Phát hiện gian lận là một vấn đề quan trọng có ứng dụng trong các dịch vụ tài chính, mạng xã hội, thương mại điện tử, trò chơi và các ngành khác. Bài đăng này trình bày việc triển khai giải pháp phát hiện gian lận bằng cách sử dụng mô hình Mạng chuyển đổi đồ thị quan hệ (RGCN) để dự đoán xác suất giao dịch là gian lận thông qua cả chế độ suy luận quy nạp và quy nạp. Bạn có thể triển khai triển khai của chúng tôi thành một Amazon SageMaker điểm cuối như một giải pháp phát hiện gian lận thời gian thực mà không yêu cầu lưu trữ hoặc điều phối biểu đồ bên ngoài, do đó giảm đáng kể chi phí triển khai mô hình.
Các doanh nghiệp đang tìm kiếm dịch vụ AWS AI được quản lý đầy đủ để phát hiện gian lận cũng có thể sử dụng Phát hiện gian lận Amazon, mà bạn có thể sử dụng để xác định các khoản thanh toán trực tuyến đáng ngờ, phát hiện hành vi gian lận tài khoản mới, ngăn chặn việc lạm dụng chương trình dùng thử và chương trình khách hàng thân thiết hoặc cải thiện khả năng phát hiện hành vi chiếm đoạt tài khoản.
Tổng quan về giải pháp
Sơ đồ sau đây mô tả một mạng lưới giao dịch tài chính mẫu bao gồm các loại thông tin khác nhau. Mỗi giao dịch chứa thông tin như số nhận dạng thiết bị, ID Wi-Fi, địa chỉ IP, vị trí thực tế, số điện thoại, v.v. Chúng tôi biểu thị các bộ dữ liệu giao dịch thông qua một biểu đồ không đồng nhất chứa các loại nút và cạnh khác nhau. Sau đó, vấn đề phát hiện gian lận được xử lý như một nhiệm vụ phân loại nút trên biểu đồ không đồng nhất này.
Mạng nơ-ron đồ thị (GNN) đã cho thấy nhiều hứa hẹn trong việc giải quyết các vấn đề phát hiện gian lận, vượt trội so với các phương pháp học tập được giám sát phổ biến như cây quyết định được tăng cường độ dốc hoặc mạng chuyển tiếp nguồn cấp dữ liệu được kết nối đầy đủ trên bộ dữ liệu đo điểm chuẩn. Trong thiết lập phát hiện gian lận điển hình, trong giai đoạn đào tạo, mô hình GNN được đào tạo trên một tập hợp các giao dịch được gắn nhãn. Mỗi giao dịch đào tạo được cung cấp một nhãn nhị phân biểu thị nếu nó là gian lận. Mô hình được đào tạo này sau đó có thể được sử dụng để phát hiện các giao dịch gian lận trong số các giao dịch chưa được gắn nhãn trong giai đoạn suy luận. Có hai phương thức suy luận khác nhau: suy luận quy nạp và suy luận quy nạp (mà chúng ta sẽ thảo luận thêm ở phần sau của bài viết này).
Các mô hình dựa trên GNN, như RGCN, có thể tận dụng thông tin cấu trúc liên kết, kết hợp cả cấu trúc biểu đồ và tính năng của các nút và cạnh để tìm hiểu một biểu diễn có ý nghĩa giúp phân biệt các giao dịch độc hại với các giao dịch hợp pháp. RGCN có thể học một cách hiệu quả để biểu diễn các loại nút và cạnh (mối quan hệ) khác nhau thông qua nhúng biểu đồ không đồng nhất. Trong sơ đồ trước, mỗi giao dịch đang được mô hình hóa dưới dạng nút đích và một số thực thể được liên kết với từng giao dịch được mô hình hóa dưới dạng các loại nút không phải mục tiêu, như ProductCD
và P_emaildomain
. Các nút mục tiêu có các tính năng số và phân loại được chỉ định, trong khi các loại nút khác là không có tính năng. Mô hình RGCN tìm hiểu cách nhúng cho từng loại nút không phải mục tiêu. Đối với việc nhúng một nút đích, một phép toán tích chập được sử dụng để tính toán việc nhúng của nó bằng cách sử dụng các tính năng và các phép nhúng lân cận của nó. Trong phần còn lại của bài đăng, chúng tôi sử dụng các thuật ngữ GNN và RGCN thay thế cho nhau.
