Monilla toimialoilla, kuten rahoitus-, pankki-, terveydenhuolto-, laki- ja kiinteistöalalla, asiakirjojen käsittelyn automatisointi on olennainen osa liiketoimintaa ja asiakaspalvelua. Lisäksi tiukat noudattamissäännöt edellyttävät, että yritykset käsittelevät arkaluonteisia asiakirjoja, erityisesti asiakastietoja, asianmukaisesti. Asiakirjat voivat olla eri muodoissa, mukaan lukien digitaaliset lomakkeet tai skannatut asiakirjat (joko PDF tai kuvat), ja ne voivat sisältää koneella kirjoitettuja, käsinkirjoitettuja tai upotettuja lomakkeita ja taulukoita. Tietojen ja näkemysten manuaalinen poimiminen näistä asiakirjoista voi olla virhealtista, kallista, aikaa vievää, eikä sitä voida skaalautua suureen määrään asiakirjoja.
Optinen merkintunnistustekniikka (OCR) kirjoitettujen merkkien tunnistamiseen on ollut olemassa jo vuosia. Monet yritykset poimivat tiedot manuaalisesti skannatuista asiakirjoista, kuten PDF-tiedostoista, kuvista, taulukoista ja lomakkeista, tai yksinkertaisen OCR-ohjelmiston avulla, joka vaatii manuaalisen konfiguroinnin, mikä vaatii usein uudelleenmäärityksiä lomakkeen muuttuessa.
Digitaalinen asiakirja on usein skannaus tai kuva asiakirjasta, ja siksi voit käyttää koneoppimismalleja (ML) poimimaan automaattisesti tekstiä ja tietoja (kuten taulukoita, kuvia, kuvatekstejä ja avainpariarvoja) asiakirjasta. Esimerkiksi, Amazonin teksti, API-pohjainen AI-yhteensopiva palvelu, tarjoaa tällaisia ominaisuuksia sisäänrakennetuilla koulutetuilla malleilla, joita voit käyttää sovelluksissa ilman ML-taitoja. Samaan aikaan mukautetut ML-mallit käyttävät tietokonenäkötekniikkaa (CV) tekstin poimimisen automatisoimiseksi kuvista; Tämä on erityisen hyödyllistä silloin, kun käsinkirjoitettua tekstiä on purettava, mikä on haastava ongelma. Tämä tunnetaan myös nimellä käsinkirjoituksen tunnistus (HWR) tai käsinkirjoitetun tekstin tunnistus (HTR). HTR voi johtaa käsinkirjoitetun sisällön tekemiseen haettavaksi tai vanhempien asiakirjojen ja lomakkeiden sisällön tallentamiseen nykyaikaisiin tietokantoihin.
Toisin kuin tavallinen tekstintunnistus, jota voidaan kouluttaa käsittelemään kirjoitettua sisältöä sisältäviä asiakirjoja tai synteettisiä tietojoukkoja, jotka on helppo luoda ja jotka ovat edullisia hankkia, HWR:llä on monia haasteita. Näihin haasteisiin kuuluvat kirjoitustyylien vaihtelevuus, vanhojen skannattujen asiakirjojen heikko laatu ja laadukkaiden merkittyjen koulutustietojoukkojen kerääminen, jotka voivat olla kalliita tai vaikeita kerätä.
Tässä viestissä jaamme prosesseja, komentosarjoja ja parhaita käytäntöjä mukautetun ML-mallin kehittämiseksi Amazon Sage Maker joka soveltaa syvän oppimisen (DL) tekniikoita, jotka perustuvat paperissa esitettyyn käsitteeseen GNHK: Dataset englannin käsialalle luonnossa transkriboida tekstiä kuvissa käsin kirjoitetuista kohdista merkkijonoiksi. Jos sinulla on omat tietosi, voit käyttää tätä ratkaisua tietojen merkitsemiseen ja uuden mallin kouluttamiseen niiden avulla. Ratkaisu ottaa käyttöön myös koulutetut mallit päätepisteinä, joiden avulla voit tehdä päätelmiä todellisista asiakirjoista ja muuntaa käsinkirjoitusskriptin tekstiksi. Selitämme, kuinka voit luoda suojatun julkisen yhdyskäytävän päätepisteellesi käyttämällä Amazon API -yhdyskäytävä.
