Αυτή είναι μια guest post από τον Jihye Park, Επιστήμονα Δεδομένων στο MUSINSA.
ΜΟΥΣΙΝΑ είναι μια από τις μεγαλύτερες διαδικτυακές πλατφόρμες μόδας στη Νότια Κορέα, που εξυπηρετεί 8.4 εκατομμύρια πελάτες και πουλά 6,000 επωνυμίες μόδας. Η μηνιαία επισκεψιμότητα των χρηστών μας φτάνει τα 4 εκατομμύρια και πάνω από το 90% των δημογραφικών μας στοιχείων αποτελείται από έφηβους και νεαρούς ενήλικες που είναι ευαίσθητοι στις τάσεις της μόδας. Η MUSINSA είναι ηγέτης πλατφόρμας που διαμορφώνει τάσεις στη χώρα, πρωτοπόρος με τεράστιο όγκο δεδομένων.
Η Ομάδα Λύσεων Δεδομένων MUSINSA εμπλέκεται σε οτιδήποτε σχετίζεται με δεδομένα που συλλέγονται από το Κατάστημα MUSINSA. Κάνουμε πλήρη ανάπτυξη στοίβας από τη συλλογή αρχείων καταγραφής έως τη μοντελοποίηση δεδομένων και την εξυπηρέτηση μοντέλων. Αναπτύσσουμε διάφορα προϊόντα που βασίζονται σε δεδομένα, συμπεριλαμβανομένης της Υπηρεσίας Προτάσεων Ζωντανών Προϊόντων στην κύρια σελίδα της εφαρμογής μας και της Υπηρεσίας Επισήμανσης Λέξεων-κλειδιών που εντοπίζει και επισημαίνει λέξεις όπως «μέγεθος» ή «επίπεδο ικανοποίησης» από κριτικές κειμένου.
Προκλήσεις στη διαδικασία αυτοματοποιημένης επιθεώρησης εικόνων
Η ποιότητα και η ποσότητα των κριτικών πελατών είναι ζωτικής σημασίας για τις επιχειρήσεις ηλεκτρονικού εμπορίου, καθώς οι πελάτες λαμβάνουν αποφάσεις αγοράς χωρίς να δουν τα προϊόντα αυτοπροσώπως. Δίνουμε πιστώσεις σε όσους γράφουν κριτικές εικόνων για τα προϊόντα που αγόρασαν (δηλαδή κριτικές με φωτογραφίες των προϊόντων ή φωτογραφίες τους που φορούν/χρησιμοποιούν τα προϊόντα) για να βελτιώσουμε την εμπειρία των πελατών και να αυξήσουμε το ποσοστό μετατροπής αγορών. Για να διαπιστωθεί εάν οι φωτογραφίες που υποβλήθηκαν πληρούσαν τα κριτήριά μας για πιστώσεις, όλες οι φωτογραφίες ελέγχονται ξεχωριστά από ανθρώπους. Για παράδειγμα, τα κριτήριά μας δηλώνουν ότι μια "Ανασκόπηση στυλ" πρέπει να περιέχει φωτογραφίες που παρουσιάζουν ολόκληρο το σώμα ενός ατόμου που φορά/χρησιμοποιεί το προϊόν, ενώ η "Κριτική προϊόντος" πρέπει να παρέχει μια πλήρη φωτογραφία του προϊόντος. Οι παρακάτω εικόνες δείχνουν παραδείγματα αξιολόγησης προϊόντος και κριτικής στυλ. Έχει δοθεί η συγκατάθεση των χρηστών που ανέβασαν τη χρήση των φωτογραφιών.
Πάνω από 20,000 φωτογραφίες ανεβαίνουν καθημερινά στην πλατφόρμα MUSINSA Store που απαιτούν έλεγχο. Η διαδικασία επιθεώρησης ταξινομεί τις εικόνες ως «πακέτο», «προϊόν», «ολόκληρο» ή «μισό μήκος». Η διαδικασία επιθεώρησης εικόνας είναι εντελώς χειροκίνητη, επομένως ήταν εξαιρετικά χρονοβόρα και οι ταξινομήσεις συχνά γίνονται διαφορετικά από διαφορετικά άτομα, ακόμη και με τις οδηγίες. Αντιμέτωποι με αυτήν την πρόκληση, χρησιμοποιήσαμε Amazon Sage Maker για αυτοματοποίηση αυτής της εργασίας.
