Xử lý ngôn ngữ tự nhiên (NLP) là lĩnh vực học máy (ML) liên quan đến việc cung cấp cho máy tính khả năng hiểu văn bản và lời nói giống như con người có thể. Gần đây, các kiến trúc tiên tiến như kiến trúc máy biến áp được sử dụng để đạt được hiệu suất gần giống con người trong các tác vụ hạ nguồn NLP như tóm tắt văn bản, phân loại văn bản, nhận dạng thực thể, v.v.
Các mô hình ngôn ngữ lớn (LLM) là các mô hình dựa trên máy biến áp được đào tạo trên một lượng lớn văn bản không được gắn nhãn với hàng trăm triệu (Chứng nhận) đến hơn một nghìn tỷ tham số (MiCS) và kích thước của nó khiến việc đào tạo GPU đơn trở nên không thực tế. Do tính phức tạp vốn có của chúng, việc đào tạo LLM từ đầu là một nhiệm vụ rất khó khăn mà rất ít tổ chức có thể thực hiện được. Một cách thực hành phổ biến đối với các nhiệm vụ hạ nguồn của NLP là tham gia LLM được đào tạo trước và tinh chỉnh nó. Để biết thêm thông tin về tinh chỉnh, hãy tham khảo Thích ứng miền Tinh chỉnh các Mô hình Nền tảng trong Amazon SageMaker Khởi động về dữ liệu tài chính và Tinh chỉnh các mô hình ngôn ngữ biến áp để đa dạng ngôn ngữ với Khuôn mặt ôm trên Amazon SageMaker.
Học không cần bắn trong NLP cho phép LLM được đào tạo trước để tạo phản hồi cho các nhiệm vụ chưa được đào tạo rõ ràng (ngay cả khi không tinh chỉnh). Nói cụ thể về phân loại văn bản, phân loại văn bản zero-shot là một nhiệm vụ xử lý ngôn ngữ tự nhiên trong đó mô hình NLP được sử dụng để phân loại văn bản từ các lớp không nhìn thấy được, trái ngược với phân loại có giám sát, trong đó các mô hình NLP chỉ có thể phân loại văn bản thuộc các lớp trong dữ liệu huấn luyện.
Gần đây chúng tôi đã triển khai hỗ trợ mô hình phân loại không bắn trong Khởi động Amazon SageMaker. SageMaker JumpStart là trung tâm ML của Amazon SageMaker cung cấp quyền truy cập vào các mô hình nền tảng được đào tạo trước (FM), LLM, thuật toán tích hợp và mẫu giải pháp để giúp bạn nhanh chóng bắt đầu với ML. Trong bài đăng này, chúng tôi trình bày cách bạn có thể thực hiện phân loại không bắn bằng cách sử dụng các mô hình được đào tạo trước trong SageMaker Jumpstart. Bạn sẽ tìm hiểu cách sử dụng SageMaker Jumpstart UI và SageMaker Python SDK để triển khai giải pháp và chạy suy luận bằng cách sử dụng các mô hình có sẵn.
Học zero-shot
Phân loại zero-shot là một mô hình trong đó một mô hình có thể phân loại các ví dụ mới, chưa thấy thuộc về các lớp không có trong dữ liệu huấn luyện. Ví dụ: một mô hình ngôn ngữ đã được đào tạo để hiểu ngôn ngữ của con người có thể được sử dụng để phân loại các tweet về nghị quyết năm mới trên nhiều lớp như career
, health
và finance
, mà không có mô hình ngôn ngữ được đào tạo rõ ràng về nhiệm vụ phân loại văn bản. Điều này trái ngược với việc tinh chỉnh mô hình, vì điều này ngụ ý đào tạo lại mô hình (thông qua học chuyển giao) trong khi học không cần phải đào tạo thêm.
Sơ đồ sau đây minh họa sự khác biệt giữa học chuyển giao (trái) so với học không cần bắn (phải).