Edellytykset
Jos haluat kokeilla ratkaisua omalla tililläsi, varmista, että sinulla on seuraavat:
Suosittelemme käyttämään JumpStart-ratkaisua, joka luo resurssit oikein asennettuina ja konfiguroituina ratkaisun suorittamiseksi onnistuneesti.
Voit myös käyttää omia tietojasi mallien kouluttamiseen, jolloin sinulla on oltava kuvat käsinkirjoitetusta tekstistä tallennettuna Amazonin yksinkertainen tallennuspalvelu (Amazon S3).
Ratkaisun yleiskatsaus
Seuraavissa osissa opastamme sinut läpi jokaisessa seuraavassa arkkitehtuurissa esitettyjen resurssien luomisen vaiheet. Ratkaisun käynnistäminen SageMaker JumpStart -sovelluksella tililläsi luo kuitenkin automaattisesti nämä resurssit puolestasi.
Tämän ratkaisun käynnistäminen luo tiliisi useita resursseja, mukaan lukien seitsemän mallimuistikirjaa, useita mukana tulevia mukautettuja komentosarjoja, joita käytämme koulutusmalleissa ja päättelyissä, sekä kaksi valmiiksi rakennettua esittelypäätepistettä, joita voit käyttää reaaliaikaiseen päättelyyn, jos et halua. suorittaa kokonaisvaltaisen koulutuksen ja isännöinnin. Muistikirjat ovat seuraavat:
- Demo muistikirja – Näyttää, kuinka esittelypäätepisteitä käytetään reaaliaikaiseen käsinkirjoitetun tekstin tunnistamiseen
- esittely – Selvittää arkkitehtuuria ja ratkaisun eri vaiheita
- Omien tietojen merkitseminen – Näyttää kuinka käyttää Amazon SageMaker Ground Totuus merkitäksesi oman tietojoukkosi
- Tietojen visualisointi – Visualisoi datamerkinnän tulokset
- Malliharjoittelu – Kouluttaa mukautettuja PyTorch-malleja GNHK-tiedoilla
- Mallin harjoittelu omilla tiedoillasi – Voit käyttää omia merkittyjä tietojasi harjoitusmalleissa
- Endpoints – Luo SageMaker-päätepisteitä mukautetuilla malleilla
GNHK-tietojen yleiskatsaus
Tämä ratkaisu käyttää GoodNotes-käsinkirjoituskokoelma (GNHK) julkaissut tietojoukko Hyvä huomautus varten CC-BY-4.0 -lisenssi. Tämä tietojoukko on esitetty julkaisussa, jonka otsikko on GNHK: Dataset englannin käsialalle luonnossa klo Kansainvälinen asiakirja-analyysin ja tunnustamisen konferenssi (ICDAR) vuonna 2021 seuraavalla lainauksella:
GNHK-tietoaineisto sisältää kuvia englanninkielisestä käsinkirjoitetusta tekstistä, jotta ML:n harjoittajat ja tutkijat voivat tutkia uusia käsinkirjoitetun tekstin tunnistustekniikoita. Voit ladata tiedot SageMaker koulutus ja testaus manifest-muodossa, joka sisältää kuvat, rajauslaatikon koordinaatit ja tekstimerkkijonot jokaiselle rajoituslaatikolle. Seuraavassa kuvassa on yksi kuvista, jotka ovat osa harjoitustietojoukkoa.
