aasta esimene osa Sellest kolmeosalisest seeriast esitlesime lahendust, mis demonstreerib, kuidas saate automatiseerida dokumentide võltsimise ja ulatusliku pettuse tuvastamist, kasutades hüpoteeklaenude tagamise kasutusjuhtumi puhul AWS AI ja masinõppe (ML) teenuseid.
Selles postituses tutvustame lähenemisviisi sügava õppepõhise arvutinägemise mudeli väljatöötamiseks, et tuvastada ja tõsta esile võltsitud kujutisi hüpoteeklaenude tagamisel. Pakume juhiseid süvaõppe võrgustike loomiseks, koolitamiseks ja juurutamiseks Amazon SageMaker.
3. osas demonstreerime, kuidas lahendust sisse viia Amazoni pettusedetektor.
Lahenduse ülevaade
Hüpoteeklaenude tagamisel dokumentide võltsimise tuvastamise eesmärgi saavutamiseks kasutame oma pildivõltsingute tuvastamise lahenduse jaoks SageMakeris hostitud arvutinägemise mudelit. See mudel saab sisendiks testpildi ja loob väljundina võltsimise tõenäosuse prognoosi. Võrgu arhitektuur on selline, nagu on näidatud järgmisel diagrammil.
Kujutise võltsimine hõlmab peamiselt nelja tehnikat: splaissimine, kopeerimine-teisaldamine, eemaldamine ja täiustamine. Olenevalt võltsingu omadustest võib tuvastamise ja lokaliseerimise alusena kasutada erinevaid vihjeid. Need vihjed hõlmavad JPEG-tihendusartefakte, servade ebaühtlust, müramustreid, värvide järjepidevust, visuaalset sarnasust, EXIF-i järjepidevust ja kaameramudelit.
Arvestades kujutise võltsimise tuvastamise ulatuslikku valdkonda, kasutame võltsingute tuvastamiseks illustratiivse meetodina veataseme analüüsi (ELA) algoritmi. Valisime selle postituse jaoks ELA tehnika järgmistel põhjustel:
- Seda on kiirem rakendada ja see võib kergesti tabada piltide rikkumist.
- See toimib, analüüsides pildi erinevate osade tihendustasemeid. See võimaldab tuvastada ebakõlasid, mis võivad viidata rikkumisele – näiteks kui üks ala kopeeriti ja kleebiti teiselt pildilt, mis oli salvestatud erineval tihendustasemel.
- See on hea peenemate või sujuvamate rikkumiste tuvastamiseks, mida võib olla palja silmaga raske märgata. Isegi väikesed muudatused pildil võivad põhjustada tuvastatavaid tihendusanomaaliaid.
- See ei tugine võrdluseks algse muutmata pildi olemasolule. ELA suudab tuvastada rikkumismärke ainult küsitletud pildil endal. Muud tehnikad nõuavad võrdlemiseks sageli muutmata originaali.
- See on kerge tehnika, mis tugineb ainult digitaalsete kujutiste andmete tihendusartefaktide analüüsimisele. See ei sõltu spetsiaalsest riistvarast ega kohtuekspertiisi teadmistest. See muudab ELA kättesaadavaks esimese läbimise analüüsi tööriistana.
- Väljund ELA-kujutis võib selgelt esile tuua tihendustasemete erinevused, muutes rikutud alad nähtavaks. See võimaldab isegi mitteeksperdil võimaliku manipuleerimise märke ära tunda.
- See töötab paljude kujutiste tüüpidega (nt JPEG, PNG ja GIF) ning vajab analüüsimiseks ainult pilti ennast. Muud kohtuekspertiisi meetodid võivad olla vormingute või originaalpildi nõuete osas piiratumad.
Kuid reaalsetes olukordades, kus teil võib olla sisenddokumentide kombinatsioon (JPEG, PNG, GIF, TIFF, PDF), soovitame kasutada ELA-d koos mitmete muude meetoditega, nagu näiteks servade ebakõlade tuvastamine, müramustrid, värvi ühtsus, EXIF-andmete järjepidevus, kaamera mudeli tuvastamineja fondi ühtsus. Meie eesmärk on värskendada selle postituse koodi täiendavate võltsimise tuvastamise tehnikatega.
ELA aluseks olev eeldus eeldab, et sisendpildid on JPEG-vormingus, mis on tuntud oma kadudega tihendamise poolest. Sellegipoolest võib meetod olla tõhus isegi siis, kui sisendpildid olid algselt kadudeta vormingus (nt PNG, GIF või BMP) ja hiljem võltsimisprotsessi käigus JPEG-vormingusse teisendati. Kui ELA-d rakendatakse algsetele kadudeta vormingutele, näitab see tavaliselt ühtlast pildikvaliteeti ilma halvenemiseta, muutes muutunud alade kindlaksmääramise keeruliseks. JPEG-piltide puhul eeldatakse, et kogu pildil on sarnased tihendustasemed. Kui aga pildi teatud jaotises kuvatakse märgatavalt erinev veatase, viitab see sageli digitaalsele muudatusele.
