OpenAI sosin on täiustatud automaatse kõnetuvastuse (ASR) mudel, millel on MIT-litsents. ASR-tehnoloogia leiab kasu transkriptsiooniteenustes, hääleassistentides ja kuulmispuudega inimeste juurdepääsetavuse parandamisel. See tipptasemel mudel on koolitatud veebist kogutud tohutul ja mitmekülgsel mitmekeelsete ja mitme ülesandega jälgitavate andmete kogumil. Selle suur täpsus ja kohanemisvõime muudavad selle väärtuslikuks varaks paljude häälega seotud ülesannete jaoks.
Pidevalt areneval masinõppe ja tehisintellekti maastikul Amazon SageMaker pakub terviklikku ökosüsteemi. SageMaker annab andmeteadlastele, arendajatele ja organisatsioonidele volitused masinõppemudelite ulatuslikuks väljatöötamiseks, koolitamiseks, juurutamiseks ja haldamiseks. Pakkudes laia valikut tööriistu ja võimalusi, lihtsustab see kogu masinõppe töövoogu alates andmete eeltöötlusest ja mudelite arendamisest kuni vaevatu juurutamise ja jälgimiseni. SageMakeri kasutajasõbralik liides muudab selle pöördeliseks platvormiks AI täieliku potentsiaali avamiseks, luues selle tehisintellekti valdkonnas mängu muutva lahendusena.
Selles postituses alustame SageMakeri võimaluste uurimist, keskendudes konkreetselt Whisperi mudelite hostimisele. Sukeldume selle tegemiseks kahele meetodile: üks kasutab Whisper PyTorchi mudelit ja teine kasutab Whisper mudeli Hugging Face rakendust. Lisaks uurime põhjalikult SageMakeri järeldusvõimalusi, võrreldes neid parameetrite, nagu kiirus, maksumus, kasuliku koormuse suurus ja skaleeritavus, lõikes. See analüüs annab kasutajatele võimaluse teha teadlikke otsuseid, kui integreerida Whisperi mudelid oma konkreetsetesse kasutusjuhtudesse ja süsteemidesse.
Lahenduse ülevaade
Järgmine diagramm näitab selle lahenduse põhikomponente.
- Mudeli hostimiseks Amazon SageMakeris on esimene samm mudeli artefaktide salvestamine. Need artefaktid viitavad masinõppemudeli olulistele komponentidele, mida on vaja mitmesuguste rakenduste jaoks, sealhulgas juurutamiseks ja ümberõppeks. Need võivad sisaldada mudeli parameetreid, konfiguratsioonifaile, eeltöötluskomponente ja metaandmeid, nagu versiooni üksikasjad, autorsus ja kõik selle toimivusega seotud märkused. Oluline on märkida, et PyTorchi ja Hugging Face rakenduste Whisperi mudelid koosnevad erinevatest mudeliartefaktidest.
- Järgmisena loome kohandatud järeldusskriptid. Nendes skriptides määratleme mudeli laadimise ja määrame järeldusprotsessi. See on ka koht, kus saame vajaduse korral kohandatud parameetreid lisada. Lisaks saate loetleda vajalikud Pythoni paketid jaotises a
requirements.txt
faili. Mudeli juurutamise ajal installitakse need Pythoni paketid automaatselt lähtestamisfaasis. - Seejärel valime kas PyTorchi või Hugging Face'i süvaõppekonteinerid (DLC), mida pakub ja hooldab AWS. Need konteinerid on eelehitatud Dockeri pildid, millel on sügavad õpperaamistikud ja muud vajalikud Pythoni paketid. Lisateabe saamiseks saate seda kontrollida link.
- Mudeli artefaktide, kohandatud järeldusskriptide ja valitud DLC-de abil loome Amazon SageMakeri mudelid vastavalt PyTorchi ja Hugging Face jaoks.
- Lõpuks saab mudeleid SageMakeris juurutada ja kasutada järgmiste suvanditega: reaalajas järelduse lõpp-punktid, pakkteisendustööd ja asünkroonsed järelduse lõpp-punktid. Sukeldume nendesse valikutesse üksikasjalikumalt hiljem selles postituses.