Yin và cộng sự. đề xuất một khung để tạo các bộ phân loại không bắn bằng cách sử dụng suy luận ngôn ngữ tự nhiên (NLI). Khung hoạt động bằng cách đặt ra trình tự được phân loại là tiền đề NLI và xây dựng giả thuyết từ mỗi nhãn ứng cử viên. Ví dụ: nếu chúng ta muốn đánh giá xem một chuỗi có thuộc lớp không politics
, chúng ta có thể xây dựng một giả thuyết về “Văn bản này nói về chính trị”. Các xác suất dẫn đến và mâu thuẫn sau đó được chuyển đổi thành xác suất nhãn. Khi xem xét nhanh, NLI xem xét hai câu: tiền đề và giả thuyết. Nhiệm vụ là xác định xem giả thuyết là đúng (đòi hỏi) hay sai (mâu thuẫn) với tiền đề. Bảng sau đây cung cấp một số ví dụ.
Tiền đề | nhãn | Giả thuyết |
Một người đàn ông đang kiểm tra bộ đồng phục của một nhân vật ở một quốc gia Đông Á nào đó. | sự mâu thuẩn | Người đàn ông đang ngủ. |
Một người đàn ông lớn tuổi hơn và trẻ hơn mỉm cười. | Neutral | Hai người đàn ông đang mỉm cười và cười đùa với những chú mèo đang chơi đùa trên sàn nhà. |
Một trò chơi bóng đá có nhiều nam giới chơi. | sự đòi hỏi | Một số người đàn ông đang chơi một môn thể thao. |
Tổng quan về giải pháp
Trong bài đăng này, chúng tôi thảo luận về những điều sau đây:
- Cách triển khai các mô hình phân loại văn bản zero-shot được huấn luyện trước bằng giao diện người dùng SageMaker JumpStart và chạy suy luận trên mô hình đã triển khai bằng cách sử dụng dữ liệu văn bản ngắn
- Cách sử dụng SageMaker Python SDK để truy cập các mô hình phân loại văn bản zero-shot được đào tạo trước trong SageMaker JumpStart và sử dụng tập lệnh suy luận để triển khai mô hình đến điểm cuối SageMaker cho trường hợp sử dụng phân loại văn bản theo thời gian thực
- Cách sử dụng SageMaker Python SDK để truy cập các mô hình phân loại văn bản zero-shot đã được huấn luyện trước và sử dụng biến đổi hàng loạt SageMaker cho trường hợp sử dụng phân loại văn bản hàng loạt
SageMaker JumpStart cung cấp khả năng tinh chỉnh và triển khai chỉ bằng một cú nhấp chuột cho nhiều mô hình được đào tạo trước trong các tác vụ ML phổ biến, cũng như tuyển chọn các giải pháp toàn diện giúp giải quyết các vấn đề kinh doanh phổ biến. Những tính năng này loại bỏ gánh nặng ở mỗi bước của quy trình ML, đơn giản hóa việc phát triển các mô hình chất lượng cao và giảm thời gian triển khai. Các API JumpStart cho phép bạn triển khai theo chương trình và tinh chỉnh nhiều lựa chọn mô hình được đào tạo trước trên bộ dữ liệu của riêng bạn.
Trung tâm mô hình JumpStart cung cấp quyền truy cập vào một số lượng lớn các mô hình NLP cho phép học chuyển giao và tinh chỉnh trên các tập dữ liệu tùy chỉnh. Tính đến thời điểm viết bài này, trung tâm mô hình JumpStart chứa hơn 300 mô hình văn bản trên nhiều mô hình phổ biến, chẳng hạn như Stable Diffusion, Flan T5, Alexa TM, Bloom, v.v.
Lưu ý rằng bằng cách làm theo các bước trong phần này, bạn sẽ triển khai cơ sở hạ tầng có thể phát sinh chi phí cho tài khoản AWS của mình.
Triển khai mô hình phân loại văn bản zero-shot độc lập
Trong phần này, chúng tôi trình bày cách triển khai mô hình phân loại không bắn bằng SageMaker JumpStart. Bạn có thể truy cập các mô hình được đào tạo trước thông qua trang đích JumpStart trong Xưởng sản xuất Amazon SageMaker. Hoàn thành các bước sau:
- Trong SageMaker Studio, hãy mở trang đích JumpStart.
Tham khảo Mở và sử dụng JumpStart để biết thêm chi tiết về cách điều hướng đến SageMaker JumpStart. - Trong tạp chí Mô hình văn bản băng chuyền, hãy tìm thẻ mô hình “Phân loại văn bản không cần chụp”.
