Đây là một bài khách từ Vốn có thể mở rộng, một FinTech hàng đầu ở Châu Âu cung cấp dịch vụ quản lý tài sản kỹ thuật số và nền tảng môi giới với tỷ giá giao dịch cố định.
Là một công ty đang phát triển nhanh chóng, mục tiêu của Scalable Capital không chỉ là xây dựng cơ sở hạ tầng sáng tạo, mạnh mẽ và đáng tin cậy mà còn cung cấp những trải nghiệm tốt nhất cho khách hàng của chúng tôi, đặc biệt là khi nói đến dịch vụ khách hàng.
Scalable nhận được hàng trăm câu hỏi qua email từ khách hàng của chúng tôi hàng ngày. Bằng cách triển khai mô hình xử lý ngôn ngữ tự nhiên (NLP) hiện đại, quy trình phản hồi đã được định hình hiệu quả hơn nhiều và thời gian chờ đợi của khách hàng đã giảm đi rất nhiều. Mô hình học máy (ML) phân loại các yêu cầu mới đến của khách hàng ngay khi chúng đến và chuyển hướng chúng đến hàng đợi được xác định trước, cho phép các đại lý thành công của khách hàng tận tâm của chúng tôi tập trung vào nội dung email theo kỹ năng của họ và đưa ra phản hồi thích hợp.
Trong bài đăng này, chúng tôi trình bày các lợi ích kỹ thuật của việc sử dụng máy biến áp Ôm Mặt được triển khai với Amazon SageMaker, chẳng hạn như đào tạo và thử nghiệm trên quy mô lớn, đồng thời tăng năng suất và hiệu quả chi phí.
Báo cáo vấn đề
Vốn có thể mở rộng là một trong những FinTech phát triển nhanh nhất ở Châu Âu. Với mục đích dân chủ hóa đầu tư, công ty cung cấp cho khách hàng khả năng tiếp cận dễ dàng với thị trường tài chính. Khách hàng của Scalable có thể tích cực tham gia thị trường thông qua nền tảng giao dịch môi giới của công ty hoặc sử dụng Quản lý tài sản có thể mở rộng để đầu tư theo cách thông minh và tự động. Vào năm 2021, Scalable Capital đã chứng kiến lượng khách hàng của mình tăng gấp XNUMX lần, từ hàng chục nghìn lên hàng trăm nghìn.
Để cung cấp cho khách hàng trải nghiệm người dùng hàng đầu (và nhất quán) trên các sản phẩm và dịch vụ khách hàng, công ty đang tìm kiếm các giải pháp tự động để tạo ra hiệu quả cho giải pháp có thể mở rộng trong khi vẫn duy trì hoạt động xuất sắc. Nhóm dịch vụ khách hàng và khoa học dữ liệu của Scalable Capital đã xác định rằng một trong những trở ngại lớn nhất trong việc phục vụ khách hàng của chúng tôi là trả lời các câu hỏi qua email. Cụ thể, điểm nghẽn là bước phân loại, trong đó nhân viên phải đọc và dán nhãn các văn bản yêu cầu hàng ngày. Sau khi các email được chuyển đến hàng đợi thích hợp, các chuyên gia tương ứng đã nhanh chóng tham gia và giải quyết các trường hợp.
Để hợp lý hóa quy trình phân loại này, nhóm khoa học dữ liệu tại Scalable đã xây dựng và triển khai mô hình NLP đa nhiệm sử dụng kiến trúc máy biến áp tiên tiến, dựa trên cơ sở dữ liệu được đào tạo trước. distilbert-base-Đức-vỏ mô hình được xuất bản bởi Ôm Mặt. distilbert-base-Đức-vỏ sử dụng chắt lọc kiến thức phương pháp huấn luyện trước một mô hình biểu diễn ngôn ngữ có mục đích chung nhỏ hơn mô hình cơ sở BERT ban đầu. Phiên bản chưng cất đạt được hiệu suất tương đương với phiên bản gốc, đồng thời nhỏ hơn và nhanh hơn. Để tạo điều kiện thuận lợi cho quá trình vòng đời ML của chúng tôi, chúng tôi đã quyết định áp dụng SageMaker để xây dựng, triển khai, phục vụ và giám sát các mô hình của mình. Trong phần sau, chúng tôi giới thiệu thiết kế kiến trúc dự án của chúng tôi.
