Az ajánlórendszerek az egyik legszélesebb körben alkalmazott gépi tanulási (ML) technológia a valós alkalmazásokban, a közösségi hálózatoktól az e-kereskedelmi platformokig. Számos online rendszer használói az ajánlórendszerekre támaszkodnak új barátságok kötésére, új zenék felfedezésére a javasolt zenei listák alapján, vagy akár e-kereskedelmi vásárlási döntések meghozatalában az ajánlott termékek alapján. A közösségi hálózatokon az egyik gyakori eset az, hogy új barátokat ajánlanak a felhasználóknak a felhasználók egyéb kapcsolatai alapján. A közös barátokkal rendelkező felhasználók valószínűleg ismerik egymást. Ezért magasabb pontszámot kell kapniuk egy ajánlási rendszerhez, amelyet akkor javasolhatnak, ha még nem csatlakoztak.
A közösségi hálózatokat természetesen gráfban is kifejezhetjük, ahol a csomópontok az embereket, az emberek közötti kapcsolatokat, például a barátságot vagy a munkatársakat pedig élekkel ábrázolják. Az alábbiakban egy ilyen közösségi hálózatot mutatunk be. Képzeljük el, hogy van egy közösségi hálózatunk Bill, Terry, Henry, Gary és Alistair tagokkal (csomópontokkal). Kapcsolataikat egy link (él) képviseli, és az egyes személyek érdeklődési körét, mint például a sport, a művészetek, a játékok és a képregények, a csomóponti tulajdonságok képviselik.
A cél itt annak előrejelzése, hogy van-e potenciálisan hiányzó láncszem a tagok között. Például ajánljunk kapcsolatot Henry és Terry között? A grafikont nézve láthatjuk, hogy két közös barátjuk van, Gary és Alistair. Ezért jó eséllyel Henry és Terry vagy már ismerték egymást, vagy hamarosan megismerhetik egymást. Mit szólsz Henryhez és Billhez? Nincsenek közös barátaik, de van némi gyenge kapcsolatuk a barátaik kapcsolatain keresztül. Mindkettőjük érdeklődési köre hasonló a művészetek, a képregények és a játékok iránt. Támogatnunk kell ezt a kapcsolatot? Mindezek a kérdések és megérzések a közösségi hálózatok ajánlási rendszereinek alapvető logikája.
Ennek egyik lehetséges módja a gráffeltáráson alapuló kapcsolatok ajánlása. A gráf lekérdező nyelvekben, mint pl Apache TinkerPop Gremlin, az olyan szabálykészletek megvalósítása, mint a közös barátok számolása, viszonylag egyszerű, és felhasználható Henry és Terry közötti kapcsolat meghatározására. Ezek a szabálykészletek azonban nagyon bonyolultak lesznek, ha más attribútumokat is figyelembe akarunk venni, mint például a csomópont tulajdonságai, a kapcsolat erőssége stb. Képzeljünk el egy szabálykészletet, amely meghatározza a Henry és Bill közötti kapcsolatot. Ennek a szabálykészletnek figyelembe kell vennie közös érdekeiket és gyenge kapcsolataikat a grafikon bizonyos utakon keresztül. A robusztusság növelése érdekében szükség lehet egy távolságtényező hozzáadására is, hogy előnyben részesítsük az erős kapcsolatokat, és megbüntessük a gyengéket. Hasonlóképpen szeretnénk egy olyan tényezőt, amely a közös érdekeket részesíti előnyben. Hamarosan lehetetlenné válik azoknak a szabálykészleteknek a felsorolása, amelyek bonyolult rejtett mintákat tárnak fel.
Az ML technológia segítségével rejtett mintákat fedezhetünk fel tanulási algoritmusok segítségével. Ilyen például az XGBoost, amelyet széles körben használnak osztályozási vagy regressziós feladatokhoz. Az olyan algoritmusok azonban, mint az XGBoost, hagyományos, táblázatos adatformátumon alapuló ML-megközelítést használnak. Ezek a megközelítések nincsenek grafikon-adatstruktúrákra optimalizálva, és összetett funkciótervezést igényelnek az adatminták kezeléséhez.
