Στο πρώτο μέρος αυτής της σειράς τριών μερών, παρουσιάσαμε μια λύση που δείχνει πώς μπορείτε να αυτοματοποιήσετε τον εντοπισμό παραποίησης εγγράφων και απάτης σε κλίμακα χρησιμοποιώντας υπηρεσίες AWS AI και μηχανικής εκμάθησης (ML) για μια περίπτωση χρήσης ενυπόθηκων δανείων.
Σε αυτήν την ανάρτηση, παρουσιάζουμε μια προσέγγιση για την ανάπτυξη ενός μοντέλου υπολογιστικής όρασης που βασίζεται σε βαθιά μάθηση για τον εντοπισμό και την επισήμανση πλαστών εικόνων στην ασφάλιση στεγαστικών δανείων. Παρέχουμε καθοδήγηση σχετικά με τη δημιουργία, την εκπαίδευση και την ανάπτυξη δικτύων βαθιάς εκμάθησης Amazon Sage Maker.
Στο Μέρος 3, δείχνουμε πώς να εφαρμόσετε τη λύση στο Ανιχνευτής απάτης Amazon.
Επισκόπηση λύσεων
Για να επιτύχουμε τον στόχο της ανίχνευσης παραβίασης εγγράφων στην αναδοχή στεγαστικών δανείων, χρησιμοποιούμε ένα μοντέλο υπολογιστικής όρασης που φιλοξενείται στο SageMaker για τη λύση ανίχνευσης πλαστογραφίας εικόνων. Αυτό το μοντέλο λαμβάνει μια εικόνα δοκιμής ως είσοδο και δημιουργεί μια πρόβλεψη πιθανότητας πλαστογραφίας ως έξοδο. Η αρχιτεκτονική του δικτύου είναι όπως φαίνεται στο παρακάτω διάγραμμα.
Η πλαστογράφηση εικόνων περιλαμβάνει κυρίως τέσσερις τεχνικές: μάτισμα, αντιγραφή-μετακίνηση, αφαίρεση και βελτίωση. Ανάλογα με τα χαρακτηριστικά της πλαστογραφίας, διαφορετικές ενδείξεις μπορούν να χρησιμοποιηθούν ως βάση για τον εντοπισμό και τον εντοπισμό. Αυτές οι ενδείξεις περιλαμβάνουν τεχνουργήματα συμπίεσης JPEG, ασυνέπειες άκρων, μοτίβα θορύβου, συνέπεια χρώματος, οπτική ομοιότητα, συνέπεια EXIF και μοντέλο κάμερας.
Δεδομένου του εκτεταμένου πεδίου ανίχνευσης πλαστογραφίας εικόνων, χρησιμοποιούμε τον αλγόριθμο Ανάλυσης Επιπέδου Σφάλματος (ELA) ως μια ενδεικτική μέθοδο για τον εντοπισμό πλαστών. Επιλέξαμε την τεχνική ELA για αυτήν την ανάρτηση για τους εξής λόγους:
- Εφαρμόζεται πιο γρήγορα και μπορεί εύκολα να πιάσει παραποίηση εικόνων.
- Λειτουργεί αναλύοντας τα επίπεδα συμπίεσης διαφορετικών τμημάτων μιας εικόνας. Αυτό του επιτρέπει να ανιχνεύει ασυνέπειες που μπορεί να υποδεικνύουν παραποίηση—για παράδειγμα, εάν μια περιοχή αντιγράφηκε και επικολλήθηκε από μια άλλη εικόνα που είχε αποθηκευτεί σε διαφορετικό επίπεδο συμπίεσης.
- Είναι καλό στο να ανιχνεύει πιο λεπτές ή απρόσκοπτες παραβιάσεις που μπορεί να είναι δύσκολο να εντοπιστούν με γυμνό μάτι. Ακόμη και μικρές αλλαγές σε μια εικόνα μπορούν να δημιουργήσουν ανιχνεύσιμες ανωμαλίες συμπίεσης.
- Δεν βασίζεται στην ύπαρξη της αρχικής μη τροποποιημένης εικόνας για σύγκριση. Το ELA μπορεί να αναγνωρίσει σημάδια παραποίησης μόνο στην ίδια την εικόνα που αμφισβητείται. Άλλες τεχνικές απαιτούν συχνά το μη τροποποιημένο πρωτότυπο για σύγκριση.
- Είναι μια ελαφριά τεχνική που βασίζεται μόνο στην ανάλυση τεχνουργημάτων συμπίεσης στα δεδομένα ψηφιακής εικόνας. Δεν εξαρτάται από εξειδικευμένο υλικό ή ιατροδικαστική πείρα. Αυτό καθιστά το ELA προσβάσιμο ως εργαλείο ανάλυσης πρώτου περάσματος.
- Η εικόνα ELA εξόδου μπορεί να τονίσει ξεκάθαρα τις διαφορές στα επίπεδα συμπίεσης, καθιστώντας τις παραποιημένες περιοχές ορατά εμφανείς. Αυτό επιτρέπει ακόμη και σε έναν μη ειδικό να αναγνωρίσει σημάδια πιθανής χειραγώγησης.
- Λειτουργεί σε πολλούς τύπους εικόνας (όπως JPEG, PNG και GIF) και απαιτεί μόνο την ίδια την εικόνα για ανάλυση. Άλλες εγκληματολογικές τεχνικές μπορεί να είναι πιο περιορισμένες σε μορφές ή απαιτήσεις αρχικής εικόνας.
Ωστόσο, σε σενάρια πραγματικού κόσμου όπου μπορεί να έχετε συνδυασμό εγγράφων εισαγωγής (JPEG, PNG, GIF, TIFF, PDF), συνιστούμε να χρησιμοποιείτε το ELA σε συνδυασμό με διάφορες άλλες μεθόδους, όπως π.χ. ανίχνευση ασυνεπειών στα άκρα, μοτίβα θορύβου, ομοιομορφία χρώματος, Συνοχή δεδομένων EXIF, αναγνώριση μοντέλου κάμερας, να ομοιομορφία γραμματοσειράς. Στόχος μας είναι να ενημερώσουμε τον κώδικα για αυτήν την ανάρτηση με πρόσθετες τεχνικές ανίχνευσης πλαστογραφίας.
Η υποκείμενη υπόθεση του ELA προϋποθέτει ότι οι εικόνες εισόδου είναι σε μορφή JPEG, γνωστή για τη συμπίεση με απώλειες. Ωστόσο, η μέθοδος μπορεί να είναι ακόμα αποτελεσματική ακόμα κι αν οι εικόνες εισόδου ήταν αρχικά σε μορφή χωρίς απώλειες (όπως PNG, GIF ή BMP) και αργότερα μετατράπηκαν σε JPEG κατά τη διαδικασία παραβίασης. Όταν το ELA εφαρμόζεται σε πρωτότυπα φορμά χωρίς απώλειες, συνήθως υποδεικνύει σταθερή ποιότητα εικόνας χωρίς καμία αλλοίωση, καθιστώντας το δύσκολο να εντοπιστούν τροποποιημένες περιοχές. Στις εικόνες JPEG, ο αναμενόμενος κανόνας είναι ολόκληρη η εικόνα να παρουσιάζει παρόμοια επίπεδα συμπίεσης. Ωστόσο, εάν μια συγκεκριμένη ενότητα στην εικόνα εμφανίζει ένα σημαντικά διαφορετικό επίπεδο σφάλματος, συχνά υποδηλώνει ότι έχει γίνει μια ψηφιακή αλλαγή.