Tổng quan về giải pháp
Cơ sở hạ tầng ML của Scalable Capital bao gồm hai tài khoản AWS: một tài khoản làm môi trường cho giai đoạn phát triển và tài khoản còn lại dùng làm môi trường cho giai đoạn sản xuất.
Sơ đồ sau đây hiển thị quy trình làm việc cho dự án phân loại email của chúng tôi, nhưng cũng có thể khái quát cho các dự án khoa học dữ liệu khác.
Quy trình làm việc bao gồm các thành phần sau:
- Thí nghiệm mô hình – Các nhà khoa học dữ liệu sử dụng Xưởng sản xuất Amazon SageMaker để thực hiện các bước đầu tiên trong vòng đời khoa học dữ liệu: phân tích dữ liệu khám phá (EDA), làm sạch và chuẩn bị dữ liệu cũng như xây dựng các mô hình nguyên mẫu. Khi giai đoạn khám phá hoàn tất, chúng tôi chuyển sang VSCode được lưu trữ trên sổ ghi chép SageMaker làm công cụ phát triển từ xa để mô-đun hóa và sản xuất cơ sở mã của chúng tôi. Để khám phá các loại mô hình và cấu hình mô hình khác nhau, đồng thời theo dõi các thử nghiệm của mình, chúng tôi sử dụng Chương trình đào tạo SageMaker và Thử nghiệm SageMaker.
- Xây dựng mô hình – Sau khi chúng tôi quyết định chọn mô hình cho trường hợp sử dụng sản xuất của mình, trong trường hợp này là đa tác vụ distilbert-base-Đức-vỏ mô hình, được tinh chỉnh từ mô hình được đào tạo trước từ Ôm mặt, chúng tôi cam kết và đẩy mã của mình đến nhánh phát triển Github. Sự kiện hợp nhất Github kích hoạt quy trình Jenkins CI của chúng tôi, từ đó bắt đầu công việc Quy trình SageMaker với dữ liệu thử nghiệm. Điều này hoạt động như một cuộc kiểm tra để đảm bảo rằng các mã đang chạy như mong đợi. Điểm cuối thử nghiệm được triển khai cho mục đích thử nghiệm.
- Triển khai mô hình – Sau khi đảm bảo rằng mọi thứ đang chạy như mong đợi, các nhà khoa học dữ liệu sẽ hợp nhất nhánh phát triển thành nhánh chính. Sự kiện hợp nhất này hiện kích hoạt công việc SageMaker Pipelines sử dụng dữ liệu sản xuất cho mục đích đào tạo. Sau đó, các tạo phẩm mô hình được tạo ra và lưu trữ ở đầu ra Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3) và phiên bản mô hình mới được ghi vào sổ đăng ký mô hình SageMaker. Các nhà khoa học dữ liệu kiểm tra hiệu suất của mô hình mới, sau đó phê duyệt xem nó có phù hợp với mong đợi hay không. Sự kiện phê duyệt mô hình được ghi lại bởi Sự kiện Amazon, sau đó triển khai mô hình đến điểm cuối SageMaker trong môi trường sản xuất.
- MLOps – Vì điểm cuối SageMaker là riêng tư và các dịch vụ bên ngoài VPC không thể truy cập được, nên AWS Lambda chức năng và Cổng API Amazon điểm cuối công cộng được yêu cầu để liên lạc với CRM. Bất cứ khi nào có email mới đến hộp thư đến CRM, CRM sẽ gọi điểm cuối công khai API Gateway, từ đó kích hoạt hàm Lambda để gọi điểm cuối SageMaker riêng tư. Sau đó, chức năng này sẽ chuyển tiếp hoạt động phân loại trở lại CRM thông qua điểm cuối công khai của API Gateway. Để theo dõi hiệu suất của mô hình đã triển khai, chúng tôi triển khai vòng phản hồi giữa CRM và các nhà khoa học dữ liệu để theo dõi các số liệu dự đoán từ mô hình. Hàng tháng, CRM cập nhật dữ liệu lịch sử được sử dụng để thử nghiệm và đào tạo mô hình. Chúng tôi sử dụng Quy trình công việc được quản lý của Amazon cho Luồng khí Apache (Amazon MWAA) làm người lên lịch đào tạo lại hàng tháng cho chúng tôi.
