Εικόνα από Editor
Διαβάζω, γράφω και μιλώ από τα τέλη του περασμένου έτους στη διασταύρωση λογισμικού ανοιχτού κώδικα και μηχανικής μάθησης, προσπαθώντας να καταλάβω τι μπορεί να φέρει το μέλλον.
Όταν ξεκίνησα, περίμενα ότι θα μιλούσα κυρίως για το πώς χρησιμοποιείται το λογισμικό ανοιχτού κώδικα από την κοινότητα μηχανικής μάθησης. Αλλά όσο περισσότερο έχω εξερευνήσει, τόσο περισσότερο συνειδητοποιώ ότι υπάρχουν πολλές ομοιότητες μεταξύ των δύο τομέων πρακτικής. Σε αυτό το άρθρο θα συζητήσω μερικούς από αυτούς τους παραλληλισμούς — και τι μπορεί και τι δεν μπορεί να μάθει η μηχανική μάθηση από το λογισμικό ανοιχτού κώδικα.
Ο εύκολος και προφανής παραλληλισμός είναι ότι τόσο η σύγχρονη μηχανική μάθηση όσο και το σύγχρονο λογισμικό έχουν κατασκευαστεί σχεδόν εξ ολοκλήρου με λογισμικό ανοιχτού κώδικα. Για λογισμικό, δηλαδή μεταγλωττιστές και επεξεργαστές κώδικα. για τη μηχανική μάθηση, είναι πλαίσια εκπαίδευσης και συμπερασμάτων όπως το PyTorch και το TensorFlow. Αυτοί οι χώροι κυριαρχούνται από λογισμικό ανοιχτού κώδικα και τίποτα δεν φαίνεται έτοιμο να το αλλάξει αυτό.
Υπάρχει μια αξιοσημείωτη, προφανής εξαίρεση σε αυτό: όλα αυτά τα πλαίσια εξαρτώνται από την πολύ ιδιόκτητη στοίβα υλικού και λογισμικού Nvidia. Αυτό στην πραγματικότητα είναι πιο παράλληλο από ό,τι φαίνεται στην αρχή. Για μεγάλο χρονικό διάστημα, το λογισμικό ανοιχτού κώδικα λειτουργούσε κυρίως σε ιδιόκτητα λειτουργικά συστήματα Unix, τα οποία πωλούνταν από ιδιόκτητους προμηθευτές υλικού. Μόνο μετά την εμφάνιση του Linux αρχίσαμε να θεωρούμε δεδομένο ότι ήταν ακόμη δυνατό ένα ανοιχτό «κάτω» της στοίβας, και πολύ ανοιχτή ανάπτυξη γίνεται αυτές τις μέρες σε MacOS και Windows. Δεν είναι σαφές πώς θα γίνει αυτό στη μηχανική εκμάθηση. Η Amazon (για το AWS), η Google (τόσο για το cloud όσο και για το Android) και η Apple επενδύουν σε ανταγωνιστικές μάρκες και στοίβες και είναι πιθανό ένα ή περισσότερα από αυτά να ακολουθήσουν την πορεία που χάραξε Linus (και Intel) της απελευθέρωσης του ολόκληρος σωρός.
Ένας πιο κρίσιμος παραλληλισμός μεταξύ του τρόπου κατασκευής του λογισμικού ανοιχτού κώδικα και του τρόπου κατασκευής της μηχανικής μάθησης, είναι η πολυπλοκότητα και η δημόσια διαθεσιμότητα των δεδομένων στα οποία βασίζεται το καθένα.
Όπως αναλυτικά σε αυτό προεκτύπωση χαρτί “The Data Provenance Project,” της οποίας έγραψα από κοινού, η σύγχρονη μηχανική μάθηση βασίζεται κυριολεκτικά σε χιλιάδες πηγές δεδομένων, όπως το σύγχρονο λογισμικό ανοιχτού κώδικα βασίζεται σε εκατοντάδες χιλιάδες βιβλιοθήκες. Και όπως κάθε ανοιχτή βιβλιοθήκη φέρνει μαζί της νομικές προκλήσεις, προκλήσεις ασφάλειας και συντήρησης, κάθε σύνολο δημόσιων δεδομένων φέρνει μαζί του ακριβώς το ίδιο σύνολο δυσκολιών.