Selle lahenduse näidismärkmik ja kood on saadaval sellel lehel GitHubi hoidla.
Juhendid
Whisperi mudeli hostimine Amazon SageMakeris
Selles jaotises selgitame samme Whisperi mudeli hostimiseks Amazon SageMakeris, kasutades vastavalt PyTorchi ja Hugging Face Frameworksi. Selle lahendusega katsetamiseks vajate AWS-i kontot ja juurdepääsu teenusele Amazon SageMaker.
PyTorchi raamistik
- Salvestage mudeli artefaktid
Esimene võimalus mudeli hostimiseks on kasutada Whisper ametlik Pythoni pakett, mida saab paigaldada kasutades pip install openai-whisper
. See pakett pakub PyTorchi mudelit. Mudeli artefaktide salvestamisel kohalikku hoidlasse tuleb kõigepealt salvestada mudeli õpitavad parameetrid, nagu mudeli kaalud ja iga närvivõrgu kihi nihked, pt-failina. Saate valida erinevate mudelisuuruste vahel, sealhulgas "pisike", "alus", "väike", "keskmine" ja "suur". Suuremad mudelisuurused pakuvad suuremat täpsust, kuid nende maksumus on pikem järelduste latentsusaeg. Lisaks peate salvestama mudeli olekusõnastiku ja dimensioonisõnastiku, mis sisaldavad Pythoni sõnastikku, mis kaardistab PyTorchi mudeli iga kihi või parameetri vastavate õpitavate parameetritega koos muude metaandmete ja kohandatud konfiguratsioonidega. Allolev kood näitab, kuidas Whisper PyTorchi artefakte salvestada.
- Valige DLC
Järgmine samm on selle hulgast eelehitatud DLC valimine link. Olge õige pildi valimisel ettevaatlik, võttes arvesse järgmisi seadeid: raamistik (PyTorch), raamistiku versioon, ülesanne (järeldus), Pythoni versioon ja riistvara (st GPU). Soovitatav on võimalusel kasutada raamistiku ja Pythoni uusimaid versioone, kuna see tagab parema jõudluse ning lahendab varasemate väljaannete teadaolevaid probleeme ja vigu.
- Looge Amazon SageMakeri mudeleid
Järgmisena kasutame SageMaker Python SDK PyTorchi mudelite loomiseks. PyTorchi mudeli loomisel on oluline meeles pidada keskkonnamuutujate lisamist. Vaikimisi suudab TorchServe töödelda ainult kuni 6 MB faile, olenemata kasutatud järeldustüübist.
Järgmine tabel näitab erinevate PyTorchi versioonide sätteid:
Raamistik | Keskkonnamuutujad |
PyTorch 1.8 (põhineb TorchServe'il) | "TS_MAX_REQUEST_SIZE ": "100000000"" TS_MAX_RESPONSE_SIZE ": "100000000"" TS_DEFAULT_RESPONSE_TIMEOUT ": "1000" |
PyTorch 1.4 (põhineb MMS-il) | "MMS_MAX_REQUEST_SIZE ": "1000000000"" MMS_MAX_RESPONSE_SIZE ": "1000000000"" MMS_DEFAULT_RESPONSE_TIMEOUT ": "900" |
- Määratlege failis inference.py mudeli laadimismeetod
Tavas inference.py
skripti, kontrollime esmalt CUDA-toega GPU saadavust. Kui selline GPU on saadaval, siis määrame 'cuda'
seade seadmesse DEVICE
muutuv; muul juhul määrame 'cpu'
seade. See samm tagab, et mudel paigutatakse tõhusaks arvutamiseks saadaolevale riistvarale. Laadime PyTorchi mudeli Whisper Pythoni paketi abil.