Az előző közösségi hálózat példában a grafikon interakciós információi kritikusak az ajánlás pontosságának javításához. A Graph Neural Network (GNN) egy mély tanulási (DL) keretrendszer, amely alkalmazható gráfadatokra élszintű, csomópont- vagy gráfszintű előrejelzési feladatok végrehajtásához. A GNN-ek kihasználhatják az egyes csomópontok jellemzőit, valamint a gráfszerkezeti információkat, amikor megtanulják a gráfábrázolást és a mögöttes mintákat. Ezért az elmúlt években a GNN-alapú módszerek új mércét állítottak fel számos ajánlórendszer-benchmarkon. További részletek a legújabb kutatási cikkekben: Átfogó felmérés a gráf neurális hálózatokról és a Graph Learning alapú ajánlórendszerek: áttekintés.
A következő egy híres példa egy ilyen használati esetre. A Pinterest kutatói és mérnökei képzettek Konvolúciós neurális hálózatok grafikonja Web-skálájú ajánlórendszerekhez, PinSage néven, hárommilliárd csomóponttal és 18 milliárd éllel. A PinSage kiváló minőségű beágyazásokat hoz létre, amelyek tűket (az online tartalom vizuális könyvjelzőit) jelölnek. Ezeket a későbbi ajánlási feladatok széles skálájához lehet használni, például a legközelebbi szomszéd kereséséhez a tanult beágyazási területen tartalomfelderítés és ajánlások céljából.
Ebben a bejegyzésben végigvezetjük Önt, hogyan használhatja a GNN-eket ajánlási felhasználási esetekre, és ezt linkelőrejelzési problémaként adja meg. Azt is bemutatjuk, hogy a Neptune ML hogyan könnyíti meg a megvalósítást. mi is biztosítunk mintakód a GitHubon hogy betanítsa az első GNN-jét a Neptune ML-lel, és hivatkozás-előrejelzési feladatokon keresztül ajánlási következtetéseket vonjon le a demográfiáról.
Kapcsolja össze az előrejelzést a Graph Neural Networks szolgáltatással
Figyelembe véve a korábbi közösségi hálózatos példát, szeretnénk új barátokat ajánlani Henrynek. Terry és Bill is jó jelöltek lennének. Terrynek több közös barátai vannak (Gary, Alistair) Henryvel, de nincsenek közös érdeklődési körei. Billnek közös érdeklődési körei vannak (művészetek, képregények, játékok) Henryvel, de nincsenek közös barátai. Melyik lenne a jobb ajánlás? Ha linkelőrejelzési problémaként fogalmazzuk meg, a feladat az, hogy a két csomópont közötti bármely lehetséges kapcsolathoz pontszámot rendeljünk. Minél magasabb a link pontszáma, annál valószínűbb, hogy ez az ajánlás konvergál. A grafikonon már jelenlévő hivatkozási struktúrák megtanulásával egy link-előrejelzési modell általánosíthat új linkelőrejelzéseket, amelyek „teljesítik” a grafikont.
A függvény paraméterei f
amely előrejelzi, hogy a kapcsolati pontszámot a képzési szakaszban tanulják meg. Mivel a funkció f
előrejelzést készít a gráf bármely két csomópontjára, a csomópontokhoz társított jellemzővektorok elengedhetetlenek a tanulási folyamathoz. A Henry és Bill közötti kapcsolat pontszámának megjóslásához nyersadat-funkciókkal rendelkezünk (művészetek, képregények, játékok), amelyek Henryt és Billt képviselhetik. Ezt a gráf kapcsolataival együtt átalakítjuk egy GNN hálózat segítségével, hogy új, csomópont-beágyazásként ismert reprezentációkat alakítsunk ki. A kezdeti nyers jellemzőket a betanítási folyamat során megtanulható beágyazó keresőtáblából származó vektorokkal is kiegészíthetjük vagy helyettesíthetjük. Ideális esetben a Henry és Bill beágyazott jellemzői képviselik az érdekeiket, valamint a grafikonból származó topológiai információkat.