Trong các phần sau, chúng tôi chia nhỏ các bước chuẩn bị dữ liệu, thử nghiệm mô hình và triển khai mô hình một cách chi tiết hơn.
Chuẩn bị dữ liệu
Scalable Capital sử dụng công cụ CRM để quản lý và lưu trữ dữ liệu email. Nội dung email liên quan bao gồm chủ đề, nội dung và ngân hàng giám sát. Có ba nhãn để gán cho mỗi email: email đến từ lĩnh vực kinh doanh nào, hàng đợi nào phù hợp và chủ đề cụ thể của email.
Trước khi bắt đầu đào tạo bất kỳ mô hình NLP nào, chúng tôi đảm bảo rằng dữ liệu đầu vào sạch sẽ và các nhãn được gán theo mong đợi.
Để truy xuất nội dung yêu cầu rõ ràng từ các ứng dụng có khả năng mở rộng, chúng tôi xóa khỏi dữ liệu email thô cũng như văn bản và ký hiệu bổ sung, chẳng hạn như chữ ký email, dấu ấn, trích dẫn của các thư trước đó trong chuỗi email, ký hiệu CSS, v.v. Nếu không, các mô hình được đào tạo trong tương lai của chúng tôi có thể bị giảm hiệu suất.
Nhãn cho email thay đổi theo thời gian khi các nhóm dịch vụ khách hàng có khả năng mở rộng thêm nhãn mới và tinh chỉnh hoặc xóa nhãn hiện có để đáp ứng nhu cầu kinh doanh. Để đảm bảo rằng các nhãn cho dữ liệu đào tạo cũng như các phân loại dự đoán được mong đợi được cập nhật, nhóm khoa học dữ liệu hợp tác chặt chẽ với nhóm dịch vụ khách hàng để đảm bảo tính chính xác của nhãn.
Thử nghiệm mô hình
Chúng tôi bắt đầu thử nghiệm của mình với các dữ liệu được đào tạo trước có sẵn distilbert-base-Đức-vỏ mô hình được xuất bản bởi Ôm Mặt. Bởi vì mô hình được đào tạo trước là mô hình biểu diễn ngôn ngữ có mục đích chung nên chúng tôi có thể điều chỉnh kiến trúc để thực hiện các tác vụ cụ thể ở phía dưới—chẳng hạn như phân loại và trả lời câu hỏi—bằng cách gắn các đầu thích hợp vào mạng nơ-ron. Trong trường hợp sử dụng của chúng tôi, nhiệm vụ tiếp theo mà chúng tôi quan tâm là phân loại trình tự. Nếu không sửa đổi kiến trúc hiện có, chúng tôi quyết định tinh chỉnh ba mô hình được đào tạo trước riêng biệt cho từng danh mục bắt buộc của chúng tôi. Với SageMaker Ôm mặt các vùng chứa Deep Learning (DLC), việc bắt đầu và quản lý các thử nghiệm NLP được thực hiện đơn giản với các vùng chứa Ôm khuôn mặt và API Thử nghiệm SageMaker.
Sau đây là một đoạn mã của train.py
:
Đoạn mã sau đây là công cụ ước tính Ôm Mặt:
Để xác nhận các mô hình tinh chỉnh, chúng tôi sử dụng Điểm F1 do tính chất mất cân bằng của tập dữ liệu email của chúng tôi mà còn để tính toán các số liệu khác như độ chính xác, độ chính xác và khả năng thu hồi. Để API SageMaker Experiments đăng ký số liệu của công việc đào tạo, trước tiên chúng tôi cần ghi nhật ký số liệu vào bảng điều khiển cục bộ của công việc đào tạo, được chọn bởi amazoncloudwatch. Sau đó, chúng tôi xác định định dạng biểu thức chính quy chính xác để ghi lại nhật ký CloudWatch. Các định nghĩa số liệu bao gồm tên của số liệu và xác thực biểu thức chính quy để trích xuất số liệu từ công việc đào tạo:
Là một phần của quá trình lặp lại đào tạo cho mô hình phân loại, chúng tôi sử dụng ma trận nhầm lẫn và báo cáo phân loại để đánh giá kết quả. Hình dưới đây cho thấy ma trận nhầm lẫn cho ngành dự đoán kinh doanh.