Στον οργανισμό μου, έχουμε μιλήσει για την έκδοση λογισμικού ανοιχτού κώδικα αυτής της πρόκλησης ως "τυχαία εφοδιαστική αλυσίδα.» Η βιομηχανία λογισμικού άρχισε να δημιουργεί πράγματα επειδή τα απίστευτα δομικά στοιχεία των βιβλιοθηκών ανοιχτού κώδικα σήμαιναν ότι μπορούσαμε. Αυτό σήμαινε ότι ο κλάδος άρχισε να αντιμετωπίζει το λογισμικό ανοιχτού κώδικα ως αλυσίδα εφοδιασμού – κάτι που ήταν έκπληξη για πολλούς από αυτούς τους «προμηθευτές».
Για να μετριάσει αυτές τις προκλήσεις, το λογισμικό ανοιχτού κώδικα έχει αναπτύξει πολλές εξελιγμένες (αν και ατελείς) τεχνικές, όπως σαρωτές για την αναγνώριση του τι χρησιμοποιείται και μεταδεδομένα για την παρακολούθηση πραγμάτων μετά την ανάπτυξη. Αρχίζουμε επίσης να επενδύουμε στους ανθρώπους, για να προσπαθήσουμε να αντιμετωπίσουμε την αναντιστοιχία μεταξύ των βιομηχανικών αναγκών και των εθελοντικών κινήτρων.
Δυστυχώς, η κοινότητα μηχανικής μάθησης φαίνεται έτοιμη να βυθιστεί στο ίδιο ακριβώς «τυχαίο» λάθος της εφοδιαστικής αλυσίδας—κάνοντας πολλά πράγματα γιατί μπορεί, χωρίς να σταματήσει να σκέφτεται πολύ τις μακροπρόθεσμες επιπτώσεις όταν ολόκληρη η οικονομία βασιστεί σε αυτά τα σύνολα δεδομένων .
Ένας τελευταίος σημαντικός παράλληλος είναι ότι υποψιάζομαι έντονα ότι η μηχανική μάθηση θα επεκταθεί για να καλύψει πολλές, πολλές θέσεις, όπως ακριβώς έχει το λογισμικό ανοιχτού κώδικα. Προς το παρόν, η (άξια) διαφημιστική εκστρατεία αφορά μεγάλα, παραγωγικά μοντέλα, αλλά υπάρχουν επίσης πολλά μικρά μοντέλα εκεί έξω, καθώς και τροποποιήσεις σε μεγαλύτερα μοντέλα. Πράγματι, ο ιστότοπος φιλοξενίας HuggingFace, η κύρια πλατφόρμα φιλοξενίας της μηχανικής εκμάθησης, αναφέρει ότι ο αριθμός των μοντέλων στον ιστότοπό τους αυξάνεται εκθετικά.
Αυτά τα μοντέλα θα είναι πιθανότατα άφθονα και διαθέσιμα για βελτίωση, σαν μικρά κομμάτια λογισμικού ανοιχτού κώδικα. Αυτό θα τους κάνει απίστευτα ευέλικτους και ισχυρούς. Χρησιμοποιώ ένα μικρό εργαλείο που βασίζεται σε μηχανική εκμάθηση για να κάνω φθηνή, ευαίσθητη στο απόρρητο μέτρηση της κυκλοφορίας στον δρόμο μου, για παράδειγμα, μια περίπτωση χρήσης που δεν θα ήταν δυνατή εκτός από ακριβές συσκευές πριν από μερικά χρόνια.
Αλλά αυτός ο πολλαπλασιασμός σημαίνει ότι θα πρέπει να παρακολουθούνται—τα μοντέλα μπορεί να μοιάζουν λιγότερο με mainframes και περισσότερο σαν λογισμικό ανοιχτού κώδικα ή SaaS, τα οποία εμφανίζονται παντού λόγω του χαμηλού κόστους και της ευκολίας ανάπτυξης.