Hogyan működnek a GNN-ek
A GNN a kezdeti csomópont jellemzőit csomópont-beágyazásokká alakítja át az úgynevezett technikával üzenet átadása. Az üzenettovábbítás folyamatát a következő ábra szemlélteti. Kezdetben a csomópont attribútumait vagy jellemzőit numerikus attribútumokká alakítják át. Esetünkben a kategorikus jellemzők (Henry érdeklődési köre: művészetek, képregények, játékok) egyhangú kódolását végezzük. Ezután a GNN első rétege összesíti a szomszédok (Gary és Alistair) összes nyers jellemzőjét (feketével), hogy egy új jellemzőkészletet képezzen (sárgával). Egy általános megközelítés az összes szomszédos jellemző lineáris transzformációja, majd ezek összesítése egy normalizált összegen keresztül, és az eredmények átadása egy nemlineáris aktiválási függvénynek, például a ReLU-nak, új vektorkészlet létrehozásához. A következő ábra szemlélteti, hogyan működik az üzenettovábbítás a csomóponton Henrik. A H, a GNN üzenetátadó algoritmus kiszámítja a gráf összes csomópontjának reprezentációit. Ezeket később a második réteg bemeneti jellemzőiként használják.
A GNN második rétege megismétli ugyanezt a folyamatot. A korábban kiszámított jellemzőt (sárgával) veszi az első rétegből bemenetként, összesíti Gary és Alistair szomszédainak összes új beágyazott jellemzőjét, és létrehozza a második réteg jellemzővektorait Henry számára (narancssárga színben). Amint láthatja, az üzenetátadási mechanizmus megismétlésével kiterjesztettük a jellemzők összesítését a 2-hop szomszédokra. Illusztrációnkban a 2 ugrású szomszédokra korlátozzuk magunkat, de a 3 ugrású szomszédokba való kiterjesztést ugyanúgy megtehetjük egy másik GNN réteg hozzáadásával.
A pontszám kiszámításához Henry és Bill végső beágyazásait (narancssárga) használják. A betanítási folyamat során a kapcsolat pontszáma 1, ha a két csomópont között létezik él (pozitív minta), és 0, ha a két csomópont közötti élek nem léteznek (negatív minta). Ezután a tényleges pontszám és az előrejelzés közötti hiba vagy veszteség f(e1,e2)
visszaterjeszti az előző rétegekbe a súlyok beállításához. Ha a betanítás befejeződött, az egyes csomópontok beágyazott jellemzővektoraira támaszkodhatunk, hogy a függvényünkkel kiszámíthassuk a hivatkozási pontszámukat. f
.
Ebben a példában leegyszerűsítettük a tanulási feladatot a homogén gráf, ahol az összes csomópont és él azonos típusú. Például a gráf összes csomópontja „Emberek” típusú, az összes él pedig „barátok” típusú. A tanulóalgoritmus azonban támogatja a különböző csomópont- és éltípusú heterogén gráfokat is. A korábbi használati esetet kiterjeszthetjük, hogy termékeket ajánljunk különböző felhasználóknak, akik hasonló interakciókat és érdeklődési köröket osztanak meg. További részletek ebben a kutatási cikkben: Relációs adatok modellezése gráfkonvolúciós hálózatokkal.
Az AWS re:Invent 2020-ban bemutattuk Amazon Neptune ML, amely lehetővé teszi ügyfeleink számára, hogy ML modelleket képezzenek gráfadatokon anélkül, hogy szükségszerűen mély ML-szakértelemmel rendelkeznének. Ebben a példában a Neptune ML segítségével megmutatjuk, hogyan építheti fel saját ajánlórendszerét gráfadatokra.
Tanítsd meg Graph Convolution Networködet az Amazon Neptune ML segítségével
A Neptune ML gráf neurális hálózati technológiát használ az ML modellek automatikus létrehozásához, betanításához és telepítéséhez a gráfadatokon. A Neptune ML támogatja a gyakori gráf-előrejelzési feladatokat, például a csomópontok osztályozását és regresszióját, az élosztályozást és -regressziót, valamint a link-előrejelzést.
Meghajtásáról:
- Amazon Neptun: egy gyors, megbízható és teljesen felügyelt gráf adatbázis, amely kapcsolatok tárolására és a grafikon ezredmásodperces késleltetéssel történő lekérdezésére van optimalizálva. Az Amazon Neptune három nyílt szabványt támogat a gráfalkalmazások felépítéséhez: Apache TinkerPop Gremlin, RDF SPARQL és openCypher. További információ: Az Amazon Neptune szolgáltatásainak áttekintése.
- Amazon SageMaker: egy teljesen felügyelt szolgáltatás, amely minden fejlesztőnek és adattudósnak lehetőséget biztosít az ML modellek gyors elkészítésére, betanítására és üzembe helyezésére.