Điều đáng chú ý là các chiến lược thay thế, chẳng hạn như coi các thực thể không phải mục tiêu là các tính năng và mã hóa một lần nóng chúng, thường không khả thi do các yếu tố cơ bản lớn của các thực thể này. Ngược lại, mã hóa chúng dưới dạng các thực thể đồ thị cho phép mô hình GNN tận dụng lợi thế của cấu trúc liên kết ẩn trong các mối quan hệ của thực thể. Ví dụ: các giao dịch chia sẻ số điện thoại với các giao dịch gian lận đã biết cũng có nhiều khả năng là gian lận hơn.
Biểu diễn đồ thị được sử dụng bởi các GNN tạo ra một số phức tạp trong quá trình triển khai của chúng. Điều này đặc biệt đúng đối với các ứng dụng như phát hiện gian lận, trong đó biểu diễn đồ thị có thể được tăng cường trong quá trình suy luận với các nút mới được thêm tương ứng với các thực thể không được biết đến trong quá trình đào tạo mô hình. Kịch bản suy luận này thường được gọi là chế độ quy nạp. Ngược lại, chế độ chuyển đổi là một kịch bản giả định rằng biểu diễn đồ thị được xây dựng trong quá trình đào tạo mô hình sẽ không thay đổi trong quá trình suy luận. Các mô hình GNN thường được đánh giá ở chế độ chuyển đổi bằng cách xây dựng các biểu diễn đồ thị từ một tập hợp các ví dụ thử nghiệm và huấn luyện kết hợp, đồng thời che dấu các nhãn thử nghiệm trong quá trình lan truyền ngược. Điều này đảm bảo biểu diễn đồ thị là tĩnh và ở đó mô hình GNN không yêu cầu thực hiện các hoạt động để mở rộng đồ thị với các nút mới trong quá trình suy luận. Thật không may, không thể giả định biểu diễn đồ thị tĩnh khi phát hiện các giao dịch gian lận trong môi trường thực tế. Do đó, cần có sự hỗ trợ cho suy luận quy nạp khi triển khai các mô hình GNN để phát hiện gian lận cho môi trường sản xuất.
Ngoài ra, việc phát hiện các giao dịch gian lận trong thời gian thực là rất quan trọng, đặc biệt là trong các trường hợp kinh doanh chỉ có một cơ hội duy nhất để ngăn chặn các hoạt động bất hợp pháp. Ví dụ: người dùng lừa đảo có thể có hành vi ác ý chỉ một lần với một tài khoản và không bao giờ sử dụng lại tài khoản đó nữa. Suy luận thời gian thực trên các mô hình GNN gây ra sự phức tạp bổ sung cho việc triển khai. Nó thường cần thiết để thực hiện các hoạt động khai thác đồ thị con để hỗ trợ suy luận thời gian thực. Hoạt động trích xuất đồ thị con là cần thiết để giảm độ trễ suy luận khi biểu diễn đồ thị lớn và việc thực hiện suy luận trên toàn bộ đồ thị trở nên cực kỳ tốn kém. Thuật toán cho suy luận quy nạp thời gian thực với mô hình RGCN chạy như sau:
- Đưa ra một lô giao dịch và mô hình RGCN được đào tạo, hãy mở rộng biểu diễn biểu đồ với các thực thể từ lô.
- Chỉ định các vectơ nhúng của các nút không phải đích mới với vectơ nhúng trung bình của loại nút tương ứng của chúng.