Επομένως, εάν υπάρχουν αυτοί οι σημαντικοί παραλληλισμοί (ιδιαίτερα των πολύπλοκων αλυσίδων εφοδιασμού και της πολλαπλασιαζόμενης διανομής) τι μπορεί να μάθει η μηχανική μάθηση από το λογισμικό ανοιχτού κώδικα;
Το πρώτο παράλληλο μάθημα που μπορούμε να αντλήσουμε είναι απλώς ότι για να κατανοήσουμε τις πολλές προκλήσεις της, η μηχανική μάθηση θα χρειαστεί μεταδεδομένα και εργαλεία. Το λογισμικό ανοιχτού κώδικα σκόνταψε στην εργασία μεταδεδομένων μέσω της συμμόρφωσης με τα πνευματικά δικαιώματα και τις άδειες, αλλά καθώς η τυχαία αλυσίδα εφοδιασμού για λογισμικό έχει ωριμάσει, τα μεταδεδομένα έχουν αποδειχθεί εξαιρετικά χρήσιμα σε διάφορους τομείς.
Στη μηχανική εκμάθηση, η παρακολούθηση μεταδεδομένων είναι ένα έργο σε εξέλιξη. Μερικά παραδείγματα:
- A χαρτί κλειδιού 2019, που αναφέρεται ευρέως στον κλάδο, προέτρεψε τους προγραμματιστές μοντέλων να τεκμηριώσουν τη δουλειά τους με «κάρτες μοντέλων». Δυστυχώς, πρόσφατες έρευνες το υποδεικνύουν η εφαρμογή στη φύση είναι ακόμη αδύναμη.
- Τόσο οι προδιαγραφές λογισμικού SPDX όσο και CycloneDX bill of Materials (SBOM) εργάζονται σε τιμολόγια υλικών AI (AI BOMs) για να βοηθήσουν στην παρακολούθηση δεδομένων και μοντέλων μηχανικής εκμάθησης, με πιο δομημένο τρόπο από τις κάρτες μοντέλων (που αρμόζει στην πολυπλοκότητα που θα περίμενε κανείς εάν αυτό κάνει πραγματικά παράλληλο λογισμικό ανοιχτού κώδικα).
- Το HuggingFace δημιούργησε μια ποικιλία προδιαγραφών και εργαλείων για να επιτρέπεται στους συντάκτες μοντέλων και δεδομένων να τεκμηριώνουν τις πηγές τους.
- Το έγγραφο του MIT Data Provenance που αναφέρθηκε παραπάνω προσπαθεί να κατανοήσει την «βασική αλήθεια» της αδειοδότησης δεδομένων, για να βοηθήσει στην εμβάθυνση των προδιαγραφών με δεδομένα πραγματικού κόσμου.
- Ανέκδοτα, πολλές εταιρείες που κάνουν εργασίες εκπαίδευσης μηχανικής μάθησης φαίνεται να έχουν κάπως περιστασιακές σχέσεις με την παρακολούθηση δεδομένων, χρησιμοποιώντας το "περισσότερο, τόσο καλύτερα" ως δικαιολογία για να φτυαρίσουν τα δεδομένα στη χοάνη χωρίς απαραίτητα να τα παρακολουθούν καλά.
Αν μάθαμε κάτι από το open, είναι ότι η σωστή λήψη των μεταδεδομένων (πρώτα, οι προδιαγραφές και μετά τα πραγματικά δεδομένα) θα είναι ένα έργο ετών και μπορεί να απαιτήσει κυβερνητική παρέμβαση. Η μηχανική εκμάθηση θα πρέπει να κάνει αυτή τη βουτιά στα μεταδεδομένα νωρίτερα παρά αργότερα.
Η ασφάλεια είναι ένας άλλος σημαντικός οδηγός της ζήτησης μεταδεδομένων του λογισμικού ανοιχτού κώδικα—αν δεν ξέρετε τι εκτελείτε, δεν μπορείτε να ξέρετε εάν είστε ευαίσθητοι στη φαινομενικά ατελείωτη ροή επιθέσεων.
Η μηχανική εκμάθηση δεν υπόκειται στους περισσότερους τύπους παραδοσιακών επιθέσεων λογισμικού, αλλά αυτό δεν σημαίνει ότι είναι άτρωτα. (Το αγαπημένο μου παράδειγμα είναι ότι ήταν δυνατό σετ εκπαίδευσης poison image επειδή συχνά αντλούσαν από νεκρούς τομείς.) Η έρευνα σε αυτόν τον τομέα είναι αρκετά καυτή ώστε έχουμε ήδη ξεπεράσει την «απόδειξη της ιδέας» και «υπάρχουν αρκετές επιθέσεις για λίστα και ταξινομώ. "
Δυστυχώς, το λογισμικό ανοιχτού κώδικα δεν μπορεί να προσφέρει μηχανική εκμάθηση μαγικές κουκκίδες για ασφάλεια—αν τις είχαμε, θα τις χρησιμοποιούσαμε. Αλλά η ιστορία του τρόπου με τον οποίο το λογισμικό ανοιχτού κώδικα εξαπλώθηκε σε τόσες πολλές θέσεις υποδηλώνει ότι η μηχανική εκμάθηση πρέπει να λάβει σοβαρά υπόψη αυτή την πρόκληση, ξεκινώντας με την παρακολούθηση της χρήσης και των μεταδεδομένων ανάπτυξης, ακριβώς επειδή είναι πιθανό να εφαρμοστεί με πολλούς τρόπους πέρα από αυτούς στους οποίους εφαρμόζεται επί του παρόντος. αναπτυχθεί.
