यह MUSINSA के डेटा वैज्ञानिक जिहये पार्क द्वारा एक अतिथि पोस्ट है।
मुसिंसा दक्षिण कोरिया के सबसे बड़े ऑनलाइन फैशन प्लेटफार्मों में से एक है, जो 8.4M ग्राहकों को सेवा प्रदान करता है और 6,000 फैशन ब्रांड बेचता है। हमारा मासिक उपयोगकर्ता ट्रैफ़िक 4 मिलियन तक पहुंचता है, और हमारी 90% से अधिक जनसांख्यिकी में किशोर और युवा वयस्क शामिल हैं जो फैशन रुझानों के प्रति संवेदनशील हैं। MUSINSA देश में ट्रेंड-सेटिंग प्लेटफ़ॉर्म लीडर है, जो भारी मात्रा में डेटा के साथ अग्रणी है।
MUSINSA डेटा सॉल्यूशन टीम MUSINSA स्टोर से एकत्र किए गए डेटा से संबंधित हर चीज़ में संलग्न है। हम लॉग संग्रह से लेकर डेटा मॉडलिंग और मॉडल सर्विंग तक पूर्ण स्टैक विकास करते हैं। हम विभिन्न डेटा-आधारित उत्पाद विकसित करते हैं, जिसमें हमारे ऐप के मुख्य पृष्ठ पर लाइव उत्पाद अनुशंसा सेवा और कीवर्ड हाइलाइटिंग सेवा शामिल है जो टेक्स्ट समीक्षाओं से 'आकार' या 'संतुष्टि स्तर' जैसे शब्दों का पता लगाती है और हाइलाइट करती है।
स्वचालित समीक्षा छवि निरीक्षण प्रक्रिया में चुनौतियाँ
ईकॉमर्स व्यवसायों के लिए ग्राहक समीक्षाओं की गुणवत्ता और मात्रा महत्वपूर्ण है, क्योंकि ग्राहक उत्पादों को व्यक्तिगत रूप से देखे बिना खरीदारी का निर्णय लेते हैं। हम उन लोगों को श्रेय देते हैं जो ग्राहक अनुभव को बेहतर बनाने और खरीद रूपांतरण दर को बढ़ाने के लिए खरीदे गए उत्पादों पर छवि समीक्षा लिखते हैं (अर्थात, उत्पादों की तस्वीरों के साथ समीक्षाएं या उत्पादों को पहनने/उपयोग करने की तस्वीरें)। यह निर्धारित करने के लिए कि सबमिट की गई तस्वीरें क्रेडिट के लिए हमारे मानदंडों को पूरा करती हैं या नहीं, सभी तस्वीरों का मनुष्यों द्वारा व्यक्तिगत रूप से निरीक्षण किया जाता है। उदाहरण के लिए, हमारे मानदंड कहते हैं कि "स्टाइल समीक्षा" में उत्पाद पहनने/उपयोग करने वाले व्यक्ति के पूरे शरीर की तस्वीरें शामिल होनी चाहिए, जबकि "उत्पाद समीक्षा" में उत्पाद का पूरा शॉट होना चाहिए। निम्नलिखित छवियां उत्पाद समीक्षा और शैली समीक्षा के उदाहरण दिखाती हैं। फ़ोटो के उपयोग के लिए अपलोडरों की सहमति प्रदान की गई है।
MUSINSA स्टोर प्लेटफॉर्म पर प्रतिदिन 20,000 से अधिक तस्वीरें अपलोड की जाती हैं जिनके निरीक्षण की आवश्यकता होती है। निरीक्षण प्रक्रिया छवियों को 'पैकेज', 'उत्पाद', 'पूर्ण-लंबाई', या 'आधी-लंबाई' के रूप में वर्गीकृत करती है। छवि निरीक्षण प्रक्रिया पूरी तरह से मैनुअल है, इसलिए इसमें अत्यधिक समय लगता है और दिशानिर्देशों के बावजूद वर्गीकरण अक्सर अलग-अलग व्यक्तियों द्वारा अलग-अलग तरीके से किया जाता है। इस चुनौती का सामना करते हुए हमने प्रयोग किया अमेज़न SageMaker इस कार्य को स्वचालित करने के लिए.