Kallistava näo raamistik
- Salvestage mudeli artefaktid
Teine võimalus on kasutada Kallistava näo sosin rakendamine. Mudelit saab laadida kasutades AutoModelForSpeechSeq2Seq
trafode klass. Õpitavad parameetrid salvestatakse binaarfaili (bin) kasutades save_pretrained
meetod. Tokeniseerija ja eeltöötleja tuleb ka eraldi salvestada, et Hugging Face mudel töötaks korralikult. Teise võimalusena saate Amazon SageMakeris mudeli juurutada otse Hugging Face Hubist, määrates kaks keskkonnamuutujat: HF_MODEL_ID
ja HF_TASK
. Lisateabe saamiseks vaadake seda veebileht.
- Valige DLC
Sarnaselt PyTorchi raamistikule saate valida ka eelehitatud Hugging Face DLC link. Valige kindlasti DLC, mis toetab uusimaid Hugging Face trafosid ja sisaldab GPU tuge.
- Looge Amazon SageMakeri mudeleid
Samamoodi kasutame SageMaker Python SDK Kallistava näo mudelite loomiseks. Hugging Face Whisperi mudelil on vaikimisi piirang, mille kohaselt suudab see töödelda ainult kuni 30 sekundi pikkuseid helisegmente. Selle piirangu kõrvaldamiseks võite lisada chunk_length_s
Hugging Face mudeli loomisel keskkonnamuutujas ja edastage see parameeter hiljem mudeli laadimisel kohandatud järeldusskripti. Lõpuks määrake keskkonnamuutujad, et suurendada kasuliku koormuse suurust ja Hugging Face konteineri reageerimise ajalõpu.
Raamistik | Keskkonnamuutujad |
HuggingFace järelduskonteiner (MMS-i põhjal) |
"MMS_MAX_REQUEST_SIZE ": "2000000000"" MMS_MAX_RESPONSE_SIZE ": "2000000000"" MMS_DEFAULT_RESPONSE_TIMEOUT ": "900" |
- Määratlege failis inference.py mudeli laadimismeetod
Mudeli Hugging Face jaoks kohandatud järeldusskripti loomisel kasutame konveieri, mis võimaldab meil edastada chunk_length_s
parameetrina. See parameeter võimaldab mudelil pikki helifaile järelduste tegemisel tõhusalt töödelda.
Amazon SageMakeri erinevate järeldusvõimaluste uurimine
Järeldusvalikute valimise toimingud on PyTorchi ja Hugging Face mudelite puhul samad, seega ei tee me allpool nende vahel vahet. Siiski väärib märkimist, et selle postituse kirjutamise ajal oli serverita järeldus SageMakeri valik ei toeta GPU-sid ja seetõttu välistame selle valiku sellel kasutusjuhul.
Saame mudeli juurutada reaalajas lõpp-punktina, pakkudes vastuseid millisekundites. Siiski on oluline märkida, et see valik on piiratud alla 6 MB sisendite töötlemisega. Määratleme serialiseerija heliserialisaatorina, mis vastutab sisendandmete teisendamise eest juurutatud mudeli jaoks sobivasse vormingusse. Kasutame järelduste tegemiseks GPU eksemplari, mis võimaldab helifailide kiirendatud töötlemist. Järeldussisend on helifail, mis pärineb kohalikust hoidlast.
Teine järeldusvõimalus on pakk teisendustöö, mis on võimeline töötlema sisendkoormust kuni 100 MB. See meetod võib aga võtta mõne minuti latentsusaega. Iga eksemplar saab korraga käsitleda ainult ühte partiipäringut ning eksemplari algatamine ja sulgemine nõuavad samuti mõne minuti. Järelduste tulemused salvestatakse Amazon Simple Storage Service'i (Amazon S3) kopp pärast partii teisendustöö lõpetamist.
Partii-trafo konfigureerimisel lisage kindlasti max_payload = 100
suuremate koormate tõhusaks käsitlemiseks. Järeldussisendiks peaks olema Amazon S3 tee helifaili või Amazon S3 Bucket kaustani, mis sisaldab helifailide loendit, millest igaüks on väiksem kui 100 MB.