- Chọn Xem mô hình để truy cập
facebook-bart-large-mnli
mô hình.
Ngoài ra, bạn có thể tìm kiếm mô hình phân loại không bắn trong thanh tìm kiếm và truy cập mô hình trong SageMaker JumpStart. - Chỉ định cấu hình triển khai, loại phiên bản lưu trữ SageMaker, tên điểm cuối, Dịch vụ lưu trữ đơn giản của Amazon Tên bộ chứa (Amazon S3) và các tham số bắt buộc khác.
- Tùy chọn, bạn có thể chỉ định cấu hình bảo mật như Quản lý truy cập và nhận dạng AWS (IAM), cài đặt VPC và Dịch vụ quản lý khóa AWS Khóa mã hóa (AWS KMS).
- Chọn Triển khai để tạo điểm cuối SageMaker.
Bước này mất vài phút để hoàn thành. Khi hoàn tất, bạn có thể chạy suy luận dựa trên điểm cuối SageMaker lưu trữ mô hình phân loại không bắn.
Trong video sau đây, chúng tôi trình bày hướng dẫn từng bước trong phần này.
Sử dụng JumpStart theo lập trình với SageMaker SDK
Trong phần SageMaker JumpStart của SageMaker Studio, bên dưới Giải pháp bắt đầu nhanh, bạn có thể tìm thấy mẫu giải pháp. Mẫu giải pháp SageMaker JumpStart là giải pháp toàn diện chỉ bằng một cú nhấp chuột cho nhiều trường hợp sử dụng ML phổ biến. Tính đến thời điểm viết bài này, hơn 20 giải pháp có sẵn cho nhiều trường hợp sử dụng, chẳng hạn như dự báo nhu cầu, phát hiện gian lận và đề xuất được cá nhân hóa, cùng một số giải pháp khác.
Giải pháp “Phân loại văn bản không chụp với khuôn mặt ôm” cung cấp cách phân loại văn bản mà không cần đào tạo mô hình cho các nhãn cụ thể (phân loại không bắn) bằng cách sử dụng trình phân loại văn bản được đào tạo trước. Mô hình phân loại zero-shot mặc định cho giải pháp này là facebook-bart-lớn-mnli (BART) mô hình. Đối với giải pháp này, chúng tôi sử dụng Bộ dữ liệu Nghị quyết Năm mới 2015 phân loại các nghị quyết. Một tập hợp con của tập dữ liệu gốc chỉ chứa Resolution_Category
(nhãn sự thật căn bản) và text
các cột được bao gồm trong nội dung của giải pháp.
Dữ liệu đầu vào bao gồm các chuỗi văn bản, danh sách các danh mục mong muốn để phân loại và liệu phân loại đó có đa nhãn hay không để suy luận đồng bộ (thời gian thực). Đối với suy luận không đồng bộ (lô), chúng tôi cung cấp danh sách các chuỗi văn bản, danh sách danh mục cho từng chuỗi và liệu phân loại đó có nhiều nhãn hay không trong tệp văn bản được định dạng dòng JSON.
Kết quả suy luận là một đối tượng JSON trông giống như ảnh chụp màn hình sau.
Chúng tôi có văn bản gốc trong sequence
trường, các nhãn được sử dụng để phân loại văn bản trong labels
trường và xác suất được gán cho mỗi nhãn (theo cùng thứ tự xuất hiện) trong trường scores
.
Để triển khai giải pháp Phân loại văn bản Zero Shot với Ôm mặt, hãy hoàn thành các bước sau:
- Trên trang đích SageMaker JumpStart, chọn Mô hình, sổ tay, lời giải trong khung điều hướng.
- Trong tạp chí Giải pháp phần, chọn Khám phá tất cả giải pháp.
- trên Giải pháp trang, hãy chọn thẻ mô hình Phân loại văn bản Zero Shot với Ôm khuôn mặt.
- Xem lại chi tiết triển khai và nếu bạn đồng ý, hãy chọn Khởi động.
Việc triển khai sẽ cung cấp điểm cuối thời gian thực SageMaker để suy luận theo thời gian thực và bộ chứa S3 để lưu trữ kết quả chuyển đổi hàng loạt.
