаціями, починаючи від великих підприємств і закінчуючи стартапами середнього розміру, над проблемами, пов’язаними з розподіленими обчисленнями та штучним інтелектом. Він зосереджується на глибокому навчанні, включаючи домени НЛП та комп’ютерного зору. Він допомагає клієнтам досягти високопродуктивної моделі висновку на SageMaker.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
- PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
- ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
- PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/build-an-image-to-text-generative-ai-application-using-multimodality-models-on-amazon-sagemaker/
- : має
- :є
- : ні
- :де
- 1
- 10
- 100
- 12
- 15%
- 16
- 400
- 7
- 8
- 9
- 97
- a
- здатність
- МЕНЮ
- РЕЗЮМЕ
- відповідно
- точність
- точно
- Achieve
- досягнутий
- через
- фактичний
- додавати
- Додатковий
- Додатково
- адресований
- коректування
- прийнята
- просунутий
- досягнення
- Перевага
- зачіпає
- після
- AI
- Можливість
- AI / ML
- алгоритми
- вирівняні
- ВСІ
- дозволяє
- тільки
- Також
- дивовижний
- Amazon
- Amazon SageMaker
- Amazon Web Services
- an
- Аналізуючи
- та
- будь-який
- додаток
- застосування
- підходи
- відповідний
- архітектура
- ЕСТЬ
- Art
- штучний
- штучний інтелект
- художник
- художній
- AS
- зовнішній вигляд
- допомогу
- At
- увагу
- Атрибути
- Австралія
- автоматизувати
- Автоматизований
- автоматичний
- автоматизація
- доступний
- уникає
- AWS
- Balance
- заснований
- BE
- оскільки
- було
- поведінка
- за
- Переваги
- КРАЩЕ
- передового досвіду
- Краще
- між
- За
- Великий
- Блокувати
- тіло
- підвищення
- border
- мостинг
- Яскраво
- ширше
- будувати
- Створюємо
- бізнес
- але
- by
- CAN
- Може отримати
- можливості
- здатний
- захопивши
- випадок
- КПП
- категорії
- Категорія
- коти
- виклик
- проблеми
- складні
- вибір
- Вибирати
- класів
- класифікація
- класифікований
- близько
- хмара
- код
- color
- об'єднувати
- комбінати
- приходить
- загальний
- спілкування
- порівняний
- комплекс
- складність
- всеосяжний
- комп'ютер
- Інформатика
- Комп'ютерне бачення
- обчислення
- поняття
- конфігурація
- вважається
- складається
- містяться
- Контейнер
- Контейнери
- містить
- зміст
- Генерація контенту
- контекст
- контроль
- Перетворення
- Прохолодно
- Відповідний
- може
- покриття
- створювати
- створений
- створення
- створення
- Креатив
- креативність
- критичний
- Перетинати
- клієнт
- Задоволеність клієнтів
- Клієнти
- Даллас
- дані
- глибокий
- глибоке навчання
- глибше
- Ступінь
- заглиблюватися
- демонструвати
- демонструє
- Залежно
- розгортання
- розгорнути
- розгортання
- описувати
- description
- бажаний
- деталь
- деталі
- Визначати
- розробка
- пристрій
- Діалог
- різний
- важкий
- радіомовлення
- цифровий
- Розмір
- безпосередньо
- обговорювати
- відстань
- розподілений
- розподілені обчислення
- Різне
- домен
- домени
- зроблений
- скачати
- управляти
- два
- під час
- динамічний
- кожен
- легко
- електронної комерції
- Ефективний
- ефективність
- продуктивно
- Розробити
- елементи
- ще
- вбудовування
- поява
- виникає
- працює
- включіть
- заохочувати
- Кінцева точка
- залучення
- двигун
- інженер
- Машинобудування
- підвищувати
- підвищення
- гарантує
- підприємство
- підприємств
- запис
- Епоха
- істотний
- по суті
- приклад
- Приклади
- проявляти
- існувати
- досвід
- експертиза
- дослідити
- Дослідження
- вираз
- Face
- фасилітувати
- сім'я
- особливість
- риси
- Fed
- кілька
- Поля
- Рисунок
- філе
- Файли
- Перший
- потік
- фокусується
- фокусування
- стежити
- після
- для
- форма
- формат
- форми
- знайдений
- Безкоштовна
- французька
- друзі
- від
- перед
- повністю
- функція
- фундаментальний
- далі
- Крім того
- злиття
- отримала
- розрив
- породжувати
- генерується
- генерує
- породжує
- покоління
- генеративний
- Генеративний ШІ
- отримати
- даний
- мета
- Золотий
- великий
- керівництво
- Гід
- обробляти
- Ручки
- збруя
- Запрягання
- Мати
- he
- сильно
- допомогу
- допомагає
- її
- Високий
- високоякісний
- його
- тримає
- Горизонти
- господар
- відбувся
- хостинг
- Як
- How To
- HTML
- HTTP
- HTTPS
- людина
- ID
- в ідеалі
- ідеї
- if
- зображення
- Класифікація зображень
- зображень
- реалізація
- реалізації
- імпорт
- удосконалювати
- поліпшення
- in
- включені
- includes
- У тому числі
- зростаючий
- вказувати
- промислові
- промисловості
- інформація