ELA toob esile erinevused JPEG-tihendussageduses. Ühtlase värvusega piirkondadel on tõenäoliselt madalam ELA tulemus (näiteks tumedam värv võrreldes suure kontrastsusega servadega). Asjad, mida tuleb võltsimise või muutmise tuvastamiseks otsida, on järgmised:
- Sarnastel servadel peaks ELA tulemuses olema sarnane heledus. Kõik suure kontrastsusega servad peaksid välja nägema sarnased ja kõik madala kontrastsusega servad peaksid olema sarnased. Originaalfoto puhul peaksid madala kontrastsusega servad olema peaaegu sama eredad kui suure kontrastsusega servad.
- Sarnastel tekstuuridel peaks ELA puhul olema sarnane värv. Rohkem detaile sisaldavatel aladel, nagu korvpalli lähivõte, on tõenäoliselt kõrgem ELA tulemus kui siledal pinnal.
- Olenemata pinna tegelikust värvitoonist, peaksid kõik tasased pinnad olema ELA all ligikaudu sama värviga.
JPEG-kujutised kasutavad kadudeta tihendussüsteemi. Iga pildi uuesti kodeerimine (taassalvestamine) lisab pildile rohkem kvaliteedikadu. Täpsemalt, JPEG-algoritm töötab 8 × 8 pikslisel ruudustikul. Iga 8 × 8 ruut tihendatakse iseseisvalt. Kui pilt on täielikult muutmata, peaks kõigil 8 × 8 ruutudel olema sarnane veapotentsiaal. Kui pilt on muutmata ja uuesti salvestatud, peaks iga ruut lagunema ligikaudu sama kiirusega.
ELA salvestab pildi määratud JPEG kvaliteeditasemel. See uuesti salvestamine toob kogu pildile sisse teadaoleva hulga vigu. Seejärel võrreldakse uuesti salvestatud pilti algse pildiga. Kui pilti muudetakse, peaks iga modifikatsiooniga puudutatud 8 × 8 ruut olema suurema veapotentsiaaliga kui ülejäänud kujutis.
ELA tulemused sõltuvad otseselt pildikvaliteedist. Võib-olla soovite teada, kas midagi on lisatud, kuid kui pilti kopeeritakse mitu korda, võib ELA lubada tuvastada ainult uuesti salvestamisi. Proovige leida pildist parima kvaliteediga versioon.
Koolituse ja praktikaga saab ELA õppida ka pildi skaleerimist, kvaliteeti, kärpimist ja teisendusi uuesti salvestama. Näiteks kui mitte-JPEG-kujutis sisaldab nähtavaid ruudustiku jooni (1 piksli laius 8 × 8 ruudus), tähendab see, et pilt algas JPEG-vormingus ja teisendati mitte-JPEG-vormingusse (nt PNG). Kui pildi mõnel alal puuduvad ruudustikujooned või ruudustiku jooned nihkuvad, siis tähistab see mitte-JPEG-kujutises splaissi või joonistatud osa.
Järgmistes jaotistes demonstreerime arvutinägemise mudeli konfigureerimise, treenimise ja juurutamise samme.
Eeldused
Selle postituse jätkamiseks täitke järgmised eeltingimused:
- Omage AWS-i kontot.
- Luua Amazon SageMaker Studio. Saate SageMaker Studio kiiresti käivitada vaikeseadete abil, mis hõlbustab kiiret käivitamist. Lisateabe saamiseks vaadake Amazon SageMaker lihtsustab Amazon SageMaker Studio seadistamist üksikute kasutajate jaoks.
- Avage SageMaker Studio ja käivitage süsteemiterminal.
- Käivitage terminalis järgmine käsk:
git clone https://github.com/aws-samples/document-tampering-detection.git
- Ühe kasutaja SageMaker Studio käitamise ja sülearvuti keskkonna konfiguratsioonide kogumaksumus on 7.314 USD tunnis.
Seadke üles mudelitreeningu märkmik
Treeningmärkmiku seadistamiseks tehke järgmised sammud.
- avage
tampering_detection_training.ipynb
faili dokumendi manipuleerimise tuvastamise kataloogist. - Seadistage sülearvuti keskkond pildiga TensorFlow 2.6 Python 3.8 CPU või GPU Optimized.