Sơ đồ sau đây minh họa kiến trúc của phương pháp này.
Thực hiện suy luận thời gian thực bằng mô hình phân loại zero-shot
Trong phần này, chúng tôi xem xét cách sử dụng SDK Python để chạy phân loại văn bản không cần chụp (sử dụng bất kỳ mô hình có sẵn nào) trong thời gian thực bằng cách sử dụng điểm cuối SageMaker.
- Đầu tiên, chúng ta định cấu hình yêu cầu tải trọng suy luận cho mô hình. Điều này phụ thuộc vào mô hình, nhưng đối với mô hình BART, đầu vào là một đối tượng JSON có cấu trúc sau:
- Lưu ý rằng mô hình BART không được đào tạo rõ ràng về
candidate_labels
. Chúng tôi sẽ sử dụng kỹ thuật phân loại zero-shot để phân loại chuỗi văn bản thành các lớp không nhìn thấy được. Đoạn mã sau là ví dụ sử dụng văn bản từ tập dữ liệu về các quyết tâm của Năm Mới và các lớp được xác định: - Tiếp theo, bạn có thể gọi điểm cuối SageMaker với tải trọng không cần bắn. Điểm cuối SageMaker được triển khai như một phần của giải pháp SageMaker JumpStart.
- Đối tượng phản hồi suy luận chứa chuỗi ban đầu, các nhãn được sắp xếp theo điểm từ tối đa đến tối thiểu và điểm trên mỗi nhãn:
Chạy công việc chuyển đổi hàng loạt SageMaker bằng SDK Python
Phần này mô tả cách chạy suy luận biến đổi hàng loạt với phân loại zero-shot facebook-bart-large-mnli
mô hình sử dụng SDK Python của SageMaker. Hoàn thành các bước sau:
- Định dạng dữ liệu đầu vào ở định dạng dòng JSON và tải tệp lên Amazon S3.
Chuyển đổi hàng loạt SageMaker sẽ thực hiện suy luận về các điểm dữ liệu được tải lên trong tệp S3. - Thiết lập các tạo phẩm triển khai mô hình với các tham số sau:
- model_id - Sử dụng
huggingface-zstc-facebook-bart-large-mnli
. - triển khai_image_uri - Sử dụng
image_uris
Hàm SDK Python để lấy hình ảnh SageMaker Docker dựng sẵn chomodel_id
. Hàm trả về Đăng ký container đàn hồi Amazon (Amazon ECR) URI. - triển khai_source_uri – Sử dụng
script_uris
API tiện ích để truy xuất URI S3 chứa các tập lệnh để chạy suy luận mô hình được đào tạo trước. Chúng tôi chỉ địnhscript_scope
asinference
. - người mẫu_uri - Sử dụng
model_uri
để lấy các tạo phẩm mô hình từ Amazon S3 cho mục đích đã chỉ địnhmodel_id
.
- model_id - Sử dụng
- Sử dụng
HF_TASK
để xác định nhiệm vụ cho đường ống máy biến áp Ôm Mặt vàHF_MODEL_ID
để xác định mô hình được sử dụng để phân loại văn bản:Để biết danh sách đầy đủ các nhiệm vụ, hãy xem Đường ống trong tài liệu Ôm Mặt.
- Tạo đối tượng mô hình Ôm Mặt để triển khai với công việc chuyển đổi hàng loạt SageMaker:
- Tạo một biến đổi để chạy một công việc hàng loạt:
- Bắt đầu công việc chuyển đổi hàng loạt và sử dụng dữ liệu S3 làm đầu vào:
Bạn có thể giám sát công việc xử lý hàng loạt của mình trên bảng điều khiển SageMaker (chọn Công việc chuyển đổi hàng loạt Dưới Sự suy luận trong ngăn điều hướng). Khi công việc hoàn tất, bạn có thể kiểm tra đầu ra dự đoán mô hình trong tệp S3 được chỉ định trong output_path
.
Để biết danh sách tất cả các mô hình được đào tạo trước có sẵn trong SageMaker JumpStart, hãy tham khảo Các thuật toán tích hợp với Bảng mô hình được đào tạo trước. Sử dụng từ khóa “zstc” (viết tắt của phân loại văn bản zero-shot) trên thanh tìm kiếm để tìm tất cả các mô hình có khả năng thực hiện phân loại văn bản zero-shot.