- Deep Graph Library (DGL): an nyílt forráskódú, nagy teljesítményű és méretezhető Python-csomag DL-hez grafikonokon. Gyors és memória-hatékony üzenettovábbítási primitíveket biztosít a gráf neurális hálózatok betanításához. A Neptune ML a DGL segítségével automatikusan kiválasztja és betanítja az Ön munkaterhelésének legjobb ML-modellt. Ez lehetővé teszi, hogy ML-alapú előrejelzéseket készítsen a grafikonadatokra hetek helyett órákban.
A Neptune ML használatának legegyszerűbb módja a AWS CloudFormation gyorsindítási sablon. A sablon telepíti az összes szükséges összetevőt, beleértve a Neptune DB-fürtöt, és beállítja a hálózati konfigurációkat, az IAM-szerepeket és a kapcsolódó SageMaker-jegyzetfüzetpéldányokat a Neptune ML-hez előre feltöltött jegyzetfüzet-mintákkal.
A következő ábra a Neptune ML különböző lépéseit szemlélteti egy GNN-alapú ajánlórendszer betanításához. Nagyítsunk rá minden lépésre, és fedezzük fel, mit is tartalmaz:
-
Adatexportálási konfiguráció
A Neptune ML folyamatunk első lépése a gráfadatok exportálása a Neptune-fürtből. Meg kell adnunk az adatexportálási feladat paramétereit és modellkonfigurációját. Az összes konfigurációhoz és ajánláshoz a Neptune munkapadot használjuk. A munkaasztal lehetővé teszi, hogy a Neptune DB-fürttel dolgozzunk az Amazon SageMaker által üzemeltetett Jupyter notebookok használatával. Ezenkívül számos varázsparancsot biztosít a notebookokban, amelyek sok időt és erőfeszítést takarítanak meg. Íme egy példa az exportálási paraméterekre:
In export_params
, konfigurálnunk kell az alapvető beállításokat, például a Neptune-fürtöt és a kimenetet Amazon Simple Storage Service (S3) az exportált adattárolás elérési útja. pontban megadott konfiguráció additionalParams
a végrehajtandó ML feladat típusa. Ebben a példában a hivatkozás előrejelzése opcionálisan egy adott éltípus előrejelzésére szolgál (Felhasználó—BARÁT—Felhasználó). Ha nincs megadva céltípus, akkor a Neptune ML azt feltételezi, hogy a feladat Link Prediction. A paraméterek megadják a grafikonunkban tárolt adatok részleteit és azt is, hogy az ML modell hogyan értelmezi ezeket az adatokat (a „Felhasználó” csomópont, az „érdekek” pedig a csomópont tulajdonság).
Az ML felépítési folyamat minden lépésének futtatásához egyszerűen használja a Neptune munkaasztal parancsait. A Neptun munkapad vonalmágiát és sejtmágiát tartalmaz, amelyek sok időt takaríthatnak meg ezen lépések kezelésében. Az adatexportálás futtatásához használja a Neptune workbench parancsot: %neptune_ml export start
Amint az exportálási feladat befejeződik, a Neptune gráfot CSV formátumba exportáljuk, és egy S3 tárolóban tároljuk. Kétféle fájl lesz: nodes.csv
és a edges.csv
. nevű fájl training-data-configuration.json
szintén létrejön, amely rendelkezik a Neptune ML-hez szükséges konfigurációval a modellképzés végrehajtásához.
Lát Exportáljon adatokat a Neptune-ból a Neptune ML-hez további információért.
-
Adatok előfeldolgozása
A Neptune ML az adatfeldolgozási lépések részeként funkciók kinyerését és kódolását végzi. A tulajdonságok előfeldolgozásának gyakori típusai a következők: kategorikus jellemzők kódolása one-hot kódolással, numerikus jellemzők csoportosítása, vagy word2vec használata karakterlánc-tulajdonságok vagy más szabad formájú szövegtulajdonságok értékeinek kódolására.
Példánkban egyszerűen az „érdekek” tulajdonságot fogjuk használni. A Neptune ML többkategóriásként kódolja az értékeket. Ha azonban egy kategorikus érték összetett (több mint három szó csomópontonként), akkor a Neptune ML a tulajdonság típusát szövegnek tekinti, és a text_word2vec kódolást használja.