अमेज़ॅन सेजमेकर पूरी तरह से प्रबंधित बुनियादी ढांचे, उपकरण और वर्कफ़्लो के साथ किसी भी उपयोग के मामले के लिए मशीन लर्निंग (एमएल) मॉडल के निर्माण, प्रशिक्षण और तैनाती के लिए एक पूरी तरह से प्रबंधित सेवा है। इसने हमें अच्छे परिणामों के साथ स्वचालित छवि निरीक्षण सेवा को शीघ्रता से लागू करने दिया।
हम इस बारे में विस्तार से जानेंगे कि हमने एमएल मॉडल का उपयोग करके अपनी समस्याओं का समाधान कैसे किया और रास्ते में अमेज़ॅन सेजमेकर का उपयोग कैसे किया।
समीक्षा छवि निरीक्षण प्रक्रिया का स्वचालन
छवि समीक्षा निरीक्षण प्रक्रिया को स्वचालित करने की दिशा में पहला कदम छवियों को मैन्युअल रूप से लेबल करना था, जिससे उन्हें उचित श्रेणियों और निरीक्षण मानदंडों से मिलान किया जा सके। उदाहरण के लिए, हमने छवियों को "पूरे शरीर का शॉट," "ऊपरी शरीर का शॉट," "पैकेजिंग शॉट," "उत्पाद शॉट," आदि के रूप में वर्गीकृत किया है। उत्पाद समीक्षा के मामले में, क्रेडिट केवल उत्पाद शॉट छवि के लिए दिए गए थे। इसी तरह, स्टाइल रिव्यू के मामले में, फुल बॉडी शॉट को श्रेय दिया गया।
छवि वर्गीकरण के लिए, हम अपने मॉडल को प्रशिक्षित करने के लिए आवश्यक इनपुट छवियों की विशाल मात्रा के कारण काफी हद तक पूर्व-प्रशिक्षित कनवल्शनल न्यूरल नेटवर्क (सीएनएन) मॉडल पर निर्भर थे। जबकि किसी मॉडल को प्रशिक्षित करने के लिए छवियों से सार्थक विशेषताओं को परिभाषित करना और वर्गीकृत करना दोनों महत्वपूर्ण हैं, एक छवि में असीमित संख्या में विशेषताएं हो सकती हैं। इसलिए, सीएनएन मॉडल का उपयोग करना सबसे अधिक सार्थक है, और हमने अपने मॉडल को 10,000+ इमेजनेट डेटासेट के साथ पूर्व-प्रशिक्षित किया, फिर हमने ट्रांसफर लर्निंग का उपयोग किया। इसका मतलब यह था कि हमारे मॉडल को बाद में हमारे छवि लेबल के साथ अधिक प्रभावी ढंग से प्रशिक्षित किया जा सकता है।
अमेज़ॅन सेजमेकर ग्राउंड ट्रुथ के साथ छवि संग्रह
हालाँकि, ट्रांसफर लर्निंग की अपनी सीमाएँ थीं, क्योंकि एक मॉडल को उच्च परतों पर नए सिरे से प्रशिक्षित किया जाना चाहिए। इसका मतलब यह है कि इसे लगातार इनपुट छवियों की आवश्यकता होती है। दूसरी ओर, इस पद्धति ने अच्छा प्रदर्शन किया और संपूर्ण परतों पर प्रशिक्षित होने पर कम इनपुट छवियों की आवश्यकता पड़ी। इसने इन परतों की छवियों से विशेषताओं को आसानी से पहचाना क्योंकि इसे पहले से ही भारी मात्रा में डेटा के साथ प्रशिक्षित किया गया था। MUSINSA में, हमारा पूरा बुनियादी ढांचा AWS पर चलता है, और हम ग्राहक द्वारा अपलोड की गई तस्वीरों को संग्रहीत कर रहे हैं अमेज़न सिंपल स्टोरेज सर्विस (S3)। हमने इन छवियों को हमारे द्वारा परिभाषित लेबल के आधार पर अलग-अलग फ़ोल्डरों में वर्गीकृत किया, और हमने निम्नलिखित कारणों से अमेज़ॅन सेजमेकर ग्राउंड ट्रुथ का उपयोग किया:
- अधिक सुसंगत परिणाम - मैन्युअल प्रक्रियाओं में, किसी एकल निरीक्षक की गलती को बिना किसी हस्तक्षेप के मॉडल प्रशिक्षण में शामिल किया जा सकता है। सेजमेकर ग्राउंड ट्रुथ के साथ, हम कई निरीक्षकों से एक ही छवि की समीक्षा करवा सकते हैं और यह सुनिश्चित कर सकते हैं कि छवि लेबलिंग के लिए सबसे भरोसेमंद निरीक्षक के इनपुट को उच्च रेटिंग दी गई है, जिससे अधिक विश्वसनीय परिणाम प्राप्त होंगे।
- कम शारीरिक कार्य - सेजमेकर ग्राउंड ट्रुथ स्वचालित डेटा लेबलिंग को आत्मविश्वास स्कोर सीमा के साथ लागू किया जा सकता है ताकि कोई भी छवि जिसे आत्मविश्वास से मशीन-लेबल नहीं किया जा सके, मानव लेबलिंग के लिए भेजी जाए। यह लागत और सटीकता का सर्वोत्तम संतुलन सुनिश्चित करता है। अधिक जानकारी में उपलब्ध है अमेज़ॅन सेजमेकर ग्राउंड ट्रुथ डेवलपर गाइड.
इस पद्धति का उपयोग करके, हमने मैन्युअल रूप से वर्गीकृत छवियों की संख्या 43% कम कर दी। निम्न तालिका ग्राउंड ट्रुथ को अपनाने के बाद प्रति पुनरावृत्ति संसाधित छवियों की संख्या दिखाती है (ध्यान दें कि प्रशिक्षण और सत्यापन डेटा संचित डेटा हैं, जबकि अन्य मीट्रिक प्रति-पुनरावृत्ति के आधार पर हैं)। - परिणाम सीधे लोड करें - सेजमेकर में मॉडल बनाते समय, हम सेजमेकर ग्राउंड ट्रुथ द्वारा उत्पन्न परिणामी मेनिफेस्ट फ़ाइलों को लोड कर सकते हैं और उन्हें प्रशिक्षण के लिए उपयोग कर सकते हैं।
संक्षेप में, 10,000 छवियों को वर्गीकृत करने के लिए 22 निरीक्षकों को पाँच दिनों की आवश्यकता थी और लागत $980 थी।
अमेज़ॅन सेजमेकर स्टूडियो के साथ छवि वर्गीकरण मॉडल का विकास
हमें समीक्षा छवियों को पूर्ण बॉडी शॉट्स, ऊपरी बॉडी शॉट्स, पैकेज शॉट्स, उत्पाद शॉट्स और उत्पादों को लागू श्रेणियों में वर्गीकृत करने की आवश्यकता थी। अपने लक्ष्यों को पूरा करने के लिए, हमने दो मॉडलों पर विचार किया: रेसनेट-आधारित सेजमेकर बिल्ट-इन मॉडल और टेन्सरफ़्लो-आधारित मोबाइलनेट. हमने दोनों को एक ही परीक्षण डेटासेट पर परीक्षण किया और पाया कि सेजमेकर बिल्ट-इन मॉडल अधिक सटीक था, जिसमें टेन्सरफ्लो मॉडल से 0.98 एफ1 स्कोर बनाम 0.88 था। इसलिए, हमने सेजमेकर बिल्ट-इन मॉडल पर निर्णय लिया।