Ảnh chụp màn hình sau đây hiển thị ví dụ về báo cáo phân loại cho dự đoán ngành nghề kinh doanh.
Là lần lặp lại thử nghiệm tiếp theo của chúng tôi, chúng tôi sẽ tận dụng đa nhiệm vụ học tập để cải thiện mô hình của chúng tôi. Học đa nhiệm là một hình thức đào tạo trong đó một mô hình học cách giải quyết nhiều nhiệm vụ cùng một lúc vì thông tin được chia sẻ giữa các nhiệm vụ có thể cải thiện hiệu quả học tập. Bằng cách gắn thêm hai đầu phân loại nữa vào kiến trúc distilbert ban đầu, chúng tôi có thể thực hiện tinh chỉnh đa tác vụ, đạt được số liệu hợp lý cho nhóm dịch vụ khách hàng của chúng tôi.
Triển khai mô hình
Trong trường hợp sử dụng của chúng tôi, trình phân loại email sẽ được triển khai đến điểm cuối mà hệ thống CRM của chúng tôi có thể gửi một loạt email chưa được phân loại và nhận lại dự đoán. Bởi vì chúng ta có các logic khác—chẳng hạn như làm sạch dữ liệu đầu vào và dự đoán đa tác vụ—ngoài suy luận mô hình Ôm Mặt, chúng ta cần viết một tập lệnh suy luận tùy chỉnh tuân theo Tiêu chuẩn SageMaker.
Sau đây là một đoạn mã của inference.py
:
Khi mọi thứ đã sẵn sàng, chúng tôi sử dụng SageMaker Pipelines để quản lý quy trình đào tạo và gắn nó vào cơ sở hạ tầng để hoàn tất quá trình thiết lập MLOps.
Để theo dõi hiệu suất của mô hình đã triển khai, chúng tôi xây dựng một vòng phản hồi để cho phép CRM cung cấp cho chúng tôi trạng thái của các email được phân loại khi các trường hợp được đóng lại. Dựa trên thông tin này, chúng tôi thực hiện các điều chỉnh để cải thiện mô hình đã triển khai.
Kết luận
Trong bài đăng này, chúng tôi đã chia sẻ cách SageMaker hỗ trợ nhóm khoa học dữ liệu tại Scalable quản lý vòng đời của dự án khoa học dữ liệu một cách hiệu quả, cụ thể là dự án phân loại email. Vòng đời bắt đầu với giai đoạn đầu tiên của quá trình phân tích và khám phá dữ liệu với SageMaker Studio; chuyển sang thử nghiệm và triển khai mô hình với các DLC đào tạo, suy luận và Ôm mặt của SageMaker; và hoàn thiện với quy trình đào tạo có SageMaker Pipelines được tích hợp với các dịch vụ AWS khác. Nhờ cơ sở hạ tầng này, chúng tôi có thể lặp lại và triển khai các mô hình mới hiệu quả hơn và do đó có thể cải thiện các quy trình hiện có trong Scalable cũng như trải nghiệm của khách hàng.
Để tìm hiểu thêm về Ôm mặt và SageMaker, hãy tham khảo các tài nguyên sau:
Về các tác giả
Tiến sĩ Sandra Schmid là Trưởng phòng Phân tích Dữ liệu tại Scalable GmbH. Cô ấy chịu trách nhiệm về các phương pháp tiếp cận dựa trên dữ liệu và các trường hợp sử dụng trong công ty cùng với các nhóm của mình. Trọng tâm chính của cô là tìm ra sự kết hợp tốt nhất giữa mô hình học máy và khoa học dữ liệu cũng như các mục tiêu kinh doanh để đạt được càng nhiều giá trị và hiệu quả kinh doanh từ dữ liệu càng tốt.