Το ELA υπογραμμίζει τις διαφορές στον ρυθμό συμπίεσης JPEG. Οι περιοχές με ομοιόμορφο χρωματισμό πιθανότατα θα έχουν χαμηλότερο αποτέλεσμα ELA (για παράδειγμα, πιο σκούρο χρώμα σε σύγκριση με τις άκρες υψηλής αντίθεσης). Τα πράγματα που πρέπει να αναζητήσετε για τον εντοπισμό παραβίασης ή τροποποίησης περιλαμβάνουν τα ακόλουθα:
- Παρόμοιες ακμές θα πρέπει να έχουν παρόμοια φωτεινότητα στο αποτέλεσμα ELA. Όλες οι άκρες υψηλής αντίθεσης πρέπει να μοιάζουν μεταξύ τους και όλες οι άκρες χαμηλής αντίθεσης πρέπει να μοιάζουν. Με μια πρωτότυπη φωτογραφία, οι άκρες χαμηλής αντίθεσης θα πρέπει να είναι σχεδόν τόσο φωτεινές όσο οι άκρες υψηλής αντίθεσης.
- Παρόμοιες υφές πρέπει να έχουν παρόμοιο χρωματισμό κάτω από το ELA. Οι περιοχές με περισσότερες λεπτομέρειες επιφάνειας, όπως ένα κοντινό πλάνο μιας μπάλας μπάσκετ, πιθανότατα θα έχουν υψηλότερο αποτέλεσμα ELA από μια λεία επιφάνεια.
- Ανεξάρτητα από το πραγματικό χρώμα της επιφάνειας, όλες οι επίπεδες επιφάνειες θα πρέπει να έχουν περίπου τον ίδιο χρωματισμό κάτω από το ELA.
Οι εικόνες JPEG χρησιμοποιούν σύστημα συμπίεσης με απώλειες. Κάθε επανακωδικοποίηση (εκ νέου αποθήκευση) της εικόνας προσθέτει μεγαλύτερη απώλεια ποιότητας στην εικόνα. Συγκεκριμένα, ο αλγόριθμος JPEG λειτουργεί σε πλέγμα 8×8 pixel. Κάθε τετράγωνο 8×8 συμπιέζεται ανεξάρτητα. Εάν η εικόνα είναι εντελώς μη τροποποιημένη, τότε όλα τα τετράγωνα 8×8 θα πρέπει να έχουν παρόμοια δυναμικά σφάλματος. Εάν η εικόνα δεν τροποποιηθεί και αποθηκευτεί ξανά, τότε κάθε τετράγωνο θα πρέπει να υποβαθμίζεται περίπου με τον ίδιο ρυθμό.
Το ELA αποθηκεύει την εικόνα σε ένα καθορισμένο επίπεδο ποιότητας JPEG. Αυτή η εκ νέου αποθήκευση εισάγει έναν γνωστό αριθμό σφαλμάτων σε ολόκληρη την εικόνα. Στη συνέχεια, η επαναποθηκευμένη εικόνα συγκρίνεται με την αρχική εικόνα. Εάν μια εικόνα τροποποιηθεί, τότε κάθε τετράγωνο 8×8 που αγγίχθηκε από την τροποποίηση θα πρέπει να έχει υψηλότερο δυναμικό σφάλματος από την υπόλοιπη εικόνα.
Τα αποτελέσματα από το ELA εξαρτώνται άμεσα από την ποιότητα της εικόνας. Μπορεί να θέλετε να μάθετε αν προστέθηκε κάτι, αλλά εάν η εικόνα αντιγραφεί πολλές φορές, τότε το ELA μπορεί να επιτρέπει μόνο την ανίχνευση των επαναποθηκεύσεων. Προσπαθήστε να βρείτε την καλύτερη ποιότητα έκδοσης της εικόνας.
Με την εκπαίδευση και την εξάσκηση, το ELA μπορεί επίσης να μάθει να αναγνωρίζει την κλίμακα, την ποιότητα, την περικοπή και την αποθήκευση μετασχηματισμών εικόνας. Για παράδειγμα, εάν μια εικόνα που δεν είναι JPEG περιέχει ορατές γραμμές πλέγματος (πλάτος 1 pixel σε τετράγωνα 8×8), τότε σημαίνει ότι η εικόνα ξεκίνησε ως JPEG και μετατράπηκε σε μορφή μη JPEG (όπως PNG). Εάν ορισμένες περιοχές της εικόνας δεν έχουν γραμμές πλέγματος ή οι γραμμές πλέγματος μετατοπίζονται, τότε υποδηλώνει ένα μάτισμα ή σχεδιασμένο τμήμα στην εικόνα που δεν είναι JPEG.
Στις επόμενες ενότητες, παρουσιάζουμε τα βήματα για τη διαμόρφωση, την εκπαίδευση και την ανάπτυξη του μοντέλου υπολογιστικής όρασης.
Προϋποθέσεις
Για να ακολουθήσετε αυτήν την ανάρτηση, συμπληρώστε τις ακόλουθες προϋποθέσεις:
- Έχετε λογαριασμό AWS.
- Ρύθμιση Στούντιο Amazon SageMaker. Μπορείτε να ξεκινήσετε γρήγορα το SageMaker Studio χρησιμοποιώντας προεπιλεγμένες προεπιλογές, διευκολύνοντας μια γρήγορη εκκίνηση. Για περισσότερες πληροφορίες, ανατρέξτε στο Το Amazon SageMaker απλοποιεί τη ρύθμιση του Amazon SageMaker Studio για μεμονωμένους χρήστες.
- Ανοίξτε το SageMaker Studio και εκκινήστε ένα τερματικό συστήματος.
- Εκτελέστε την ακόλουθη εντολή στο τερματικό:
git clone https://github.com/aws-samples/document-tampering-detection.git
- Το συνολικό κόστος λειτουργίας του SageMaker Studio για έναν χρήστη και των διαμορφώσεων του περιβάλλοντος σημειωματαρίου είναι 7.314 $ USD ανά ώρα.
Ρυθμίστε το μοντέλο του σημειωματάριου εκπαίδευσης
Ολοκληρώστε τα παρακάτω βήματα για να ρυθμίσετε το σημειωματάριο εκπαίδευσης:
- Ανοίξτε το
tampering_detection_training.ipynb
αρχείο από τον κατάλογο document-tampering-detection. - Ρυθμίστε το περιβάλλον του notebook με την εικόνα TensorFlow 2.6 Python 3.8 CPU ή GPU Optimized.