GPU optimeeritud eksemplaride valimisel võib tekkida probleem ebapiisava saadavusega või ületada oma AWS-i kontol GPU eksemplaride kvoodipiirang. Kvoodi suurendamiseks külastage teenusekvootide konsooli ja suurendage teenuse limiiti konkreetse eksemplaritüübi jaoks, mida vajate. Sellistel juhtudel saate kasutada ka CPU optimeeritud sülearvuti keskkonda. - eest Kernel, vali Python3.
- eest Eksemplari tüüp, vali ml.m5d.24xsuur või mõni muu suur eksemplar.
Valisime mudeli koolitusaja vähendamiseks suurema eksemplari tüübi. ml.m5d.24xlarge sülearvuti keskkonnas on tunni hind 7.258 USD tunnis.
Käivitage treeningmärkmik
Käivitage märkmiku iga lahter tampering_detection_training.ipynb
korras. Järgmistes jaotistes käsitleme mõnda lahtrit üksikasjalikumalt.
Valmistage ette andmekogum originaalsete ja muudetud piltide loendiga
Enne järgmise lahtri käivitamist märkmikus valmistage ette originaal- ja võltsitud dokumentide andmekogum, mis põhineb teie konkreetsetel ärinõuetel. Selle postituse jaoks kasutame võltsitud palgalehtede ja pangaväljavõtete näidisandmeid. Andmekogum on saadaval pildikataloogis GitHubi hoidla.
Märkmik loeb originaal- ja võltsitud pilte images/training
kataloog.
Treeningu andmestik luuakse kahe veeruga CSV-faili abil: pildifaili tee ja pildi silt (0 originaalpildi ja 1 rikutud pildi jaoks).
Töötle andmestikku, genereerides iga treeningpildi ELA tulemused
Selles etapis genereerime sisendtreeningu pildi ELA tulemuse (90% kvaliteediga). Funktsioon convert_to_ela_image
võtab kaks parameetrit: tee, mis on pildifaili tee, ja kvaliteet, mis tähistab JPEG-tihendamise kvaliteediparameetrit. Funktsioon teostab järgmisi samme:
- Teisendage pilt RGB-vormingusse ja salvestage see uuesti JPEG-failina määratud kvaliteediga tempresaved.jpg nime all.
- Arvutage algkujutise ja uuesti salvestatud JPEG-kujutise (ELA) erinevus, et määrata maksimaalne piksliväärtuste erinevus algse ja uuesti salvestatud kujutise vahel.
- Arvutage maksimaalse erinevuse põhjal mastaabitegur, et reguleerida ELA kujutise heledust.
- Suurendage ELA kujutise heledust arvutatud mastaabiteguri abil.
- Muutke ELA tulemuse suuruseks 128x128x3, kus 3 tähistab kanalite arvu, et vähendada treeningu sisendi suurust.
- Tagasta ELA pilt.
Kadudega pildivormingutes, nagu JPEG, põhjustab esialgne salvestamisprotsess märkimisväärse värvikadu. Kui aga pilt laaditakse ja seejärel uuesti kodeeritakse samas kadudega vormingus, lisandub üldiselt vähem värvide halvenemist. ELA tulemused rõhutavad pildialasid, mis on uuesti salvestamisel kõige vastuvõtlikumad värvide halvenemisele. Üldiselt ilmnevad muutused silmapaistvalt piirkondades, millel on suurem lagunemispotentsiaal võrreldes ülejäänud kujutisega.
Järgmisena töödeldakse pilte treenimiseks NumPy massiiviks. Seejärel jagasime sisendandmestiku juhuslikult koolitus- ja testimis- või valideerimisandmeteks (80/20). Nende lahtrite käitamisel võite kõiki hoiatusi ignoreerida.
Sõltuvalt andmestiku suurusest võib nende lahtrite käitamine võtta aega. Selles hoidlas pakutava näidisandmestiku puhul võib selleks kuluda 5–10 minutit.
Konfigureerige CNN-i mudel
Selles etapis konstrueerime VGG võrgu minimaalse versiooni väikeste konvolutsioonifiltritega. VGG-16 koosneb 13 konvolutsioonilisest kihist ja kolmest täielikult ühendatud kihist. Järgmine ekraanipilt illustreerib meie konvolutsioonilise närvivõrgu (CNN) mudeli arhitektuuri.
Pange tähele järgmisi konfiguratsioone:
- Sisend – Mudel võtab kujutise sisendi suurusega 128x128x3.