Το Amazon SageMaker είναι μια πλήρως διαχειριζόμενη υπηρεσία για την κατασκευή, την εκπαίδευση και την ανάπτυξη μοντέλων μηχανικής εκμάθησης (ML) για κάθε περίπτωση χρήσης με πλήρως διαχειριζόμενη υποδομή, εργαλεία και ροές εργασίας. Μας επιτρέπει να εφαρμόσουμε γρήγορα την αυτοματοποιημένη υπηρεσία επιθεώρησης εικόνας με καλά αποτελέσματα.
Θα αναφερθούμε λεπτομερώς στο πώς αντιμετωπίσαμε τα προβλήματά μας χρησιμοποιώντας μοντέλα ML και χρησιμοποιήσαμε το Amazon SageMaker στην πορεία.
Αυτοματοποίηση της διαδικασίας ελέγχου εικόνας
Το πρώτο βήμα για την αυτοματοποίηση της διαδικασίας Επιθεώρησης Ανασκόπησης Εικόνων ήταν η μη αυτόματη επισήμανση εικόνων, αντιστοιχίζοντας έτσι στις κατάλληλες κατηγορίες και κριτήρια επιθεώρησης. Για παράδειγμα, ταξινομήσαμε τις εικόνες ως "φωτογραφία ολόκληρου σώματος", "φωτογραφία πάνω από το σώμα", "φωτογραφία συσκευασίας", "φωτογραφία προϊόντος" κ.λπ. Στην περίπτωση κριτικής προϊόντος, οι πιστώσεις δόθηκαν μόνο για μια εικόνα λήψης προϊόντος. Ομοίως, στην περίπτωση ενός Style Review, δόθηκαν πιστώσεις για μια ολόσωμη λήψη.
Όσον αφορά την ταξινόμηση εικόνων, βασιστήκαμε σε μεγάλο βαθμό σε ένα προεκπαιδευμένο μοντέλο συνελικτικού νευρωνικού δικτύου (CNN) λόγω του τεράστιου όγκου των εικόνων εισόδου που απαιτούνται για την εκπαίδευση του μοντέλου μας. Ενώ ο καθορισμός και η κατηγοριοποίηση σημαντικών χαρακτηριστικών από εικόνες είναι κρίσιμης σημασίας για την εκπαίδευση ενός μοντέλου, μια εικόνα μπορεί να έχει απεριόριστο αριθμό χαρακτηριστικών. Ως εκ τούτου, η χρήση του μοντέλου CNN είχε τη μεγαλύτερη λογική και προεκπαιδεύσαμε το μοντέλο μας με 10,000+ σύνολα δεδομένων ImageNet και, στη συνέχεια, χρησιμοποιήσαμε τη μάθηση μεταφοράς. Αυτό σήμαινε ότι το μοντέλο μας θα μπορούσε να εκπαιδευτεί πιο αποτελεσματικά με τις ετικέτες εικόνων μας αργότερα.