Batch-teisendab sisendis olevad Amazon S3 objektid võtmega ja kaardistab Amazon S3 objektid eksemplarideks. Näiteks kui teil on mitu helifaili, võib üks eksemplar töödelda faili input1.wav ja teine eksemplar töödelda faili nimega input2.wav, et suurendada skaleeritavust. Partei teisendus võimaldab teil konfigureerida max_concurrent_transforms
igale üksikule trafo konteinerile tehtavate HTTP-päringute arvu suurendamiseks. Siiski on oluline märkida, et (max_concurrent_transforms* max_payload
) ei tohi ületada 100 MB.
Lõpuks on Amazon SageMaker Asynchronous Inference ideaalne mitme päringu samaaegseks töötlemiseks, pakkudes mõõdukat latentsust ja toetades kuni 1 GB sisendkoormust. See suvand tagab suurepärase skaleeritavuse, võimaldades lõpp-punkti jaoks automaatse skaleerimise rühma konfigureerimist. Kui taotluste arv suureneb, suureneb see automaatselt liikluse haldamiseks ja kui kõik päringud on töödeldud, väheneb lõpp-punkt kulude kokkuhoiuks nullini.
Asünkroonse järelduse abil salvestatakse tulemused automaatselt Amazon S3 ämbrisse. Aastal AsyncInferenceConfig
, saate konfigureerida teateid edukate või ebaõnnestunud lõpetamiste kohta. Sisendtee osutab helifaili Amazon S3 asukohale. Lisateabe saamiseks vaadake koodi aadressil GitHub.
Valikuline: Nagu varem mainitud, on meil võimalus konfigureerida asünkroonse järelduse lõpp-punkti jaoks automaatskaleerimise rühm, mis võimaldab tal käsitleda järelduspäringute äkilist suurenemist. Selles on toodud koodinäide GitHubi hoidla. Järgmisel diagrammil saate jälgida joondiagrammi, millel on kaks mõõdikut Amazon CloudWatch: ApproximateBacklogSize
ja ApproximateBacklogSizePerInstance
. Algselt, kui käivitati 1000 päringut, oli järelduse käsitlemiseks saadaval ainult üks eksemplar. Kolme minuti jooksul ületas mahajäämuse suurus järjekindlalt kolme (pange tähele, et neid numbreid saab konfigureerida) ja automaatse skaleerimise rühm vastas täiendavate eksemplaride keerutamiseks, et mahajäämust tõhusalt kustutada. Selle tulemusena vähenes oluliselt ApproximateBacklogSizePerInstance
, mis võimaldab mahajäänud taotlusi töödelda palju kiiremini kui algfaasis.
Järeldusvõimaluste võrdlev analüüs
Erinevate järeldusvõimaluste võrdlused põhinevad tavalistel helitöötluse kasutusjuhtudel. Reaalajas järeldamine pakub kiireimat järelduste kiirust, kuid piirab kasuliku koormuse suuruse 6 MB-ni. See järeldustüüp sobib helikäsklussüsteemide jaoks, kus kasutajad juhivad seadmeid või tarkvara või suhtlevad nendega häälkäskluste või häälkäskluste abil. Häälkäsklused on tavaliselt väikese suurusega ja madal järelduste latentsusaeg on ülioluline tagamaks, et transkribeeritud käsud võivad viivitamatult käivitada järgnevaid toiminguid. Batch Transform sobib ideaalselt ajastatud võrguühenduseta toimingute jaoks, kui iga helifaili suurus on alla 100 MB ja kiirete järelduste reageerimisaegade jaoks pole erinõuet. Asünkroonne järeldus võimaldab üles laadida kuni 1 GB ja pakub mõõdukat järelduste latentsust. See järeldustüüp sobib hästi filmide, telesarjade ja salvestatud konverentside transkribeerimiseks, kus on vaja töödelda suuremaid helifaile.
