Xác định giá trị của nhà ở là một ví dụ cổ điển về việc sử dụng máy học (ML). Harrison và Rubinfeld (1978) đã có ảnh hưởng đáng kể khi xuất bản một bài báo và tập dữ liệu đột phá được biết đến một cách không chính thức là tập dữ liệu nhà ở ở Boston. Công trình quan trọng này đã đề xuất một phương pháp ước tính giá nhà ở theo nhiều khía cạnh, bao gồm cả chất lượng không khí, vốn là trọng tâm chính trong nghiên cứu của họ. Gần 50 năm sau, việc ước tính giá nhà đất đã trở thành một công cụ giảng dạy quan trọng cho sinh viên và các chuyên gia quan tâm đến việc sử dụng dữ liệu và ML trong việc ra quyết định kinh doanh.
Trong bài đăng này, chúng tôi thảo luận về việc sử dụng mô hình nguồn mở được thiết kế đặc biệt cho nhiệm vụ trả lời câu hỏi trực quan (VQA). Với VQA, bạn có thể đặt câu hỏi cho bức ảnh bằng ngôn ngữ tự nhiên và nhận được câu trả lời cho câu hỏi của mình—cũng bằng ngôn ngữ đơn giản. Mục tiêu của chúng tôi trong bài đăng này là truyền cảm hứng và chứng minh những gì có thể làm được khi sử dụng công nghệ này. Chúng tôi đề xuất sử dụng khả năng này với Amazon SageMaker nền tảng dịch vụ để cải thiện độ chính xác của mô hình hồi quy trong trường hợp sử dụng ML và độc lập để gắn thẻ tự động cho hình ảnh trực quan.
Chúng tôi cung cấp một tương ứng YouTube video điều đó chứng tỏ những gì được thảo luận ở đây. Quá trình phát lại video sẽ bắt đầu giữa chừng để làm nổi bật điểm nổi bật nhất. Chúng tôi khuyên bạn nên theo dõi bài đọc này kèm theo video để củng cố và hiểu rõ hơn về khái niệm này.
Mô hình nền tảng
Giải pháp này tập trung vào việc sử dụng mô hình nền tảng được xuất bản lên kho lưu trữ mô hình Ôm Mặt. Ở đây, chúng tôi sử dụng thuật ngữ mô hình nền tảng để mô tả khả năng trí tuệ nhân tạo (AI) đã được đào tạo trước trên một lượng dữ liệu lớn và đa dạng. Các mô hình nền tảng đôi khi có thể sẵn sàng để sử dụng mà không cần phải đào tạo mô hình từ con số 0. Một số mô hình nền tảng có thể được tinh chỉnh, nghĩa là dạy cho chúng các mẫu bổ sung phù hợp với doanh nghiệp của bạn nhưng còn thiếu trong mô hình ban đầu, được công bố tổng quát. Đôi khi cần phải tinh chỉnh để đưa ra phản hồi chính xác dành riêng cho trường hợp sử dụng hoặc nội dung kiến thức của bạn.
Trong tạp chí Ôm mặt kho lưu trữ, có một số mô hình VQA để lựa chọn. Chúng tôi đã chọn mô hình có nhiều lượt tải xuống nhất tại thời điểm viết bài này. Mặc dù bài đăng này thể hiện khả năng sử dụng mô hình từ kho lưu trữ mô hình nguồn mở, nhưng khái niệm tương tự sẽ áp dụng cho mô hình bạn đã đào tạo từ đầu hoặc được sử dụng từ một nhà cung cấp đáng tin cậy khác.
Một cách tiếp cận hiện đại cho trường hợp sử dụng cổ điển
Ước tính giá nhà theo truyền thống được thực hiện thông qua dữ liệu dạng bảng trong đó các đặc điểm của tài sản được sử dụng để thông báo giá. Mặc dù có thể có hàng trăm đặc điểm cần xem xét, một số ví dụ cơ bản là kích thước của ngôi nhà trong không gian hoàn thiện, số phòng ngủ và phòng tắm cũng như vị trí của ngôi nhà.
Học máy có khả năng kết hợp các nguồn đầu vào đa dạng ngoài dữ liệu dạng bảng, chẳng hạn như âm thanh, hình ảnh tĩnh, video chuyển động và ngôn ngữ tự nhiên. Trong AI, thuật ngữ đa phương thức đề cập đến việc sử dụng nhiều loại phương tiện khác nhau, chẳng hạn như hình ảnh và dữ liệu dạng bảng. Trong bài đăng này, chúng tôi trình bày cách sử dụng dữ liệu đa phương thức để tìm và giải phóng giá trị ẩn bị nhốt trong nguồn thải kỹ thuật số dồi dào do thế giới hiện đại ngày nay tạo ra.