Làm sạch
Sau khi bạn chạy xong sổ ghi chép, hãy đảm bảo xóa tất cả tài nguyên được tạo trong quy trình để đảm bảo rằng chi phí phát sinh từ các tài sản được triển khai trong hướng dẫn này sẽ không còn nữa. Mã để dọn dẹp các tài nguyên đã triển khai được cung cấp trong sổ ghi chép liên quan đến mô hình và giải pháp phân loại văn bản không cần chụp.
Cấu hình bảo mật mặc định
Các mô hình SageMaker JumpStart được triển khai bằng các cấu hình bảo mật mặc định sau:
Để tìm hiểu thêm về các chủ đề liên quan đến bảo mật của SageMaker, hãy xem Định cấu hình bảo mật trong Amazon SageMaker.
Kết luận
Trong bài đăng này, chúng tôi đã hướng dẫn bạn cách triển khai mô hình phân loại zero-shot bằng giao diện người dùng SageMaker JumpStart và thực hiện suy luận bằng cách sử dụng điểm cuối đã triển khai. Chúng tôi đã sử dụng giải pháp phân giải năm mới của SageMaker JumpStart để cho thấy cách bạn có thể sử dụng SageMaker Python SDK để xây dựng giải pháp toàn diện và triển khai ứng dụng phân loại không cần thực hiện. SageMaker JumpStart cung cấp quyền truy cập vào hàng trăm mô hình và giải pháp được đào tạo trước cho các tác vụ như thị giác máy tính, xử lý ngôn ngữ tự nhiên, hệ thống đề xuất, v.v. Hãy tự mình thử giải pháp và cho chúng tôi biết suy nghĩ của bạn.
Giới thiệu về tác giả
david laredo là Kiến trúc sư tạo mẫu tại AWS Envision Engineering ở LATAM, nơi ông đã giúp phát triển nhiều nguyên mẫu học máy. Trước đây, anh từng là Kỹ sư máy học và đã làm công việc học máy được hơn 5 năm. Lĩnh vực quan tâm của anh ấy là NLP, chuỗi thời gian và ML từ đầu đến cuối.
Vikram Elango là Kiến trúc sư giải pháp chuyên gia AI/ML tại Amazon Web Services, có trụ sở tại Virginia, Hoa Kỳ. Vikram giúp khách hàng trong ngành tài chính và bảo hiểm có khả năng lãnh đạo về thiết kế và tư duy để xây dựng và triển khai các ứng dụng máy học trên quy mô lớn. Anh hiện đang tập trung vào xử lý ngôn ngữ tự nhiên, AI có trách nhiệm, tối ưu hóa suy luận và mở rộng quy mô ML trên toàn doanh nghiệp. Trong thời gian rảnh rỗi, anh thích đi du lịch, đi bộ đường dài, nấu ăn và cắm trại cùng gia đình.
Tiến sĩ Vivek Madan là một Nhà Khoa học Ứng dụng của nhóm Amazon SageMaker JumpStart. Ông lấy bằng Tiến sĩ tại Đại học Illinois tại Urbana-Champaign và là Nhà nghiên cứu Sau Tiến sĩ tại Georgia Tech. Anh ấy là một nhà nghiên cứu tích cực về học máy và thiết kế thuật toán và đã xuất bản các bài báo trong các hội nghị EMNLP, ICLR, COLT, FOCS và SODA.