Τα κίνητρα που οδήγησαν τα μεταδεδομένα ανοιχτού κώδικα (αδειοδότηση, μετά ασφάλεια) υποδεικνύουν τον επόμενο σημαντικό παράλληλο: καθώς αυξάνεται η σημασία ενός τομέα, το εύρος των πραγμάτων που πρέπει να μετρηθούν και να παρακολουθηθούν θα διευρυνθεί, επειδή η ρύθμιση και η ευθύνη θα επεκταθούν.
Στο λογισμικό ανοιχτού κώδικα, ο κύριος «κανονισμός» της κυβέρνησης για πολλά χρόνια ήταν ο νόμος περί πνευματικών δικαιωμάτων, και έτσι αναπτύχθηκαν μεταδεδομένα για να το υποστηρίξουν. Ωστόσο, το λογισμικό ανοιχτού κώδικα αντιμετωπίζει τώρα μια ποικιλία κανόνων ασφάλειας και ευθύνης προϊόντων—και πρέπει να ωριμάσουμε τις αλυσίδες εφοδιασμού μας για να ανταποκριθούμε σε αυτές τις νέες απαιτήσεις.
Η τεχνητή νοημοσύνη θα ρυθμίζεται ομοίως με έναν ολοένα αυξανόμενο αριθμό τρόπων, καθώς γίνεται ολοένα και πιο σημαντικό. Οι πηγές ρύθμισης θα είναι εξαιρετικά διαφορετικές, συμπεριλαμβανομένου του περιεχομένου (τόσο των εισροών όσο και των εκροών), των διακρίσεων και της ευθύνης για τα προϊόντα. Αυτό θα απαιτήσει αυτό που μερικές φορές ονομάζεται "Ιχνηλασιμότητα”—κατανόηση του τρόπου κατασκευής των μοντέλων και του τρόπου με τον οποίο αυτές οι επιλογές (συμπεριλαμβανομένων των πηγών δεδομένων) επηρεάζουν τα αποτελέσματα των μοντέλων.
Αυτή η βασική απαίτηση - τι έχουμε; πώς έφτασε εδώ;—είναι πλέον πολύ οικείο για τους προγραμματιστές λογισμικού ανοιχτού κώδικα για επιχειρήσεις. Ωστόσο, μπορεί να είναι μια ριζική αλλαγή για τους προγραμματιστές μηχανικής μάθησης και πρέπει να γίνει αποδεκτή.
Ένα άλλο παράλληλο μάθημα που μπορεί να αντλήσει η μηχανική εκμάθηση από το λογισμικό ανοιχτού κώδικα (και μάλιστα από πολλά κύματα λογισμικού πριν από αυτό, που χρονολογούνται τουλάχιστον από τον κεντρικό υπολογιστή) είναι ότι η ωφέλιμη ζωή του θα είναι πολύ, πολύ μεγάλη. Μόλις μια τεχνολογία είναι «αρκετά καλή», θα αναπτυχθεί και ως εκ τούτου θα πρέπει να διατηρηθεί για πολύ, πολύ μεγάλο χρονικό διάστημα. Αυτό σημαίνει ότι πρέπει να σκεφτούμε τη συντήρηση αυτού του λογισμικού όσο το δυνατόν νωρίτερα και να σκεφτούμε τι θα σημαίνει ότι αυτό το λογισμικό μπορεί να επιβιώσει για δεκαετίες. Το «δεκαετίες» δεν είναι υπερβολή. Πολλοί πελάτες που συναντώ χρησιμοποιούν λογισμικό που είναι αρκετά παλιό για να ψηφίσουν. Πολλές εταιρείες λογισμικού ανοιχτού κώδικα και ορισμένα έργα διαθέτουν πλέον τις λεγόμενες εκδόσεις «Μακροπρόθεσμης Υποστήριξης» που προορίζονται για αυτού του είδους τις περιπτώσεις χρήσης.