RSI सेजमेकर स्टूडियोआधारित मॉडल प्रशिक्षण प्रक्रिया इस प्रकार थी:
- सेजमेकर ग्राउंड ट्रुथ से लेबल वाली छवियां आयात करें
- प्रीप्रोसेस छवियां - छवि का आकार बदलना और बढ़ाना
- लोड करें अमेज़ॅन सेजमेकर बिल्ट-इन मॉडल डॉकर छवि के रूप में
- ग्रिड खोज के माध्यम से हाइपरपैरामीटर को ट्यून करें
- स्थानांतरण शिक्षण लागू करें
- प्रशिक्षण मेट्रिक्स के आधार पर मापदंडों को पुनः ट्यून करें
- मॉडल सहेजें
सेजमेकर ने प्रशिक्षण के लिए सर्वरों के बेड़े के प्रावधान और प्रबंधन की चिंता किए बिना केवल एक क्लिक से मॉडल को प्रशिक्षित करना आसान बना दिया।
हाइपरपैरामीटर टर्निंग के लिए, हमने प्रशिक्षण परतों की संख्या के रूप में हाइपरपैरामीटर के इष्टतम मान निर्धारित करने के लिए ग्रिड खोज को नियोजित किया (num_layers
) और प्रशिक्षण चक्र (epochs
) स्थानांतरण सीखने के दौरान हमारे वर्गीकरण मॉडल की सटीकता प्रभावित हुई थी।
सेजमेकर बैच ट्रांसफॉर्म और अपाचे एयरफ्लो के साथ मॉडल सर्विंग
हमारे द्वारा बनाए गए छवि वर्गीकरण मॉडल को यह निर्धारित करने के लिए एमएल वर्कफ़्लो की आवश्यकता होती है कि कोई समीक्षा छवि क्रेडिट के लिए योग्य थी या नहीं। हमने निम्नलिखित चार चरणों के साथ वर्कफ़्लो स्थापित किए।
- समीक्षा छवियां और मेटाडेटा आयात करें जिनकी स्वचालित रूप से समीक्षा की जानी चाहिए
- छवियों के लेबल का अनुमान लगाएं (अनुमान)
- निर्धारित करें कि अनुमानित लेबल के आधार पर क्रेडिट दिया जाना चाहिए या नहीं
- परिणाम तालिका को उत्पादन डेटाबेस में संग्रहीत करें
हम प्रयोग कर रहे हैं अपाचे एयरफ्लो डेटा उत्पाद वर्कफ़्लो प्रबंधित करने के लिए। यह Airbnb द्वारा विकसित एक वर्कफ़्लो शेड्यूलिंग और मॉनिटरिंग प्लेटफ़ॉर्म है जो सरल और सहज वेब यूआई ग्राफ़ के लिए जाना जाता है। यह अमेज़ॅन सेजमेकर का समर्थन करता है, इसलिए यह आसानी से सेजमेकर स्टूडियो के साथ विकसित कोड को अपाचे एयरफ्लो में स्थानांतरित कर देता है। अपाचे एयरफ्लो पर सेजमेकर जॉब चलाने के दो तरीके हैं:
- अमेज़ॅन सेजमेकर ऑपरेटर्स का उपयोग करना
- का प्रयोग पायथन ऑपरेटर्स : Apache Airflow पर Amazon SageMaker Python SDK के साथ एक Python फ़ंक्शन लिखें और इसे कॉल करने योग्य पैरामीटर के रूप में आयात करें
दूसरा विकल्प हमें बताते हैं हमारे मौजूदा पायथन को बनाए रखें कोड जो हमारे पास पहले से ही सेजमेकर स्टूडियो पर थे, और इसके लिए हमें Amazon SageMaker ऑपरेटर्स के लिए नए व्याकरण सीखने की आवश्यकता नहीं थी।