Với ý tưởng này, chúng tôi chứng minh việc sử dụng các mô hình nền tảng để trích xuất các đặc điểm tiềm ẩn từ hình ảnh của tài sản. Bằng cách sử dụng những hiểu biết sâu sắc có trong hình ảnh, trước đây không có trong dữ liệu dạng bảng, chúng tôi có thể cải thiện độ chính xác của mô hình. Cả hình ảnh và dữ liệu dạng bảng được thảo luận trong bài đăng này ban đầu đều được cung cấp và xuất bản lên GitHub của Ahmed và Moustafa (2016).
một bưc tranh đang gia ngan lơi noi
Bây giờ chúng ta đã hiểu được khả năng của VQA, chúng ta hãy xem xét hai hình ảnh nhà bếp sau đây. Bạn đánh giá giá trị ngôi nhà từ những hình ảnh này như thế nào? Một số câu hỏi bạn sẽ tự hỏi mình là gì? Mỗi bức tranh có thể gợi ra hàng tá câu hỏi trong đầu bạn. Một số câu hỏi đó có thể dẫn đến những câu trả lời có ý nghĩa giúp cải thiện quá trình định giá nhà.
Nguồn ảnh Francesca Tosolini (L) và Sidekix Media (R) trên Bapt
Bảng sau đây cung cấp các ví dụ giai thoại về tương tác VQA bằng cách hiển thị các câu hỏi cùng với câu trả lời tương ứng. Câu trả lời có thể ở dạng phản hồi phân loại, giá trị liên tục hoặc nhị phân.
Câu hỏi mẫu | Câu trả lời mẫu từ Foundation Model |
Mặt bàn được làm từ gì? | đá granit, gạch, đá cẩm thạch, laminate, vv. |
Đây có phải là một nhà bếp đắt tiền? | có không |
Có bao nhiêu bồn rửa riêng biệt? | 0, 1, 2 |
Kiến trúc tham khảo
Trong bài đăng này, chúng tôi sử dụng Trình sắp xếp dữ liệu Amazon SageMaker để đặt một bộ câu hỏi trực quan thống nhất cho hàng nghìn bức ảnh trong tập dữ liệu. SageMaker Data Wrangler được xây dựng nhằm mục đích đơn giản hóa quá trình chuẩn bị dữ liệu và kỹ thuật tính năng. Bằng cách cung cấp hơn 300 phép biến đổi tích hợp, SageMaker Data Wrangler giúp giảm thời gian chuẩn bị dữ liệu dạng bảng và hình ảnh cho ML từ vài tuần xuống còn vài phút. Ở đây, SageMaker Data Wrangler kết hợp các tính năng dữ liệu từ tập hợp bảng ban đầu với các tính năng dựa trên ảnh từ mô hình nền tảng để đào tạo mô hình.
Tiếp theo, chúng tôi xây dựng mô hình hồi quy bằng cách sử dụng Canvas SageMaker của Amazon. SageMaker Canvas có thể xây dựng mô hình mà không cần viết bất kỳ mã nào và cung cấp kết quả sơ bộ chỉ trong 2–15 phút. Trong phần tiếp theo, chúng tôi cung cấp kiến trúc tham chiếu được sử dụng để thực hiện hướng dẫn giải pháp này.
Nhiều mô hình phổ biến từ Ôm Mặt và các nhà cung cấp khác có thể triển khai chỉ bằng một cú nhấp chuột với Khởi động Amazon SageMaker. Có hàng trăm ngàn mô hình có sẵn trong các kho này. Đối với bài đăng này, chúng tôi chọn một mô hình không có sẵn trong SageMaker JumpStart, mô hình này yêu cầu khách hàng phải triển khai. Như được hiển thị trong hình dưới đây, chúng tôi triển khai mô hình Ôm Mặt để suy luận bằng cách sử dụng Xưởng sản xuất Amazon SageMaker sổ tay. Sổ ghi chép được sử dụng để triển khai điểm cuối cho suy luận theo thời gian thực. Sổ ghi chép sử dụng các nội dung bao gồm mô hình nhị phân Ôm Mặt, một con trỏ tới hình ảnh vùng chứa và tập lệnh inference.py được xây dựng có mục đích phù hợp với đầu vào và đầu ra dự kiến của mô hình. Khi bạn đọc nội dung này, việc kết hợp các mô hình VQA có sẵn có thể thay đổi. Điều quan trọng là phải xem xét các mô hình VQA có sẵn tại thời điểm bạn đọc nội dung này và chuẩn bị triển khai mô hình bạn chọn, mô hình này sẽ có hợp đồng phản hồi và yêu cầu API riêng.