- Konvolutsioonilised kihid – Konvolutsioonilised kihid kasutavad minimaalset vastuvõtuvälja (3 × 3), väikseimat võimalikku suurust, mis jäädvustab ikka üles/alla ja vasakule/paremale. Sellele järgneb rektifitseeritud lineaarse üksuse (ReLU) aktiveerimisfunktsioon, mis vähendab treeninguaega. See on lineaarne funktsioon, mis väljastab positiivse sisendi; vastasel juhul on väljund null. Konvolutsiooni samm on fikseeritud vaikeväärtusele (1 piksel), et ruumiline eraldusvõime säiliks pärast konvolutsiooni (samm on pikslite nihke arv sisendmaatriksis).
- Täielikult ühendatud kihid – Võrgul on kaks täielikult ühendatud kihti. Esimene tihe kiht kasutab ReLU aktiveerimist ja teine kasutab softmaxi, et klassifitseerida kujutis originaaliks või rikutuks.
Nende lahtrite käitamisel võite kõiki hoiatusi ignoreerida.
Salvestage mudeli artefaktid
Salvestage koolitatud mudel ainulaadse failinimega (nt praeguse kuupäeva ja kellaaja alusel) kataloogi nimega mudel.
Mudel salvestatakse Kerase formaadis koos laiendiga .keras
. Samuti salvestame mudeliartefaktid kataloogina nimega 1, mis sisaldab serialiseeritud allkirju ja nende käitamiseks vajalikku olekut, sealhulgas muutuvaid väärtusi ja sõnavarasid, mida SageMakeri käituskeskkonnas juurutada (mida käsitleme selles postituses hiljem).
Mõõtke mudeli jõudlust
Järgnev kadukõver näitab mudeli kadumise edenemist treeningperioodide (iteratsioonide) lõikes.
Kaofunktsioon mõõdab, kui hästi mudeli ennustused vastavad tegelikele eesmärkidele. Madalamad väärtused näitavad ennustuste ja tegelike väärtuste paremat vastavust. Kaotuse vähenemine perioodide lõikes näitab, et mudel paraneb. Täpsuskõver illustreerib mudeli täpsust treeningperioodide lõikes. Täpsus on õigete ennustuste suhe ennustuste koguarvusse. Suurem täpsus viitab paremini toimivale mudelile. Tavaliselt suureneb täpsus treeningu ajal, kui mudel õpib mustreid ja parandab oma ennustamisvõimet. Need aitavad teil kindlaks teha, kas mudel sobib üle (treeninguandmete puhul toimib hästi, kuid nähtamatutel andmetel halvasti) või ei sobi (ei õpi treeningandmetest piisavalt).
Järgmine segadusmaatriks kujutab visuaalselt, kui hästi mudel täpselt eristab positiivseid (võltsitud kujutis, esitatud väärtusena 1) ja negatiivseid (rikkumata pilt, esitatud väärtusena 0) klasse.
Pärast mudelikoolitust hõlmab meie järgmine samm arvutinägemise mudeli juurutamist API-na. See API integreeritakse ärirakendustesse kindlustuse töövoo komponendina. Selle saavutamiseks kasutame täielikult hallatavat teenust Amazon SageMaker Inference. See teenus integreerub sujuvalt MLOps-i tööriistadega, võimaldades skaleeritavat mudeli juurutamist, kulutõhusaid järeldusi, täiustatud mudelihaldust tootmises ja vähendades töö keerukust. Selles postituses kasutame mudelit reaalajas järelduse lõpp-punktina. Siiski on oluline märkida, et olenevalt teie ärirakenduste töövoost saab mudeli juurutamist kohandada ka paketttöötluseks, asünkroonseks käsitsemiseks või serverita juurutusarhitektuuri kaudu.
Seadistage mudeli juurutamise märkmik
Mudeli juurutamise märkmiku seadistamiseks tehke järgmised toimingud.
- avage
tampering_detection_model_deploy.ipynb
fail dokumendi manipuleerimise tuvastamise kataloogist. - Seadistage sülearvuti keskkond pildiga Data Science 3.0.
- eest Kernel, vali Python3.
- eest Eksemplari tüüp, vali ml.t3.keskkond.
Sülearvutikeskkonna ml.t3.medium korral on tunni hind 0.056 USD.
Looge SageMakeri rolli jaoks kohandatud tekstisisene poliitika, et lubada kõik Amazon S3 toimingud
. AWS-i identiteedi- ja juurdepääsuhaldus (IAM) roll SageMakeri jaoks on vormingus AmazonSageMaker- ExecutionRole-<random numbers>
. Veenduge, et kasutate õiget rolli. Rolli nime leiate SageMakeri domeeni konfiguratsioonide kasutajaandmete alt.