Käytä omaa merkittyä tietojoukkoasi
Jos et halua käyttää GNHK-tietojoukkoa harjoitteluun, voit kouluttaa malleja omilla tiedoillasi. Jos tietosi on merkitty rajauslaatikon koordinaateilla, voit luoda mukautetun koulutustiedoston seuraavassa muodossa ja käyttää sitä helposti mallien harjoittamiseen. Tässä luettelotiedostomuodossa jokainen rivi on JSON, joka sisältää seuraavan sisällön:
Merkitse raakatietosi Ground Truthilla
Jos sinulla ei ole merkittyä koulutustietojoukkoa, voit käyttää Ground Truthia merkitsemään tietosi käyttämällä yksityistä työvoimaasi tai ulkoisia resursseja, kuten Amazon Mechanical Turk. Ground Truth on täysin hallittu datamerkintäpalvelu, jonka avulla on helppo rakentaa erittäin tarkkoja harjoitustietojoukkoja ML:lle. Ground Truth tarjoaa sisäänrakennettuja työnkulkuja, jotka tukevat erilaisia käyttötapauksia, mukaan lukien tekstiä, kuvia ja videoita. Lisäksi Ground Truth tarjoaa automaattisen tietojen merkitsemisen, joka käyttää ML-mallia tietojen merkitsemiseen. Seuraava kuva havainnollistaa, kuinka Ground Truth toimii.
Tililläsi käynnistetty JumpStart-ratkaisu luo mallimuistikirjan (label_own_data.ipynb
), jonka avulla voit luoda Ground Truth -merkintätöitä tietojen merkitsemiseksi käyttämällä yksityistä työvoimaasi. Katso lisätietoja kuvien merkintätöiden määrittämisestä sekä koulutus- ja opetusresursseista SageMaker Ground Truth Data Labeling Resources.
Kun tietojen merkintä on valmis, voit käyttää mukana tulevaa data_visualization.ipynb
muistikirja tietojen merkitsemisen tulosten visualisointiin.
Harjoittele sanan segmentointi- ja käsinkirjoituksen tekstintunnistusmalleja
Nyt kun merkityt tiedot on valmistettu, voit käyttää sitä mallin opettamiseen, joka tunnistaa käsin kirjoitetut kohdat ja palauttaa tekstijonovastineet. Tässä osiossa opastamme sinut tämän prosessin läpi ja selitämme jokaisen mallin rakentamisen ja koulutuksen vaiheen. Käytämme PyTorch hyödyntää huippuluokan kehyksiä objektien havaitsemiseen ja tekstin tunnistukseen. Voit myös kehittää samaa lähestymistapaa käyttämällä muita syväoppimiskehyksiä, kuten TensorFlow or MX Net. SageMaker tarjoaa valmiiksi rakennettuja Docker-kuvia, jotka sisältävät syväoppimiskehyskirjastoja ja muita koulutusta ja päätelmiä varten tarvittavia riippuvuuksia. Täydellinen luettelo valmiista Docker-kuvista on kohdassa Käytettävissä olevat Deep Learning Containers -kuvat.
Kouluta ja testaa tietojoukot
Ennen kuin aloitamme mallikoulutuksen, meillä on oltava koulutustietojoukko ja testi- (tai validointi-) tietojoukko opetetun mallin suorituskyvyn vahvistamiseksi. GNHK-tietojoukossa on jo kaksi erillistä tietojoukkoa koulutus ja testaus SageMaker-luettelomuodossa, ja tämä ratkaisu käyttää näitä tietojoukkoja. Jos haluat käyttää omaa tunnistettua tietojoukkoasi, helpoin tapa on jakaa merkitty tietoluettelotiedosto harjoitus- ja testijoukkoon (esimerkiksi 80 % koulutus ja 20 % testi).
SageMaker lukee koulutus- ja testitietojoukot Amazon S3:sta. Tietojen jakamisen jälkeen sinun on tallennettava luettelotiedostot ja vastaavat kuvat Amazon S3:een ja käytettävä sitten harjoitusskriptien URI-linkkejä seuraavissa osissa kuvatulla tavalla.