Huy Đặng Nhà khoa học dữ liệu tại Scalable GmbH. Trách nhiệm của anh bao gồm phân tích dữ liệu, xây dựng và triển khai các mô hình học máy cũng như phát triển và duy trì cơ sở hạ tầng cho nhóm khoa học dữ liệu. Trong thời gian rảnh rỗi, anh thích đọc sách, đi bộ đường dài, leo núi và cập nhật những phát triển mới nhất về học máy.
Mia Chang là Kiến trúc sư giải pháp chuyên gia ML cho Dịch vụ web của Amazon. Cô làm việc với khách hàng ở EMEA và chia sẻ các phương pháp hay nhất để chạy khối lượng công việc AI/ML trên đám mây với nền tảng về toán học ứng dụng, khoa học máy tính và AI/ML. Cô tập trung vào khối lượng công việc dành riêng cho NLP và chia sẻ kinh nghiệm của mình với tư cách là diễn giả hội nghị và tác giả sách. Khi rảnh rỗi, cô thích tập yoga, chơi board game và pha cà phê.
Moritz Guertler là Giám đốc điều hành tài khoản trong phân khúc Doanh nghiệp bản địa kỹ thuật số tại AWS. Ông tập trung vào khách hàng trong không gian FinTech và hỗ trợ họ tăng tốc đổi mới thông qua cơ sở hạ tầng đám mây an toàn và có thể mở rộng.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
- PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
- Trung tâmESG. Ô tô / Xe điện, Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
- PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
- ChartPrime. Nâng cao trò chơi giao dịch của bạn với ChartPrime. Truy cập Tại đây.
- BlockOffsets. Hiện đại hóa quyền sở hữu bù đắp môi trường. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/accelerate-client-success-management-through-email-classification-with-hugging-face-on-amazon-sagemaker/
- : có
- :là
- :không phải
- :Ở đâu
- $ LÊN
- 1
- 100
- 13
- 15%
- 17
- 2021
- 26%
- 32
- 500
- 7
- a
- Có khả năng
- Giới thiệu
- ở trên
- đẩy nhanh tiến độ
- tăng tốc
- Chấp nhận
- truy cập
- chứa
- Theo
- Tài khoản
- Trợ Lý Giám Đốc
- chính xác
- Đạt được
- ngang qua
- tích cực
- hành vi
- thích ứng
- thêm vào
- Ngoài ra
- điều chỉnh
- nhận nuôi
- Lợi thế
- Sau
- sau đó
- đại lý
- AI / ML
- nhằm mục đích
- cho phép
- Ngoài ra
- đàn bà gan dạ
- Amazon SageMaker
- Amazon Web Services
- trong số
- an
- phân tích
- phân tích
- và
- bất kì
- Apache
- api
- áp dụng
- cách tiếp cận
- thích hợp
- phê duyệt
- phê duyệt
- kiến trúc
- LÀ
- đối số
- AS
- giao
- At
- đính kèm
- tác giả
- Tự động
- có sẵn
- AWS
- trở lại
- lý lịch
- Ngân hàng
- cơ sở
- dựa
- cơ sở
- BE
- bởi vì
- được
- được
- Lợi ích
- BEST
- thực hành tốt nhất
- giữa
- bảng
- Board Games
- thân hình
- cuốn sách
- Chi nhánh
- Nghỉ giải lao
- môi giới
- xây dựng
- Xây dựng
- xây dựng
- kinh doanh
- các doanh nghiệp
- nhưng
- by
- CAN
- vốn
- Capital's
- nắm bắt
- bị bắt
- mang
- trường hợp
- trường hợp
- đố
- chuỗi
- phân loại
- phân loại
- Làm sạch
- khách hàng