- Trích xuất một đồ thị con gây ra bởi k-hop ra khỏi vùng lân cận của các nút đích từ lô.
- Thực hiện suy luận trên biểu đồ con và trả về điểm số dự đoán cho các nút mục tiêu của lô.
- Dọn dẹp biểu diễn đồ thị bằng cách xóa các nút mới được thêm vào (bước này đảm bảo yêu cầu bộ nhớ cho suy luận mô hình không đổi).
Đóng góp chính của bài đăng này là trình bày một mô hình RGCN thực hiện thuật toán suy luận quy nạp thời gian thực. Bạn có thể triển khai triển khai RGCN của chúng tôi tới điểm cuối SageMaker như một giải pháp phát hiện gian lận theo thời gian thực. Giải pháp của chúng tôi không yêu cầu lưu trữ hoặc điều phối biểu đồ bên ngoài và giảm đáng kể chi phí triển khai mô hình RGCN cho các tác vụ phát hiện gian lận. Mô hình cũng triển khai chế độ suy luận quy nạp, cho phép chúng tôi thực hiện các thử nghiệm để so sánh hiệu suất của mô hình ở chế độ quy nạp và quy nạp. Mã mô hình và sổ ghi chép với các thí nghiệm có thể được truy cập từ Ví dụ AWS Kho lưu trữ GitHub.
Bài đăng này được xây dựng trên bài đăng Xây dựng giải pháp phát hiện gian lận trong thời gian thực dựa trên GNN bằng cách sử dụng Amazon SageMaker, Amazon Neptune và Thư viện đồ thị sâu. Bài đăng trước đã xây dựng giải pháp phát hiện gian lận thời gian thực dựa trên RGCN bằng SageMaker, Sao Hải vương Amazon, và Thư viện đồ thị sâu (ĐGL). Giải pháp trước đó đã sử dụng cơ sở dữ liệu Neptune làm bộ lưu trữ biểu đồ bên ngoài, bắt buộc AWS Lambda để phối hợp cho suy luận thời gian thực và chỉ bao gồm các thử nghiệm ở chế độ tải nạp.
Mô hình RGCN được giới thiệu trong bài đăng này thực hiện tất cả các hoạt động của thuật toán suy luận quy nạp thời gian thực chỉ sử dụng DGL làm phần phụ thuộc và không yêu cầu lưu trữ hoặc điều phối biểu đồ bên ngoài để triển khai.
Trước tiên, chúng tôi đánh giá hiệu suất của mô hình RGCN ở chế độ quy nạp và quy nạp trên bộ dữ liệu điểm chuẩn. Đúng như dự đoán, hiệu suất của mô hình ở chế độ quy nạp thấp hơn một chút so với ở chế độ quy nạp. Chúng tôi cũng nghiên cứu ảnh hưởng của siêu tham số k về hiệu suất mô hình. siêu tham số k kiểm soát số bước nhảy được thực hiện để trích xuất sơ đồ con trong Bước 3 của thuật toán suy luận thời gian thực. Giá trị cao hơn của k sẽ tạo ra các đồ thị con lớn hơn và có thể dẫn đến hiệu suất suy luận tốt hơn với chi phí là độ trễ cao hơn. Do đó, chúng tôi cũng tiến hành các thử nghiệm về thời gian để đánh giá tính khả thi của mô hình RGCN cho ứng dụng thời gian thực.