Συλλογή εικόνων με το Amazon SageMaker Ground Truth
Ωστόσο, η μάθηση μεταφοράς είχε τους δικούς της περιορισμούς, επειδή ένα μοντέλο πρέπει να εκπαιδεύεται πρόσφατα σε υψηλότερα επίπεδα. Αυτό σημαίνει ότι απαιτούσε συνεχώς εικόνες εισαγωγής. Από την άλλη πλευρά, αυτή η μέθοδος απέδωσε καλά και απαιτούσε λιγότερες εικόνες εισόδου όταν εκπαιδεύτηκε σε ολόκληρα επίπεδα. Αναγνώριζε εύκολα χαρακτηριστικά από εικόνες από αυτά τα επίπεδα, επειδή είχε ήδη εκπαιδευτεί με τεράστιο όγκο δεδομένων. Στη MUSINSA, ολόκληρη η υποδομή μας λειτουργεί με AWS και αποθηκεύουμε φωτογραφίες που ανεβαίνουν από πελάτες σε Amazon Simple Storage Service (S3). Κατηγοριοποιήσαμε αυτές τις εικόνες σε διαφορετικούς φακέλους με βάση τις ετικέτες που ορίσαμε και χρησιμοποιήσαμε το Amazon SageMaker Ground Truth για τους ακόλουθους λόγους:
- Πιο συνεπή αποτελέσματα – Σε χειροκίνητες διαδικασίες, ένα μόνο λάθος του επιθεωρητή θα μπορούσε να τροφοδοτηθεί στην εκπαίδευση μοντέλων χωρίς καμία παρέμβαση. Με το SageMaker Ground Truth, θα μπορούσαμε να ζητήσουμε από πολλούς επιθεωρητές να ελέγξουν την ίδια εικόνα και να βεβαιωθούν ότι οι πληροφορίες από τον πιο αξιόπιστο επιθεωρητή βαθμολογήθηκαν υψηλότερα για την επισήμανση εικόνων, οδηγώντας έτσι σε πιο αξιόπιστα αποτελέσματα.
- Λιγότερη χειρωνακτική εργασία – Η αυτοματοποιημένη επισήμανση δεδομένων SageMaker Ground Truth μπορεί να εφαρμοστεί με ένα όριο βαθμολογίας εμπιστοσύνης, έτσι ώστε τυχόν εικόνες που δεν μπορούν να επισημανθούν με σιγουριά από μηχανή να αποστέλλονται για ανθρώπινη ετικέτα. Αυτό εξασφαλίζει την καλύτερη ισορροπία κόστους και ακρίβειας. Περισσότερες πληροφορίες είναι διαθέσιμες στο Οδηγός προγραμματιστή Amazon SageMaker Ground Truth.
Χρησιμοποιώντας αυτήν τη μέθοδο, μειώσαμε τον αριθμό των εικόνων που ταξινομήθηκαν με μη αυτόματο τρόπο κατά 43%. Ο παρακάτω πίνακας δείχνει τον αριθμό των εικόνων που υποβλήθηκαν σε επεξεργασία ανά επανάληψη μετά την υιοθέτηση του Ground Truth (σημειώστε ότι τα δεδομένα εκπαίδευσης και επικύρωσης είναι συγκεντρωμένα δεδομένα, ενώ οι άλλες μετρήσεις βασίζονται σε ανά επανάληψη). - Άμεση φόρτωση αποτελεσμάτων – Κατά τη δημιουργία μοντέλων στο SageMaker, θα μπορούσαμε να φορτώσουμε τα προκύπτοντα αρχεία δήλωσης που δημιουργούνται από το SageMaker Ground Truth και να τα χρησιμοποιήσουμε για εκπαίδευση.
Συνοπτικά, η κατηγοριοποίηση 10,000 εικόνων απαιτούσε 22 επιθεωρητές πέντε ημέρες και κόστισε 980 δολάρια.
Ανάπτυξη μοντέλου ταξινόμησης εικόνων με το Amazon SageMaker Studio
Χρειαζόμασταν να ταξινομήσουμε τις εικόνες ανασκόπησης ως λήψεις ολόκληρου σώματος, λήψεις από το πάνω μέρος του σώματος, λήψεις πακέτου, λήψεις προϊόντων και προϊόντα σε ισχύουσες κατηγορίες. Για να επιτύχουμε τους στόχους μας, εξετάσαμε δύο μοντέλα: το ενσωματωμένο μοντέλο SageMaker που βασίζεται σε ResNet και το MobileNet που βασίζεται σε Tensorflow. Δοκιμάσαμε και τα δύο στα ίδια σύνολα δεδομένων δοκιμής και διαπιστώσαμε ότι το ενσωματωμένο μοντέλο του SageMaker ήταν πιο ακριβές, με βαθμολογία F0.98 1 έναντι 0.88 από το μοντέλο TensorFlow. Ως εκ τούτου, αποφασίσαμε για το ενσωματωμένο μοντέλο SageMaker.