Sau khi mô hình VQA được điểm cuối SageMaker phân phát, chúng tôi sử dụng SageMaker Data Wrangler để điều phối quy trình kết hợp dữ liệu dạng bảng và các tính năng được trích xuất từ hình ảnh kỹ thuật số và định hình lại dữ liệu để đào tạo mô hình. Hình tiếp theo cung cấp cái nhìn về cách thực hiện công việc chuyển đổi dữ liệu quy mô đầy đủ.
Trong hình dưới đây, chúng tôi sử dụng SageMaker Data Wrangler để sắp xếp các tác vụ chuẩn bị dữ liệu và SageMaker Canvas để đào tạo mô hình. Đầu tiên, SageMaker Data Wrangler sử dụng Dịch vụ vị trí của Amazon để chuyển đổi mã ZIP có sẵn trong dữ liệu thô thành các đặc điểm kinh độ và vĩ độ. Thứ hai, SageMaker Data Wrangler có thể điều phối việc gửi hàng nghìn bức ảnh đến điểm cuối được lưu trữ trên SageMaker để suy luận theo thời gian thực, đặt một bộ câu hỏi thống nhất cho mỗi cảnh. Điều này dẫn đến một loạt các tính năng phong phú mô tả các đặc điểm quan sát được trong nhà bếp, phòng tắm, ngoại thất ngôi nhà, v.v. Sau khi dữ liệu đã được SageMaker Data Wrangler chuẩn bị, một tập dữ liệu huấn luyện sẽ có sẵn ở dạng Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3). Sử dụng dữ liệu S3 làm đầu vào, SageMaker Canvas có thể huấn luyện một mô hình chỉ trong 2–15 phút mà không cần viết bất kỳ mã nào.
Chuyển đổi dữ liệu bằng SageMaker Data Wrangler
Ảnh chụp màn hình sau đây hiển thị quy trình làm việc của SageMaker Data Wrangler. Quy trình làm việc bắt đầu với hàng nghìn bức ảnh về các ngôi nhà được lưu trữ trên Amazon S3. Tiếp theo, máy dò hiện trường sẽ xác định khung cảnh, chẳng hạn như nhà bếp hoặc phòng tắm. Cuối cùng, một bộ câu hỏi dành riêng cho từng cảnh sẽ được đặt ra cho các hình ảnh, dẫn đến một tập dữ liệu dạng bảng phong phú hơn có sẵn để đào tạo.
Sau đây là ví dụ về mã chuyển đổi tùy chỉnh SageMaker Data Wrangler được sử dụng để tương tác với mô hình nền móng và lấy thông tin về hình ảnh của nhà bếp. Trong ảnh chụp màn hình trước, nếu bạn chọn nút tính năng nhà bếp, đoạn mã sau sẽ xuất hiện:
Để cân nhắc vấn đề bảo mật, trước tiên bạn phải kích hoạt SageMaker Data Wrangler để gọi điểm cuối thời gian thực SageMaker của bạn thông qua Quản lý truy cập và nhận dạng AWS (TÔI LÀ). Tương tự, mọi tài nguyên AWS mà bạn gọi thông qua SageMaker Data Wrangler sẽ cần có quyền cho phép tương tự.
Cấu trúc dữ liệu trước và sau SageMaker Data Wrangler
Trong phần này, chúng ta thảo luận về cấu trúc của dữ liệu dạng bảng gốc và dữ liệu nâng cao. Dữ liệu nâng cao chứa các tính năng dữ liệu mới liên quan đến trường hợp sử dụng ví dụ này. Trong ứng dụng của bạn, hãy dành thời gian để tưởng tượng bộ câu hỏi đa dạng có sẵn trong hình ảnh của bạn để hỗ trợ nhiệm vụ phân loại hoặc hồi quy của bạn. Ý tưởng là tưởng tượng ra càng nhiều câu hỏi càng tốt và sau đó kiểm tra chúng để đảm bảo chúng mang lại giá trị gia tăng.
Cấu trúc dữ liệu dạng bảng gốc
Như được mô tả trong nguồn Repo GitHub, tập dữ liệu mẫu chứa 535 bản ghi dạng bảng bao gồm bốn hình ảnh cho mỗi thuộc tính. Bảng sau minh họa cấu trúc của dữ liệu dạng bảng gốc.
Đặc tính | Bình luận |
Số lượng phòng ngủ | . |
số phòng tắm | . |
Diện tích (feet vuông) | . |
Mã Vùng | . |
Giá cả | Đây là biến mục tiêu được dự đoán. |
Cấu trúc dữ liệu nâng cao
Bảng sau minh họa cấu trúc dữ liệu nâng cao, chứa một số tính năng mới bắt nguồn từ hình ảnh.