Bộ dữ liệu
Chúng tôi sử dụng Bộ dữ liệu gian lận IEEE-CIS, cùng một bộ dữ liệu đã được sử dụng trong phần trước gửi. Bộ dữ liệu chứa hơn 590,000 bản ghi giao dịch có nhãn gian lận nhị phân (các isFraud
cột). Dữ liệu được chia thành hai bảng: giao dịch và danh tính. Tuy nhiên, không phải tất cả các hồ sơ giao dịch đều có thông tin nhận dạng tương ứng. Chúng tôi tham gia hai bảng trên TransactionID
cột, để lại cho chúng tôi tổng số 144,233 bản ghi giao dịch. Chúng tôi sắp xếp bảng theo dấu thời gian giao dịch (các TransactionDT
cột) và tạo phân chia tỷ lệ phần trăm 80/20 theo thời gian, tạo ra lần lượt 115,386 và 28,847 giao dịch để đào tạo và thử nghiệm.
Để biết thêm chi tiết về bộ dữ liệu và cách định dạng nó cho phù hợp với yêu cầu đầu vào của DGL, hãy tham khảo Phát hiện gian lận trong các mạng không đồng nhất bằng Amazon SageMaker và Thư viện đồ thị sâu.
xây dựng đồ thị
Chúng tôi sử dụng TransactionID
cột để tạo các nút đích. Chúng tôi sử dụng các cột sau để tạo 11 loại nút không phải mục tiêu:
card1
thông quacard6
ProductCD
addr1
vàaddr2
P_emaildomain
vàR_emaildomain
Chúng tôi sử dụng 38 cột làm đặc điểm phân loại của các nút đích:
M1
thông quaM9
DeviceType
vàDeviceInfo
id_12
thông quaid_38
Chúng tôi sử dụng 382 cột làm đặc điểm số của các nút mục tiêu:
TransactionAmt
dist1
vàdist2
id_01
thông quaid_11
C1
thông quaC14
D1
thông quaD15
V1
thông quaV339
Biểu đồ của chúng tôi được xây dựng từ các giao dịch đào tạo chứa 217,935 nút và 2,653,878 cạnh.
Siêu tham số
Các tham số khác được đặt để khớp với các tham số được báo cáo trong phần trước gửi. Đoạn mã sau minh họa việc đào tạo mô hình RGCN ở chế độ quy nạp và quy nạp:
Chế độ cảm ứng so với chế độ chuyển đổi
Chúng tôi thực hiện năm thử nghiệm cho chế độ quy nạp và năm thử nghiệm cho chế độ tải nạp. Đối với mỗi lần dùng thử, chúng tôi đào tạo một mô hình RGCN và lưu nó vào đĩa, thu được 10 mô hình. Chúng tôi đánh giá từng mô hình trên các ví dụ thử nghiệm trong khi tăng số bước nhảy (tham số k) được sử dụng để trích xuất một đồ thị con để suy luận, thiết lập k đến 1, 2 và 3. Chúng tôi dự đoán cùng lúc trên tất cả các ví dụ thử nghiệm và tính điểm ROC AUC cho từng thử nghiệm. Biểu đồ sau đây cho thấy giá trị trung bình và khoảng tin cậy 95% của điểm AUC.
Chúng ta có thể thấy rằng hiệu suất ở chế độ tải nạp cao hơn một chút so với ở chế độ cảm ứng. Vì k=2, điểm AUC trung bình cho chế độ quy nạp và chế độ quy nạp lần lượt là 0.876 và 0.883. Điều này được mong đợi vì mô hình RGCN có thể tìm hiểu cách nhúng của tất cả các nút thực thể ở chế độ tải nạp, bao gồm cả những nút trong bộ thử nghiệm. Ngược lại, chế độ quy nạp chỉ cho phép mô hình tìm hiểu cách nhúng của các nút thực thể có trong các ví dụ đào tạo và do đó, một số nút phải được điền đầy đủ ý nghĩa trong quá trình suy luận. Đồng thời, sự sụt giảm hiệu suất giữa các chế độ quy nạp và quy nạp là không đáng kể và ngay cả ở chế độ quy nạp, mô hình RGCN đạt được hiệu suất tốt với AUC là 0.876. Chúng tôi cũng quan sát thấy rằng hiệu suất của mô hình không cải thiện đối với các giá trị của k>2. Điều này ngụ ý rằng cài đặt k=2 sẽ trích xuất một sơ đồ con đủ lớn trong quá trình suy luận, dẫn đến hiệu suất tối ưu. Quan sát này cũng được xác nhận bởi thí nghiệm tiếp theo của chúng tôi.