हालाँकि, हम कुछ परीक्षण और त्रुटि से गुज़रे, क्योंकि यह पहली बार था जब अपाचे एयरफ्लो को अमेज़ॅन सेजमेकर के साथ एकीकृत किया गया था। हमने जो सबक सीखे वे थे:
- Boto3 अद्यतन: अमेज़ॅन सेजमेकर पायथन एसडीके संस्करण 2 के लिए Boto3 1.14.12 या नया आवश्यक है। इसलिए, हमें अपने मौजूदा अपाचे एयरफ्लो वातावरण के Boto3 संस्करण को अपडेट करने की आवश्यकता थी, जो 1.13.4 पर था।
- IAM भूमिका और अनुमति विरासत: Apache Airflow द्वारा उपयोग की जाने वाली AWS IAM भूमिकाओं को ऐसी भूमिकाएँ प्राप्त करने की आवश्यकता है जो Amazon SageMaker चला सकें।
- नेटवर्क विन्यास: अपाचे एयरफ्लो के साथ सेजमेकर कोड चलाने के लिए, इसके एंडपॉइंट को नेटवर्क कनेक्शन के लिए कॉन्फ़िगर करने की आवश्यकता है। निम्नलिखित समापन बिंदु AWS क्षेत्रों और सेवाओं पर आधारित थे जिनका हम उपयोग कर रहे थे। अधिक जानकारी के लिए देखें AWS वेबसाइट.
api.sagemaker.ap-northeast-2.amazonaws.com
runtime.sagemaker.ap-northeast-2.amazonaws.com
aws.sagemaker.ap-northeast-2.studio
परिणामों
समीक्षा छवि निरीक्षण प्रक्रियाओं को स्वचालित करके, हमने निम्नलिखित व्यावसायिक परिणाम प्राप्त किए:
- कार्य कुशलता में वृद्धि - वर्तमान में, जिन श्रेणियों में सेवा लागू की गई थी, उनकी 76% छवियों का 98% निरीक्षण सटीकता के साथ स्वचालित रूप से निरीक्षण किया जाता है।
- श्रेय देने में निरंतरता - क्रेडिट स्पष्ट मानदंडों के आधार पर दिए जाते हैं। हालाँकि, ऐसे मौके भी आए जब निरीक्षकों के निर्णयों में अंतर के कारण समान मामलों के लिए अलग-अलग क्रेडिट दिए गए। एमएल मॉडल हमारी क्रेडिट नीतियों को लागू करने में नियमों को अधिक सुसंगत और उच्च स्थिरता के साथ लागू करता है।
- मानवीय त्रुटियाँ कम हुईं - प्रत्येक मानवीय कार्य में मानवीय त्रुटियों का जोखिम रहता है। उदाहरण के लिए, हमारे पास ऐसे मामले थे जहां उत्पाद समीक्षा के लिए शैली समीक्षा मानदंड का उपयोग किया गया था। हमारे स्वचालित निरीक्षण मॉडल ने इन मानवीय त्रुटियों के जोखिमों को नाटकीय रूप से कम कर दिया।
छवि निरीक्षण प्रक्रिया को स्वचालित करने के लिए अमेज़ॅन सेजमेकर का उपयोग करके हमें विशेष रूप से निम्नलिखित लाभ प्राप्त हुए:
- एक ऐसा वातावरण स्थापित किया जहां हम मॉड्यूलर प्रक्रियाओं के माध्यम से मॉडल का निर्माण और परीक्षण कर सकते हैं - अमेज़ॅन सेजमेकर के बारे में हमें जो सबसे ज्यादा पसंद आया वह यह है कि इसमें मॉड्यूल शामिल हैं। इससे हमें आसानी से और शीघ्रता से सेवाओं का निर्माण और परीक्षण करने की सुविधा मिलती है। हमें स्पष्ट रूप से पहले अमेज़ॅन सेजमेकर के बारे में जानने के लिए कुछ समय की आवश्यकता थी, लेकिन एक बार सीख लेने के बाद, हम इसे आसानी से अपने संचालन में लागू कर सकते हैं। हमारा मानना है कि अमेज़ॅन सेजमेकर उन व्यवसायों के लिए आदर्श है, जिन्हें तेजी से सेवा विकास की आवश्यकता होती है, जैसा कि मुसिनसा स्टोर के मामले में है।
- अमेज़ॅन सेजमेकर ग्राउंड ट्रुथ के साथ विश्वसनीय इनपुट डेटा एकत्र करें - एमएल के क्षेत्र में मॉडलिंग की तुलना में इनपुट डेटा एकत्र करना अधिक महत्वपूर्ण होता जा रहा है। एमएल की तीव्र प्रगति के साथ, पूर्व-प्रशिक्षित मॉडल अतिरिक्त ट्यूनिंग के बिना पहले की तुलना में बहुत बेहतर प्रदर्शन कर सकते हैं। ऑटोएमएल ने एमएल मॉडलिंग के लिए कोड लिखने की आवश्यकता को भी हटा दिया है। इसलिए, गुणवत्ता इनपुट डेटा एकत्र करने की क्षमता पहले से कहीं अधिक महत्वपूर्ण है, और अमेज़ॅन सेजमेकर ग्राउंड ट्रुथ जैसी लेबलिंग सेवाओं का उपयोग करना महत्वपूर्ण है।
निष्कर्ष
आगे बढ़ते हुए, हम न केवल मॉडल सर्विंग को स्वचालित करने बल्कि स्वचालित बैचों के माध्यम से मॉडल प्रशिक्षण को भी स्वचालित करने की योजना बना रहे हैं। हम चाहते हैं कि जब नए लेबल या चित्र जोड़े जाएं तो हमारा मॉडल स्वचालित रूप से इष्टतम हाइपरपैरामीटर की पहचान करे। इसके अलावा, हम पहले उल्लिखित स्वचालित प्रशिक्षण पद्धति के आधार पर अपने मॉडल के प्रदर्शन में सुधार जारी रखेंगे, अर्थात् रिकॉल और परिशुद्धता। हम अपने मॉडल कवरेज को बढ़ाएंगे ताकि यह अधिक समीक्षा छवियों का निरीक्षण कर सके, अधिक लागत कम कर सके और उच्च सटीकता प्राप्त कर सके, जिससे ग्राहकों को अधिक संतुष्टि मिलेगी।
उपयोग कैसे करें के बारे में अधिक जानकारी के लिए अमेज़न SageMaker एमएल का उपयोग करके अपनी व्यावसायिक समस्याओं को हल करने के लिए, पर जाएँ उत्पाद वेबपेज. और, हमेशा की तरह, नवीनतम से अपडेट रहें AWS मशीन लर्निंग समाचार यहाँ।
इस पोस्ट में सामग्री और राय तीसरे पक्ष के लेखक की हैं और AWS इस पोस्ट की सामग्री या सटीकता के लिए ज़िम्मेदार नहीं है।
लेखक के बारे में
जिहये पार्क MUSINSA में एक डेटा वैज्ञानिक हैं जो डेटा विश्लेषण और मॉडलिंग के लिए जिम्मेदार हैं। वह ईकॉमर्स जैसे सर्वव्यापी डेटा के साथ काम करना पसंद करती है। उनकी मुख्य भूमिका डेटा मॉडलिंग है लेकिन उनकी डेटा इंजीनियरिंग में भी रुचि है।