Đặc tính | Bình luận |
Số lượng phòng ngủ | . |
số phòng tắm | . |
Diện tích (feet vuông) | . |
vĩ độ | Được tính bằng cách chuyển mã ZIP gốc vào Dịch vụ định vị của Amazon. Đây là giá trị trung tâm cho ZIP. |
Kinh độ | Được tính bằng cách chuyển mã ZIP gốc vào Dịch vụ định vị của Amazon. Đây là giá trị trung tâm cho ZIP. |
Phòng ngủ có trần hình vòm không? | 0 = không; 1 = có |
Phòng tắm có đắt không? | 0 = không; 1 = có |
Bếp có đắt không? | 0 = không; 1 = có |
Giá cả | Đây là biến mục tiêu được dự đoán. |
Đào tạo mô hình với SageMaker Canvas
Công việc xử lý SageMaker Data Wrangler chuẩn bị đầy đủ và cung cấp toàn bộ tập dữ liệu đào tạo dạng bảng trong Amazon S3. Tiếp theo, SageMaker Canvas giải quyết giai đoạn xây dựng mô hình của vòng đời ML. Canvas bắt đầu bằng việc mở tập huấn luyện S3. Khả năng hiểu được một mô hình thường là yêu cầu quan trọng của khách hàng. Không cần viết mã và chỉ trong vài cú nhấp chuột, SageMaker Canvas cung cấp phản hồi trực quan, phong phú về hiệu suất của mô hình. Như được thấy trong ảnh chụp màn hình ở phần sau, SageMaker Canvas hiển thị cách các tính năng riêng lẻ cung cấp thông tin cho mô hình.
Mô hình được đào tạo với dữ liệu dạng bảng gốc và các đặc điểm bắt nguồn từ hình ảnh bất động sản
Chúng ta có thể thấy từ ảnh chụp màn hình sau đây rằng các tính năng được phát triển từ hình ảnh của cơ sở kinh doanh là quan trọng. Dựa trên những kết quả này, câu hỏi “Nhà bếp này có đắt không” trong bức ảnh có ý nghĩa quan trọng hơn “số phòng ngủ” trong tập hợp bảng ban đầu, với các giá trị tầm quan trọng của đặc điểm lần lượt là 7.08 và 5.498.
Ảnh chụp màn hình sau đây cung cấp thông tin quan trọng về mô hình. Đầu tiên, biểu đồ dư hiển thị hầu hết các điểm trong tập hợp phân cụm xung quanh vùng bóng mờ màu tím. Ở đây, hai ngoại lệ đã được chú thích thủ công bên ngoài SageMaker Canvas cho hình minh họa này. Những giá trị ngoại lệ này thể hiện khoảng cách đáng kể giữa giá trị căn nhà thực sự và giá trị dự đoán. Ngoài ra, R2 giá trị, có phạm vi có thể là 0–100%, được hiển thị ở mức 76%. Điều này cho thấy mô hình không hoàn hảo và không có đủ điểm thông tin để tính toán đầy đủ tất cả các loại nhằm ước tính đầy đủ giá trị ngôi nhà.
Chúng ta có thể sử dụng các ngoại lệ để tìm và đề xuất các tín hiệu bổ sung nhằm xây dựng mô hình toàn diện hơn. Ví dụ: những tài sản ngoại lệ này có thể bao gồm một hồ bơi hoặc nằm trên những khu đất rộng lớn. Tập dữ liệu không bao gồm các tính năng này; tuy nhiên, bạn có thể xác định vị trí dữ liệu này và huấn luyện một mô hình mới có tính năng bổ sung là “có bể bơi”. Lý tưởng nhất là trong lần thử tiếp theo của bạn, R2 giá trị sẽ tăng và giá trị MAE và RMSE sẽ giảm.
Mô hình được đào tạo không có đặc điểm lấy từ hình ảnh bất động sản
Cuối cùng, trước khi chuyển sang phần tiếp theo, hãy cùng khám phá xem các tính năng trong hình ảnh có hữu ích hay không. Ảnh chụp màn hình sau đây cung cấp một mô hình được đào tạo khác của SageMaker Canvas mà không có các tính năng từ mô hình VQA. Chúng tôi thấy tỷ lệ lỗi mô hình đã tăng lên, từ RMSE là 282K lên RMSE là 352K. Từ đó, chúng ta có thể kết luận rằng ba câu hỏi đơn giản từ hình ảnh đã cải thiện độ chính xác của mô hình khoảng 20%. Không được hiển thị, nhưng để hoàn thiện, R2 giá trị của mẫu sau cũng giảm xuống, giảm xuống giá trị 62% từ giá trị 76% với các tính năng VQA được cung cấp. Đây là ví dụ về cách SageMaker Canvas giúp bạn dễ dàng thử nghiệm nhanh chóng và sử dụng phương pháp tiếp cận dựa trên dữ liệu nhằm tạo ra mô hình phục vụ nhu cầu kinh doanh của bạn.