Αντίθετα, το OpenAI διατήρησε το εργαλείο Codex διαθέσιμο για λιγότερο από δύο χρόνια—που οδηγεί σε πολύ θυμό, ειδικά στην ακαδημαϊκή κοινότητα. Δεδομένου του γρήγορου ρυθμού της αλλαγής στη μηχανική μάθηση, και ότι οι περισσότεροι υιοθετούντες πιθανώς ενδιαφέρονται να χρησιμοποιήσουν την αιχμή, αυτό μάλλον δεν ήταν παράλογο – αλλά θα έρθει η μέρα, νωρίτερα από ό,τι πιστεύει ο κλάδος, όπου πρέπει να το σχεδιάσει είδος «μακροπρόθεσμου»—συμπεριλαμβανομένου του τρόπου με τον οποίο αλληλεπιδρά με την ευθύνη και την ασφάλεια.
Τέλος, είναι σαφές ότι—όπως το λογισμικό ανοιχτού κώδικα—θα εισρεύσουν πολλά χρήματα στη μηχανική εκμάθηση, αλλά τα περισσότερα από αυτά τα χρήματα θα συγκεντρωθούν γύρω από αυτό που ένας συγγραφέας έχει αποκαλέσει οι εταιρείες «πλούσιες σε επεξεργαστές». Εάν οι παραλληλισμοί με το λογισμικό ανοιχτού κώδικα λειτουργήσουν, αυτές οι εταιρείες θα έχουν πολύ διαφορετικές ανησυχίες και προτεραιότητες δαπανών από τον μέσο δημιουργό (ή χρήστη) των μοντέλων.
Η εταιρεία μας, η Tidelift, σκέφτεται αυτό το πρόβλημα των κινήτρων στο λογισμικό ανοιχτού κώδικα εδώ και αρκετό καιρό και οντότητες όπως ο μεγαλύτερος αγοραστής λογισμικού στον κόσμο—η κυβέρνηση των ΗΠΑ—είναι εξετάζοντας επίσης το πρόβλημα.
Οι εταιρείες μηχανικής εκμάθησης, ειδικά εκείνες που επιδιώκουν να δημιουργήσουν κοινότητες δημιουργών, θα πρέπει να σκεφτούν πολύ καλά αυτήν την πρόκληση. Εάν εξαρτώνται από χιλιάδες σύνολα δεδομένων, πώς θα διασφαλίσουν ότι χρηματοδοτούνται για συντήρηση, νομική συμμόρφωση και ασφάλεια, για δεκαετίες; Εάν οι μεγάλες εταιρείες καταλήξουν με δεκάδες ή εκατοντάδες μοντέλα που αναπτύσσονται γύρω από την εταιρεία, πώς θα διασφαλίσουν ότι όσοι διαθέτουν τις καλύτερες εξειδικευμένες γνώσεις -αυτοί που δημιούργησαν τα μοντέλα- θα εξακολουθούν να εργάζονται για νέα προβλήματα καθώς ανακαλύπτονται;
Όπως και η ασφάλεια, δεν υπάρχουν εύκολες απαντήσεις για αυτήν την πρόκληση. Αλλά όσο πιο γρήγορα η μηχανική μάθηση λάβει το πρόβλημα στα σοβαρά - όχι ως πράξη φιλανθρωπίας, αλλά ως βασικό συστατικό της μακροπρόθεσμης ανάπτυξης - τόσο καλύτερα θα είναι ολόκληρη η βιομηχανία και ολόκληρος ο κόσμος.
Οι βαθιές ρίζες της μηχανικής μάθησης στην κουλτούρα του πειραματισμού του ακαδημαϊκού κόσμου και η κουλτούρα γρήγορης επανάληψης της Silicon Valley, την έχουν εξυπηρετήσει καλά, οδηγώντας σε μια εκπληκτική έκρηξη καινοτομίας που θα είχε φαινόταν μαγικό λιγότερο από μια δεκαετία πριν. Η πορεία του λογισμικού ανοιχτού κώδικα την τελευταία δεκαετία ήταν ίσως λιγότερο γοητευτική, αλλά κατά τη διάρκεια αυτής της περιόδου έγινε το υπόβαθρο όλου του εταιρικού λογισμικού—και πήρε πολλά μαθήματα στην πορεία. Ας ελπίσουμε ότι η μηχανική μάθηση δεν θα επανεφεύρει αυτούς τους τροχούς.