Ενδέχεται να αντιμετωπίσετε πρόβλημα ανεπαρκούς διαθεσιμότητας ή να φτάσετε στο όριο ορίου για παρουσίες GPU στον λογαριασμό σας AWS όταν επιλέγετε παρουσίες βελτιστοποιημένες για GPU. Για να αυξήσετε το όριο, επισκεφτείτε την κονσόλα Service Quotas και αυξήστε το όριο υπηρεσίας για τον συγκεκριμένο τύπο παρουσίας που χρειάζεστε. Μπορείτε επίσης να χρησιμοποιήσετε ένα περιβάλλον φορητού υπολογιστή βελτιστοποιημένο με CPU σε τέτοιες περιπτώσεις. - Για Πυρήνας, επιλέξτε Python3.
- Για Τύπος παρουσίας, επιλέξτε ml.m5d.24xlarge ή οποιοδήποτε άλλο μεγάλο παράδειγμα.
Επιλέξαμε έναν μεγαλύτερο τύπο παρουσίας για να μειώσουμε τον χρόνο εκπαίδευσης του μοντέλου. Με περιβάλλον ml.m5d.24xlarge notebook, το κόστος ανά ώρα είναι 7.258 $ USD ανά ώρα.
Εκτελέστε το σημειωματάριο εκπαίδευσης
Εκτελέστε κάθε κελί στο σημειωματάριο tampering_detection_training.ipynb
για να. Αναλύουμε ορισμένα κελιά με περισσότερες λεπτομέρειες στις επόμενες ενότητες.
Προετοιμάστε το σύνολο δεδομένων με μια λίστα με πρωτότυπες και παραποιημένες εικόνες
Προτού εκτελέσετε το ακόλουθο κελί στο σημειωματάριο, προετοιμάστε ένα σύνολο δεδομένων με πρωτότυπα και παραποιημένα έγγραφα με βάση τις συγκεκριμένες επιχειρηματικές απαιτήσεις σας. Για αυτήν την ανάρτηση, χρησιμοποιούμε ένα δείγμα δεδομένων παραποιημένων λογαριασμών πληρωμής και τραπεζικών κινήσεων. Το σύνολο δεδομένων είναι διαθέσιμο στον κατάλογο εικόνων του Αποθετήριο GitHub.
Το σημειωματάριο διαβάζει τις πρωτότυπες και παραποιημένες εικόνες από το images/training
Κατάλογο.
Το σύνολο δεδομένων για εκπαίδευση δημιουργείται χρησιμοποιώντας ένα αρχείο CSV με δύο στήλες: τη διαδρομή προς το αρχείο εικόνας και την ετικέτα για την εικόνα (0 για την αρχική εικόνα και 1 για την παραποιημένη εικόνα).
Επεξεργαστείτε το σύνολο δεδομένων δημιουργώντας τα αποτελέσματα ELA κάθε εικόνας εκπαίδευσης
Σε αυτό το βήμα, δημιουργούμε το αποτέλεσμα ELA (σε ποιότητα 90%) της εισαγόμενης εικόνας εκπαίδευσης. Η λειτουργία convert_to_ela_image
παίρνει δύο παραμέτρους: διαδρομή, που είναι η διαδρομή προς ένα αρχείο εικόνας, και ποιότητα, που αντιπροσωπεύει την παράμετρο ποιότητας για συμπίεση JPEG. Η συνάρτηση εκτελεί τα ακόλουθα βήματα:
- Μετατρέψτε την εικόνα σε μορφή RGB και αποθηκεύστε ξανά την εικόνα ως αρχείο JPEG με την καθορισμένη ποιότητα με το όνομα tempresaved.jpg.
- Υπολογίστε τη διαφορά μεταξύ της αρχικής εικόνας και της επαναποθηκευμένης εικόνας JPEG (ELA) για να προσδιορίσετε τη μέγιστη διαφορά στις τιμές των pixel μεταξύ των αρχικών και των εκ νέου αποθηκευμένων εικόνων.
- Υπολογίστε έναν παράγοντα κλίμακας με βάση τη μέγιστη διαφορά για να ρυθμίσετε τη φωτεινότητα της εικόνας ELA.
- Βελτιώστε τη φωτεινότητα της εικόνας ELA χρησιμοποιώντας τον υπολογισμένο συντελεστή κλίμακας.
- Αλλάξτε το μέγεθος του αποτελέσματος ELA σε 128x128x3, όπου το 3 αντιπροσωπεύει τον αριθμό των καναλιών για μείωση του μεγέθους εισόδου για εκπαίδευση.
- Επιστρέψτε την εικόνα ELA.
Σε μορφές εικόνας με απώλειες όπως το JPEG, η αρχική διαδικασία αποθήκευσης οδηγεί σε σημαντική απώλεια χρώματος. Ωστόσο, όταν η εικόνα φορτώνεται και στη συνέχεια επανακωδικοποιείται με την ίδια μορφή απώλειας, υπάρχει γενικά λιγότερη υποβάθμιση χρώματος. Τα αποτελέσματα ELA τονίζουν τις περιοχές της εικόνας που είναι πιο ευαίσθητες στην υποβάθμιση του χρώματος κατά την εκ νέου αποθήκευση. Γενικά, οι αλλοιώσεις εμφανίζονται εμφανώς σε περιοχές που παρουσιάζουν υψηλότερη πιθανότητα υποβάθμισης σε σύγκριση με την υπόλοιπη εικόνα.
Στη συνέχεια, οι εικόνες υποβάλλονται σε επεξεργασία σε έναν πίνακα NumPy για εκπαίδευση. Στη συνέχεια χωρίζουμε το σύνολο δεδομένων εισόδου τυχαία σε δεδομένα εκπαίδευσης και δοκιμής ή επικύρωσης (80/20). Μπορείτε να αγνοήσετε τυχόν προειδοποιήσεις κατά την εκτέλεση αυτών των κελιών.
Ανάλογα με το μέγεθος του συνόλου δεδομένων, η εκτέλεση αυτών των κελιών μπορεί να πάρει χρόνο για να ολοκληρωθεί. Για το δείγμα δεδομένων που παρέχουμε σε αυτό το αποθετήριο, μπορεί να χρειαστούν 5–10 λεπτά.
Διαμορφώστε το μοντέλο CNN
Σε αυτό το βήμα, κατασκευάζουμε μια ελάχιστη έκδοση του δικτύου VGG με μικρά συνελικτικά φίλτρα. Το VGG-16 αποτελείται από 13 συνελικτικά στρώματα και τρία πλήρως συνδεδεμένα στρώματα. Το παρακάτω στιγμιότυπο οθόνης απεικονίζει την αρχιτεκτονική του μοντέλου Συνελικτικού Νευρωνικού Δικτύου (CNN).