Värskendage IAM-i rolli, et kaasata tekstisisesed reeglid, mis lubavad kõiki Amazoni lihtne salvestusteenus (Amazon S3) toimingud. Seda on vaja mudeliartefakte salvestavate S3-salvide loomise ja kustutamise automatiseerimiseks. Saate piirata juurdepääsu konkreetsetele S3 ämbritele. Pange tähele, et kasutasime IAM-poliitikas S3 ämbri nime jaoks metamärki (tamperingdetection*
).
Käivitage juurutamise märkmik
Käivitage märkmiku iga lahter tampering_detection_model_deploy.ipynb
korras. Järgmistes jaotistes käsitleme mõnda lahtrit üksikasjalikumalt.
Looge S3 ämber
Käivitage lahter, et luua S3 ämber. Kopp saab nime tamperingdetection<current date time>
ja samas AWS-i piirkonnas kui teie SageMaker Studio keskkond.
Looge mudeliartefakti arhiiv ja laadige see Amazon S3-sse
Looge mudeli artefaktidest fail tar.gz. Oleme salvestanud mudeli artefaktid kataloogina nimega 1, mis sisaldab jadaallkirju ja nende käitamiseks vajalikku olekut, sealhulgas muutuvaid väärtusi ja sõnavarasid, mida SageMakeri käitusajal juurutada. Saate lisada ka kohandatud järeldusfaili nimega inference.py
mudeli artefakti koodikaustas. Kohandatud järeldust saab kasutada sisendpildi eel- ja järeltöötluseks.
Looge SageMakeri järelduse lõpp-punkt
Lahtri SageMakeri järelduse lõpp-punkti loomiseks võib kuluda mõni minut.
Testige järelduse lõpp-punkti
funktsioon check_image
eeltöötleb pildi ELA-kujutisena, saadab selle järelduste tegemiseks SageMakeri lõpp-punkti, otsib ja töötleb mudeli ennustusi ning prindib tulemused. Mudel kasutab prognooside andmiseks ELA-kujutiseks sisendpildi NumPy massiivi. Ennustused väljastatakse kui 0, mis tähistab muutmata pilti, ja 1, mis tähistab võltsitud pilti.
Kutsume välja modelli, millel on võltsitud palgatõuke pilt, ja kontrollime tulemust.
Mudel väljastab klassifikatsiooniks 0, mis tähistab rikkumata pilti.
Nüüd kutsume välja palganumbri võltsitud kujutisega mudeli ja kontrollime tulemust.
Mudel väljastab klassifikatsiooniks 1, mis tähistab võltsitud kujutist.
Piirangud
Kuigi ELA on suurepärane tööriist muudatuste tuvastamiseks, on sellel mitmeid piiranguid, näiteks järgmised:
- Üksiku piksli muutus või väike värvimuutus ei pruugi ELA-s märgatavaid muutusi tekitada, kuna JPEG töötab ruudustikul.
- ELA tuvastab ainult seda, millistel piirkondadel on erinevad tihendustasemed. Kui madalama kvaliteediga pilt liidetakse kõrgema kvaliteediga pildiks, võib madalama kvaliteediga pilt kuvada tumedama alana.
- Kujutise skaleerimine, ümbervärvimine või müra lisamine muudab kogu pilti, luues suurema veataseme potentsiaali.
- Kui pilt salvestatakse mitu korda uuesti, võib see olla täiesti minimaalse veatasemega, kus rohkem uuesti salvestamist pilti ei muuda. Sel juhul tagastab ELA musta pildi ja selle algoritmi abil ei saa muudatusi tuvastada.
- Photoshopiga saab lihtsa pildi salvestamise toiminguga tekstuure ja servi automaatselt teritada, luues suurema veataseme võimaluse. See artefakt ei tuvasta tahtlikku muutmist; see tuvastab, et kasutati Adobe'i toodet. Tehniliselt näib ELA modifikatsioonina, kuna Adobe tegi muudatuse automaatselt, kuid kasutaja ei pruugi seda teha tahtlikult.
Soovitame kasutada ELA-d koos teiste ajaveebis varem käsitletud tehnikatega, et tuvastada suurem hulk pilditöötlusjuhtumeid. ELA võib olla ka sõltumatu tööriist piltide erinevuste visuaalseks uurimiseks, eriti kui CNN-põhise mudeli koolitamine muutub keeruliseks.
Koristage
Selle lahenduse osana loodud ressursside eemaldamiseks toimige järgmiselt.
- Käivitage märkmiku lahtrid all Korista ära osa. See kustutab järgmise:
- SageMakeri järelduse lõpp-punkt – Järeldus lõpp-punkti nimi on
tamperingdetection-<datetime>
. - Objektid S3 ämbris ja S3 ämbris endas – Ämbri nimi saab olema
tamperingdetection<datetime>
.