- інформативний
- інноваційний
- вхід
- витрати
- всередині
- натхнення
- встановлювати
- екземпляр
- Інститут
- інструкції
- інтегрувати
- інтеграція
- Інтелект
- інтерактивний
- інтернет
- в
- Вводить
- залучати
- за участю
- питання
- IT
- ЙОГО
- JPG
- json
- ключ
- відомий
- етикетка
- етикетки
- ландшафт
- мова
- великий
- Великі підприємства
- вести
- УЧИТЬСЯ
- вивчення
- Li
- libraries
- лежить
- як
- ймовірність
- ліній
- список
- Перераховані
- загрузка
- погрузка
- місцевий
- розташування
- логіка
- логотип
- від
- любить
- низький
- машина
- навчання за допомогою машини
- зробити
- Робить
- вдалося
- багато
- карта
- ринки
- магістра
- матч
- відповідає
- узгодження
- значущим
- середа
- просто
- може бути
- мігрувати
- мільйона
- мільйони
- ML
- MLOps
- модель
- Моделі
- помірність
- модифікований
- більше
- Більше того
- Ранок
- найбільш
- множинний
- ім'я
- Природний
- Обробка природних мов
- природа
- Необхідність
- мереж
- Нові
- нові горизонти
- ніч
- nlp
- ніхто
- ноутбук
- роман
- об'єкт
- of
- від
- пропонувати
- Пропозиції
- часто
- on
- ONE
- онлайн
- тільки
- відкрити
- операції
- оптимізація
- Оптимізувати
- оптимізуючий
- варіант
- Опції
- or
- організації
- оригінал
- OS
- Інше
- наші
- Результати
- вихід
- поза
- видатний
- огляд
- пригнічує
- власний
- Картина
- пара
- пар
- палітри
- Паралельні
- параметр
- частина
- особливо
- Проходження
- пристрасний
- шлях
- продуктивність
- Персоналізовані
- Вчений ступінь
- фото
- малюнок
- картина
- основний
- платформа
- Платформи
- plato
- Інформація про дані Платона
- PlatoData
- ігри
- штекер
- точка
- популярний
- позах
- можливостей
- пошта
- потенціал
- потенціали
- влада
- практики
- необхідність
- Точність
- прогноз
- переваги
- Готувати
- підготовлений
- запобігати
- попередній
- раніше
- Головний
- проблеми
- процес
- процеси
- обробка
- Product
- Production
- Продукти
- видатність
- перспективний
- властивості
- власність
- запропонований
- забезпечувати
- за умови
- забезпечує
- забезпечення
- публічно
- Купівля
- питання
- випадковий
- діапазон
- ранжування
- швидко
- співвідношення
- читання
- Реальний світ
- нещодавно
- Рекомендація
- знижує
- послатися
- відноситься
- рафінування
- що відображають
- регіон
- пов'язаний
- Відносини
- відносний
- щодо
- актуальність
- доречний
- чудовий
- Сховище
- подання
- запросити
- запитів
- вимагати
- Вимагається
- дослідження
- ресурсомісткий
- ті
- відповідь
- відповіді
- в результаті
- результати
- повертати
- здійснити революцію
- право
- міцний
- прогін
- біг
- мудрець
- то ж
- задоволення
- масштабованість
- шкала
- сценарії
- сцена
- сцени
- наука
- сценарій
- Пошук
- Пошукова система
- Грати короля карти - безкоштовно Nijumi логічна гра гри
- розділ
- безпеку
- побачити
- SELF
- семантика
- старший
- пропозиція
- служити
- обслуговування
- Послуги
- виступаючої
- комплект
- кілька
- акції
- вона
- покупка
- Повинен
- показаний
- Шоу
- значний
- істотно
- аналогічний
- Аналогічно
- простий
- один
- Розмір
- уривок
- рішення
- Рішення
- ВИРІШИТИ
- деякі
- іноді
- Source
- Джерела
- Простір
- спеціаліст
- спеціалізований
- спеціалізується
- конкретний
- зазначений
- спектр
- швидкість
- витрачати
- SPORTS
- стабільний
- зоряний
- почалася
- Починаючи
- Стартапи
- впроваджений
- заходи
- зберігання
- зберігати
- зберігати
- просто
- Стратегічний
- раціоналізувати
- удар
- стиль
- по суті
- такі
- достатній
- пропонувати
- Опори
- обмін
- швидко
- Сідней
- система
- Systems
- TAG
- Приймати
- приймає
- Мета
- Завдання
- завдання
- команда
- техніка
- Технології
- шаблон
- текст
- текстуальний
- ніж
- Що
- Команда
- Пейзаж
- їх
- Їх
- потім
- Там.
- тим самим
- отже
- Ці
- вони
- це
- через
- час
- назви
- до
- інструмент
- інструменти
- до
- навчений
- Навчання
- переклад
- трансформатор
- перетворення
- перетворення
- Подорож
- два
- тип
- розуміння
- немислимий
- створеного
- відімкнути
- Оновити
- завантажено
- URL
- us
- використання
- використовуваний
- користувач
- User Experience
- використовує
- використання
- значення
- різноманітність
- різний
- величезний
- версія
- дуже
- через
- бачення
- W
- хотіти
- хвиля
- способи
- we
- Багатство
- Web
- веб-сервіси
- були
- Що
- коли
- який
- в той час як
- всі
- чий
- волі
- переможець
- з
- формулювання
- слова
- Work
- працював
- Робочі процеси
- працює
- б
- років
- Ти
- вашу
- зефірнет