Σημειώστε τις ακόλουθες διαμορφώσεις:
- Εισαγωγή – Το μοντέλο έχει μέγεθος εισαγωγής εικόνας 128x128x3.
- Συνθετικά στρώματα – Τα συνελικτικά στρώματα χρησιμοποιούν ένα ελάχιστο δεκτικό πεδίο (3×3), το μικρότερο δυνατό μέγεθος που εξακολουθεί να καταγράφει πάνω/κάτω και αριστερά/δεξιά. Αυτό ακολουθείται από μια λειτουργία ενεργοποίησης διορθωμένης γραμμικής μονάδας (ReLU) που μειώνει τον χρόνο προπόνησης. Αυτή είναι μια γραμμική συνάρτηση που θα εξάγει την είσοδο εάν είναι θετική. Διαφορετικά, η έξοδος είναι μηδέν. Ο βηματισμός συνέλιξης είναι σταθερός στην προεπιλογή (1 εικονοστοιχείο) για να διατηρείται η χωρική ανάλυση μετά τη συνέλιξη (βήμα είναι ο αριθμός των μετατοπίσεων εικονοστοιχείων πάνω από τον πίνακα εισόδου).
- Πλήρως συνδεδεμένα στρώματα – Το δίκτυο έχει δύο πλήρως συνδεδεμένα επίπεδα. Το πρώτο πυκνό στρώμα χρησιμοποιεί την ενεργοποίηση ReLU και το δεύτερο χρησιμοποιεί το softmax για να ταξινομήσει την εικόνα ως πρωτότυπη ή παραποιημένη.
Μπορείτε να αγνοήσετε τυχόν προειδοποιήσεις κατά την εκτέλεση αυτών των κελιών.
Αποθηκεύστε τα τεχνουργήματα του μοντέλου
Αποθηκεύστε το εκπαιδευμένο μοντέλο με ένα μοναδικό όνομα αρχείου—για παράδειγμα, με βάση την τρέχουσα ημερομηνία και ώρα—σε έναν κατάλογο με το όνομα model.
Το μοντέλο αποθηκεύεται σε μορφή Keras με την επέκταση .keras
. Αποθηκεύουμε επίσης τα τεχνουργήματα του μοντέλου ως κατάλογο με το όνομα 1 που περιέχει σειριακές υπογραφές και την κατάσταση που απαιτείται για την εκτέλεσή τους, συμπεριλαμβανομένων τιμών μεταβλητών και λεξιλόγια για ανάπτυξη σε έναν χρόνο εκτέλεσης του SageMaker (το οποίο θα συζητήσουμε αργότερα σε αυτήν την ανάρτηση).
Μετρήστε την απόδοση του μοντέλου
Η ακόλουθη καμπύλη απώλειας δείχνει την εξέλιξη της απώλειας του μοντέλου σε εποχές προπόνησης (επαναλήψεις).
Η συνάρτηση απώλειας μετρά πόσο καλά ταιριάζουν οι προβλέψεις του μοντέλου με τους πραγματικούς στόχους. Οι χαμηλότερες τιμές υποδηλώνουν καλύτερη ευθυγράμμιση μεταξύ προβλέψεων και πραγματικών τιμών. Η μείωση των απωλειών κατά τη διάρκεια των εποχών σημαίνει ότι το μοντέλο βελτιώνεται. Η καμπύλη ακρίβειας απεικονίζει την ακρίβεια του μοντέλου σε εποχές εκπαίδευσης. Ακρίβεια είναι η αναλογία των σωστών προβλέψεων προς τον συνολικό αριθμό των προβλέψεων. Η υψηλότερη ακρίβεια υποδηλώνει ένα μοντέλο με καλύτερη απόδοση. Συνήθως, η ακρίβεια αυξάνεται κατά τη διάρκεια της εκπαίδευσης καθώς το μοντέλο μαθαίνει μοτίβα και βελτιώνει την προγνωστική του ικανότητα. Αυτά θα σας βοηθήσουν να προσδιορίσετε εάν το μοντέλο είναι υπερβολικά προσαρμοσμένο (καλή απόδοση σε δεδομένα προπόνησης αλλά κακή σε μη ορατά δεδομένα) ή ανεπαρκές (δεν μαθαίνει αρκετά από τα δεδομένα εκπαίδευσης).
Ο ακόλουθος πίνακας σύγχυσης αναπαριστά οπτικά πόσο καλά το μοντέλο διακρίνει με ακρίβεια τις κατηγορίες θετικής (πλαστής εικόνας, που αναπαρίσταται ως τιμή 1) και αρνητικής (μη παραποιημένη εικόνα, που αναπαρίσταται ως τιμή 0).
Μετά την εκπαίδευση του μοντέλου, το επόμενο βήμα μας περιλαμβάνει την ανάπτυξη του μοντέλου υπολογιστικής όρασης ως API. Αυτό το API θα ενσωματωθεί σε επιχειρηματικές εφαρμογές ως στοιχείο της ροής εργασιών αναδοχής. Για να το πετύχουμε αυτό, χρησιμοποιούμε το Amazon SageMaker Inference, μια πλήρως διαχειριζόμενη υπηρεσία. Αυτή η υπηρεσία ενσωματώνεται άψογα με τα εργαλεία MLOps, επιτρέποντας την επεκτάσιμη ανάπτυξη μοντέλων, οικονομικά αποδοτικά συμπεράσματα, βελτιωμένη διαχείριση μοντέλων στην παραγωγή και μειωμένη λειτουργική πολυπλοκότητα. Σε αυτήν την ανάρτηση, αναπτύσσουμε το μοντέλο ως τελικό σημείο συμπερασμάτων σε πραγματικό χρόνο. Ωστόσο, είναι σημαντικό να σημειωθεί ότι, ανάλογα με τη ροή εργασίας των εφαρμογών της επιχείρησής σας, η ανάπτυξη του μοντέλου μπορεί επίσης να προσαρμοστεί ως επεξεργασία κατά παρτίδες, ασύγχρονο χειρισμό ή μέσω μιας αρχιτεκτονικής ανάπτυξης χωρίς διακομιστή.
Ρυθμίστε το σημειωματάριο ανάπτυξης μοντέλου
Ολοκληρώστε τα παρακάτω βήματα για να ρυθμίσετε το φορητό υπολογιστή ανάπτυξης μοντέλου:
- Ανοίξτε το
tampering_detection_model_deploy.ipynb
αρχείο από τον κατάλογο παραβίασης-ανίχνευσης εγγράφων. - Ρυθμίστε το περιβάλλον του σημειωματάριου με την εικόνα Data Science 3.0.
- Για Πυρήνας, επιλέξτε Python3.
- Για Τύπος παρουσίας, επιλέξτε ml.t3. ενδιάμεσο.