Cũng đáng lưu ý rằng, đối với chế độ tải nạp, AUC của mô hình của chúng tôi là 0.883 cao hơn AUC tương ứng là 0.870 được báo cáo trong phần trước gửi. Chúng tôi sử dụng nhiều cột hơn làm tính năng số và phân loại của các nút mục tiêu, điều này có thể giải thích điểm AUC cao hơn. Chúng tôi cũng lưu ý rằng các thử nghiệm trong bài viết trước chỉ thực hiện một thử nghiệm duy nhất.
Suy luận trên một lô nhỏ
Đối với thử nghiệm này, chúng tôi đánh giá mô hình RGCN trong cài đặt suy luận lô nhỏ. Chúng tôi sử dụng năm mô hình đã được đào tạo ở chế độ quy nạp trong thử nghiệm trước. Chúng tôi so sánh hiệu suất của các mô hình này khi dự đoán ở hai chế độ cài đặt: suy luận theo lô đầy đủ và theo lô nhỏ. Đối với suy luận lô đầy đủ, chúng tôi dự đoán trên toàn bộ tập hợp thử nghiệm, như đã được thực hiện trong thử nghiệm trước. Đối với suy luận lô nhỏ, chúng tôi dự đoán theo lô nhỏ bằng cách phân vùng bộ thử nghiệm thành 28 lô có quy mô bằng nhau với khoảng 1,000 giao dịch trong mỗi lô. Chúng tôi tính điểm AUC cho cả hai chế độ cài đặt bằng các giá trị khác nhau của k. Biểu đồ sau đây cho thấy giá trị trung bình và khoảng tin cậy 95% cho các cài đặt suy luận lô nhỏ và đầy đủ.
Chúng tôi quan sát hiệu suất đó để suy luận lô nhỏ khi k=1 thấp hơn so với toàn bộ lô. Tuy nhiên, hiệu suất suy luận lô nhỏ phù hợp với lô đầy đủ khi k>1. Điều này có thể là do các sơ đồ con nhỏ hơn nhiều được trích xuất cho các lô nhỏ. Chúng tôi xác nhận điều này bằng cách so sánh kích thước biểu đồ con với kích thước của toàn bộ biểu đồ được tạo từ các giao dịch đào tạo. Chúng tôi so sánh kích thước biểu đồ về số lượng nút. Vì k=1, kích thước đồ thị con trung bình cho suy luận lô nhỏ nhỏ hơn 2% đồ thị huấn luyện. Và để suy luận hàng loạt đầy đủ khi k=1, kích thước đồ thị con là 22%. Khi k=2, kích thước đồ thị con cho suy luận lô nhỏ và toàn bộ lần lượt là 54% và 64%. Cuối cùng, kích thước đồ thị con cho cả hai cài đặt suy luận đạt 100% cho k=3. Nói cách khác, khi k>1, biểu đồ con cho một lô nhỏ trở nên đủ lớn, cho phép suy luận lô nhỏ đạt được hiệu suất tương tự như suy luận lô đầy đủ.
Chúng tôi cũng ghi lại độ trễ dự đoán cho mỗi lô. Chúng tôi thực hiện các thử nghiệm của mình trên phiên bản ml.r5.12xlarge nhưng bạn có thể sử dụng phiên bản nhỏ hơn với bộ nhớ 64 G để chạy các thử nghiệm tương tự. Biểu đồ sau đây cho thấy khoảng tin cậy trung bình và 95% của độ trễ dự đoán lô nhỏ đối với các giá trị khác nhau của k.