Nhìn về phía trước
Nhiều tổ chức ngày càng quan tâm đến các mô hình nền tảng, đặc biệt kể từ khi máy biến áp được huấn luyện trước chung (GPT) chính thức trở thành chủ đề được quan tâm chính vào tháng 2022 năm XNUMX. Phần lớn sự quan tâm đến các mô hình nền tảng tập trung vào các nhiệm vụ mô hình ngôn ngữ lớn (LLM) ; tuy nhiên, có sẵn các trường hợp sử dụng đa dạng khác, chẳng hạn như thị giác máy tính và hẹp hơn là nhiệm vụ VQA chuyên biệt được mô tả ở đây.
Bài đăng này là một ví dụ để truyền cảm hứng cho việc sử dụng dữ liệu đa phương thức để giải quyết các trường hợp sử dụng trong ngành. Mặc dù chúng tôi đã chứng minh việc sử dụng và lợi ích của VQA trong mô hình hồi quy, nhưng nó cũng có thể được sử dụng để gắn nhãn và gắn thẻ hình ảnh cho việc định tuyến quy trình công việc hoặc tìm kiếm tiếp theo. Hãy tưởng tượng bạn có thể tìm kiếm các bất động sản được rao bán hoặc cho thuê. Giả sử bạn muốn tìm một căn nhà có sàn lát gạch hoặc mặt bàn bằng đá cẩm thạch. Ngày nay, bạn có thể phải lấy một danh sách dài các thuộc tính ứng cử viên và tự lọc theo từng ứng cử viên. Thay vào đó, hãy tưởng tượng bạn có thể lọc danh sách chứa các tính năng này—ngay cả khi một người không gắn thẻ chúng một cách rõ ràng. Trong ngành bảo hiểm, hãy tưởng tượng khả năng ước tính thiệt hại yêu cầu bồi thường hoặc định tuyến các hành động tiếp theo trong quy trình làm việc kinh doanh từ hình ảnh. Trong các nền tảng truyền thông xã hội, ảnh có thể được tự động gắn thẻ để sử dụng sau.
Tổng kết
Bài đăng này trình bày cách sử dụng thị giác máy tính được hỗ trợ bởi mô hình nền tảng để cải thiện trường hợp sử dụng ML cổ điển bằng cách sử dụng nền tảng SageMaker. Là một phần của giải pháp được đề xuất, chúng tôi đã tìm thấy một mô hình VQA phổ biến có sẵn trên sổ đăng ký mô hình công khai và triển khai nó bằng cách sử dụng điểm cuối SageMaker để suy luận theo thời gian thực.
Tiếp theo, chúng tôi sử dụng SageMaker Data Wrangler để sắp xếp quy trình làm việc trong đó các câu hỏi thống nhất được đặt ra cho hình ảnh nhằm tạo ra một tập hợp dữ liệu dạng bảng phong phú. Cuối cùng, chúng tôi sử dụng SageMaker Canvas để huấn luyện mô hình hồi quy. Điều quan trọng cần lưu ý là tập dữ liệu mẫu rất đơn giản và do đó, thiết kế không hoàn hảo. Mặc dù vậy, SageMaker Canvas giúp bạn dễ dàng hiểu được độ chính xác của mô hình và tìm kiếm các tín hiệu bổ sung để cải thiện độ chính xác của mô hình cơ sở.
Chúng tôi hy vọng bài đăng này đã khuyến khích bạn sử dụng dữ liệu đa phương thức mà tổ chức của bạn có thể sở hữu. Ngoài ra, chúng tôi hy vọng bài đăng đã truyền cảm hứng cho bạn coi việc đào tạo mô hình là một quá trình lặp đi lặp lại. Một mô hình tuyệt vời có thể đạt được với sự kiên nhẫn. Những mô hình gần như hoàn hảo có thể quá tốt để có thể trở thành sự thật, có thể là kết quả của việc rò rỉ mục tiêu hoặc trang bị quá mức. Một kịch bản lý tưởng sẽ bắt đầu bằng một mô hình tốt nhưng không hoàn hảo. Bằng cách sử dụng các lỗi, tổn thất và biểu đồ dư, bạn có thể thu được các tín hiệu dữ liệu bổ sung để tăng độ chính xác từ ước tính cơ sở ban đầu của mình.
AWS cung cấp bộ dịch vụ ML rộng nhất và sâu nhất cũng như cơ sở hạ tầng đám mây hỗ trợ, đưa ML đến tay mọi nhà phát triển, nhà khoa học dữ liệu và chuyên gia thực hành. Nếu bạn tò mò muốn tìm hiểu thêm về nền tảng SageMaker, bao gồm SageMaker Data Wrangler và SageMaker Canvas, vui lòng liên hệ với nhóm tài khoản AWS của bạn và bắt đầu trò chuyện. Ngoài ra, hãy cân nhắc đọc thêm về SageMaker Data Wrangler biến đổi tùy chỉnh.
dự án
Ahmed, EH, & Moustafa, M. (2016). Ước tính giá nhà từ các tính năng trực quan và văn bản. IJCCI 2016-Kỷ yếu của Hội nghị chung quốc tế lần thứ 8 về trí tuệ tính toán, 3, 62–68.