Με περιβάλλον φορητού υπολογιστή ml.t3.medium, το κόστος ανά ώρα είναι 0.056 $ USD.
Δημιουργήστε μια προσαρμοσμένη ενσωματωμένη πολιτική για τον ρόλο του SageMaker για να επιτρέψετε όλες τις ενέργειες του Amazon S3
Η Διαχείριση ταυτότητας και πρόσβασης AWS Ο ρόλος (IAM) για το SageMaker θα είναι στη μορφή AmazonSageMaker- ExecutionRole-<random numbers>
. Βεβαιωθείτε ότι χρησιμοποιείτε τον σωστό ρόλο. Το όνομα του ρόλου βρίσκεται κάτω από τα στοιχεία χρήστη στις διαμορφώσεις τομέα SageMaker.
Ενημερώστε τον ρόλο του IAM για να συμπεριλάβει μια ενσωματωμένη πολιτική που να επιτρέπει σε όλους Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) ενέργειες. Αυτό θα απαιτηθεί για την αυτοματοποίηση της δημιουργίας και της διαγραφής κάδους S3 που θα αποθηκεύουν τα τεχνουργήματα του μοντέλου. Μπορείτε να περιορίσετε την πρόσβαση σε συγκεκριμένους κάδους S3. Σημειώστε ότι χρησιμοποιήσαμε έναν χαρακτήρα μπαλαντέρ για το όνομα του κάδου S3 στην πολιτική IAM (tamperingdetection*
).
Εκτελέστε το σημειωματάριο ανάπτυξης
Εκτελέστε κάθε κελί στο σημειωματάριο tampering_detection_model_deploy.ipynb
για να. Αναλύουμε ορισμένα κελιά με περισσότερες λεπτομέρειες στις επόμενες ενότητες.
Δημιουργήστε έναν κάδο S3
Εκτελέστε το κελί για να δημιουργήσετε έναν κάδο S3. Ο κάδος θα ονομαστεί tamperingdetection<current date time>
και στην ίδια περιοχή AWS με το περιβάλλον του SageMaker Studio.
Δημιουργήστε το αρχείο τεχνουργημάτων μοντέλου και μεταφορτώστε το στο Amazon S3
Δημιουργήστε ένα αρχείο tar.gz από τα τεχνουργήματα του μοντέλου. Έχουμε αποθηκεύσει τα τεχνουργήματα του μοντέλου ως κατάλογο με το όνομα 1, που περιέχει σειριακές υπογραφές και την κατάσταση που απαιτείται για την εκτέλεσή τους, συμπεριλαμβανομένων τιμών μεταβλητών και λεξιλόγια για ανάπτυξη στο χρόνο εκτέλεσης του SageMaker. Μπορείτε επίσης να συμπεριλάβετε ένα προσαρμοσμένο αρχείο συμπερασμάτων που ονομάζεται inference.py
μέσα στο φάκελο κώδικα στο τεχνούργημα μοντέλου. Το προσαρμοσμένο συμπέρασμα μπορεί να χρησιμοποιηθεί για προεπεξεργασία και μεταεπεξεργασία της εικόνας εισόδου.
Δημιουργήστε ένα τελικό σημείο συμπερασμάτων SageMaker
Το κελί για τη δημιουργία ενός τελικού σημείου συμπερασμάτων SageMaker μπορεί να χρειαστεί μερικά λεπτά για να ολοκληρωθεί.
Δοκιμάστε το τελικό σημείο συμπερασμάτων
η λειτουργία check_image
προεπεξεργάζεται μια εικόνα ως εικόνα ELA, την στέλνει σε ένα τελικό σημείο του SageMaker για συμπέρασμα, ανακτά και επεξεργάζεται τις προβλέψεις του μοντέλου και εκτυπώνει τα αποτελέσματα. Το μοντέλο παίρνει έναν πίνακα NumPy της εικόνας εισόδου ως εικόνα ELA για να παρέχει προβλέψεις. Οι προβλέψεις εξάγονται ως 0, που αντιπροσωπεύει μια μη παραποιημένη εικόνα, και 1, που αντιπροσωπεύει μια πλαστογραφημένη εικόνα.
Ας επικαλεστούμε το μοντέλο με μια άθικτη εικόνα ενός στύλου και ας ελέγξουμε το αποτέλεσμα.
Το μοντέλο εξάγει την ταξινόμηση ως 0, αντιπροσωπεύοντας μια εικόνα που δεν έχει παραβιαστεί.
Τώρα ας επικαλεστούμε το μοντέλο με μια παραποιημένη εικόνα ενός στύλου και ας ελέγξουμε το αποτέλεσμα.
Το μοντέλο εξάγει την ταξινόμηση ως 1, που αντιπροσωπεύει μια πλαστό εικόνα.
Περιορισμοί
Αν και το ELA είναι ένα εξαιρετικό εργαλείο για τον εντοπισμό τροποποιήσεων, υπάρχουν ορισμένοι περιορισμοί, όπως οι ακόλουθοι:
- Μια αλλαγή μεμονωμένου εικονοστοιχείου ή μικρή προσαρμογή χρώματος ενδέχεται να μην προκαλέσει αισθητή αλλαγή στο ELA επειδή το JPEG λειτουργεί σε ένα πλέγμα.
- Το ELA προσδιορίζει μόνο ποιες περιοχές έχουν διαφορετικά επίπεδα συμπίεσης. Εάν μια εικόνα χαμηλότερης ποιότητας ενωθεί σε μια εικόνα υψηλότερης ποιότητας, τότε η εικόνα χαμηλότερης ποιότητας μπορεί να εμφανιστεί ως πιο σκοτεινή περιοχή.
- Η κλιμάκωση, ο επαναχρωματισμός ή η προσθήκη θορύβου σε μια εικόνα θα τροποποιήσει ολόκληρη την εικόνα, δημιουργώντας ένα υψηλότερο επίπεδο σφάλματος.
- Εάν μια εικόνα αποθηκευτεί ξανά πολλές φορές, τότε μπορεί να είναι εξ ολοκλήρου σε ένα ελάχιστο επίπεδο σφάλματος, όπου περισσότερες εκ νέου αποθήκευση δεν αλλάζουν την εικόνα. Σε αυτήν την περίπτωση, το ELA θα επιστρέψει μια μαύρη εικόνα και δεν μπορούν να εντοπιστούν τροποποιήσεις χρησιμοποιώντας αυτόν τον αλγόριθμο.
- Με το Photoshop, η απλή ενέργεια αποθήκευσης της εικόνας μπορεί να ακονίσει αυτόματα τις υφές και τις άκρες, δημιουργώντας ένα υψηλότερο επίπεδο σφάλματος. Αυτό το τεχνούργημα δεν προσδιορίζει σκόπιμη τροποποίηση. προσδιορίζει ότι χρησιμοποιήθηκε ένα προϊόν της Adobe. Τεχνικά, το ELA εμφανίζεται ως τροποποίηση επειδή η Adobe εκτέλεσε αυτόματα μια τροποποίηση, αλλά η τροποποίηση δεν ήταν απαραιτήτως σκόπιμη από τον χρήστη.