- SageMakeri järelduse lõpp-punkt – Järeldus lõpp-punkti nimi on
- sulgema SageMaker Studio sülearvuti ressursid.
Järeldus
Selles postituses tutvustasime täielikku lahendust dokumentide võltsimise ja pettuste tuvastamiseks süvaõppe ja SageMakeri abil. Kasutasime ELA-d piltide eeltöötlemiseks ja tihendustasemete erinevuste tuvastamiseks, mis võivad viidata manipuleerimisele. Seejärel koolitasime selle töödeldud andmestiku CNN-i mudelit, et klassifitseerida pildid originaalseks või rikutuks.
Mudel võib teie ärinõuetele vastava andmestiku (võltsitud ja originaal) abil saavutada tugeva jõudluse, täpsusega üle 95%. See näitab, et see suudab usaldusväärselt tuvastada võltsitud dokumente, nagu palgalehed ja pangaväljavõtted. Koolitatud mudel rakendatakse SageMakeri lõpp-punktis, et võimaldada madala latentsusega järeldusi skaalal. Integreerides selle lahenduse hüpoteegi töövoogudesse, saavad asutused automaatselt märgistada kahtlased dokumendid edasiseks pettuste uurimiseks.
Kuigi ELA on võimas, on sellel teatud piirangud teatud tüüpi peenemate manipulatsioonide tuvastamisel. Järgmiste sammudena saaks mudelit täiustada, lisades koolitusse täiendavaid kohtuekspertiisi tehnikaid ja kasutades suuremaid ja mitmekesisemaid andmekogumeid. Üldiselt näitab see lahendus, kuidas saate kasutada süvaõppe ja AWS-i teenuseid, et luua mõjusaid lahendusi, mis suurendavad tõhusust, vähendavad riske ja hoiavad ära pettusi.
3. osas demonstreerime, kuidas lahendust Amazon Fraud Detectoris rakendada.
Autoritest
Anup Ravindranath on Kanadas Torontos asuva Amazon Web Servicesi (AWS) vanemlahenduste arhitekt, kes töötab finantsteenuste organisatsioonidega. Ta aitab klientidel oma ettevõtet ümber kujundada ja pilves uuendusi teha.
Vinnie Saini on Kanadas Torontos asuva Amazon Web Servicesi (AWS) vanemlahenduste arhitekt. Ta on aidanud finantsteenuste klientidel pilves ümber kujundada, AI- ja ML-põhised lahendused on rajatud arhitektuurilise tipptaseme tugevatele alustaladele.
- 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/train-and-host-a-computer-vision-model-for-tampering-detection-on-amazon-sagemaker-part-2/
- :on
- :on
- :mitte
- : kus
- $ UP
- 056
- 1
- 100
- 13
- 195
- 258
- 408
- 75
- 8
- 95%
- a
- võime
- MEIST
- juurdepääs
- juurdepääsetav
- konto
- täpsus
- täpselt
- Saavutada
- üle
- tegu
- meetmete
- Aktiveerimine
- tegelik
- lisatud
- lisades
- Täiendavad lisad
- Lisab
- kohandama
- Korrigeerimine
- Adobe
- pärast
- vastu
- AI
- eesmärk
- algoritm
- joondumine
- Materjal: BPA ja flataatide vaba plastik
- võimaldama
- võimaldab
- peaaegu
- mööda
- kõrval
- Ka
- muuta
- Amazon
- Amazoni pettusedetektor
- Amazon SageMaker
- Amazon SageMaker Studio
- Amazon Web Services
- Amazon Web Services (AWS)
- summa
- an
- analüüs
- analüüsima
- analüüsides
- ja
- Teine
- mistahes
- API
- ilmuma
- ilmub
- rakendused
- rakendatud
- lähenemine
- umbes
- arhitektuuri-
- arhitektuur
- Arhiiv
- OLEME
- PIIRKOND
- valdkondades
- Array
- AS
- oletab
- At
- automatiseerima
- automaatselt
- kättesaadavus
- saadaval
- AWS
- Pank
- põhineb
- korvpall
- BE
- sest
- muutub
- olnud
- BEST
- Parem
- vahel
- Must
- Blogi
- suurendada
- Ere
- ehitama
- Ehitus
- äri
- Business Applications