Độ trễ bao gồm tất cả năm bước của thuật toán suy luận quy nạp thời gian thực. Chúng ta thấy rằng khi k=2, dự đoán trên 1,030 giao dịch mất trung bình 5.4 giây, dẫn đến thông lượng là 190 giao dịch mỗi giây. Điều này xác nhận rằng việc triển khai mô hình RGCN phù hợp để phát hiện gian lận theo thời gian thực. Chúng tôi cũng lưu ý rằng trước đây gửi đã không cung cấp các giá trị độ trễ cứng để thực hiện chúng.
Kết luận
Mô hình RGCN được phát hành cùng với bài đăng này triển khai thuật toán cho suy luận quy nạp thời gian thực và không yêu cầu lưu trữ hoặc điều phối biểu đồ bên ngoài. Thông số k trong Bước 3 của thuật toán chỉ định số bước nhảy được thực hiện để trích xuất biểu đồ con để suy luận và dẫn đến sự đánh đổi giữa độ chính xác của mô hình và độ trễ dự đoán. chúng tôi đã sử dụng Bộ dữ liệu gian lận IEEE-CIS trong các thử nghiệm của chúng tôi và xác thực theo kinh nghiệm rằng giá trị tối ưu của tham số k đối với tập dữ liệu này là 2, đạt được điểm AUC là 0.876 và độ trễ dự đoán là dưới 6 giây trên 1,000 giao dịch.
Bài đăng này cung cấp quy trình từng bước để đào tạo và đánh giá mô hình RGCN nhằm phát hiện gian lận theo thời gian thực. Lớp mô hình được bao gồm triển khai các phương thức cho toàn bộ vòng đời của mô hình, bao gồm các phương thức tuần tự hóa và giải tuần tự hóa. Điều này cho phép mô hình được sử dụng để phát hiện gian lận theo thời gian thực. Bạn có thể đào tạo mô hình dưới dạng công cụ ước tính SageMaker của PyTorch và sau đó triển khai mô hình đó tới điểm cuối SageMaker bằng cách sử dụng cách sau máy tính xách tay như một khuôn mẫu. Điểm cuối có thể dự đoán gian lận trên các lô nhỏ giao dịch thô trong thời gian thực. Bạn cũng có thể dùng Người đề xuất suy luận của Amazon SageMaker để chọn loại phiên bản và cấu hình tốt nhất cho điểm cuối suy luận dựa trên khối lượng công việc của bạn.
Để biết thêm thông tin về chủ đề này và cách triển khai, chúng tôi khuyến khích bạn tự mình khám phá và thử nghiệm các tập lệnh của chúng tôi. Bạn có thể truy cập sổ ghi chép và mã lớp mô hình có liên quan từ Ví dụ AWS Kho lưu trữ GitHub.
Về các tác giả
Dmitry Bespalov là Nhà khoa học ứng dụng cấp cao tại Phòng thí nghiệm giải pháp máy học của Amazon, nơi ông giúp khách hàng AWS trong các ngành khác nhau đẩy nhanh việc áp dụng AI và đám mây của họ.
Ryan thương hiệu là Nhà khoa học ứng dụng tại Phòng thí nghiệm giải pháp máy học Amazon. Ông có kinh nghiệm cụ thể trong việc áp dụng học máy vào các vấn đề trong chăm sóc sức khỏe và khoa học đời sống. Khi rảnh rỗi, anh ấy thích đọc lịch sử và khoa học viễn tưởng.
