Sistem rekomendasi adalah salah satu teknologi machine learning (ML) yang paling banyak diadopsi dalam aplikasi dunia nyata, mulai dari jejaring sosial hingga platform ecommerce. Pengguna dari banyak sistem online mengandalkan sistem rekomendasi untuk menjalin pertemanan baru, menemukan musik baru berdasarkan daftar musik yang disarankan, atau bahkan membuat keputusan pembelian e-niaga berdasarkan produk yang direkomendasikan. Di jejaring sosial, satu kasus penggunaan umum adalah merekomendasikan teman baru kepada pengguna berdasarkan koneksi pengguna lainnya. Pengguna dengan teman yang sama kemungkinan besar saling mengenal. Oleh karena itu, mereka harus memiliki skor yang lebih tinggi untuk diusulkan oleh sistem rekomendasi jika mereka belum terhubung.
Jejaring sosial secara alami dapat diekspresikan dalam grafik, di mana node mewakili orang, dan hubungan antar orang, seperti persahabatan atau rekan kerja, diwakili oleh edge. Berikut ini menggambarkan salah satu jaringan sosial tersebut. Bayangkan kita memiliki jejaring sosial dengan anggota (node) Bill, Terry, Henry, Gary, dan Alistair. Hubungan mereka diwakili oleh tautan (tepi), dan minat setiap orang, seperti olahraga, seni, permainan, dan komik, diwakili oleh properti node.
Tujuannya di sini adalah untuk memprediksi apakah ada potensi mata rantai yang hilang di antara anggota. Misalnya, haruskah kami merekomendasikan hubungan antara Henry dan Terry? Melihat grafiknya, kita dapat melihat bahwa mereka memiliki dua teman yang sama, Gary dan Alistair. Oleh karena itu, ada kemungkinan besar bahwa Henry dan Terry sudah saling mengenal atau mungkin akan segera saling mengenal. Bagaimana dengan Henry dan Bill? Mereka tidak memiliki teman yang sama, tetapi mereka memiliki koneksi yang lemah melalui koneksi teman mereka. Selain itu, keduanya memiliki minat yang sama dalam seni, komik, dan game. Haruskah kita mempromosikan hubungan ini? Semua pertanyaan dan intuisi ini adalah logika inti dari sistem rekomendasi jejaring sosial.
Salah satu cara yang mungkin dilakukan adalah merekomendasikan hubungan berdasarkan eksplorasi grafik. Dalam bahasa kueri grafik, seperti Apache TinkerPop GREMLIN, penerapan kumpulan aturan seperti menghitung teman biasa, relatif mudah, dan dapat digunakan untuk menentukan hubungan antara Henry dan Terry. Namun, kumpulan aturan ini akan sangat rumit ketika kita ingin memperhitungkan atribut lain seperti properti node, kekuatan koneksi, dll. Bayangkan sebuah kumpulan aturan untuk menentukan hubungan antara Henry dan Bill. Kumpulan aturan ini harus memperhitungkan kepentingan bersama mereka dan koneksi lemah mereka melalui jalur tertentu dalam grafik. Untuk meningkatkan ketangguhan, kita mungkin juga perlu menambahkan faktor jarak untuk mendukung koneksi yang kuat dan menghukum koneksi yang lemah. Demikian pula, kami menginginkan faktor yang mendukung kepentingan bersama. Segera, kumpulan aturan yang dapat mengungkapkan pola tersembunyi yang rumit akan menjadi tidak mungkin untuk dihitung.
Teknologi ML memungkinkan kita menemukan pola tersembunyi dengan mempelajari algoritme. Salah satu contohnya adalah XGBoost, yang banyak digunakan untuk tugas klasifikasi atau regresi. Namun, algoritme seperti XGBoost menggunakan pendekatan ML konvensional berdasarkan format data tabular. Pendekatan ini tidak dioptimalkan untuk struktur data grafik, dan memerlukan rekayasa fitur yang kompleks untuk mengatasi pola data ini.
Dalam contoh jejaring sosial sebelumnya, informasi interaksi grafik sangat penting untuk meningkatkan akurasi rekomendasi. Graph Neural Network (GNN) adalah kerangka kerja deep learning (DL) yang dapat diterapkan pada data grafik untuk melakukan tugas prediksi level edge, level node, atau level grafik. GNN dapat memanfaatkan karakteristik simpul individu serta informasi struktur grafik saat mempelajari representasi grafik dan pola yang mendasarinya. Oleh karena itu, dalam beberapa tahun terakhir, metode berbasis GNN telah menetapkan standar baru pada banyak tolok ukur sistem pemberi rekomendasi. Lihat informasi lebih rinci dalam makalah penelitian terbaru: Survei Komprehensif tentang Jaringan Syaraf Graf dan Sistem Rekomendasi Berbasis Pembelajaran Grafik: Sebuah Tinjauan.