सुंगमिन किम अमेज़ॅन वेब सर्विसेज में एक सीनियर सॉल्यूशंस आर्किटेक्ट हैं। वह स्टार्टअप्स के साथ उनकी व्यावसायिक जरूरतों के लिए AWS पर आर्किटेक्ट, डिजाइन, स्वचालित और निर्माण समाधान तक काम करता है। वह एआई/एमएल और एनालिटिक्स में विशेषज्ञ हैं।
- '
- "
- 000
- 100
- 107
- 98
- अतिरिक्त
- Airbnb
- सब
- वीरांगना
- अमेज़न SageMaker
- अमेज़ॅन सैजमेकर ग्राउंड ट्रुथ
- अमेज़ॅन वेब सेवा
- विश्लेषण
- विश्लेषिकी
- अपाचे
- क्षेत्र
- स्वचालित
- एडब्ल्यूएस
- BEST
- परिवर्तन
- ब्रांडों
- निर्माण
- इमारत
- व्यापार
- व्यवसायों
- मामलों
- चुनौती
- वर्गीकरण
- सीएनएन
- कोड
- एकत्रित
- आत्मविश्वास
- कनेक्शन
- सहमति
- सामग्री
- जारी रखने के
- रूपांतरण
- दृढ़ तंत्रिका नेटवर्क
- लागत
- श्रेय
- क्रेडिट्स
- ग्राहक अनुभव
- ग्राहक संतुष्टि
- ग्राहक
- तिथि
- डेटा विश्लेषण
- आँकड़े वाला वैज्ञानिक
- जनसांख्यिकी
- डिज़ाइन
- विस्तार
- विकसित करना
- डेवलपर
- विकास
- डाक में काम करनेवाला मज़दूर
- ई-कॉमर्स
- अभियांत्रिकी
- वातावरण
- आदि
- अनुभव
- फैशन
- विशेषताएं
- फेड
- प्रथम
- पहली बार
- बेड़ा
- आगे
- पूर्ण
- समारोह
- देते
- लक्ष्यों
- अच्छा
- ग्रिड
- अतिथि
- अतिथि पोस्ट
- दिशा निर्देशों
- यहाँ उत्पन्न करें
- कैसे
- How To
- HTTPS
- मनुष्य
- आई ए एम
- पहचान करना
- की छवि
- IMAGEnet
- में सुधार लाने
- सहित
- बढ़ना
- करें-
- इंफ्रास्ट्रक्चर
- IT
- नौकरियां
- कोरिया
- लेबलिंग
- लेबल
- नेतृत्व
- प्रमुख
- जानें
- सीखा
- सीख रहा हूँ
- भार
- यंत्र अधिगम
- मेट्रिक्स
- ML
- आदर्श
- मोडलिंग
- मॉड्यूलर
- निगरानी
- यानी
- नेटवर्क
- तंत्रिका
- तंत्रिका नेटवर्क
- समाचार
- ऑनलाइन
- संचालन
- राय
- विकल्प
- अन्य
- प्रदर्शन
- मंच
- प्लेटफार्म
- नीतियाँ
- शुद्धता
- एस्ट्रो मॉल
- उत्पादन
- उत्पाद
- क्रय
- अजगर
- गुणवत्ता
- कारण
- को कम करने
- परिणाम
- की समीक्षा
- समीक्षा
- जोखिम
- नियम
- रन
- sagemaker
- एसडीके
- Search
- भावना
- सेवाएँ
- सेवारत
- सरल
- So
- समाधान ढूंढे
- हल
- दक्षिण
- दक्षिण कोरिया
- माहिर
- स्टार्टअप
- राज्य
- रहना
- भंडारण
- की दुकान
- प्रस्तुत
- समर्थन करता है
- किशोर
- tensorflow
- परीक्षण
- पहर
- उपकरण
- यातायात
- प्रशिक्षण
- रुझान
- परीक्षण
- ui
- अपडेट
- us
- आयतन
- वेब
- वेब सेवाओं
- कौन
- शब्द
- काम
- वर्कफ़्लो
- कार्य