- khách hàng
- Leo núi
- Đóng
- đóng cửa
- đám mây
- cơ sở hạ tầng đám mây
- mã
- cơ sở mã
- mã số
- Cà Phê
- hợp tác
- kết hợp
- đến
- cam kết
- giao tiếp
- công ty
- Của công ty
- so sánh
- hoàn thành
- Hoàn thành
- các thành phần
- Tính
- máy tính
- Khoa học Máy tính
- Hội nghị
- nhầm lẫn
- thích hợp
- bao gồm
- An ủi
- Container
- nội dung
- nội dung
- sửa chữa
- CRM
- CSS
- người trông coi
- khách hàng
- khách hàng
- khách hàng
- tiền thưởng
- dữ liệu
- phân tích dữ liệu
- Phân tích dữ liệu
- Chuẩn bị dữ liệu
- khoa học dữ liệu
- nhà khoa học dữ liệu
- hướng dữ liệu
- Ngày
- quyết định
- quyết định
- dành riêng
- sâu
- học kĩ càng
- Mặc định
- định nghĩa
- xác định
- các định nghĩa
- dân chủ hóa
- chứng minh
- triển khai
- triển khai
- triển khai
- triển khai
- triển khai
- Thiết kế
- chi tiết
- phát triển
- phát triển
- Phát triển
- phát triển
- khác nhau
- kỹ thuật số
- quản lý tài sản kỹ thuật số
- xuống
- hai
- mỗi
- dễ dàng
- hiệu quả
- hiệu quả
- khác
- EMEA
- nhân viên
- cho phép
- Điểm cuối
- tham gia
- đảm bảo
- Môi trường
- kỷ nguyên
- đặc biệt
- Châu Âu
- đánh giá
- đánh giá
- Sự kiện
- tất cả mọi thứ
- phát triển
- kiểm tra
- ví dụ
- Xuất sắc
- điều hành
- hiện tại
- kỳ vọng
- mong đợi
- dự kiến
- kinh nghiệm
- kinh nghiệm
- Kinh nghiệm
- thử nghiệm
- thí nghiệm
- thăm dò
- Phân tích dữ liệu thăm dò
- khám phá
- thêm
- f1
- Đối mặt
- tạo điều kiện
- tạo điều kiện
- Thời trang
- nhanh hơn
- nhanh nhất
- phát triển nhanh nhất
- thông tin phản hồi
- Hình
- tài chính
- tìm kiếm
- fintech
- fintechs
- Tên
- những bước đầu tiên
- bằng phẳng
- Tập trung
- tập trung
- tiếp theo
- Trong
- hình thức
- định dạng
- Miễn phí
- từ
- chức năng
- tương lai
- Thu được
- Trò chơi
- cửa ngõ
- mục đích chung
- tạo ra
- được
- GitHub
- GMBH
- Các mục tiêu
- Phát triển
- Khách
- Bài đăng của Khách
- có
- Có
- he
- cái đầu
- đứng đầu
- cô
- của mình
- lịch sử
- tổ chức
- Độ đáng tin của
- HTML
- http
- HTTPS
- Hàng trăm
- xác định
- if
- thực hiện
- thực hiện
- nâng cao
- in
- bao gồm
- Incoming
- Tăng lên
- tăng
- thông tin
- Cơ sở hạ tầng
- ban đầu
- sự đổi mới
- sáng tạo
- đầu vào
- Yêu cầu
- yêu
- tích hợp
- Thông minh
- quan tâm
- trong
- giới thiệu
- Đầu tư
- đầu tư
- viện dẫn
- IT
- sự lặp lại
- ITS
- Việc làm
- json
- Giữ
- Key
- nhãn
- Nhãn
- Ngôn ngữ
- lớn nhất
- mới nhất
- hàng đầu
- LEARN
- học tập
- vòng đời
- Dòng
- tải
- địa phương
- đăng nhập
- đăng nhập
- tìm kiếm
- sự mất
- máy
- học máy
- thực hiện
- Duy trì
- làm cho
- Làm
- quản lý
- quản lý
- quản lý
- quản lý
- thị trường
- thị trường
- toán học
- Matrix
- đi
- sự kiện hợp nhất
- tin nhắn
- phương pháp
- số liệu
- Metrics
- Might
- ML
- MLOps
- kiểu mẫu
- mô hình
- hiện đại
- Màn Hình
- hàng tháng
- chi tiết
- di chuyển