Η SageMaker Στούντιο-Η διαδικασία εκπαίδευσης με βάση το μοντέλο ήταν η εξής:
- Εισαγάγετε εικόνες με ετικέτα από το SageMaker Ground Truth
- Προεπεξεργασία εικόνων – αλλαγή μεγέθους εικόνας και αύξηση
- Φορτώστε το Ενσωματωμένο μοντέλο Amazon SageMaker ως εικόνα Docker
- Συντονίστε τις υπερπαραμέτρους μέσω της αναζήτησης πλέγματος
- Εφαρμογή μάθησης μεταφοράς
- Επανασυντονίστε τις παραμέτρους με βάση τις μετρήσεις εκπαίδευσης
- Αποθηκεύστε το μοντέλο
Η SageMaker κατέστησε εύκολη την εκπαίδευση του μοντέλου με ένα μόνο κλικ και χωρίς να ανησυχείτε για την παροχή και τη διαχείριση ενός στόλου διακομιστών για εκπαίδευση.
Για τη στροφή υπερπαραμέτρων, χρησιμοποιήσαμε αναζήτηση πλέγματος για να καθορίσουμε τις βέλτιστες τιμές των υπερπαραμέτρων, ως τον αριθμό των επιπέδων εκπαίδευσης (num_layers
) και κύκλοι εκπαίδευσης (epochs
) κατά τη διάρκεια της εκμάθησης μεταφοράς είχε επηρεάσει την ακρίβεια του μοντέλου ταξινόμησης.
Σερβίρισμα μοντέλου με μετασχηματισμό παρτίδας SageMaker και ροή αέρα Apache
Το μοντέλο ταξινόμησης εικόνων που δημιουργήσαμε απαιτούσε ροές εργασίας ML για να προσδιοριστεί εάν μια εικόνα κριτικής ήταν κατάλληλη για πιστώσεις. Δημιουργήσαμε ροές εργασίας με τα ακόλουθα τέσσερα βήματα.
- Εισαγάγετε εικόνες κριτικής και μεταδεδομένα που πρέπει να ελέγχονται αυτόματα
- Συμπερασματικά οι ετικέτες των εικόνων (συμπέρασμα)
- Προσδιορίστε εάν οι πιστώσεις πρέπει να δίνονται με βάση τις ετικέτες που προκύπτουν
- Αποθηκεύστε τον πίνακα αποτελεσμάτων στη βάση δεδομένων παραγωγής
Χρησιμοποιούμε Ροή αέρα Apache για τη διαχείριση ροών εργασιών προϊόντων δεδομένων. Πρόκειται για μια πλατφόρμα προγραμματισμού και παρακολούθησης ροής εργασιών που αναπτύχθηκε από την Airbnb, γνωστή για τα απλά και διαισθητικά γραφήματα διεπαφής ιστού. Υποστηρίζει το Amazon SageMaker, επομένως μεταφέρει εύκολα τον κώδικα που αναπτύχθηκε με το SageMaker Studio στο Apache Airflow. Υπάρχουν δύο τρόποι για να εκτελέσετε εργασίες SageMaker στο Apache Airflow:
- Χρήση του Amazon SageMaker Operators
- Χρησιμοποιώντας Χειριστές Python : Γράψτε μια συνάρτηση Python με το Amazon SageMaker Python SDK στο Apache Airflow και εισαγάγετε την ως καλούμενη παράμετρο
Η δεύτερη επιλογή ας μας επιτρέψει διατηρήσουμε την υπάρχουσα Python μας κωδικούς που είχαμε ήδη στο SageMaker Studio, και δεν απαιτούσε να μάθουμε νέες γραμματικές για τους χειριστές Amazon SageMaker.