- 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/zero-shot-text-classification-with-amazon-sagemaker-jumpstart/
- : có
- :là
- :không phải
- :Ở đâu
- $ LÊN
- 1
- 10
- 100
- 12
- 16
- 17
- 20
- 22
- 30
- 7
- 8
- 9
- a
- có khả năng
- Giới thiệu
- ở trên
- truy cập
- Tài khoản
- Đạt được
- ngang qua
- hoạt động
- thêm vào
- chống lại
- AI
- AI / ML
- AL
- Alexa
- thuật toán
- thuật toán
- Tất cả
- cho phép
- cho phép
- đàn bà gan dạ
- Amazon SageMaker
- Khởi động Amazon SageMaker
- Amazon Web Services
- số lượng
- an
- và
- bất kì
- api
- Các Ứng Dụng
- các ứng dụng
- áp dụng
- kiến trúc
- LÀ
- khu vực
- AS
- Asian
- Tài sản
- giao
- liên kết
- At
- tự động
- có sẵn
- AWS
- thanh
- cơ sở
- dựa
- BE
- được
- được
- thuộc
- giữa
- Hoa
- thân hình
- Sách
- Bữa ăn sáng
- xây dựng
- được xây dựng trong
- kinh doanh
- nhưng
- by
- CAN
- ứng cử viên
- có khả năng
- thẻ
- Tuyển Dụng
- carousel
- trường hợp
- đố
- Mèo
- thách thức
- kiểm tra
- Chọn
- tốt nghiệp lớp XNUMX
- các lớp học
- phân loại
- phân loại
- Phân loại
- mã
- Cột
- Chung
- hoàn thành
- phức tạp
- máy tính
- Tầm nhìn máy tính
- máy tính
- quan tâm
- hội nghị
- Cấu hình
- xem xét
- An ủi
- xây dựng
- Container
- chứa
- Ngược lại
- chuyển đổi
- Chi phí
- có thể
- đất nước
- Couple
- tạo
- tạo ra
- Tạo
- Hiện nay
- khách hàng
- khách hàng
- dữ liệu
- điểm dữ liệu
- bộ dữ liệu
- dành riêng
- Mặc định
- định nghĩa
- xác định
- Nhu cầu
- Dự báo nhu cầu
- chứng minh
- phụ thuộc
- phụ thuộc
- triển khai
- triển khai
- triển khai
- Thiết kế
- mong muốn
- chi tiết
- Phát hiện
- Xác định
- phát triển
- Phát triển
- sự khác biệt
- Lôi thôi
- thảo luận
- SỰ ĐA DẠNG
- phu bến tàu
- tài liệu hướng dẫn
- Không
- làm
- thực hiện
- hai
- E&T
- mỗi
- Đông
- Đào tạo
- cho phép
- mã hóa
- Cuối cùng đến cuối
- Điểm cuối
- ky sư
- Kỹ Sư
- đảm bảo
- Doanh nghiệp
- thực thể
- hình dung
- đánh giá
- Ngay cả
- ví dụ
- ví dụ
- Đối mặt
- sai
- gia đình
- Tính năng
- vài
- lĩnh vực
- Hình
- Tập tin
- tài chính
- tài chính
- Tìm kiếm
- Sàn nhà
- tập trung
- tiếp theo
- Trong
- định dạng
- Nền tảng
- Khung
- gian lận
- phát hiện gian lận
- từ
- chức năng
- trò chơi
- tạo ra
- Georgia
- được
- GitHub
- được
- Cho
- Mặt đất
- Tăng trưởng
- hướng dẫn
- Xử lý
- Có
- he
- cho sức khoẻ
- nặng
- nâng nặng
- giúp đỡ
- đã giúp
- giúp
- chất lượng cao
- của mình
- lưu trữ
- host
- Độ đáng tin của
- Hướng dẫn
- HTML
- http
- HTTPS
- Hub
- Nhân loại
- hài hước
- Hàng trăm
- hàng trăm triệu
- ID
- Bản sắc
- if
- Illinois
- minh họa
- hình ảnh
- thực hiện
- nhập khẩu
- in
- bao gồm
- bao gồm
- ngành công nghiệp
- thông tin
- Cơ sở hạ tầng
- vốn có
- đầu vào
- đầu vào
- ví dụ
- bảo hiểm
- quan tâm
- IT
- Việc làm
- việc làm
- jpg
- json
- Key
- phím
- Biết
- nhãn
- Nhãn
- hạ cánh
- Ngôn ngữ
- lớn
- LATAM
- phát động
- Lãnh đạo
- LEARN
- học tập
- trái
- cho phép
- nâng
- Lượt thích
- Dòng
- dòng
- Danh sách
- LLM
- tải
- NHÌN
- máy
- học máy
- làm cho
- LÀM CHO
- người đàn ông
- quản lý
- nhiều
- tối đa
- Có thể..