- nhiều
- nhiều
- tên
- cụ thể là
- tự nhiên
- Tự nhiên
- Xử lý ngôn ngữ tự nhiên
- Thiên nhiên
- Cần
- nhu cầu
- mạng
- thần kinh
- mạng lưới thần kinh
- Mới
- tiếp theo
- nlp
- máy tính xách tay
- tại
- con số
- of
- Cung cấp
- on
- ONE
- những
- có thể
- hoạt động
- or
- gọi món
- nguyên
- Nền tảng khác
- nếu không thì
- vfoXNUMXfipXNUMXhfpiXNUMXufhpiXNUMXuf
- ra
- đầu ra
- bên ngoài
- kết thúc
- một phần
- tham gia
- Thực hiện
- hiệu suất
- giai đoạn
- đã chọn
- đường ống dẫn
- nền tảng
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- có thể
- Bài đăng
- thực hành
- Độ chính xác
- dự đoán
- Dự đoán
- chuẩn bị
- trước
- chính
- riêng
- quá trình
- Quy trình
- xử lý
- Sản xuất
- Sản lượng
- năng suất
- Sản phẩm
- dự án
- dự án
- đúng
- nguyên mẫu
- cho
- cung cấp
- công khai
- công bố
- mục đích
- Đẩy
- câu hỏi
- Mau
- dấu ngoặc kép
- nâng cao
- Tỷ lệ
- Nguyên
- đạt
- Đọc
- Reading
- sẵn sàng
- hợp lý
- nhận
- hồ sơ
- Giảm
- xem
- lọc
- biểu thức chính quy
- ghi danh
- đăng ký
- có liên quan
- đáng tin cậy
- xa
- tẩy
- báo cáo
- đại diện
- yêu cầu
- yêu cầu
- cần phải
- quyết định
- Thông tin
- mà
- đáp ứng
- phản ứng
- phản ứng
- trách nhiệm
- chịu trách nhiệm
- kết quả
- trở lại
- mạnh mẽ
- Đá
- chạy
- nhà làm hiền triết
- Đường ống SageMaker
- tương tự
- khả năng mở rộng
- Quy mô
- Khoa học
- Nhà khoa học
- các nhà khoa học
- kịch bản
- Phần
- phần
- an toàn
- phân khúc
- gửi
- riêng biệt
- Trình tự
- phục vụ
- dịch vụ
- DỊCH VỤ
- thiết lập
- hình
- chia sẻ
- cổ phiếu
- chị ấy
- Chương trình
- Chữ ký
- Đơn giản
- đồng thời
- kỹ năng
- nhỏ hơn
- đoạn
- So
- giải pháp
- Giải pháp
- động SOLVE
- sớm
- Không gian
- Loa
- chuyên gia
- chuyên gia
- riêng
- đặc biệt
- Traineeship
- Bắt đầu
- Bắt đầu
- bắt đầu
- nhà nước-of-the-art
- Trạng thái
- ở lại
- Bước
- Các bước
- là gắn
- lưu trữ
- lưu trữ
- hợp lý hóa
- phòng thu
- Tiêu đề
- thành công
- như vậy
- Hỗ trợ
- chắc chắn
- Hãy
- Nhiệm vụ
- nhiệm vụ
- nhóm
- đội
- Kỹ thuật
- hàng chục
- thử nghiệm
- Kiểm tra
- văn bản
- hơn
- Cảm ơn
- việc này
- Sản phẩm
- cung cấp their dịch
- Them
- sau đó
- Đó
- vì thế
- họ
- điều này
- hàng ngàn
- số ba
- Thông qua
- thời gian
- đến
- bên nhau
- công cụ
- chủ đề
- ngọn đuốc
- theo dõi
- Giao dịch
- NỀN TẢNG GIAO DỊCH
- Train
- đào tạo
- Hội thảo
- biến áp
- máy biến áp
- rất nhiều
- XOAY
- hai
- kiểu
- loại
- Cập nhật
- us
- sử dụng
- ca sử dụng
- đã sử dụng
- người sử dang
- Kinh nghiệm người dùng
- sử dụng
- sử dụng
- HIỆU LỰC
- xác nhận
- giá trị
- phiên bản
- Đợi
- là
- we
- Wealth
- quản lý tài sản
- web
- các dịch vụ web
- TỐT
- là
- khi nào
- bất cứ khi nào
- cái nào
- trong khi
- với
- ở trong
- không có
- quy trình làm việc
- Luồng công việc
- công trinh
- viết
- Yoga
- zephyrnet