Az adat-előfeldolgozás futtatásához használja a következő Neptune notebook magic parancsot: %neptune_ml dataprocessing start
A lépés végén az exportált adatkészletből egy DGL-gráf jön létre, amelyet a modell betanítási lépése használhat fel. A Neptune ML automatikusan hangolja a modellt a Hyperparameter Optimization Tuning (Hiperparaméter-optimalizálási hangolás) feladatokkal training-data-configuration.json
. Letölthetjük és módosíthatjuk ezt a fájlt a modell hiperparamétereinek hangolásához, mint például a batch-size, num-hidden, num-epochs, dropout stb. minta configuration.json fájl.
Lát A Neptune-ból exportált grafikon adatok feldolgozása edzéshez további információért.
-
Modellképzés
A következő lépés a GNN modell automatizált betanítása. A modellképzés két szakaszban zajlik. Az első szakasz egy SageMaker feldolgozási feladatot használ a modellképzési stratégia létrehozásához. Ez egy konfigurációs készlet, amely meghatározza, hogy milyen típusú modellt és modell hiperparaméter-tartományokat használ a modell betanítása.
Ezután elindul egy SageMaker hiperparaméter-hangolási feladat. A SageMaker Hyperparameter Tuning Optimization feladat előre meghatározott számú modellképzési munkapróbát futtat a feldolgozott adatokon, különböző hiperparaméter-kombinációkat próbál ki a model-hpo-configuration.json
fájlt, és a képzés által generált modelltermékeket az Amazon S3 kimeneti helyén tárolja.
Az edzési lépés elindításához használhatja a %neptune_ml training start
parancs.
Ha az összes betanítási feladat befejeződött, a hiperparaméter-hangolási feladat elmenti a legjobban teljesítő modell műtermékeit, amelyeket következtetésekhez használunk.
A képzés végén a Neptune ML utasítja a SageMaker-t, hogy mentse el a betanított modellt, a csomópontokhoz és élekhez kiszámított nyers beágyazásokat, valamint a beágyazások és a csomóponti indexek közötti leképezési információkat.
Lát Modell betanítása Neptune ML segítségével további információért.
-
Hozzon létre egy következtetési végpontot az Amazon SageMakerben
Most, hogy a gráfábrázolást megtanultuk, a tanult modellt egy végpont mögé telepíthetjük a következtetési kérések végrehajtásához. A modell bemenete az a felhasználó lesz, amelyhez baráti ajánlásokat kell generálnunk az éltípussal együtt, a kimenet pedig az adott felhasználó számára valószínűleg ajánlott barátok listája.
A modell SageMaker végpontpéldányra történő telepítéséhez használja a %neptune_ml endpoint create
parancs.
-
Lekérdezheti az ML modellt a Gremlin segítségével
Ha elkészült a végpont, használhatjuk gráfkövetkeztetési lekérdezésekhez. A Neptune ML támogatja a gráfkövetkeztetési lekérdezéseket Gremlinben vagy SPARQL-ben. Példánkban most ellenőrizhetjük a barátok ajánlását a Neptune ML segítségével „Henry” felhasználónál. Majdnem ugyanazt a szintaxist igényli az él áthaladásához, és felsorolja a többi felhasználót, akik a FRIEND kapcsolaton keresztül kapcsolódnak Henryhez.
Neptune#ml.prediction
visszaadja a Neptune ML előrejelzések által meghatározott kapcsolatot a közösségi gráfon az imént betanított modell segítségével. Billt visszakapják, ahogy vártuk.
Íme egy másik minta előrejelzési lekérdezés, amely a nyolc legnagyobb felhasználó előrejelzésére szolgál, akik a legnagyobb valószínűséggel lépnek kapcsolatba Henryvel:
Az eredményeket az erősebb kapcsolattól a gyengébbig, ahol a kapcsolat rangsorolják Henry — FRIEND — Colin and Henry — FRIEND — Terry
is javasolt. Ez a javaslat gráf alapú ML-en keresztül valósul meg, ahol a gráf komplex interakciós mintái feltárhatók.
Lát Gremlin-következtetési lekérdezések a Neptune ML-ben további információért.
Modell átalakítás vagy átképzés, amikor a grafikon adatai megváltoznak
Egy másik kérdés, amelyet feltehet: mi van, ha megváltozik a közösségi hálózatom, vagy ha javaslatokat szeretnék tenni az újonnan hozzáadott felhasználók számára? Ezekben a forgatókönyvekben, ahol folyamatosan változó grafikonjai vannak, előfordulhat, hogy frissítenie kell az ML előrejelzéseket a legújabb grafikonadatokkal. A képzés után generált modellműtermékek közvetlenül a betanítási grafikonhoz vannak kötve. Ez azt jelenti, hogy a következtetési végpontot frissíteni kell, ha az eredeti betanítási gráf entitásai megváltoznak.