Συνιστούμε να χρησιμοποιείτε το ELA μαζί με άλλες τεχνικές που συζητήθηκαν προηγουμένως στο ιστολόγιο, προκειμένου να ανιχνεύσετε ένα μεγαλύτερο εύρος περιπτώσεων χειρισμού εικόνας. Το ELA μπορεί επίσης να χρησιμεύσει ως ανεξάρτητο εργαλείο για την οπτική εξέταση των διαφορών εικόνας, ειδικά όταν η εκπαίδευση ενός μοντέλου που βασίζεται στο CNN γίνεται προκλητική.
εκκαθάριση
Για να καταργήσετε τους πόρους που δημιουργήσατε ως μέρος αυτής της λύσης, ολοκληρώστε τα ακόλουθα βήματα:
- Εκτελέστε τα κελιά του σημειωματάριου κάτω από το Εκκαθάριση Ενότητα. Αυτό θα διαγράψει τα ακόλουθα:
- Τελικό σημείο συμπερασμάτων SageMaker – Το όνομα του τελικού σημείου συμπερασμάτων θα είναι
tamperingdetection-<datetime>
. - Αντικείμενα εντός του κάδου S3 και του ίδιου του κάδου S3 – Το όνομα του κάδου θα είναι
tamperingdetection<datetime>
.
- Τελικό σημείο συμπερασμάτων SageMaker – Το όνομα του τελικού σημείου συμπερασμάτων θα είναι
- τερματίστε τους πόρους του σημειωματάριου SageMaker Studio.
Συμπέρασμα
Σε αυτήν την ανάρτηση, παρουσιάσαμε μια ολοκληρωμένη λύση για τον εντοπισμό παραποίησης και απάτης εγγράφων χρησιμοποιώντας τη βαθιά εκμάθηση και το SageMaker. Χρησιμοποιήσαμε το ELA για την προεπεξεργασία εικόνων και τον εντοπισμό αποκλίσεων στα επίπεδα συμπίεσης που μπορεί να υποδηλώνουν χειραγώγηση. Στη συνέχεια εκπαιδεύσαμε ένα μοντέλο CNN σε αυτό το επεξεργασμένο σύνολο δεδομένων για να ταξινομεί τις εικόνες ως πρωτότυπες ή παραποιημένες.
Το μοντέλο μπορεί να επιτύχει ισχυρή απόδοση, με ακρίβεια πάνω από 95% με ένα σύνολο δεδομένων (πλαστό και πρωτότυπο) κατάλληλο για τις επιχειρηματικές σας απαιτήσεις. Αυτό υποδηλώνει ότι μπορεί να εντοπίσει αξιόπιστα πλαστά έγγραφα, όπως στελέχη πληρωμών και τραπεζικές κινήσεις. Το εκπαιδευμένο μοντέλο αναπτύσσεται σε ένα τελικό σημείο του SageMaker για να επιτρέψει την εξαγωγή συμπερασμάτων χαμηλής καθυστέρησης σε κλίμακα. Με την ενσωμάτωση αυτής της λύσης στις ροές εργασιών στεγαστικών δανείων, τα ιδρύματα μπορούν αυτόματα να επισημαίνουν ύποπτα έγγραφα για περαιτέρω διερεύνηση απάτης.
Αν και ισχυρό, το ELA έχει ορισμένους περιορισμούς στον εντοπισμό ορισμένων τύπων πιο λεπτών χειρισμών. Ως επόμενα βήματα, το μοντέλο θα μπορούσε να βελτιωθεί με την ενσωμάτωση πρόσθετων εγκληματολογικών τεχνικών στην εκπαίδευση και τη χρήση μεγαλύτερων, πιο διαφορετικών συνόλων δεδομένων. Συνολικά, αυτή η λύση δείχνει πώς μπορείτε να χρησιμοποιήσετε υπηρεσίες βαθιάς μάθησης και AWS για να δημιουργήσετε αποτελεσματικές λύσεις που ενισχύουν την αποτελεσματικότητα, μειώνουν τον κίνδυνο και αποτρέπουν την απάτη.
Στο Μέρος 3, παρουσιάζουμε πώς να εφαρμόσετε τη λύση στο Amazon Fraud Detector.
Σχετικά με τους συγγραφείς
Anup Ravindranath είναι Ανώτερος Αρχιτέκτονας Λύσεων στην Amazon Web Services (AWS) με έδρα το Τορόντο του Καναδά και συνεργάζεται με οργανισμούς Financial Services. Βοηθά τους πελάτες να μεταμορφώσουν τις επιχειρήσεις τους και να καινοτομήσουν στο cloud.
Βίνι Σαΐνη είναι Senior Solutions Architect στην Amazon Web Services (AWS) με έδρα το Τορόντο του Καναδά. Βοηθάει τους πελάτες της Financial Services να μεταμορφωθούν στο cloud, με λύσεις βασισμένες στην τεχνητή νοημοσύνη και το ML που βασίζονται σε ισχυρούς θεμελιώδεις πυλώνες Αρχιτεκτονικής Αριστείας.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/train-and-host-a-computer-vision-model-for-tampering-detection-on-amazon-sagemaker-part-2/
- :έχει
- :είναι
- :δεν
- :που
- $UP
- 056
- 1
- 100
- 13
- 195
- 258
- 408
- 75
- 8
- 95%
- a
- ικανότητα
- Σχετικα
- πρόσβαση
- προσιτός
- Λογαριασμός
- ακρίβεια
- με ακρίβεια
- Κατορθώνω
- απέναντι
- Πράξη
- ενεργειών
- Δραστηριοποίηση
- πραγματικός
- προστιθέμενη
- προσθήκη
- Πρόσθετος
- Προσθέτει
- προσαρμόσει
- Προσαρμογή
- πλίθα
- Μετά το
- κατά
- AI
- στοχεύουν
- αλγόριθμος
- ευθυγραμμία
- Όλα
- επιτρέπουν
- επιτρέπει
- σχεδόν
- κατά μήκος
- κατά μήκος της πλευράς
- Επίσης
- μεταβάλλεται
- Amazon
- Ανιχνευτής απάτης Amazon
- Amazon Sage Maker
- Στούντιο Amazon SageMaker
- Amazon υπηρεσίες Web
- Amazon Web Services (AWS)
- ποσό