Ωστόσο, περάσαμε από κάποιες δοκιμές και σφάλματα, καθώς ήταν η πρώτη φορά που ενσωματώναμε το Apache Airflow με το Amazon SageMaker. Τα μαθήματα που πήραμε ήταν:
- Ενημέρωση Boto3: Η έκδοση 2 του Amazon SageMaker Python SDK απαιτείται Boto3 1.14.12 ή νεότερη έκδοση. Ως εκ τούτου, χρειαζόταν να ενημερώσουμε την έκδοση Boto3 του υπάρχοντος περιβάλλοντος ροής αέρα Apache, η οποία ήταν στην 1.13.4.
- IAM Ρόλος και άδεια κληρονομιάς: Οι ρόλοι AWS IAM που χρησιμοποιούνται από το Apache Airflow χρειάζονταν για να κληρονομήσουν ρόλους που θα μπορούσαν να εκτελέσουν το Amazon SageMaker.
- Διαμόρφωση δικτύου: Για την εκτέλεση κωδικών SageMaker με το Apache Airflow, τα τελικά σημεία του έπρεπε να διαμορφωθούν για συνδέσεις δικτύου. Τα ακόλουθα τελικά σημεία βασίστηκαν στις Περιφέρειες και τις υπηρεσίες AWS που χρησιμοποιούσαμε. Για περισσότερες πληροφορίες, δείτε το Ιστότοπος AWS.
api.sagemaker.ap-northeast-2.amazonaws.com
runtime.sagemaker.ap-northeast-2.amazonaws.com
aws.sagemaker.ap-northeast-2.studio
Αποτελέσματα
Με την αυτοματοποίηση των διαδικασιών επιθεώρησης εικόνων ελέγχου, αποκτήσαμε τα ακόλουθα επιχειρηματικά αποτελέσματα:
- Αυξημένη αποδοτικότητα εργασίας – Επί του παρόντος, το 76% των εικόνων των κατηγοριών στις οποίες εφαρμόστηκε η υπηρεσία ελέγχεται αυτόματα με ακρίβεια επιθεώρησης 98%.
- Συνέπεια στη χορήγηση πιστώσεων – Οι πιστώσεις δίνονται με σαφή κριτήρια. Ωστόσο, υπήρξαν περιπτώσεις όπου οι πιστώσεις δόθηκαν διαφορετικά για παρόμοιες περιπτώσεις λόγω διαφορών στις κρίσεις των επιθεωρητών. Το μοντέλο ML εφαρμόζει κανόνες με μεγαλύτερη συνέπεια και μεγαλύτερη συνέπεια στην εφαρμογή των πιστωτικών πολιτικών μας.
- Μειωμένα ανθρώπινα λάθη – Κάθε ανθρώπινη δέσμευση ενέχει τον κίνδυνο ανθρώπινων λαθών. Για παράδειγμα, είχαμε περιπτώσεις όπου χρησιμοποιήθηκαν κριτήρια αξιολόγησης στυλ για Κριτικές προϊόντων. Το μοντέλο αυτόματου ελέγχου μας μείωσε δραματικά τους κινδύνους αυτών των ανθρώπινων λαθών.
Αποκτήσαμε τα ακόλουθα οφέλη ειδικά χρησιμοποιώντας το Amazon SageMaker για την αυτοματοποίηση της διαδικασίας επιθεώρησης εικόνας:
- Δημιουργήσαμε ένα περιβάλλον όπου μπορούμε να δημιουργήσουμε και να δοκιμάσουμε μοντέλα μέσω αρθρωτών διαδικασιών – Αυτό που μας άρεσε περισσότερο στο Amazon SageMaker είναι ότι αποτελείται από ενότητες. Αυτό μας επιτρέπει να δημιουργήσουμε και να δοκιμάσουμε υπηρεσίες εύκολα και γρήγορα. Χρειαζόμασταν προφανώς λίγο χρόνο για να μάθουμε για το Amazon SageMaker στην αρχή, αλλά μόλις το μάθουμε, θα μπορούσαμε να το εφαρμόσουμε εύκολα στις δραστηριότητές μας. Πιστεύουμε ότι το Amazon SageMaker είναι ιδανικό για επιχειρήσεις που απαιτούν γρήγορες εξελίξεις υπηρεσιών, όπως στην περίπτωση του MUSINSA Store.