Nii reaalajas kui ka asünkroonse järelduse valikud pakuvad automaatse skaleerimise võimalusi, võimaldades lõpp-punkti eksemplaridel automaatselt skaleerida üles või alla päringute mahu põhjal. Kui taotlusi pole, eemaldab automaatne skaleerimine mittevajalikud eksemplarid, aidates teil vältida kulusid, mis on seotud ette nähtud eksemplaridega, mida aktiivselt ei kasutata. Reaalajas järelduste tegemiseks tuleb siiski säilitada vähemalt üks püsiv eksemplar, mis võib põhjustada suuremaid kulusid, kui lõpp-punkt töötab pidevalt. Seevastu asünkroonne järeldus võimaldab eksemplari helitugevust vähendada 0-ni, kui seda ei kasutata. Pakiteisendustöö konfigureerimisel on võimalik töö töötlemiseks kasutada mitut eksemplari ja kohandada väärtust max_concurrent_transforms, et võimaldada ühel eksemplaril käsitleda mitut päringut. Seetõttu pakuvad kõik kolm järeldusvõimalust suurepärast skaleeritavust.
Koristamine
Kui olete lahenduse kasutamise lõpetanud, eemaldage kindlasti SageMakeri lõpp-punktid, et vältida lisakulude tekkimist. Kaasasoleva koodi abil saate kustutada vastavalt reaalajas ja asünkroonse järelduse lõpp-punktid.
Järeldus
Selles postituses näitasime teile, kuidas masinõppemudelite juurutamine heli töötlemiseks on muutunud erinevates tööstusharudes üha olulisemaks. Võttes näiteks Whisperi mudeli, näitasime, kuidas hostida avatud lähtekoodiga ASR-mudeleid Amazon SageMakeris, kasutades PyTorchi või Hugging Face lähenemisviise. Uurimine hõlmas Amazon SageMakeri erinevaid järeldusvõimalusi, pakkudes teavet heliandmete tõhusast käsitlemisest, prognooside tegemisest ja kulude tõhusast haldamisest. Selle postituse eesmärk on anda teadmisi teadlastele, arendajatele ja andmeteadlastele, kes on huvitatud Whisperi mudeli kasutamisest heliga seotud ülesannete jaoks ja järeldusstrateegiate kohta teadlike otsuste tegemisest.
Üksikasjalikuma teabe saamiseks mudelite juurutamise kohta SageMakeris vaadake seda Arendaja juhend. Lisaks saab Whisperi mudelit juurutada SageMaker JumpStarti abil. Lisateabe saamiseks vaadake palun Automaatse kõnetuvastuse sosistamismudelid on nüüd saadaval Amazon SageMaker JumpStartis postitus
Tutvuge selle projekti märkmiku ja koodiga GitHub ja jagage oma kommentaari meiega.
Teave Autor
Ying Hou, PhD, on AWS-i masinõppe prototüüpimise arhitekt. Tema peamised huvivaldkonnad hõlmavad süvaõpet, keskendudes GenAI-le, Computer Visionile, NLP-le ja aegridade andmete ennustamisele. Vabal ajal naudib ta veeta kvaliteetseid hetki oma perega, sukelduda romaanidesse ja matkata Ühendkuningriigi rahvusparkides.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
- PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
- PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
- PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/host-the-whisper-model-on-amazon-sagemaker-exploring-inference-options/
- :on
- :on
- :mitte
- : kus
- $ UP
- 1
- 10
- 100
- 12
- 14
- 16
- 19
- 30
- 32
- 8
- a
- kiirendatud
- juurdepääs
- kättesaadavus
- konto
- täpsus
- üle
- meetmete
- aktiivselt
- lisama
- Täiendavad lisad
- Lisaks
- aadress
- kohandama
- edasijõudnud
- AI