- an
- ανάλυση
- αναλύσει
- αναλύοντας
- και
- Άλλος
- κάθε
- api
- εμφανίζομαι
- εμφανίζεται
- εφαρμογές
- εφαρμοσμένος
- πλησιάζω
- περίπου
- αρχιτεκτονική
- αρχιτεκτονική
- Αρχείο
- ΕΙΝΑΙ
- ΠΕΡΙΟΧΗ
- περιοχές
- Παράταξη
- AS
- υποθέτει
- At
- αυτοματοποίηση
- αυτομάτως
- διαθεσιμότητα
- διαθέσιμος
- AWS
- Τράπεζα
- βασίζονται
- Μπάσκετ
- BE
- επειδή
- γίνεται
- ήταν
- ΚΑΛΎΤΕΡΟΣ
- Καλύτερα
- μεταξύ
- Μαύρη
- Μπλοκ
- ώθηση
- Φωτεινό
- χτίζω
- Κτίριο
- επιχείρηση
- Επιχειρηματικές εφαρμογές
- επιχειρήσεις
- αλλά
- by
- υπολογίζεται
- που ονομάζεται
- φωτογραφική μηχανή
- CAN
- Canada
- συλλαμβάνει
- περίπτωση
- περιπτώσεις
- πάλη
- κύτταρο
- Κύτταρα
- ορισμένες
- πρόκληση
- αλλαγή
- Αλλαγές
- κανάλια
- χαρακτηριστικά
- έλεγχος
- Επιλέξτε
- τάξεις
- ταξινόμηση
- Ταξινόμηση
- σαφώς
- Backup
- CNN
- κωδικός
- χρώμα
- Στήλες
- συνδυασμός
- συγκρίνουν
- σύγκριση
- σύγκριση
- πλήρης
- εντελώς
- περίπλοκο
- συστατικό
- υπολογιστή
- Computer Vision
- Διαμόρφωση
- σύγχυση
- συνδυασμό
- συνδεδεμένος
- σημαντικός
- συνεπής
- αποτελείται
- πρόξενος
- κατασκευάσει
- Περιέχει
- μετατρέψετε
- μετατρέπονται
- συνελικτικό νευρωνικό δίκτυο
- διορθώσει
- Κόστος
- θα μπορούσε να
- CPU
- δημιουργία
- δημιουργήθηκε
- δημιουργία
- δημιουργία
- Ρεύμα
- καμπύλη
- έθιμο
- Πελάτες
- πιο σκούρα
- ημερομηνία
- επιστημονικά δεδομένα
- σύνολα δεδομένων
- Ημερομηνία
- φθίνουσα
- βαθύς
- βαθιά μάθηση
- Προεπιλογή
- αποδεικνύουν
- καταδεικνύει
- υποδηλώνει
- πυκνός
- εξαρτηθεί
- εξαρτώμενος
- Σε συνάρτηση
- παρατάσσω
- αναπτυχθεί
- ανάπτυξη
- ανάπτυξη
- λεπτομέρεια
- καθέκαστα
- ανίχνευση
- Ανίχνευση
- Προσδιορίστε
- ανάπτυξη
- διάγραμμα
- διαφορά
- διαφορές
- διαφορετικές
- ψηφιακό
- κατευθείαν
- συζητήσουν
- συζήτηση
- οθόνες
- διακρίνει
- διάφορα
- do
- έγγραφο
- έγγραφα
- Όχι
- τομέα
- που
- οδηγείται
- κατά την διάρκεια
- κάθε
- εύκολα
- άκρη
- Αποτελεσματικός
- αποδοτικότητα
- τονίζω
- απασχολώντας
- ενεργοποιήσετε
- ενεργοποίηση
- από άκρη σε άκρη
- Τελικό σημείο
- ενισχυμένη
- Βελτιστοποίηση
- αρκετά
- Ολόκληρος
- εξ ολοκλήρου
- Περιβάλλον
- εποχές
- σφάλμα
- λάθη
- ειδικά
- Αιθέρας (ΕΤΗ)
- Even
- Κάθε
- Εξετάζοντας
- παράδειγμα
- Υπεροχή
- έξοχος
- έκθεμα
- Εκθέτοντας
- επεκτατικός
- αναμένεται
- εξειδίκευση
- επέκταση
- μάτι
- διευκολύνοντας
- παράγοντας
- λίγοι
- πεδίο
- Αρχεία
- Φίλτρα
- οικονομικός
- των χρηματοπιστωτικών υπηρεσιών
- Εύρεση
- Όνομα
- καθορίζεται
- ίσια
- ακολουθήστε
- ακολουθείται
- Εξής
- Για
- Δικανικός
- ιατροδικαστική
- σφυρήλατος
- μορφή
- Βρέθηκαν
- Θεμέλιο
- Θεμελιώδες
- τέσσερα
- απάτη
- από
- πλήρως
- λειτουργία
- περαιτέρω
- γενικά
- παράγουν
- δημιουργεί
- παραγωγής
- gif
- Git
- καλός
- GPU
- μεγαλύτερη
- Πλέγμα
- καθοδήγηση
- είχε
- Χειρισμός
- Σκληρά
- υλικού
- Έχω
- που έχει
- he
- βοήθεια
- βοήθεια
- βοηθά
- υψηλότερο
- Επισημάνετε
- ανταύγειες
- Επιτυχία
- οικοδεσπότης
- φιλοξενείται
- ώρα
- Πως
- Πώς να
- Ωστόσο
- HTML
- http
- HTTPS
- IAM
- προσδιορίζονται
- αναγνωρίζει
- προσδιορίσει
- προσδιορισμό
- Ταυτότητα
- IEEE
- if
- αγνοήσει
- απεικονίζει
- εικόνα
- εικόνες
- επιπτώσεις
- εφαρμογή
- σημαντικό
- βελτιώνει
- βελτίωση
- in
- περιλαμβάνουν
- Συμπεριλαμβανομένου
- ασυνέπειες
- ενσωματώνοντας
- Αυξάνουν
- Αυξήσεις
- ανεξάρτητος
- ανεξάρτητα
- υποδεικνύω
- υποδηλώνει
- ατομικές
- πληροφορίες
- αρχικός
- κινήσει
- νεωτερίζω
- εισαγωγή
- παράδειγμα
- περιπτώσεις
- ιδρυμάτων
- ενσωματωθεί
- Ενσωματώνει
- Ενσωμάτωση
- Εκ προθέσεως
- σε
- εισαγάγει
- Εισάγει
- έρευνα
- περιλαμβάνει
- ζήτημα
- IT
- επαναλήψεις
- ΤΟΥ
- εαυτό
- jpg
- Διατήρηση
- keras
- Ξέρω
- γνωστός
- επιγραφή
- Έλλειψη
- large
- μεγαλύτερος
- αργότερα
- ξεκινήσει
- στρώμα
- στρώματα
- Οδηγεί
- ΜΑΘΑΊΝΩ
- μάθηση
- μείον
- Επίπεδο
- επίπεδα
- πυγμάχος ελαφρού βάρους
- Μου αρέσει
- πιθανότητα
- Πιθανός
- LIMIT
- περιορισμούς
- γραμμικός
- γραμμές
- Λιστα
- Τοπική Προσαρμογή
- ματιά
- off
- χαμηλότερα
- μηχανή
- μάθηση μηχανής
- που
- κυρίως
- κάνω
- ΚΑΝΕΙ
- Κατασκευή
- διαχειρίζεται
- διαχείριση
- Χειρισμός
- πολοί
- Ταίριασμα
- Μήτρα
- ανώτατο όριο
- Ενδέχεται..