- Συλλέξτε αξιόπιστα δεδομένα εισόδου με το Amazon SageMaker Ground Truth – Η συλλογή δεδομένων εισόδου γίνεται ολοένα και πιο σημαντική από την ίδια τη μοντελοποίηση στον τομέα της ML. Με την ταχεία εξέλιξη του ML, τα προεκπαιδευμένα μοντέλα μπορούν να αποδίδουν πολύ καλύτερα από πριν και χωρίς πρόσθετο συντονισμό. Το AutoML έχει επίσης αφαιρέσει την ανάγκη εγγραφής κωδικών για μοντελοποίηση ML. Επομένως, η δυνατότητα συλλογής ποιοτικών δεδομένων εισόδου είναι πιο σημαντική από ποτέ και η χρήση υπηρεσιών επισήμανσης όπως το Amazon SageMaker Ground Truth είναι κρίσιμη.
Συμπέρασμα
Στο μέλλον, σχεδιάζουμε να αυτοματοποιήσουμε όχι μόνο την εξυπηρέτηση μοντέλων αλλά και την εκπαίδευση μοντέλων μέσω αυτόματων παρτίδων. Θέλουμε το μοντέλο μας να αναγνωρίζει αυτόματα τις βέλτιστες υπερπαραμέτρους όταν προστίθενται νέες ετικέτες ή εικόνες. Επιπλέον, θα συνεχίσουμε να βελτιώνουμε την απόδοση του μοντέλου μας, δηλαδή τις ανακλήσεις και την ακρίβεια, με βάση την προαναφερθείσα αυτοματοποιημένη μέθοδο εκπαίδευσης. Θα αυξήσουμε την κάλυψη του μοντέλου μας, ώστε να μπορεί να επιθεωρεί περισσότερες εικόνες κριτικών, να μειώνει περισσότερο κόστος και να επιτυγχάνει υψηλότερες ακρίβειες, που θα οδηγήσουν σε υψηλότερη ικανοποίηση των πελατών.
Για περισσότερες πληροφορίες σχετικά με τον τρόπο χρήσης Amazon Sage Maker για να λύσετε τα προβλήματα της επιχείρησής σας χρησιμοποιώντας ML, επισκεφθείτε τη διεύθυνση ιστοσελίδα προϊόντος. Και, όπως πάντα, μείνετε ενημερωμένοι με τα πιο πρόσφατα Ειδήσεις μηχανικής μάθησης AWS εδώ.
Το περιεχόμενο και οι απόψεις σε αυτήν την ανάρτηση είναι αυτές του τρίτου συντάκτη και η AWS δεν φέρει καμία ευθύνη για το περιεχόμενο ή την ακρίβεια αυτής της ανάρτησης.
Σχετικά με τους Συγγραφείς
Jihye Park είναι Επιστήμονας Δεδομένων στο MUSINSA που είναι υπεύθυνος για την ανάλυση και τη μοντελοποίηση δεδομένων. Της αρέσει να εργάζεται με πανταχού παρόντα δεδομένα όπως το ηλεκτρονικό εμπόριο. Ο κύριος ρόλος της είναι η μοντελοποίηση δεδομένων, αλλά έχει ενδιαφέροντα και για τη μηχανική δεδομένων.
Sungmin Kim είναι αρχιτέκτονας λύσεων Sr. στο Amazon Web Services. Συνεργάζεται με startups για να αρχιτέκτονα, να σχεδιάζει, να αυτοματοποιεί και να δημιουργεί λύσεις στο AWS για τις επιχειρηματικές τους ανάγκες. Ειδικεύεται σε AI/ML και Analytics.