Yên Quân Tề là Giám đốc khoa học ứng dụng cấp cao tại Phòng thí nghiệm giải pháp máy học của Amazon. Cô đổi mới và áp dụng công nghệ máy học để giúp các khách hàng của AWS tăng tốc độ tiếp nhận AI và đám mây của họ.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến thức. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/build-a-gnn-based-real-time-fraud-detection-solution-using-the-deep-graph-library-without-using-external-graph-storage/
- 000
- 1
- 10
- 100
- 11
- 2%
- 28
- 7
- 95%
- a
- Có khả năng
- Giới thiệu
- lạm dụng
- đẩy nhanh tiến độ
- truy cập
- truy cập
- Tài khoản
- chính xác
- Đạt được
- đạt được
- ngang qua
- hoạt động
- thêm
- Ngoài ra
- thêm vào
- địa chỉ
- Nhận con nuôi
- Lợi thế
- AI
- thuật toán
- Tất cả
- cho phép
- thay thế
- đàn bà gan dạ
- Học máy Amazon
- Sao Hải vương Amazon
- Amazon SageMaker
- trong số
- và
- Các Ứng Dụng
- các ứng dụng
- áp dụng
- Nộp đơn
- khoảng
- Mảng
- giao
- liên kết
- giả sử
- tăng cường
- Trung bình cộng
- AWS
- dựa
- bởi vì
- trở thành
- được
- điểm chuẩn
- điểm chuẩn
- BEST
- Hơn
- giữa
- thương hiệu
- xây dựng
- xây dựng
- xây dựng
- kinh doanh
- mang
- trường hợp
- cơ hội
- thay đổi
- tốt nghiệp lớp XNUMX
- phân loại
- đám mây
- áp dụng đám mây
- mã
- Cột
- Cột
- kết hợp
- kết hợp
- so sánh
- so sánh
- phức tạp
- Tính
- Tiến hành
- sự tự tin
- Cấu hình
- Xác nhận
- XÁC NHẬN
- kết nối
- không thay đổi
- xây dựng
- xây dựng
- chứa
- Ngược lại
- đóng góp
- điều khiển
- Tương ứng
- Phí Tổn
- tạo
- tạo ra
- quan trọng
- khách hàng
- dữ liệu
- Cơ sở dữ liệu
- bộ dữ liệu
- quyết định
- sâu
- Mặc định
- xác định
- Phụ thuộc
- triển khai
- triển khai
- triển khai
- chi tiết
- Phát hiện
- thiết bị
- dgl
- ĐÃ LÀM
- khác nhau
- thảo luận
- Không
- Rơi
- suốt trong
- mỗi
- thương mại điện tử
- hiệu lực
- hiệu quả
- cho phép
- cho phép
- khuyến khích
- Điểm cuối
- đảm bảo
- Toàn bộ
- thực thể
- thực thể
- môi trường
- đặc biệt
- đánh giá
- đánh giá
- đánh giá
- Ngay cả
- Mỗi
- ví dụ
- ví dụ
- dự kiến
- đắt tiền
- kinh nghiệm
- thử nghiệm
- Giải thích
- khám phá
- thêm
- ngoài
- trích xuất
- Tính năng
- Tiểu thuyết
- Cuối cùng
- tài chính
- dịch vụ tài chính
- Tên
- tiếp theo
- sau
- định dạng
- gian lận
- phát hiện gian lận
- lừa đảo
- Miễn phí
- từ
- Full
- đầy đủ
- chơi game
- tạo ra
- được
- GitHub
- tốt
- đồ thị
- tuyệt vời
- Cứng
- chăm sóc sức khỏe
- giúp đỡ
- giúp
- cao hơn
- lịch sử
- Độ đáng tin của
- Hướng dẫn
- Tuy nhiên
- HTML
- HTTPS
- xác định
- Bản sắc
- Bất hợp pháp
- thực hiện
- thực hiện
- thực hiện
- thực hiện
- nhập khẩu
- quan trọng
- nâng cao
- in
- Mặt khác
- bao gồm
- bao gồm
- Bao gồm
- tăng
- các ngành công nghiệp