Λουίς Βίλα είναι συνιδρυτής και γενικός σύμβουλος στην Tidelift. Προηγουμένως ήταν κορυφαίος δικηγόρος ανοιχτού κώδικα που συμβουλεύει πελάτες, από εταιρείες του Fortune 50 έως κορυφαίες νεοφυείς επιχειρήσεις, για την ανάπτυξη προϊόντων και την αδειοδότηση ανοιχτού κώδικα.
- 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://www.kdnuggets.com/ai-and-open-source-software-separated-at-birth?utm_source=rss&utm_medium=rss&utm_campaign=ai-and-open-source-software-separated-at-birth
- :έχει
- :είναι
- :δεν
- :που
- $UP
- 2019
- 50
- a
- Σχετικα
- πάνω από
- ακαδημαϊκής
- λάθος
- Πράξη
- πραγματικός
- πραγματικά
- διεύθυνση
- υιοθετών
- συμβουλεύοντας
- Μετά το
- πριν
- AI
- Όλα
- επιτρέπουν
- σχεδόν
- κατά μήκος
- ήδη
- Επίσης
- καταπληκτικό
- Amazon
- an
- και
- android
- θυμός
- Άλλος
- απαντήσεις
- κάθε
- οτιδήποτε
- εμφανής
- εμφανίζομαι
- εμφανίζεται
- Apple
- εφαρμοσμένος
- ΕΙΝΑΙ
- ΠΕΡΙΟΧΗ
- περιοχές
- γύρω
- άρθρο
- AS
- At
- Επιθέσεις
- συγγραφέας
- συγγραφείς
- διαθεσιμότητα
- διαθέσιμος
- AWS
- πίσω
- βασίζονται
- BE
- επειδή
- γίνονται
- γίνεται
- ήταν
- πριν
- ξεκίνησε
- είναι
- ΚΑΛΎΤΕΡΟΣ
- Καλύτερα
- μεταξύ
- Πέρα
- Γραμμάτια
- γέννηση
- Μπλοκ
- και οι δύο
- φέρω
- Φέρνει
- Κτίριο
- χτισμένο
- αλλά
- by
- που ονομάζεται
- ήρθε
- CAN
- Κάρτες
- περίπτωση
- περιπτώσεις
- ανέμελος
- αλυσίδα
- αλυσίδες
- πρόκληση
- προκλήσεις
- αλλαγή
- Φιλανθρωπικος ΣΚΟΠΟΣ
- φθηνά
- τσιπ
- επιλογές
- παραπομπή
- καθαρός
- πελάτες
- Backup
- Συνιδρυτής
- κωδικός
- Ελάτε
- Κοινοτήτων
- κοινότητα
- Εταιρείες
- εταίρα
- ανταγωνίζονται
- συγκρότημα
- περίπλοκο
- Συμμόρφωση
- συστατικό
- Πιθανά ερωτήματα
- περιεχόμενο
- αντίθεση
- πνευματική ιδιοκτησία
- πυρήνας
- Κόστος
- θα μπορούσε να
- ο ΣΥΝΗΓΟΡΟΣ
- πορεία
- δημιουργία
- δημιουργήθηκε
- δημιουργός
- δημιουργούς
- κρίσιμης
- κουλτούρα
- Τη στιγμή
- Πελάτες
- τομή
- ημερομηνία
- σύνολο δεδομένων
- σύνολα δεδομένων
- Ραντεβού
- ημέρα
- Ημ.