Berikut ini adalah salah satu contoh kasus penggunaan yang terkenal. Peneliti dan insinyur di Pinterest telah dilatih Grafik Jaringan Syaraf Konvolusional untuk Sistem Rekomendasi Skala Web, disebut PinSage, dengan tiga miliar simpul yang mewakili pin dan papan, dan 18 miliar tepi. PinSage menghasilkan penyematan berkualitas tinggi yang mewakili pin (penanda visual ke konten online). Ini dapat digunakan untuk berbagai tugas rekomendasi hilir, seperti pencarian tetangga terdekat di ruang penyematan yang dipelajari untuk penemuan dan rekomendasi konten.
Dalam postingan ini, kami akan memandu Anda tentang cara menggunakan GNN untuk kasus penggunaan rekomendasi dengan mentransmisikan ini sebagai masalah prediksi tautan. Kami juga akan mengilustrasikan bagaimana Neptune ML dapat memfasilitasi implementasi. Kami juga akan menyediakan contoh kode di GitHub untuk melatih GNN pertama Anda dengan Neptune ML, dan membuat kesimpulan rekomendasi pada grafik demo melalui tugas prediksi tautan.
Tautkan prediksi dengan Graph Neural Networks
Mempertimbangkan contoh jejaring sosial sebelumnya, kami ingin merekomendasikan teman baru kepada Henry. Baik Terry dan Bill akan menjadi kandidat yang baik. Terry memiliki lebih banyak teman yang sama (Gary, Alistair) dengan Henry tetapi tidak memiliki minat yang sama. Sementara Bill memiliki minat yang sama (seni, komik, permainan) dengan Henry, tetapi tidak memiliki teman yang sama. Mana yang akan menjadi rekomendasi yang lebih baik? Ketika dibingkai sebagai masalah prediksi tautan, tugasnya adalah menetapkan skor ke kemungkinan tautan apa pun antara dua node. Semakin tinggi skor tautan, semakin besar kemungkinan rekomendasi ini akan bertemu. Dengan mempelajari struktur tautan yang sudah ada dalam grafik, model prediksi tautan dapat menggeneralisasi prediksi tautan baru yang 'menyelesaikan' grafik.
Parameter fungsi f
yang memprediksi skor tautan dipelajari selama fase pelatihan. Sejak fungsi f
membuat prediksi untuk dua node mana pun dalam grafik, vektor fitur yang terkait dengan node sangat penting untuk proses pembelajaran. Untuk memprediksi skor tautan antara Henry dan Bill, kami memiliki sekumpulan fitur data mentah (seni, komik, game) yang dapat mewakili Henry dan Bill. Kami mengubah ini, bersama dengan koneksi dalam grafik, menggunakan jaringan GNN untuk membentuk representasi baru yang dikenal sebagai penyematan simpul. Kami juga dapat menambah atau mengganti fitur mentah awal dengan vektor dari tabel pencarian penyematan yang dapat dipelajari selama proses pelatihan. Idealnya, fitur tersemat untuk Henry dan Bill harus mewakili kepentingan mereka serta informasi topologi mereka dari grafik.
Cara kerja GNN
GNN mengubah fitur node awal menjadi penyematan node dengan menggunakan teknik yang disebut pesan lewat. Proses penyampaian pesan diilustrasikan pada gambar berikut. Pada awalnya, atribut atau fitur node diubah menjadi atribut numerik. Dalam kasus kami, kami melakukan penyandian sekali pakai dari fitur-fitur kategorikal (minat Henry: seni, komik, permainan). Kemudian, lapisan pertama GNN menggabungkan semua fitur mentah tetangga (Gary dan Alistair) (berwarna hitam) untuk membentuk serangkaian fitur baru (berwarna kuning). Pendekatan yang umum adalah transformasi linier dari semua fitur tetangga, kemudian menggabungkannya melalui penjumlahan yang dinormalisasi, dan meneruskan hasilnya ke fungsi aktivasi non-linier, seperti ReLU, untuk menghasilkan kumpulan vektor baru. Gambar berikut mengilustrasikan bagaimana penyampaian pesan bekerja untuk node Henry. H, algoritma pengiriman pesan GNN, akan menghitung representasi untuk semua node grafik. Ini kemudian digunakan sebagai fitur masukan untuk lapisan kedua.