Harrison Jr, D., & Rubinfeld, DL (1978). Giá nhà ở theo chủ nghĩa khoái lạc và nhu cầu về không khí sạch. Tạp chí kinh tế và quản lý môi trường, 5(1), 81-102.
Kim, W., Son, B. & Kim, I.. (2021). ViLT: Bộ chuyển đổi ngôn ngữ và thị giác không cần tích hợp hoặc giám sát khu vực. Kỷ yếu của Hội nghị quốc tế lần thứ 38 về học máy, trong Kỷ yếu nghiên cứu học máy. 139:5583-5594.
Giới thiệu về Tác giả
Charles Laughlin là Kiến trúc sư giải pháp chuyên gia AI/ML chính và làm việc trong nhóm dịch vụ Amazon SageMaker tại AWS. Anh giúp định hình lộ trình dịch vụ và cộng tác hàng ngày với nhiều khách hàng AWS khác nhau để giúp chuyển đổi hoạt động kinh doanh của họ bằng cách sử dụng các công nghệ AWS tiên tiến và tư duy lãnh đạo. Charles có bằng Thạc sĩ Quản lý Chuỗi Cung ứng và bằng Tiến sĩ. trong Khoa học dữ liệu.
- 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. 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.
- nguồn: https://aws.amazon.com/blogs/machine-learning/use-foundation-models-to-improve-model-accuracy-with-amazon-sagemaker/
- : có
- :là
- :không phải
- :Ở đâu
- $ LÊN
- 08
- 1
- 100
- 2016
- 2021
- 2022
- 32
- 49
- 50
- 50 năm
- 7
- 8
- 8th
- a
- có khả năng
- Có khả năng
- Giới thiệu
- phong phú
- truy cập
- Tài khoản
- chính xác
- đạt được
- hành động
- thêm vào
- Ngoài ra
- địa chỉ
- Sau
- ahmed
- AI
- AI / ML
- KHÔNG KHÍ
- Tất cả
- cho phép
- gần như
- bên cạnh
- Ngoài ra
- Mặc dù
- đàn bà gan dạ
- Amazon SageMaker
- Amazon Web Services
- amp
- an
- và
- Một
- trả lời
- câu trả lời
- bất kì
- api
- xuất hiện
- Các Ứng Dụng
- Đăng Nhập
- phương pháp tiếp cận
- kiến trúc
- LÀ
- xung quanh
- Mảng
- nhân tạo
- trí tuệ nhân tạo
- Trí tuệ nhân tạo (AI)
- AS
- xin
- yêu cầu
- đánh giá
- Tài sản
- At
- nỗ lực
- âm thanh
- Tự động
- có sẵn
- AWS
- dựa
- Baseline
- BE
- đã trở thành
- trở nên
- trở thành
- được
- trước
- bắt đầu
- được
- hưởng lợi
- giữa
- Ngoài
- thân hình
- boston
- cả hai
- xây dựng
- Xây dựng
- được xây dựng trong
- gánh nặng
- kinh doanh
- các doanh nghiệp
- nhưng
- by
- cuộc gọi
- CAN
- ứng cử viên
- vải
- khả năng
- khả năng
- có khả năng
- trường hợp
- trường hợp
- Trần nhà
- trung tâm
- Trung tâm
- chuỗi
- thay đổi
- đặc điểm
- Charles
- Chọn
- xin
- cổ điển
- phân loại
- giống cá lăng
- đám mây
- cơ sở hạ tầng đám mây
- tập hợp
- mã
- mã số
- hợp tác
- màu sắc
- kết hợp
- Đến
- hoàn thành
- toàn diện
- tính toán
- máy tính
- Tầm nhìn máy tính
- khái niệm
- kết luận
- Hội nghị