- νεκρός
- δεκαετία
- δεκαετίες
- βαθύς
- εξαρτώμενος
- αναπτυχθεί
- ανάπτυξη
- λεπτομερής
- αναπτύχθηκε
- προγραμματιστές
- Ανάπτυξη
- Συσκευές
- DID
- διαφορετικές
- δυσκολίες
- ανακάλυψαν
- Διάκριση
- συζητήσουν
- διανομή
- διάφορα
- do
- έγγραφο
- κάνει
- Όχι
- πράξη
- domains
- γίνεται
- Μην
- δεκάδες
- σχεδιάζω
- οδηγός
- κατά την διάρκεια
- κάθε
- Νωρίς
- ευκολία
- εύκολος
- οικονομία
- άκρη
- συντάκτες
- αγκάλιασε
- συνάντηση
- τέλος
- Ατελείωτη
- αρκετά
- εξασφαλίζω
- Εταιρεία
- Ολόκληρος
- εξ ολοκλήρου
- οντότητες
- ειδικά
- Αιθέρας (ΕΤΗ)
- Even
- συνεχώς αυξανόμενη
- ακριβώς
- παράδειγμα
- παραδείγματα
- Εκτός
- εξαίρεση
- Ανάπτυξη
- αναμένω
- αναμένεται
- ακριβά
- Εξερευνήθηκε
- έκρηξη
- εκθετικά
- εξαιρετικά
- πρόσωπα
- οικείος
- FAST
- Αγαπημένα
- λίγοι
- συμπληρώστε
- Όνομα
- εύκαμπτος
- Ρεύση
- ακολουθήστε
- Για
- Τύχη
- πλαισίων
- από
- κεφαλαιοποιητικό
- μελλοντικός
- General
- γενετική
- παίρνω
- να πάρει
- GitHub
- δεδομένου
- μετάβαση
- φύγει
- Κυβέρνηση
- χορηγείται
- Μεγαλώνοντας
- μεγαλώνει
- είχε
- Σκληρά
- υλικού
- Έχω
- he
- βοήθεια
- εδώ
- ιστορία
- Ας ελπίσουμε ότι
- φιλοξενία
- ΚΑΥΤΌ
- Πως
- Ωστόσο
- HTTPS
- Πρόσωπο αγκαλιάς
- Οι άνθρωποι
- Εκατοντάδες
- Hype
- i
- ΕΓΩ ΘΑ
- προσδιορισμό
- IEEE
- if
- εικόνα
- πάρα πολύ
- Επίπτωση
- επιπτώσεις
- σπουδαιότητα
- σημαντικό
- βελτίωση
- in
- Κίνητρα
- Συμπεριλαμβανομένου
- απίστευτη
- απίστευτα
- βιομηχανικές
- βιομηχανία
- Καινοτομία
- είσοδοι
- Intel
- προορίζονται
- διαδραστικός
- ενδιαφερόμενος
- διασταύρωση
- σε
- Επενδύστε
- επενδύοντας
- IT
- επανάληψη
- ΤΟΥ
- μόλις
- KDnuggets
- διατηρούνται
- Κλειδί
- Ξέρω
- large
- μεγαλύτερος
- μεγαλύτερη
- Επίθετο
- Πέρυσι
- Αργά
- αργότερα
- Νόμος
- δικηγόρος
- που οδηγεί
- ΜΑΘΑΊΝΩ
- μάθει
- μάθηση
- ελάχιστα
- Νομικά
- μείον
- μάθημα
- Μαθήματα
- ευθύνη
- βιβλιοθήκες
- Βιβλιοθήκη
- αδειοδότηση
- ζωή
- Μου αρέσει
- Πιθανός
- linux
- Μακριά
- πολύς καιρός
- μακροπρόθεσμος
- ματιά
- Παρτίδα
- πλήθος
- Χαμηλός
- μηχανή
- μάθηση μηχανής
- MacOS
- μαγεία
- συντήρηση
- μεγάλες
- κάνω
- τρόπος
- πολοί
- υλικά
- ώριμος
- Ενδέχεται..
- εννοώ
- μέσα
- σήμαινε
- μετράται
- μέτρηση
- Γνωρίστε
- Μεταδεδομένα
- ενδέχεται να
- MIT
- Μετριάζω
- μοντέλο
- μοντέλα
- ΜΟΝΤΕΡΝΑ
- στιγμή
- χρήματα
- περισσότερο
- πλέον
- ως επί το πλείστον
- κίνητρα
- πολύ
- πλήθος
- πρέπει
- my
- αναγκαίως
- Ανάγκη
- ανάγκες
- Νέα
- επόμενη
- Όχι.