Lapisan kedua dari GNN mengulangi proses yang sama. Dibutuhkan fitur yang dihitung sebelumnya (berwarna kuning) dari lapisan pertama sebagai input, menggabungkan semua fitur tersemat baru dari tetangga Gary dan Alistair, dan menghasilkan vektor fitur lapisan kedua untuk Henry (berwarna oranye). Seperti yang Anda lihat, dengan mengulangi mekanisme penyampaian pesan, kami memperluas agregasi fitur ke tetangga 2-hop. Dalam ilustrasi kita, kita membatasi diri pada tetangga 2-hop, tetapi memperluas ke tetangga 3-hop dapat dilakukan dengan cara yang sama dengan menambahkan layer GNN lainnya.
Penyematan terakhir dari Henry dan Bill (berwarna oranye) digunakan untuk menghitung skor. Selama proses pelatihan, skor tautan didefinisikan sebagai 1 ketika tepi ada di antara dua node (sampel positif), dan sebagai 0 ketika tepi antara dua node tidak ada (sampel negatif). Kemudian, kesalahan atau kerugian antara skor aktual dan prediksi f(e1,e2)
disebarkan kembali ke lapisan sebelumnya untuk menyesuaikan bobot. Setelah pelatihan selesai, kita dapat mengandalkan vektor fitur tersemat untuk setiap node untuk menghitung skor tautannya dengan fungsi kita f
.
Dalam contoh ini, kami menyederhanakan tugas pembelajaran pada a grafik homogen, di mana semua node dan edge memiliki tipe yang sama. Misalnya, semua simpul dalam graf adalah tipe "Orang", dan semua tepi adalah tipe "berteman dengan". Namun, algoritme pembelajaran juga mendukung grafik heterogen dengan tipe node dan edge yang berbeda. Kami dapat memperluas kasus penggunaan sebelumnya untuk merekomendasikan produk ke pengguna berbeda yang memiliki interaksi dan minat yang sama. Lihat detail lebih lanjut dalam makalah penelitian ini: Pemodelan Data Relasional dengan Graph Convolutional Networks.
Di AWS re:Invent 2020, kami memperkenalkan Amazon Neptunus ML, yang memungkinkan pelanggan kami melatih model ML pada data grafik, tanpa harus memiliki keahlian ML yang mendalam. Dalam contoh ini, dengan bantuan Neptune ML, kami akan menunjukkan cara membuat sistem rekomendasi Anda sendiri pada data grafik.
Latih Jaringan Konvolusi Grafik Anda dengan Amazon Neptune ML
Neptune ML menggunakan teknologi jaringan neural grafik untuk secara otomatis membuat, melatih, dan menerapkan model ML pada data grafik Anda. Neptune ML mendukung tugas prediksi grafik umum, seperti klasifikasi dan regresi node, klasifikasi dan regresi edge, serta prediksi tautan.
Didukung oleh:
- Amazon Neptunus: database grafik yang cepat, andal, dan terkelola sepenuhnya, yang dioptimalkan untuk menyimpan miliaran hubungan dan membuat kueri grafik dengan latensi milidetik. Amazon Neptune mendukung tiga standar terbuka untuk membuat aplikasi grafik: Apache TinkerPop Gremlin, RDF SPARQL, dan openCypher. Pelajari lebih lanjut di Ikhtisar Fitur Amazon Neptune.
- Amazon SageMaker: layanan terkelola sepenuhnya yang memberi setiap developer dan data scientist kemampuan untuk menyiapkan build, melatih, dan menerapkan model ML dengan cepat.
- Perpustakaan Grafik Dalam (DGL): aktif open-source, paket Python berkinerja tinggi dan dapat diskalakan untuk DL pada grafik. Ini memberikan primitif pengiriman pesan yang cepat dan hemat memori untuk melatih Graph Neural Networks. Neptune ML menggunakan DGL untuk secara otomatis memilih dan melatih model ML terbaik untuk beban kerja Anda. Ini memungkinkan Anda membuat prediksi berbasis ML pada data grafik dalam hitungan jam, bukan minggu.
Cara termudah untuk memulai dengan Neptune ML adalah dengan menggunakan Templat mulai cepat AWS CloudFormation. Template menginstal semua komponen yang diperlukan, termasuk klaster Neptune DB, dan menyiapkan konfigurasi jaringan, peran IAM, dan instans notebook SageMaker terkait dengan sampel notebook yang telah diisi sebelumnya untuk Neptune ML.