- Hãy xem xét
- xem xét
- chứa
- Container
- chứa
- liên tục
- hợp đồng
- Conversation
- chuyển đổi
- phối hợp
- sửa chữa
- Tương ứng
- có thể
- tín dụng
- tò mò
- khách hàng
- khách hàng
- khách hàng
- tiên tiến
- tiền thưởng
- dữ liệu
- Chuẩn bị dữ liệu
- khoa học dữ liệu
- nhà khoa học dữ liệu
- tập dữ liệu
- Cấu trúc dữ liệu
- hướng dữ liệu
- Tháng mười hai
- Ra quyết định
- giảm
- sâu nhất
- cung cấp
- Nhu cầu
- chứng minh
- chứng minh
- chứng minh
- triển khai
- triển khai
- triển khai
- Nguồn gốc
- mô tả
- mô tả
- Thiết kế
- thiết kế
- xác định
- phát triển
- Nhà phát triển
- kỹ thuật số
- kích thước
- thảo luận
- thảo luận
- khác nhau
- do
- làm
- Không
- Tải xuống
- hàng chục
- Rơi
- e
- mỗi
- dễ dàng
- Kinh tế
- cho phép
- kích hoạt
- khuyến khích
- Điểm cuối
- Kỹ Sư
- nâng cao
- đủ
- Toàn bộ
- môi trường
- lôi
- lỗi
- đặc biệt
- ước tính
- vv
- Ngay cả
- Mỗi
- ví dụ
- ví dụ
- dự kiến
- đắt tiền
- thử nghiệm
- chuyên gia
- rõ ràng
- khám phá
- trích xuất
- Đối mặt
- Đặc tính
- Tính năng
- thông tin phản hồi
- Đôi chân
- vài
- Hình
- lọc
- Cuối cùng
- Tìm kiếm
- Tên
- Sàn nhà
- Tập trung
- theo
- tiếp theo
- sau
- Trong
- hình thức
- tìm thấy
- Nền tảng
- 4
- từ
- toàn quy mô
- đầy đủ
- chức năng
- chức năng
- cơ bản
- Thu được
- khoảng trống
- Tổng Quát
- tạo ra
- được
- mục tiêu
- tốt
- đồ thị
- tuyệt vời
- đột phá
- hướng dẫn
- Tay bài
- Có
- he
- giúp đỡ
- hữu ích
- giúp
- tại đây
- Thành viên ẩn danh
- Đánh dấu
- giữ
- Trang Chủ
- Homes
- mong
- tổ chức
- House
- nhà ở
- Độ đáng tin của
- Hướng dẫn
- Tuy nhiên
- http
- HTTPS
- Hàng trăm
- i
- ý tưởng
- lý tưởng
- lý tưởng
- Bản sắc
- if
- minh họa
- hình ảnh
- hình ảnh
- hình ảnh
- nhập khẩu
- tầm quan trọng
- quan trọng
- nâng cao
- cải thiện
- in
- bao gồm
- bao gồm
- Bao gồm
- kết hợp
- Tăng lên
- tăng
- lên
- độc lập
- chỉ
- ngành công nghiệp
- ảnh hưởng
- báo
- thông tin
- Cơ sở hạ tầng
- ban đầu
- đầu vào
- những hiểu biết
- truyền cảm hứng
- lấy cảm hứng từ
- thay vì
- bảo hiểm
- Sự thông minh
- tương tác
- tương tác
- quan tâm
- quan tâm
- Quốc Tế
- trong
- IT
- ITS
- Việc làm
- chung
- jpg
- json
- Key
- Kim
- kiến thức
- nổi tiếng
- nhãn
- Quốc gia
- Ngôn ngữ
- lớn
- một lát sau
- dẫn
- Lãnh đạo
- LEARN
- học tập
- vòng đời
- Danh sách
- Liệt kê
- Các bảng liệt kê
- ít
- LLM
- nằm
- địa điểm thư viện nào
- khóa
- dài
- thiệt hại
- máy
- học máy
- thực hiện
- Mainstream
- làm cho
- LÀM CHO
- quản lý
- thủ công
- nhiều
- diêm
- Có thể..