Harjoittele sanan segmentointimallia
Jotta voimme tehdä johtopäätöksiä kuvista käsinkirjoitetusta tekstistä, joka koostuu useista riveistä ja jokainen rivi useista sanoista, meidän on luotava kaksi mallia. Ensimmäinen malli segmentoi kuvan yksittäisiksi sanoiksi käyttämällä rajauslaatikon ennustetta (tai lokalisointia); toinen malli suorittaa tekstintunnistuksen jokaisessa segmentissä erikseen. Jokainen malli on isännöity SageMaker-päätelmäpäätepisteessä reaaliaikaista päättelyä varten. Molemmat mallit käytössä PyTorch-kehyssäilöt versiolle 1.6.0. Lisätietoja koulutuksesta ja mallien käyttöönotosta PyTorchin avulla, mukaan lukien koulutus- ja päättelykomentosarjojen vaatimukset, katso Käytä PyTorchia SageMaker Python SDK: n kanssa. Harjoittelutarkoituksiin käytämme SageMaker PyTorch estimaattoriluokka. Lisätietoja, katso Luo estimaattori. Harjoittelua varten tarvitset a mukautettu koulutusohjelma sisääntulopisteenä. Kun käynnistät tämän JumpStart-ratkaisun tililläsi, SageMaker lisää automaattisesti kaikki mukana tulevat mukautetut koulutus- ja päätelmäkoodit tiedostoihisi. Lokalisointimallissa käytämme mukautettua 1_train_localisation.py
koodi alla src_localisation
kansio. Estimaattori käyttää yhtä GPU-pohjaista esiintymää koulutustarkoituksiin.
Seuraavassa koodinpätkässä määritämme mallin suorituskykymittarit ja luomme PyTorch-estimaattoriluokan, jonka sisääntulopiste ohjaa koodivaraston harjoitusskriptihakemistoon. Lopuksi käynnistämme koulutuksen soittamalla .fit
menetelmä estimaattorissa opetustietojoukon kanssa ja validointi testitietojoukossa.
Harjoittele käsinkirjoituksen tekstintunnistusmallia
Kun sanasegmentit on määritetty edellisellä mallilla, seuraava päättelyliukulinjan osa on suorittaa käsinkirjoituksen tunnistuspäätelmä jokaiselle segmentille. Prosessi on sama, mutta tällä kertaa käytämme erilaista mukautettua koulutusohjelmaa, the 2_train_recogniser.py
käsikirjoitus alla src_recognition
estimaattorin aloituspisteeksi ja kouluta uusi malli. Kuten edellinen malli, myös tämä malli kouluttaa mallin junatietojoukossa ja arvioi sen suorituskykyä testitietojoukossa. Jos käynnistät JumpStart-ratkaisun tililläsi, SageMaker lisää automaattisesti nämä lähdekoodit tiedostoihisi Studio-verkkotunnuksessasi.
Seuraavaksi me liittää arviot koulutustöihinja odota, kunnes koulutus on valmis, ennen kuin jatkat mallien käyttöönottoa. Liittämisen tarkoitus on, että jos koulutustyön tila on Valmis, sitä voidaan ottaa käyttöön SageMaker-päätepisteen luomiseksi ja ennustajan palauttamiseksi, mutta jos harjoitustyö on käynnissä, liite estää ja näyttää lokiviestit koulutustyöstä. , kunnes koulutustyö on valmis. Jokaisen koulutustehtävän suorittaminen voi kestää noin tunnin.
Kun molemmat mallikoulutukset ovat suoritettuja, voit siirtyä seuraavaan vaiheeseen, joka on päätepisteen luominen kuvien reaaliaikaista päättelyä varten käyttämällä kahta juuri koulutettua mallia.
Luo SageMaker-päätepisteitä reaaliaikaisia päätelmiä varten
Seuraava askel tämän ratkaisun rakentamisessa on luoda päätepisteitä koulutetuilla malleilla, joita voimme käyttää käsinkirjoitetun tekstin reaaliaikaiseen päättelyyn. Ohjaamme sinut mallin artefaktien lataamisen, mallisäilöjen luomisen, säilöjen käyttöönoton ja lopuksi käytettyjen mallien käyttämisen vaiheiden läpi tehdäksesi reaaliaikaisia johtopäätöksiä esittelykuvasta tai omasta kuvastasi.