Gambar berikut mengilustrasikan langkah-langkah berbeda untuk Neptune ML untuk melatih sistem rekomendasi berbasis GNN. Mari perbesar setiap langkah dan jelajahi apa yang tercakup di dalamnya:
-
Konfigurasi ekspor data
Langkah pertama dalam proses ML Neptune kami adalah mengekspor data grafik dari kluster Neptune. Kita harus menentukan parameter dan konfigurasi model untuk tugas ekspor data. Kami menggunakan meja kerja Neptunus untuk semua konfigurasi dan pujian. Meja kerja memungkinkan kita bekerja dengan klaster Neptune DB menggunakan notebook Jupyter yang dihosting oleh Amazon SageMaker. Selain itu, ini menyediakan sejumlah perintah ajaib di buku catatan yang menghemat banyak waktu dan tenaga. Berikut adalah contoh parameter ekspor kami:
In export_params
, kita harus mengonfigurasi penyiapan dasar, seperti klaster dan output Neptunus Layanan Penyimpanan Sederhana Amazon (S3) jalur untuk penyimpanan data yang diekspor. Konfigurasi yang ditentukan di additionalParams
adalah jenis tugas ML yang harus dilakukan. Dalam contoh ini, prediksi tautan secara opsional digunakan untuk memprediksi jenis tepi tertentu (Pengguna—TEMAN—Pengguna). Jika tidak ada jenis target yang ditentukan, Neptune ML akan berasumsi bahwa tugasnya adalah Prediksi Tautan. Parameter juga menentukan detail tentang data yang disimpan dalam grafik kami dan bagaimana model ML akan menginterpretasikan data tersebut (kami memiliki "Pengguna" sebagai node, dan "minat" sebagai properti node).
Untuk menjalankan setiap langkah dalam proses pembuatan ML, cukup gunakan perintah Neptune workbench. Itu Meja kerja Neptunus berisi sihir garis dan sihir sel yang dapat menghemat banyak waktu untuk mengatur langkah-langkah ini. Untuk menjalankan ekspor data, gunakan perintah Neptune workbench: %neptune_ml export start
Setelah pekerjaan ekspor selesai, grafik Neptunus akan diekspor ke format CSV dan disimpan dalam keranjang S3. Akan ada dua jenis file: nodes.csv
dan edges.csv
. Sebuah file bernama training-data-configuration.json
juga akan dihasilkan yang memiliki konfigurasi yang diperlukan untuk Neptune ML untuk melakukan pelatihan model.
Lihat Ekspor data dari Neptunus untuk Neptune ML for more information.
-
Preprocessing data
Neptune ML melakukan ekstraksi fitur dan pengodean sebagai bagian dari langkah pemrosesan data. Jenis umum pra-pemrosesan properti meliputi: pengkodean fitur kategorikal melalui pengkodean satu-panas, penggabungan fitur numerik, atau menggunakan word2vec untuk mengkodekan properti string atau nilai properti teks bentuk bebas lainnya.
Dalam contoh kami, kami hanya akan menggunakan properti "kepentingan". Neptune ML mengkodekan nilai sebagai multi-kategori. Namun, jika nilai kategori kompleks (lebih dari tiga kata per node), Neptune ML menyimpulkan jenis properti berupa teks dan menggunakan pengkodean text_word2vec.
Untuk menjalankan prapemrosesan data, gunakan perintah ajaib notebook Neptunus berikut: %neptune_ml dataprocessing start
Di akhir langkah ini, grafik DGL dihasilkan dari dataset yang diekspor untuk digunakan oleh langkah pelatihan model. Neptune ML secara otomatis menyetel model dengan tugas Penyesuaian Pengoptimalan Hyperparameter yang ditentukan training-data-configuration.json
. Kita dapat mengunduh dan memodifikasi file ini untuk menyetel hyperparameter model, seperti ukuran batch, num-hidden, num-epochs, dropout, dll. Ini adalah contoh file konfigurasi.json.
Lihat Memproses data grafik yang diekspor dari Neptunus untuk pelatihan for more information.
-
Pelatihan model
Langkah selanjutnya adalah pelatihan otomatis model GNN. Pelatihan model dilakukan dalam dua tahap. Tahap pertama menggunakan tugas Pemrosesan SageMaker untuk membuat strategi pelatihan model. Ini adalah set konfigurasi yang menentukan jenis model dan rentang hyperparameter model apa yang akan digunakan untuk pelatihan model.