- thông tin
- đầu vào
- ví dụ
- giới thiệu
- Giới thiệu
- IP
- Địa chỉ IP
- IT
- tham gia
- Key
- nổi tiếng
- phòng thí nghiệm
- nhãn
- Nhãn
- lớn
- lớn hơn
- Độ trễ
- dẫn
- LEARN
- học tập
- Thư viện
- Cuộc sống
- Khoa học đời sống
- vòng đời
- Có khả năng
- tải
- . Các địa điểm
- tìm kiếm
- Trung thành
- chương trình trung thành
- máy
- học máy
- giám đốc
- Trận đấu
- có ý nghĩa
- Phương tiện truyền thông
- Bộ nhớ
- phương pháp
- ML
- Chế độ
- kiểu mẫu
- mô hình
- chế độ
- chi tiết
- cần thiết
- Neptune
- mạng
- mạng
- mạng thần kinh
- Mới
- tiếp theo
- nút
- các nút
- con số
- số
- tuân theo
- có được
- ONE
- Trực tuyến
- thanh toán trực tuyến
- hoạt động
- Hoạt động
- tối ưu
- dàn nhạc
- Nền tảng khác
- vượt trội
- riêng
- gấu trúc
- tham số
- thông số
- thông qua
- thanh toán
- tỷ lệ phần trăm
- Thực hiện
- hiệu suất
- biểu diễn
- giai đoạn
- điện thoại
- vật lý
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- Phổ biến
- Bài đăng
- dự đoán
- dự đoán
- dự đoán
- trình bày
- quà
- ngăn chặn
- trước
- Trước khi
- Vấn đề
- vấn đề
- quá trình
- sản xuất
- Sản lượng
- chương trình
- lời hứa
- cho
- cung cấp
- ngọn đuốc
- Qi
- Nguyên
- đạt
- Reading
- thực
- thế giới thực
- thời gian thực
- ghi
- hồ sơ
- giảm
- làm giảm
- giảm
- gọi
- liên quan
- quan hệ
- Mối quan hệ
- phát hành
- loại bỏ
- Báo cáo
- đại diện
- đại diện
- yêu cầu
- cần phải
- yêu cầu
- mà
- REST của
- kết quả
- Kết quả
- trở lại
- chạy
- Ryan
- nhà làm hiền triết
- Suy luận của SageMaker
- tương tự
- Lưu
- kịch bản
- Khoa học
- Khoa học giả tưởng
- KHOA HỌC
- Nhà khoa học
- kịch bản
- Thứ hai
- giây
- cao cấp
- dịch vụ
- DỊCH VỤ
- định
- thiết lập
- thiết lập
- thiết lập
- một số
- Chia sẻ
- thể hiện
- Chương trình
- có ý nghĩa
- đáng kể
- duy nhất
- Kích thước máy
- kích thước
- nhỏ
- nhỏ hơn
- So
- Mạng xã hội
- truyền thông xã hội
- giải pháp
- Giải pháp
- một số
- riêng
- tốc độ
- chia
- Tách
- Bước
- Các bước
- dừng lại
- là gắn
- chiến lược
- cấu trúc
- Học tập
- bảng phụ
- đồ thị con
- như vậy
- Bộ đồ
- phù hợp
- hỗ trợ
- đáng ngờ
- bàn
- Hãy
- tiếp quản
- mất
- Mục tiêu
- Nhiệm vụ
- nhiệm vụ
- mẫu
- về
- thử nghiệm
- Kiểm tra
- Sản phẩm
- Đồ thị
- cung cấp their dịch
- bằng cách ấy
- vì thế
- Thông qua
- thông lượng
- thời gian
- dấu thời gian
- thời gian
- đến
- quá
- chủ đề
- Tổng số:
- Train
- đào tạo
- Hội thảo
- giao dịch
- Giao dịch
- điều trị
- Cây
- thử nghiệm
- thử nghiệm
- đúng
- loại
- điển hình
- us
- sử dụng
- Người sử dụng
- thường
- xác nhận
- giá trị
- Các giá trị
- thông qua
- cái nào
- trong khi
- Wi-fi
- sẽ
- không có
- từ
- giá trị
- sẽ
- Bạn
- trên màn hình
- zephyrnet