Nem kell azonban áttanítania az egész modellt ahhoz, hogy előrejelzéseket készítsen a frissített grafikonon. Egy növekményes modellkövetkeztetési munkafolyamattal csak exportálnia kell a Neptune DB-adatokat, végre kell hajtania egy növekményes adat-előfeldolgozást, futtatnia kell egy modell kötegelt átalakítási feladatot, majd frissítenie kell a következtetési végpontot. A modell-transzformációs lépés bemenetként átveszi a betanított modellt a fő munkafolyamatból és a növekményes adat-előfeldolgozási lépés eredményeit. Ezután egy új modellműterméket ad ki a következtetésekhez. Ez az új modellműtermék a naprakész grafikonadatokból jön létre.
Különös hangsúlyt fektetünk a model-transform step parancsra. Modellműtermékeket képes kiszámítani olyan grafikonadatokon, amelyeket nem használtak a modell betanítására. A csomópont-beágyazások újraszámításra kerülnek, és a meglévő csomópont-beágyazások felülbírálásra kerülnek. A Neptune ML az előző betanított modellből tanult GNN kódolót alkalmazza az új gráf adatcsomópontjaihoz új szolgáltatásaikkal. Ezért az új gráfadatokat ugyanazokkal a jellemzőkódolásokkal kell feldolgozni, és ugyanahhoz a gráfsémához kell ragaszkodniuk, mint az eredeti gráfadatoknak. A Neptune ML megvalósításának további részleteit itt találja Új modelltermékek generálása.
Sőt, az egész modellt áttaníthatja, ha a grafikon drámaian megváltozik, vagy ha a korábban betanított modell már nem tudja pontosan ábrázolni a mögöttes interakciókat. Ebben az esetben a tanult modellparaméterek újbóli felhasználása egy új grafikonon nem garantálja a modell hasonló teljesítményét. Át kell képeznie a modellt az új grafikonon. A hiperparaméterek keresésének felgyorsítása érdekében a Neptune ML melegindítással felhasználhatja az előző modell betanítási feladatból származó információkat: a korábbi betanítási feladatok eredményei alapján kiválasztható a hiperparaméterek jó kombinációja az új hangolási feladaton belüli kereséshez.
Lát munkafolyamatok a fejlődő grafikonadatok kezelésére fül alatt találsz.
Következtetés
Ebben a bejegyzésben láthatta, hogy a Neptune ML és GNN-ek hogyan segíthetnek ajánlások megfogalmazásában a grafikonadatokkal kapcsolatban egy link-előrejelzési feladat segítségével, a grafikon összetett interakciós mintáiból származó információk kombinálásával.
A linkelőrejelzés az ajánlási rendszer grafikonon történő megvalósításának egyik módja. Sok más módon is elkészítheti az ajánlót. A hivatkozás-előrejelzési képzés során megtanult beágyazások segítségével felügyelet nélkül csoportosíthatja a csomópontokat különböző szegmensekbe, és elemeket ajánlhat az azonos szegmenshez tartozónak. Ezenkívül beszerezheti a beágyazásokat, és bemeneti funkcióként betáplálhatja őket egy downstream hasonlóság-alapú ajánlási rendszerbe. Mostantól ez a kiegészítő beviteli funkció a gráfból származó szemantikai információkat is kódolja, és jelentős javulást jelenthet a rendszer általános pontosságában. Ha többet szeretne megtudni az Amazon Neptune ML-ről, látogassa meg a vagy kérdezz bátran kommentben!
A szerzőkről
Yanwei Cui, PhD, az AWS gépi tanulási megoldások szakértője. Gépi tanulási kutatásokat kezdett az IRISA-nál (Research Institute of Computer Science and Random Systems), és több éves tapasztalattal rendelkezik mesterséges intelligencia által hajtott ipari alkalmazások kiépítésében a számítógépes látás, a természetes nyelvi feldolgozás és az online felhasználói viselkedés előrejelzése terén. Az AWS-nél megosztja a domain szakértelmét, és segít ügyfeleinek abban, hogy kiaknázzák az üzleti lehetőségeket, és megvalósítható eredményeket érjenek el a nagyszabású gépi tanulással. Munkán kívül szeret olvasni és utazni.