- μέσα
- μέτρα
- medium
- Γνωρίστε
- μέθοδος
- μέθοδοι
- ελάχιστος
- ελάχιστο
- ανήλικος
- πρακτικά
- ML
- MLOps
- μοντέλο
- τροποποιήσεις
- τροποποιημένο
- τροποποιήσει
- περισσότερο
- Υποθήκη
- πλέον
- πολλαπλούς
- όνομα
- Ονομάστηκε
- αναγκαίως
- Ανάγκη
- που απαιτούνται
- αρνητικός
- δίκτυο
- δίκτυα
- Νευρικός
- νευρικό σύστημα
- παρ 'όλα αυτά
- επόμενη
- Όχι.
- Θόρυβος
- σημείωση
- σημειωματάριο
- αριθμός
- πολλοί
- σκοπός
- Εμφανή
- of
- συχνά
- on
- ONE
- αποκλειστικά
- λειτουργεί
- επιχειρήσεων
- βελτιστοποιημένη
- or
- τάξη
- οργανώσεις
- πρωτότυπο
- αρχικά
- ΑΛΛΑ
- αλλιώς
- δικός μας
- αποτελέσματα
- παραγωγή
- εξόδους
- επί
- φόρμες
- παράμετρος
- παράμετροι
- μέρος
- Ειδικότερα
- εξαρτήματα
- μονοπάτι
- πρότυπα
- για
- επίδοση
- εκτελούνται
- εκτέλεση
- εκτελεί
- photoshop
- εικόνα
- πυλώνες
- Εικονοκύτταρο
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- οικόπεδο
- πολιτική
- τμήμα
- θετικός
- δυνατός
- Θέση
- δυναμικού
- δυνατότητες
- ισχυρός
- πρακτική
- πρόβλεψη
- Προβλέψεις
- προφητικός
- Προετοιμάστε
- προαπαιτούμενα
- παρόν
- παρουσιάζονται
- διατηρούνται
- πρόληψη
- προηγουμένως
- εκτυπώσεις
- διαδικασια μας
- επεξεργασία
- Διεργασίες
- μεταποίηση
- Προϊόν
- παραγωγή
- εξέλιξη
- παρέχουν
- παρέχεται
- Python
- ποιότητα
- Ερωτηθείς
- Πιο γρήγορα
- τυχαίος
- σειρά
- γρήγορα
- Τιμή
- αναλογία
- πραγματικό κόσμο
- σε πραγματικό χρόνο
- βασίλειο
- λόγους
- λαμβάνει
- αναγνωρίζω
- συνιστώ
- διορθώθηκε
- μείωση
- Μειωμένος
- μειώνει
- παραπέμπω
- περιοχή
- περιοχές
- επανάληψη
- βασίζονται
- αφαίρεση
- αφαιρέστε
- απόδοση
- Αποθήκη
- εκπροσωπούνται
- εκπροσωπούν
- αντιπροσωπεύει
- απαιτούν
- απαιτείται
- απαιτήσεις
- Απαιτεί
- Ανάλυση
- Υποστηρικτικό υλικό
- ΠΕΡΙΦΕΡΕΙΑ
- περιορισμένος
- αποτέλεσμα
- Αποτελέσματα
- απόδοση
- RGB
- Κίνδυνος
- Ρόλος
- τρέξιμο
- τρέξιμο
- σοφός
- Συμπεράσματα SageMaker
- ίδιο
- Δείγμα δεδομένων
- Αποθήκευση
- αποθηκεύονται
- οικονομία
- επεκτάσιμη
- Κλίμακα
- απολέπιση
- σενάρια
- Επιστήμη
- αδιάλειπτη
- άψογα
- Δεύτερος
- Τμήμα
- τμήματα
- επιλέγονται
- επιλογή
- αποστέλλει
- αρχαιότερος
- Σειρές
- εξυπηρετούν
- Χωρίς διακομιστή
- υπηρεσία
- Υπηρεσίες
- σειρά
- setup
- αυτή
- αλλαγή
- Βάρδιες
- θα πρέπει να
- Δείχνει
- Υπογραφές
- σημαίνει
- Σημάδια
- παρόμοιες
- Απλούς
- απλοποιεί
- ενιαίας
- Μέγεθος
- small
- εξομαλύνουν
- λύση
- Λύσεις
- μερικοί
- κάτι
- χωρική
- ειδικευμένος
- συγκεκριμένες
- ειδικά
- καθορίζεται
- διαίρεση
- Spot
- πλατεία
- πλατείες
- ξεκίνησε
- Κατάσταση
- δηλώσεις
- Βήμα
- Βήματα
- Ακόμη
- χώρος στο δίσκο
- κατάστημα
- δρασκελιά
- ισχυρός
- στούντιο
- Ακολούθως
- τέτοιος
- Προτείνει
- βέβαιος
- Επιφάνεια
- ευαίσθητος
- ύποπτος
- ταχέως
- σύστημα
- επειξειργασμένος από ραπτήν
- Πάρτε
- παίρνει
- στόχους
- τεχνικά
- τεχνική
- τεχνικές
- tensorflow
- τερματικό
- δοκιμή
- Δοκιμές
- από
- ότι
- Η
- Το κράτος
- τους
- Τους
- τότε
- Εκεί.
- Αυτοί
- πράγματα
- αυτό
- τρία
- Μέσω
- ώρα
- φορές
- προς την
- εργαλείο
- εργαλεία
- Τορόντο
- Σύνολο
- τρελλός λίγο
- Τρένο
- εκπαιδευμένο
- Εκπαίδευση
- Μεταμορφώστε
- μετασχηματισμούς
- αληθής
- προσπαθώ
- δύο
- τύπος
- τύποι
- συνήθως
- υπό
- υποκείμενες
- αναδοχή
- μοναδικός
- μονάδα
- Ενημέρωση
- επάνω σε
- USD
- χρήση
- περίπτωση χρήσης
- μεταχειρισμένος
- Χρήστες
- χρησιμοποιεί
- χρησιμοποιώντας
- επικύρωση
- αξία
- Αξίες
- μεταβλητή
- διάφορα
- εκδοχή
- ορατός
- όραμα
- Επίσκεψη
- οπτικές
- οπτικά
- θέλω
- ήταν
- we
- ιστός
- διαδικτυακές υπηρεσίες
- ΛΟΙΠΌΝ
- ήταν
- Τι
- πότε
- Ποιό
- ευρύς
- θα
- με
- εντός
- χωρίς
- ροής εργασίας
- ροές εργασίας
- εργαζόμενος
- λειτουργεί
- εσείς
- Σας
- zephyrnet
- μηδέν