Ensin meidän täytyy jäsentää koulutetut malliesineet Amazon S3:sta. Jokaisen harjoitustyön jälkeen SageMaker tallentaa harjoitetun mallin tervapallon muodossa (.tar.gz
) Amazon S3:ssa, jonka voit ladata käyttääksesi SageMakerin sisällä tai sen ulkopuolella. Tätä tarkoitusta varten seuraava koodinpätkä käyttää kolmea aputoimintoa (get_latest_training_job
, get_model_data
ja parse_model_data
) Alkaen sm_utils
kansio, joka lisätään automaattisesti tiedostoihisi Studiossa, kun käynnistät JumpStart-ratkaisun tililläsi. Skripti näyttää, kuinka PyTorch-sanan segmentointi (tai lokalisointi) mallidata ladataan, pakataan tervapalloksi ja kopioidaan Amazon S3:een mallin rakentamista varten myöhemmin. Voit toistaa tämän prosessin tekstintunnistusmallille.
Nyt kun meillä on koulutetut mallitiedostot, on helppo luoda mallisäiliö SageMakerissa. Koska koulutimme mallin PyTorch-estimaattoriluokassa, voimme käyttää PyTorch-malliluokkaa mallisäiliön luomiseen, joka käyttää mukautettua päättelykomentosarjaa. Katso Ota PyTorch-mallit käyttöön Lisätietoja. Kun olemme luoneet mallin, voimme luoda ennustajan ottamalla mallin käyttöön reaaliaikaisen päättelyn päätepisteenä. Voit muuttaa päätepisteesi esiintymien määrää tai valita eri kiihdytetyn laskennan (GPU) -esiintymän luettelo käytettävissä olevista ilmentymistä reaaliaikaisia päätelmiä varten. PyTorch-malliluokka käyttää inference.py
komentosarja jokaiselle mallille, joka lisätään tiedostoihisi, kun käynnistät JumpStart-ratkaisun Studio-verkkotunnuksessasi. Seuraavassa koodissa luomme sanan segmentointimallin. Voit noudattaa samaa lähestymistapaa tekstintunnistusmallin luomiseen.
Nyt voimme rakentaa päätepisteen kutsumalla .deploy
menetelmällä ja luomalla ennustaja. Sitten liitetään serialisoija ja deserialisoija päätepisteeseen. Voit noudattaa samaa lähestymistapaa toisessa tilassa, tekstintunnistuksessa.
Päätepisteen luomisen pitäisi kestää noin 6–7 minuuttia. Seuraava koodi luo odottajia päätepisteiden luomista varten ja näkyy valmiina, kun ne on tehty.
Kun mallin käyttöönotto on valmis, voit lähettää kuvan käsin kirjoitetusta kappaleesta ensimmäiseen päätepisteeseen saadaksesi kunkin sanan rajoitusruudut ja niiden koordinaatit. Käytä sitten näitä koordinaatteja rajataksesi kutakin rajausruutua ja lähettääksesi ne toiseen päätepisteeseen yksitellen ja saada tunnistettu tekstimerkkijono jokaiselle rajauslaatikolle. Voit sitten ottaa kahden päätepisteen lähdöt ja peittää rajoitusruudut ja tekstin raakakuvan päälle tai käyttää tulosteita loppupään prosesseissasi.
Seuraava kaavio havainnollistaa prosessin yleistä työnkulkua.