- Eesmärgid
- Materjal: BPA ja flataatide vaba plastik
- Lubades
- võimaldab
- mööda
- Ka
- Amazon
- Amazon SageMaker
- Amazon Web Services
- an
- analüüs
- ja
- Teine
- mistahes
- rakendused
- lähenemisviisid
- OLEME
- valdkondades
- Array
- kunstlik
- tehisintellekti
- AS
- eelis
- assistendid
- seotud
- At
- heli-
- Autorsus
- Automaatne
- automaatselt
- kättesaadavus
- saadaval
- vältima
- AWS
- baas
- põhineb
- BE
- muutuma
- alla
- Parem
- vahel
- kalduvusi
- BIN
- mõlemad
- vead
- kuid
- by
- CAN
- võimeid
- võimeline
- ettevaatlik
- juhtudel
- Vaidluste lahendamine
- Joonis
- kontrollima
- Vali
- valimine
- klass
- selge
- kood
- Tulema
- kommentaar
- ühine
- võrrelda
- võrdlused
- Lõpetatud
- lõpetamist
- komponendid
- terviklik
- arvutamine
- arvuti
- Arvuti visioon
- Läbi viima
- konverentsid
- konfiguratsioon
- konfigureeritud
- seadistamine
- arvestades
- järjepidevalt
- sisaldama
- Konteiner
- Konteinerid
- pidevalt
- kontrast
- kontrollida
- konverteeriva
- parandada
- Vastav
- Maksma
- kulud
- võiks
- Protsessor
- looma
- loomine
- otsustav
- tava
- andmed
- otsused
- vähenema
- sügav
- sügav õpe
- vaikimisi
- määratlema
- Näidatud
- juurutada
- lähetatud
- juurutamine
- kasutuselevõtu
- detail
- üksikasjalik
- detailid
- arendama
- Arendajad
- & Tarkvaraarendus
- seade
- seadmed
- erinev
- eristada
- mõõde
- otse
- väljapanek
- sukelduma
- mitu
- laevalaadija
- Ei tee
- teeme
- alla
- ajal
- e
- iga
- Ajalugu
- ökosüsteemi
- tõhusalt
- tõhus
- tõhusalt
- vaevata
- kumbki
- teine
- asuma
- annab volitusi
- võimaldama
- võimaldab
- võimaldades
- hõlmab
- Lõpp-punkt
- lõpp-punktid
- suurendama
- suurendamine
- tagama
- tagab
- Kogu
- keskkond
- oluline
- asutades
- Eeter (ETH)
- läbivaatamine
- näide
- ületama
- ületanud
- suurepärane
- eksperiment
- Selgitama
- uurimine
- Avastades
- nägu
- Ebaõnnestunud
- vale
- pere
- KIIRE
- kiiremini
- kiiremini
- vähe
- fail
- Faile
- leiab
- esimene
- Keskenduma
- keskendumine
- Järel
- eest
- formaat
- Raamistik
- raamistikud
- tasuta
- Alates
- täis
- GPU
- GPU
- suur
- Grupp
- käepide
- Käsitsemine
- riistvara
- Olema
- ärakuulamine
- aidates
- siin
- Suur
- rohkem
- matkamine
- võõrustaja
- Hosting
- Kuidas
- Kuidas
- aga
- HTML
- http
- HTTPS
- Keskus
- Kallistav Nägu
- i
- ideaalne
- if
- illustreeriv
- pilt
- pildid
- täitmine
- rakendused
- import
- oluline
- in
- sügavuti minev
- sisaldama
- hõlmab
- Kaasa arvatud
- lisada
- Suurendama
- üha rohkem
- eraldi
- inimesed
- tööstusharudes
- info
- teavitatakse
- esialgne
- esialgu
- algatamine
- sisend
- sisendite
- teadmisi
- paigaldama
- Näiteks
- juhtumid
- juhised
- Integreerimine
- Intelligentsus
- suhelda
- huvi
- huvitatud
- Interface
- sisse
- küsimustes
- IT
- ITS
- töö
- Tööturg
- jpg
- Võti
- teadmised
- teatud
- maastik
- suurem
- viimaseks
- Hilinemine
- pärast
- hiljemalt
- kiht
- viima
- õppimine
- kõige vähem
- võimendav
- litsents
- piiramine
- piiratud
- joon
- nimekiri
- koormus
- laadimine
- kohalik
- liising
- Pikk
- enam
- Madal
- masin
- masinõpe
- tehtud
- põhiline
- tegema
- TEEB
- Tegemine
- juhtima
- juhtiv
- kaardid
- mai..