- αξιοσημείωτο
- τίποτα
- τώρα
- αριθμός
- Nvidia
- Εμφανή
- of
- off
- προσφορά
- συχνά
- Παλιά
- on
- μια φορά
- ONE
- αποκλειστικά
- ανοίξτε
- ανοικτού κώδικα
- OpenAI
- λειτουργίας
- λειτουργικά συστήματα
- or
- επιχειρήσεις
- δικός μας
- έξω
- αποτελέσματα
- εξόδους
- επί
- Ειρήνη
- Χαρτί
- Παράλληλο
- Parallels
- ιδιαίτερα
- Το παρελθόν
- μονοπάτι
- ίσως
- κομμάτια
- Μέρος
- σχέδιο
- πλατφόρμες
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- Δοκιμάστε να παίξετε
- βουτιά
- Σημείο
- πισίνα
- ποπ
- δυνατός
- ισχυρός
- πρακτική
- προηγουμένως
- πρωταρχικός
- πιθανώς
- Πρόβλημα
- προβλήματα
- Προϊόν
- ανάπτυξη προϊόντων
- Πρόοδος
- σχέδιο
- έργα
- ιδιόκτητο
- αποδεδειγμένη
- προέλευση
- δημόσιο
- αγοραστής
- pytorch
- ριζοσπαστική
- γρήγορα
- μάλλον
- Ανάγνωση
- έτοιμος
- πραγματικό κόσμο
- συνειδητοποίησα
- πρόσφατος
- ρυθμίζονται
- Ρυθμιστικές Αρχές
- επανεφεύρουμε
- Σχέσεις
- Εκθέσεις
- απαιτούν
- απαιτήσεις
- έρευνα
- Η έρευνα δείχνει
- δεξιά
- ρίζες
- τρέξιμο
- s
- SaaS
- ίδιο
- SBOM
- έκταση
- τομέας
- ασφάλεια
- αναζήτηση
- φαίνεται
- σοβαρά
- σειρά
- Σέτς
- θα πρέπει να
- Πυρίτιο
- ομοιότητες
- Ομοίως
- απλά
- αφού
- ιστοσελίδα
- small
- So
- λογισμικό
- Προγραμματιστές λογισμικού
- πωλούνται
- μερικοί
- μερικές φορές
- κάπως
- εξελιγμένα
- Πηγή
- Πηγές
- χώρων
- ομιλία
- ειδικός
- προδιαγραφές
- specs
- Δαπάνες
- διάδοση
- σωρός
- Στοίβες
- ξεκίνησε
- Ξεκινήστε
- Startups
- Ακόμη
- στάθμευση
- μετάδοση
- δρόμος
- δυνατά
- δομημένος
- θέμα
- Προτείνει
- προμήθεια
- αλυσίδας εφοδιασμού
- Αλυσίδες εφοδιασμού
- υποστήριξη
- έκπληξη
- επιβιώσουν
- ευαίσθητος
- συστήματα
- Πάρτε
- παίρνει
- ομιλία
- τεχνικές
- Τεχνολογία
- tensorflow
- όρος
- από
- ότι
- Η
- Το μέλλον
- τους
- Τους
- τότε
- Εκεί.
- επομένως
- Αυτοί
- αυτοί
- πράγματα
- νομίζω
- Σκέψη
- σκέφτεται
- αυτό
- εκείνοι
- αν και?
- χιλιάδες
- Μέσω
- ώρα
- προς την
- εργαλείο
- κορυφή
- τροχιά
- Παρακολούθηση
- παραδοσιακός
- ΚΙΝΗΣΗ στους ΔΡΟΜΟΥΣ
- Εκπαίδευση
- θεραπεία
- όντως
- προσπαθώ
- προσπαθώντας
- τσιμπήματα
- δύο
- τύποι
- ασαφές
- θεμέλια
- καταλαβαίνω
- Δυστυχώς
- unix
- us
- Χρήση
- χρήση
- περίπτωση χρήσης
- μεταχειρισμένος
- Χρήστες
- χρησιμοποιώντας
- ποικιλία
- πωλητές
- εκδοχή
- πολύ
- εθελοντής
- Ψηφίστε
- ήταν
- κύματα
- Τρόπος..
- τρόπους
- we
- ΛΟΙΠΌΝ
- Τι
- Τι είναι
- Ποιό
- Ο ΟΠΟΊΟΣ
- ευρέως
- Άγριος
- θα
- παράθυρα
- με
- χωρίς
- Εργασία
- εργαζόμενος
- κόσμος
- του κόσμου
- θα
- γραφή
- έτος
- χρόνια
- εσείς
- zephyrnet