Laajennukset
Nyt kun sinulla on toimivat päätepisteet, jotka tekevät reaaliaikaisia päätelmiä, voit käyttää niitä sovelluksissasi tai verkkosivustoissasi. SageMaker-päätepisteesi eivät kuitenkaan ole edelleenkään julkisia; sinun on rakennettava API-yhdyskäytäviä salliaksesi ulkoisen liikenteen SageMaker-päätepisteisiisi. API Gateway on täysin hallittu palvelu, jonka avulla kehittäjien on helppo luoda, julkaista, ylläpitää, valvoa ja suojata sovellusliittymiä missä tahansa mittakaavassa. API-yhdyskäytävän avulla voit esittää SageMaker-päätepisteille ulkopuolisen yhden tulopisteen ja tarjota suojauksen, kuristuksen, todennuksen ja palomuurin AWS WAF, ja paljon enemmän. API-yhdyskäytävän kartoitusmalleilla, voit kutsua SageMaker-päätepisteesi REST API -pyynnöllä ja saada API-vastauksen takaisin. Kartoitusmallien avulla voit integroida API-yhdyskäytäväsi suoraan SageMaker-päätepisteisiin ilman välikäsiä. AWS Lambda toiminto, mikä tekee online-sovelluksistasi nopeampia ja halvempia. Jos haluat luoda API-yhdyskäytävän ja käyttää sitä reaaliaikaisten päätelmien tekemiseen SageMaker-päätepisteistäsi (kuten seuraavassa arkkitehtuurissa), katso kohta Koneoppimisella toimivan REST-sovellusliittymän luominen Amazon API Gateway -karttamalleilla ja Amazon SageMakerilla.
Yhteenveto
Tässä viestissä selitimme päästä päähän -ratkaisun käsinkirjoitetun tekstin tunnistamiseen käyttämällä mukautettuja SageMaker-malleja. Ratkaisu sisälsi koulutustietojen merkitsemisen Ground Truthilla, koulutusdatan PyTorch-estimaattoriluokilla ja mukautetuilla skripteillä sekä SageMaker-päätepisteiden luomisen reaaliaikaista päättelyä varten. Selitimme myös, kuinka voit luoda julkisen API-yhdyskäytävän, jota voidaan käyttää turvallisesti mobiilisovellustesi tai verkkosivustosi kanssa.
Lisää SageMaker -esimerkkejä on osoitteessa GitHub-arkisto. Lisäksi löydät lisää PyTorch tuo omat käsikirjoitusesimerkit.
Lisää SageMaker Python-esimerkkejä MXNetille, TensorFlow'lle ja PyTorchille on osoitteessa Amazon SageMakerin valmiiksi rakennetut puitesäiliöt ja Python SDK.
Lisää Ground Truth -esimerkkejä löytyy osoitteesta Johdatus Ground Truth Labeling -työhön. Lisätietoja SageMakerista löytyy tekninen dokumentaatio.
Tietoja Tekijät
Jonathan Chung on soveltava tutkija Halo Health -tekniikassa. Hän työskentelee klassisen signaalinkäsittelyn ja syväoppimisen tekniikoiden soveltamisessa aikasarjoihin ja biometrisiin tietoihin. Aiemmin hän oli AWS:n soveltava tutkija. Hän pitää ruoanlaitosta ja vierailee historiallisissa kaupungeissa ympäri maailmaa.
Tohtori Nick Minaie, on Amazonin tietotieteen ja liiketoimintatiedon johtaja, joka johtaa innovatiivista koneoppimisen tuotekehitystä Amazonin Time and Attendance -tiimille. Aiemmin hän toimi AWS:n vanhempana AI/ML Solutions -arkkitehtina auttaen asiakkaita heidän matkallaan kohti hyvin suunniteltuja koneoppimisratkaisuja mittakaavassa. Vapaa-ajallaan Nick nauttii perheajasta, abstraktista maalauksesta ja luontoon tutustumisesta.
Tohtori Li Zhang on Amazon SageMaker JumpStartin ja Amazon SageMakerin sisäänrakennettujen algoritmien päätuotepäällikkö-tekninen palvelu, joka auttaa datatieteilijöitä ja koneoppimisen harjoittajia aloittamaan koulutuksen ja mallien käyttöönoton, ja käyttää vahvistustietoa Amazon SageMakerin avulla. Hänen aikaisempi työnsä pääasiallisena tutkimushenkilöstönä ja pääkeksijänä IBM Researchissa on voittanut aikapaperipalkinnon IEEE INFOCOMissa.
Shenghua Yue on ohjelmistokehitysinsinööri Amazon SageMakerissa. Hän keskittyy koneoppimistyökalujen ja -tuotteiden rakentamiseen asiakkaille. Työn ulkopuolella hän nauttii ulkoilusta, joogasta ja patikoinnista.