- có ý nghĩa
- có nghĩa
- Phương tiện truyền thông
- phương pháp
- đường giữa
- Might
- tâm
- Phút
- mất tích
- pha
- ML
- kiểu mẫu
- mô hình
- hiện đại
- chi tiết
- hầu hết
- chuyển động
- di chuyển
- phải
- Tự nhiên
- Cần
- cần thiết
- Mới
- Các tính năng mới
- tiếp theo
- Không
- nút
- máy tính xách tay
- con số
- nhiều
- được
- xảy ra
- of
- Cung cấp
- Chính thức
- thường
- on
- có thể
- mã nguồn mở
- mở
- or
- gọi món
- cơ quan
- tổ chức
- nguyên
- ban đầu
- Nền tảng khác
- vfoXNUMXfipXNUMXhfpiXNUMXufhpiXNUMXuf
- ra
- ngoại lệ
- đầu ra
- bên ngoài
- riêng
- Giấy
- một phần
- Đi qua
- Kiên nhẫn
- mô hình
- mỗi
- hoàn hảo
- hiệu suất
- có lẽ
- quyền
- người
- giai đoạn
- hình chụp
- Hình ảnh
- hình ảnh
- Những bức ảnh
- đường ống dẫn
- Trơn
- nền tảng
- Nền tảng
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- xin vui lòng
- Điểm
- điểm
- hồ bơi
- Phổ biến
- phần
- có
- có thể
- Bài đăng
- dự đoán
- sơ bộ
- chuẩn bị
- Chuẩn bị
- chuẩn bị
- Chuẩn bị
- trước đây
- giá
- Giá
- Hiệu trưởng
- Kỷ yếu
- quá trình
- xử lý
- Sản xuất
- chuyên gia
- tài sản
- tài sản
- đề xuất
- đề xuất
- cho
- cung cấp
- nhà cung cấp dịch vụ
- nhà cung cấp
- cung cấp
- cung cấp
- công khai
- công bố
- Đặt
- chất lượng
- câu hỏi
- Câu hỏi
- Mau
- R
- phạm vi
- Tỷ lệ
- Nguyên
- đạt
- Đọc
- Reading
- sẵn sàng
- thời gian thực
- nhận
- hồ sơ
- giảm
- tài liệu tham khảo
- đề cập
- khu
- đăng ký
- củng cố
- tương đối
- có liên quan
- Thuê
- kho
- đại diện
- yêu cầu
- yêu cầu
- đòi hỏi
- nghiên cứu
- định hình lại
- Nơi cư trú
- Thông tin
- tương ứng
- phản ứng
- phản ứng
- kết quả
- kết quả
- Kết quả
- trở lại
- xem xét
- Giàu
- giàu hơn
- lộ trình
- Route
- định tuyến
- chạy
- thời gian chạy
- s
- nhà làm hiền triết
- bán
- tương tự
- Tập dữ liệu mẫu
- kịch bản
- bối cảnh
- Khoa học
- Nhà khoa học
- scott
- kịch bản
- Tìm kiếm
- Thứ hai
- Phần
- an ninh
- xem
- Tìm kiếm
- đã xem
- chọn
- gửi
- phục vụ
- phục vụ
- dịch vụ
- DỊCH VỤ
- định
- một số
- Hình dạng
- hiển thị
- thể hiện
- Chương trình
- Thị giác
- tín hiệu
- có ý nghĩa
- tương tự
- Tương tự
- Đơn giản
- đơn giản hóa
- kể từ khi
- duy nhất
- Kích thước máy
- So
- Mạng xã hội
- truyền thông xã hội
- phương tiện truyền thông xã hội nền tảng
- giải pháp
- động SOLVE
- một số
- đôi khi
- Con trai
- nguồn
- nguồn
- Không gian
- chuyên gia
- chuyên nghành
- đặc biệt
- vuông
- Bắt đầu
- Vẫn còn
- là gắn
- lưu trữ
- đơn giản
- cấu trúc
- cấu trúc
- Sinh viên
- tiếp theo
- như vậy
- đề nghị
- giám sát
- cung cấp
- chuỗi cung ứng
- quản lý chuỗi cung ứng
- Hỗ trợ
- chắc chắn
- bàn
- TAG
- Hãy
- mất
- Mục tiêu
- Nhiệm vụ
- nhiệm vụ
- Giảng dạy
- nhóm
- Công nghệ
- Công nghệ
- kỳ hạn
- thử nghiệm
- văn bản
- hơn
- việc này
- Sản phẩm
- Nguồn
- cung cấp their dịch
- Them
- sau đó
- Đó
- vì thế
- Kia là
- họ
- điều
- điều này
- những
- nghĩ
- tư duy lãnh đạo
- nghìn
- hàng ngàn
- số ba
- Thông qua
- thời gian
- đến
- bây giờ
- hôm nay
- quá
- công cụ
- chủ đề
- theo truyền thống
- Train
- đào tạo
- Hội thảo
- Chuyển đổi
- Chuyển đổi
- biến đổi
- biến áp
- máy biến áp
- đúng
- đáng tin cậy
- hai
- kiểu
- loại
- Cuối cùng
- hiểu
- sự hiểu biết
- độc đáo
- Unsplash
- sử dụng
- ca sử dụng
- đã sử dụng
- sử dụng
- sử dụng
- Bằng cách sử dụng
- Định giá
- giá trị
- giá trị gia tăng
- Các giá trị
- biến
- nhiều
- rất
- Video
- Xem
- có thể nhìn thấy
- tầm nhìn
- trực quan
- W
- muốn
- là
- we
- web
- các dịch vụ web
- tuần
- TỐT
- là
- Điều gì
- Là gì
- cái nào
- CHÚNG TÔI LÀ
- sẽ
- cửa sổ
- với
- ở trong
- không có
- gỗ
- Công việc
- quy trình làm việc
- công trinh
- thế giới
- giá trị
- sẽ
- viết
- năm
- sản lượng
- Bạn
- trên màn hình
- mình
- youtube
- zephyrnet
- không
- Zip