- mainitud
- Metaandmed
- meetod
- meetodid
- Meetrika
- võib
- millisekundit
- protokoll
- MIT
- ML
- mudel
- mudelid
- mõõduka
- Hetki
- järelevalve
- rohkem
- Filmid
- palju
- mitmekordne
- peab
- Nimega
- riiklik
- Rahvuspargid
- vajalik
- Vajadus
- vaja
- võrk
- Neural
- Närvivõrgus
- järgmine
- nlp
- ei
- meeles
- märkmik
- märkused
- teade
- teated
- märkides
- nüüd
- number
- numbrid
- objekt
- esemeid
- jälgima
- of
- pakkuma
- pakkumine
- Pakkumised
- ametlik
- offline
- on
- kunagi
- ONE
- ainult
- avatud lähtekoodiga
- tegutseb
- valik
- Valikud
- or
- et
- organisatsioonid
- OS
- Muu
- muidu
- välja
- ülevaade
- pakend
- pakette
- parameeter
- parameetrid
- pargid
- sooritama
- tee
- täitma
- jõudlus
- faas
- torujuhe
- Keskses
- paigutatud
- inimesele
- Platon
- Platoni andmete intelligentsus
- PlatoData
- palun
- võrra
- võimalik
- post
- potentsiaal
- ennustus
- Ennustused
- vältida
- eelmine
- esmane
- protsess
- töödeldud
- töötlemine
- Protsessor
- projekt
- korralikult
- prototüüpimine
- anda
- tingimusel
- annab
- pakkudes
- Python
- pütorch
- kvaliteet
- valik
- reaalajas
- realm
- tunnustamine
- soovitatav
- dokumenteeritud
- Lühendatud
- viitama
- Sõltumata sellest
- seotud
- Pressiteated
- meeles pidama
- kõrvaldama
- eemaldab
- Hoidla
- taotleda
- Taotlusi
- nõudma
- nõutav
- nõue
- Teadlased
- vastavalt
- vastus
- vastuste
- vastutav
- kaasa
- põhjustanud
- Tulemused
- säilitatakse
- ümberõpe
- tagasipöördumine
- salveitegija
- sama
- Säästa
- salvestatud
- säästmine
- Skaalautuvus
- Skaala
- Kaalud
- plaanitud
- teadlased
- käsikiri
- skripte
- Teine
- sekundit
- Osa
- segmendid
- valima
- väljavalitud
- valides
- Seeria
- teenus
- Teenused
- komplekt
- kehtestamine
- seaded
- Jaga
- ta
- peaks
- näitas
- Näitused
- seiskamine
- märkimisväärne
- lihtne
- lihtsustab
- SUURUS
- suurused
- väike
- väiksem
- So
- tarkvara
- lahendus
- konkreetse
- eriti
- määratletud
- kõne
- Kõnetuvastus
- kiirus
- Kulutused
- räägitud
- algus
- riik
- modernne
- Samm
- Sammud
- ladustamine
- strateegiad
- järgnev
- edukas
- selline
- äkiline
- sobiv
- toetama
- Toetamine
- Toetab
- kindel
- hüppeline
- süsteemid
- tabel
- Võtma
- võtmine
- Ülesanne
- ülesanded
- Tehnoloogia
- kui
- et
- .
- Suurbritannia
- oma
- Neile
- SIIS
- Seal.
- seetõttu
- Need
- nad
- see
- kolm
- aeg
- Ajaseeria
- korda
- et
- töövahendid
- tõrvik
- liiklus
- Rong
- koolitatud
- Muutma
- trafo
- trafod
- vallandada
- vallandas
- tv
- TV seeria
- kaks
- tüüp
- tüüpiliselt
- Uk
- all
- avamine
- peale
- us
- kasutama
- Kasutatud
- kasutajasõbralik
- Kasutajad
- kasutamine
- kasulikkus
- ära kasutama
- kasutades
- väärtuslik
- väärtus
- muutuja
- eri
- suur
- versioon
- nägemus
- Hääl
- häälkäsklused
- maht
- ootama
- tahan
- oli
- we
- web
- veebiteenused
- Hästi
- olid
- millal
- millal iganes
- mis
- Sosin
- lai
- Lai valik
- koos
- jooksul
- töövoog
- töötab
- väärt
- kirjutamine
- sa
- Sinu
- sephyrnet