- '
- "
- 100
- 11
- 2021
- Tili
- Lisäksi
- lisä-
- Etu
- alex
- algoritmit
- Kaikki
- Amazon
- Amazon API -yhdyskäytävä
- Amazon Sage Maker
- analyysi
- Apache
- api
- API
- sovellukset
- arkkitehtuuri
- noin
- Authentication
- AWS
- Pankkitoiminta
- PARAS
- parhaat käytännöt
- biometristen tunnisteiden
- Laatikko
- rakentaa
- Rakentaminen
- liiketoiminta
- bisnesvaisto
- yritykset
- soittaa
- kuvatekstit
- tapauksissa
- haasteet
- muuttaa
- hahmon tunnistaminen
- Kaupungit
- koodi
- Kerääminen
- Yritykset
- noudattaminen
- Tietokoneen visio
- tietojenkäsittely
- Konferenssi
- Konfigurointi
- Kontti
- Kontit
- pitoisuus
- ruoanlaitto
- Luominen
- sato
- Asiakaspalvelu
- Asiakkaat
- tiedot
- tietojenkäsittely
- tietokannat
- syvä oppiminen
- levityspinnalta
- Detection
- kehittää
- kehittäjille
- Kehitys
- digitaalinen
- Satamatyöläinen
- asiakirjat
- päätepiste
- insinööri
- Englanti
- erityisesti
- omaisuus
- esimerkki
- uuttaminen
- päin
- perhe
- nopeampi
- Kuva
- Vihdoin
- taloudellinen
- rahoituspalvelut
- Etunimi
- sovittaa
- seurata
- muoto
- muoto
- Puitteet
- toiminto
- tehtävät
- tuottaa
- hyvä
- GPU
- Käsittely
- terveys
- Terveystekniikka
- terveydenhuollon
- Korkea
- retkeily
- hotellit
- Miten
- Miten
- HTTPS
- IBM
- IEEE
- kuva
- mukana
- Mukaan lukien
- teollisuuden
- tiedot
- innovatiivinen
- Älykkyys
- tutkia
- IT
- Job
- Työpaikat
- merkinnät
- käynnistää
- johtaa
- johtava
- oppiminen
- juridinen
- linja
- Lista
- Localization
- koneoppiminen
- Tekeminen
- Metrics
- ML
- Puhelinnumero
- Mobiilisovellukset
- malli
- liikkua
- tarvitaan
- kannettavat tietokoneet
- Objektin tunnistus
- OCR
- Tarjoukset
- verkossa
- Muut
- ulkona
- pakkaus
- maalaus
- Paperi
- suorituskyky
- Monikulmio
- ennustus
- esittää
- Pääasiallinen
- yksityinen
- Tuotteet
- tuotekehitys
- Tuotteemme
- toimittaa
- tarjoaa
- julkinen
- julkaista
- Python
- pytorch
- laatu
- raaka
- raakadata
- kiinteistöt
- reaaliaikainen
- määräykset
- vahvistaminen oppiminen
- vaatimukset
- tutkimus
- Esittelymateriaalit
- vastaus
- REST
- tulokset
- ajaa
- sagemaker
- Asteikko
- skannata
- tiede
- tutkijat
- turvallisuus
- Sarjat
- Palvelut
- setti
- Jaa:
- Yksinkertainen
- taitoja
- Tuotteemme
- ohjelmistokehitys
- Ratkaisumme
- jakaa
- alkoi
- Tila
- Levytila
- verkkokaupasta
- varastot
- tuki
- teknologia
- tekniikat
- Elektroniikka
- tensorflow
- testi
- Testaus
- maailma
- Kautta
- aika
- työkalut
- liikenne
- koulutus
- junat
- oppitunti
- URI
- hyödyllisyys
- Video
- visio
- tilavuus
- W
- odottaa
- Verkkosivu
- ilman
- sanoja
- Referenssit
- työnkulku
- työvoima
- toimii
- maailman-
- kirjoittaminen
- X
- vuotta
- Jooga