Will Badr egy vezető AI/ML Specialist SA, aki a globális Amazon Machine Learning csapat részeként dolgozik. Will szenvedélyesen használja a technológiát innovatív módon, hogy pozitív hatással legyen a közösségre. Szabadidejében szeret búvárkodni, focizni és felfedezni a Csendes-óceáni szigeteket.
- '
- "
- 100
- 2020
- 7
- Rólunk
- Szerint
- Fiók
- mellett
- További
- algoritmus
- algoritmusok
- Minden termék
- már
- amazon
- Amazon gépi tanulás
- Amazon SageMaker
- Apache
- alkalmazások
- mesterséges
- mesterséges intelligencia
- Művészetek
- Automatizált
- AWS
- AWS re:Invent
- Kezdet
- BEST
- Számla
- Billió
- Fekete
- épít
- Épület
- üzleti
- esetek
- kihívások
- besorolás
- kód
- Közös
- közösség
- bonyolult
- Kiszámít
- Computer Science
- Számítógépes látás
- számítástechnika
- Configuration
- kapcsolat
- kapcsolatok
- Konzol
- tartalom
- konvergálni
- tudott
- Ügyfelek
- dátum
- adattudós
- adattárolás
- adatbázis
- üzlet
- mély tanulás
- Fejlesztő
- különböző
- felfedezés
- távolság
- e-kereskedelem
- él
- Endpoint
- Mérnöki
- Mérnökök
- stb.
- példa
- tapasztalat
- kutatás
- export
- kitermelés
- GYORS
- Funkció
- Jellemzők
- Ábra
- vezetéknév
- Összpontosít
- forma
- formátum
- Keretrendszer
- Ingyenes
- Barátság
- funkció
- Games
- generál
- Globális
- jó
- gráf neurális hálózatok
- nagy
- Kezelés
- segít
- segít
- itt
- Hogyan
- How To
- HTTPS
- IAM
- Hatás
- végrehajtási
- javuló
- Beleértve
- Növelje
- egyéni
- ipari
- információ
- újító
- Intelligencia
- kölcsönhatás
- érdekek
- IT
- Munka
- Állások
- nyelv
- Nyelvek
- TANUL
- tanult
- tanulás
- Tőkeáttétel
- könyvtár
- vonal
- LINK
- Lista
- listák
- elhelyezkedés
- keres
- lookup
- gépi tanulás
- Partnerek
- miliszekundum
- ML
- modell
- zene
- Természetes nyelv
- Természetes nyelvi feldolgozás
- szükséges
- szomszédok
- hálózat
- hálózatok
- ideg-
- neurális hálózat
- neurális hálózatok
- Új funkciók
- csomópontok
- laptopok
- online
- nyitva
- Más
- Csendes-óceán
- Papír
- Emberek (People)
- teljesítmény
- fázis
- Platformok
- játszani
- Pontosság
- előrejelzés
- Tippek
- be
- Fő
- Probléma
- folyamat
- Termékek
- profil
- kellene támogatnia,
- ingatlan
- javasol
- ad
- biztosít
- Vásárlás
- Piton
- kérdés
- hatótávolság
- Nyers
- nyers adatok
- RE
- Olvasás
- regresszió
- Kapcsolatok
- cserélni
- kutatás
- Eredmények
- átképzés
- Visszatér
- futás
- sagemaker
- Skála
- Tudomány
- Keresés
- készlet
- Megosztás
- Megoszt
- hasonló
- Egyszerű
- kicsi
- Futball
- Közösség
- társadalmi grafikon
- szociális háló
- szociális hálózatok
- Megoldások
- Hely
- Sport
- Színpad
- szabványok
- kezdet
- kezdődött
- tárolás
- árnyékolók
- Stratégia
- kiegészítés
- Támogatja
- Felmérés
- rendszer
- Systems
- cél
- Technologies
- Technológia
- A grafikon
- Keresztül
- idő
- felső
- Képzések
- Átalakítás
- Átalakítás
- Frissítések
- us
- Felhasználók
- érték
- látomás
- Mit
- WHO
- széles körben
- Wikipedia
- nélkül
- szavak
- Munka
- munkafolyamat
- művek
- lenne
- év
- gyertya