- ettevõtted
- kuid
- by
- arvutatud
- kutsutud
- kaamera
- CAN
- Kanada
- lööb
- juhul
- juhtudel
- maadlus
- rakk
- Rakke
- kindel
- raske
- muutma
- Vaidluste lahendamine
- kanalid
- omadused
- kontrollima
- Vali
- klassid
- klassifikatsioon
- Klassifitseerige
- selgelt
- Cloud
- CNN
- kood
- värv
- Veerud
- kombinatsioon
- võrdlema
- võrreldes
- võrdlus
- täitma
- täiesti
- keerukus
- komponent
- arvuti
- Arvuti visioon
- seadistamine
- segadus
- koos
- seotud
- märkimisväärne
- järjepidev
- koosneb
- konsool
- ehitama
- sisaldab
- muutma
- ümber
- konvolutsioonneuraalvõrk
- parandada
- Maksma
- võiks
- Protsessor
- looma
- loodud
- loomine
- loomine
- Praegune
- kõver
- tava
- Kliendid
- tumedam
- andmed
- andmeteadus
- andmekogumid
- kuupäev
- vähenev
- sügav
- sügav õpe
- vaikimisi
- näitama
- näitab
- tähistab
- tihe
- sõltuvad
- sõltuv
- Olenevalt
- juurutada
- lähetatud
- juurutamine
- kasutuselevõtu
- detail
- detailid
- avastama
- Detection
- Määrama
- arendama
- skeem
- erinevus
- erinevused
- erinev
- digitaalne
- otse
- arutama
- arutatud
- Näidikute
- eristab
- mitu
- do
- dokument
- dokumendid
- Ei tee
- domeen
- koostatud
- ajendatud
- ajal
- iga
- kergesti
- serv
- Tõhus
- efektiivsus
- rõhuta
- tööle
- võimaldama
- võimaldades
- Lõpuks-lõpuni
- Lõpp-punkt
- tõhustatud
- Lisaseade
- piisavalt
- Kogu
- täielikult
- keskkond
- ajajärgud
- viga
- vead
- eriti
- Eeter (ETH)
- Isegi
- Iga
- Uurimine
- näide
- Excellence
- suurepärane
- näitama
- Näitus
- laiendav
- oodatav
- teadmised
- laiendamine
- silm
- hõlbustades
- faktor
- vähe
- väli
- fail
- Filtrid
- finants-
- finantsteenused
- leidma
- esimene
- fikseeritud
- flat
- järgima
- Järgneb
- Järel
- eest
- Kohtuekspertiisi
- kohtumeditsiini
- võltsitud
- formaat
- avastatud
- Sihtasutus
- Sihtasutus
- neli
- pettus
- Alates
- täielikult
- funktsioon
- edasi
- üldiselt
- tekitama
- genereerib
- teeniva
- gif
- Git
- hea
- GPU
- suurem
- võre
- juhised
- olnud
- Käsitsemine
- Raske
- riistvara
- Olema
- võttes
- he
- aitama
- aidates
- aitab
- rohkem
- Esile tõstma
- rõhutab
- Tulemus
- võõrustaja
- võõrustas
- tund
- Kuidas
- Kuidas
- aga
- HTML
- http
- HTTPS
- IAM
- tuvastatud
- identifitseerib
- identifitseerima
- identifitseerimiseks
- Identity
- IEEE
- if
- ignoreerima
- illustreerib
- pilt
- pildid
- mõjuv
- rakendada
- oluline
- parandab
- Paranemist
- in
- sisaldama
- Kaasa arvatud
- vastuolud
- kaasates
- Suurendama
- Tõstab
- sõltumatud
- iseseisvalt
- näitama
- näitab
- eraldi
- info
- esialgne
- algatama
- uuendama
- sisend
- Näiteks
- juhtumid
- institutsioonid
- integreeritud
- Integreerib
- Integreerimine
- Tahtlik
- sisse
- kehtestama
- Tutvustab
- uurimine
- hõlmab
- probleem
- IT
- kordused
- ITS
- ise
- jpg
- hoidma
- keras
- Teadma
- teatud
- silt
- puudus
- suur
- suurem
- pärast
- algatama
- kiht
- kihid
- Leads
- Õppida
- õppimine
- vähem
- Tase
- taset
- kerge
- nagu
- tõenäosus
- Tõenäoliselt
- LIMIT
- piirangud
- sirgjooneline
- liinid
- nimekiri
- lokaliseerimine
- Vaata
- kaotus
- vähendada
- masin
- masinõpe
- tehtud
- peamiselt
- tegema
- TEEB
- Tegemine
- juhitud
- juhtimine
- Manipuleerimine
- palju
- Vastama
- maatriks
- maksimaalne
- mai..