- Dành cho Nam
- phương pháp
- hàng triệu
- phút
- Phút
- ML
- kiểu mẫu
- mô hình
- Màn Hình
- chi tiết
- nhiều
- my
- tên
- Tự nhiên
- Xử lý ngôn ngữ tự nhiên
- Điều hướng
- THÔNG TIN
- Cần
- Mới
- năm mới
- nlp
- Không
- máy tính xách tay
- con số
- vật
- of
- on
- có thể
- mở
- tối ưu hóa
- or
- gọi món
- tổ chức
- nguyên
- Nền tảng khác
- ra
- đầu ra
- kết thúc
- riêng
- trang
- cửa sổ
- giấy tờ
- mô hình
- thông số
- một phần
- con đường
- mỗi
- Thực hiện
- hiệu suất
- quyền
- riêng
- Cá nhân
- Bằng tiến sĩ
- TIẾNG VIỆT
- đường ống dẫn
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- chơi
- điểm
- chính trị
- Phổ biến
- Bài đăng
- thực hành
- dự đoán
- Dự đoán
- trình bày
- trước đây
- vấn đề
- quá trình
- xử lý
- đề xuất
- nguyên mẫu
- tạo mẫu
- cho
- cung cấp
- cung cấp
- cung cấp
- công bố
- Python
- ngọn đuốc
- Nhanh chóng
- Mau
- Đọc
- thực
- thời gian thực
- gần đây
- công nhận
- Khuyến nghị
- khuyến nghị
- giảm
- tẩy
- yêu cầu
- yêu cầu
- cần phải
- nhà nghiên cứu
- Thông tin
- phản ứng
- phản ứng
- chịu trách nhiệm
- kết quả
- Kết quả
- Trả về
- xem xét
- ngay
- Vai trò
- chạy
- chạy
- s
- nhà làm hiền triết
- tương tự
- Lưu
- Quy mô
- mở rộng quy mô
- Nhà khoa học
- Điểm số
- xước
- kịch bản
- cuộn
- sdk
- Tìm kiếm
- Phần
- an ninh
- xem
- lựa chọn
- Trình tự
- Loạt Sách
- DỊCH VỤ
- thiết lập
- ngắn
- bắn
- hiển thị
- cho thấy
- Đơn giản
- đơn giản hóa
- kể từ khi
- Kích thước máy
- Bóng đá
- giải pháp
- Giải pháp
- động SOLVE
- một số
- một cái gì đó
- nói
- chuyên gia
- riêng
- đặc biệt
- quy định
- nói
- thể thao
- ổn định
- độc lập
- Bắt đầu
- bắt đầu
- nhà nước-of-the-art
- ở lại
- Bước
- Các bước
- dừng lại
- là gắn
- lưu trữ
- Chuỗi
- cấu trúc
- phòng thu
- như vậy
- hỗ trợ
- chắc chắn
- hệ thống
- bàn
- Hãy
- mất
- Nhiệm vụ
- nhiệm vụ
- nhóm
- công nghệ cao
- mẫu
- Phân loại văn bản
- việc này
- Sản phẩm
- cung cấp their dịch
- sau đó
- Kia là
- điều này
- nghĩ
- tư duy lãnh đạo
- Thông qua
- thời gian
- Chuỗi thời gian
- TM
- đến
- Chủ đề
- Train
- đào tạo
- Hội thảo
- chuyển
- Chuyển đổi
- Chuyển đổi
- biến áp
- máy biến áp
- Đi du lịch
- Nghìn tỷ
- đúng
- Sự thật
- thử
- tweet của quý vị
- hai
- kiểu
- ui
- Dưới
- hiểu
- trường đại học
- tải lên
- us
- sử dụng
- đã sử dụng
- sử dụng
- tiện ích
- nhiều
- Lớn
- phiên bản
- rất
- Video
- virginia
- tầm nhìn
- vs
- hương
- muốn
- là
- Đường..
- we
- web
- các dịch vụ web
- TỐT
- là
- khi nào
- liệu
- trong khi
- có
- rộng
- sẽ
- với
- không có
- từ
- làm việc
- công trinh
- viết
- năm
- năm
- Bạn
- Younger
- trên màn hình
- zephyrnet
- không
- Học Zero-Shot