- '
- "
- 000
- 100
- 107
- 98
- Πρόσθετος
- Airbnb
- Όλα
- Amazon
- Amazon Sage Maker
- Amazon SageMaker Ground Αλήθεια
- Amazon υπηρεσίες Web
- ανάλυση
- analytics
- Apache
- ΠΕΡΙΟΧΗ
- Αυτοματοποιημένη
- AWS
- ΚΑΛΎΤΕΡΟΣ
- σώμα
- μάρκες
- χτίζω
- Κτίριο
- επιχείρηση
- επιχειρήσεις
- περιπτώσεις
- πρόκληση
- ταξινόμηση
- CNN
- κωδικός
- Συλλέγοντας
- εμπιστοσύνη
- Διασυνδέσεις
- συγκατάθεση
- περιεχόμενο
- ΣΥΝΕΧΕΙΑ
- Μετατροπή
- συνελικτικό νευρωνικό δίκτυο
- Δικαστικά έξοδα
- μονάδες
- Συντελεστές
- εμπειρία του πελάτη
- Η ικανοποίηση των πελατών
- Πελάτες
- ημερομηνία
- ανάλυση δεδομένων
- επιστήμονας δεδομένων
- Δημογραφικά στοιχεία
- Υπηρεσίες
- λεπτομέρεια
- ανάπτυξη
- Εργολάβος
- Ανάπτυξη
- Λιμενεργάτης
- ηλεκτρονικού εμπορίου
- Μηχανική
- Περιβάλλον
- κ.λπ.
- εμπειρία
- Μόδα
- Χαρακτηριστικά
- Fed
- Όνομα
- πρώτη φορά
- ΣΤΟΛΟΣ
- Προς τα εμπρός
- πλήρη
- λειτουργία
- Δίνοντας
- Στόχοι
- καλός
- Πλέγμα
- Επισκέπτης
- Κείμενο
- κατευθυντήριων γραμμών
- εδώ
- Πως
- Πώς να
- HTTPS
- Οι άνθρωποι
- IAM
- προσδιορίσει
- εικόνα
- IMAGEnet
- βελτίωση
- Συμπεριλαμβανομένου
- Αυξάνουν
- πληροφορίες
- Υποδομή
- IT
- Θέσεις εργασίας
- Κορέα
- τιτλοφόρηση
- Ετικέτες
- οδηγήσει
- που οδηγεί
- ΜΑΘΑΊΝΩ
- μάθει
- μάθηση
- φορτίο
- μάθηση μηχανής
- Metrics
- ML
- μοντέλο
- μοντελοποίηση
- σπονδυλωτή
- παρακολούθηση
- και συγκεκριμένα
- δίκτυο
- Νευρικός
- νευρικό σύστημα
- νέα
- διαδικτυακά (online)
- λειτουργίες
- Απόψεις
- Επιλογή
- ΑΛΛΑ
- επίδοση
- πλατφόρμες
- Πλατφόρμες
- Πολιτικές
- Ακρίβεια
- Προϊόν
- παραγωγή
- Προϊόντα
- αγορά
- Python
- ποιότητα
- λόγους
- μείωση
- Αποτελέσματα
- ανασκόπηση
- Κριτικές
- Κίνδυνος
- κανόνες
- τρέξιμο
- σοφός
- SDK
- Αναζήτηση
- αίσθηση
- Υπηρεσίες
- εξυπηρετούν
- Απλούς
- So
- Λύσεις
- SOLVE
- Νότος
- Νότια Κορέα
- ειδικεύεται
- Startups
- Μελών
- παραμονή
- χώρος στο δίσκο
- κατάστημα
- υποβάλλονται
- Υποστηρίζει
- Έφηβοι
- tensorflow
- δοκιμή
- ώρα
- εργαλεία
- ΚΙΝΗΣΗ στους ΔΡΟΜΟΥΣ
- Εκπαίδευση
- Τάσεις
- δίκη
- ui
- Ενημέρωση
- us
- τόμος
- ιστός
- διαδικτυακές υπηρεσίες
- Ο ΟΠΟΊΟΣ
- λόγια
- Εργασία
- ροής εργασίας
- λειτουργεί