- vahendid
- meetmed
- keskmine
- Vastama
- meetod
- meetodid
- minimaalne
- miinimum
- alaealine
- protokoll
- ML
- MLOps
- mudel
- Muudatused
- modifitseeritud
- muutma
- rohkem
- Hüpoteek
- kõige
- mitmekordne
- nimi
- Nimega
- tingimata
- Vajadus
- vaja
- negatiivne
- võrk
- võrgustikud
- Neural
- Närvivõrgus
- Sellegipoolest
- järgmine
- ei
- müra
- meeles
- märkmik
- number
- tuim
- eesmärk
- Ilmne
- of
- sageli
- on
- ONE
- ainult
- tegutseb
- töökorras
- optimeeritud
- or
- et
- organisatsioonid
- originaal
- algselt
- Muu
- muidu
- meie
- tulemusi
- väljund
- väljundid
- üle
- üldine
- parameeter
- parameetrid
- osa
- eriline
- osad
- tee
- mustrid
- kohta
- jõudlus
- teostatud
- esitades
- täidab
- foto
- photoshop
- pilt
- sambad
- piksel
- Platon
- Platoni andmete intelligentsus
- PlatoData
- süžee
- poliitika
- osa
- positiivne
- võimalik
- post
- potentsiaal
- potentsiaalid
- võimas
- tava
- ennustus
- Ennustused
- ennustav
- Valmistama
- eeldused
- esitada
- esitatud
- Säilinud
- vältida
- varem
- pildid
- protsess
- töödeldud
- Protsessid
- töötlemine
- Toode
- Produktsioon
- progressioon
- anda
- tingimusel
- Python
- kvaliteet
- Küsimus
- kiiremini
- juhuslik
- valik
- kiire
- määr
- suhe
- päris maailm
- reaalajas
- realm
- põhjustel
- saab
- tunnistama
- soovitama
- parandatud
- vähendama
- Lühendatud
- vähendab
- viitama
- piirkond
- piirkondades
- taasalustamine
- lootma
- eemaldamine
- kõrvaldama
- rendering
- Hoidla
- esindatud
- esindavad
- esindab
- nõudma
- nõutav
- Nõuded
- Vajab
- resolutsioon
- Vahendid
- REST
- piiratud
- kaasa
- Tulemused
- tagasipöördumine
- RGB
- Oht
- Roll
- jooks
- jooksmine
- salveitegija
- SageMakeri järeldus
- sama
- Näidisandmekogum
- Säästa
- salvestatud
- säästmine
- skaalautuvia
- Skaala
- ketendamine
- stsenaariumid
- teadus
- sujuv
- sujuvalt
- Teine
- Osa
- lõigud
- väljavalitud
- valides
- saadab
- vanem
- Seeria
- teenima
- Serverita
- teenus
- teenused
- komplekt
- seade
- ta
- suunata
- Vahetused
- peaks
- Näitused
- Allkirjad
- tähistab
- Märgid
- sarnane
- lihtne
- lihtsustab
- ühekordne
- SUURUS
- väike
- siluda
- lahendus
- Lahendused
- mõned
- midagi
- ruumiline
- spetsialiseeritud
- konkreetse
- eriti
- määratletud
- jagada
- Kaubandus-
- ruut
- väljakud
- alustatud
- riik
- avaldused
- Samm
- Sammud
- Veel
- ladustamine
- salvestada
- sammupikkus
- tugev
- stuudio
- Järgnevalt
- selline
- Soovitab
- kindel
- Pind
- vastuvõtlik
- kahtlane
- kiiresti
- süsteem
- kohandatud
- Võtma
- võtab
- eesmärgid
- tehniliselt
- tehnika
- tehnikat
- tensorivool
- terminal
- test
- Testimine
- kui
- et
- .
- Riik
- oma
- Neile
- SIIS
- Seal.
- Need
- asjad
- see
- kolm
- Läbi
- aeg
- korda
- et
- tööriist
- töövahendid
- Toronto
- Summa
- puudutatud
- Rong
- koolitatud
- koolitus
- Muutma
- muundumised
- tõsi
- püüdma
- kaks
- tüüp
- liigid
- tüüpiliselt
- all
- aluseks
- allakirjutamine
- ainulaadne
- üksus
- Värskendused
- peale
- USD
- kasutama
- kasutage juhtumit
- Kasutatud
- Kasutaja
- kasutusalad
- kasutamine
- kinnitamine
- väärtus
- Väärtused
- muutuja
- eri
- versioon
- nähtav
- nägemus
- visiit
- visuaalne
- visuaalselt
- tahan
- oli
- we
- web
- veebiteenused
- Hästi
- olid
- M
- millal
- mis
- lai
- will
- koos
- jooksul
- ilma
- töövoog
- Töövoogud
- töö
- töötab
- sa
- Sinu
- sephyrnet
- null