Kemudian, tugas penyetelan hyperparameter SageMaker akan diluncurkan. Itu Pekerjaan SageMaker Hyperparameter Tuning Optimization menjalankan sejumlah uji coba pekerjaan pelatihan model yang ditentukan sebelumnya pada data yang diproses, mencoba kombinasi hyperparameter yang berbeda sesuai dengan model-hpo-configuration.json
file, dan menyimpan artefak model yang dihasilkan oleh pelatihan di lokasi keluaran Amazon S3.
Untuk memulai langkah pelatihan, Anda dapat menggunakan %neptune_ml training start
perintah.
Setelah semua tugas pelatihan selesai, tugas penyetelan Hyperparameter akan menyimpan artefak dari model berperforma terbaik, yang akan digunakan untuk inferensi.
Di akhir pelatihan, Neptune ML akan menginstruksikan SageMaker untuk menyimpan model yang dilatih, penyematan mentah yang dihitung untuk node dan edge, serta informasi pemetaan antara penyematan dan indeks node.
Lihat Melatih model menggunakan Neptune ML for more information.
-
Buat titik akhir inferensi di Amazon SageMaker
Setelah representasi grafik dipelajari, kita dapat menerapkan model yang dipelajari di belakang titik akhir untuk melakukan permintaan inferensi. Masukan model akan menjadi Pengguna yang kami perlukan untuk menghasilkan rekomendasi teman, bersama dengan tipe edge, dan keluarannya akan menjadi daftar kemungkinan teman yang direkomendasikan untuk pengguna tersebut.
Untuk menerapkan model ke instance titik akhir SageMaker, gunakan %neptune_ml endpoint create
perintah.
-
Kueri model ML menggunakan GREMLIN
Setelah titik akhir siap, kita dapat menggunakannya untuk kueri inferensi grafik. Neptune ML mendukung kueri inferensi grafik di GREMLIN atau SPARQL. Dalam contoh kami, kami sekarang dapat memeriksa rekomendasi teman dengan Neptune ML pada Pengguna "Henry". Ini membutuhkan sintaks yang hampir sama untuk melintasi tepi, dan daftar Pengguna lain yang terhubung ke Henry melalui koneksi FRIEND.
Neptune#ml.prediction
mengembalikan koneksi yang ditentukan oleh prediksi Neptune ML dengan menggunakan model yang baru saja kita latih di grafik sosial. Bill dikembalikan seperti harapan kami.
Berikut adalah contoh kueri prediksi lain yang digunakan untuk memprediksi delapan pengguna teratas yang paling mungkin terhubung dengan Henry:
Hasilnya diurutkan dari koneksi yang lebih kuat ke koneksi yang lebih lemah, di mana link Henry — FRIEND — Colin and Henry — FRIEND — Terry
juga diusulkan. Proposisi ini melalui ML berbasis grafik di mana pola interaksi kompleks pada grafik dapat dieksplorasi.
Lihat Kueri inferensi GREMLIN di Neptune ML for more information.
Transformasi model atau pelatihan ulang saat data grafik berubah
Pertanyaan lain yang mungkin Anda tanyakan adalah: bagaimana jika jejaring sosial saya berubah, atau jika saya ingin membuat rekomendasi untuk pengguna yang baru ditambahkan? Dalam skenario ini, saat Anda terus mengubah grafik, Anda mungkin perlu memperbarui prediksi ML dengan data grafik terbaru. Artefak model yang dihasilkan setelah pelatihan terkait langsung dengan grafik pelatihan. Ini berarti titik akhir inferensi harus diperbarui setelah entitas dalam grafik pelatihan asli berubah.
Namun, Anda tidak perlu melatih ulang seluruh model untuk membuat prediksi pada grafik yang diperbarui. Dengan alur kerja inferensi model inkremental, Anda hanya perlu mengekspor data Neptune DB, melakukan prapemrosesan data inkremental, menjalankan tugas transformasi batch model, lalu memperbarui titik akhir inferensi. Langkah transformasi model mengambil model yang dilatih dari alur kerja utama dan hasil langkah prapemrosesan data inkremental sebagai input. Kemudian ia mengeluarkan artefak model baru untuk digunakan sebagai inferensi. Artefak model baru ini dibuat dari data grafik terkini.
Satu fokus khusus di sini adalah untuk perintah model-transform step. Itu dapat menghitung artefak model pada data grafik yang tidak digunakan untuk pelatihan model. Penyematan node dihitung ulang dan setiap penyematan node yang ada akan diganti. Neptune ML menerapkan encoder GNN yang dipelajari dari model yang dilatih sebelumnya ke node data grafik baru dengan fitur barunya. Oleh karena itu, data grafik baru harus diproses menggunakan pengkodean fitur yang sama, dan harus mengikuti skema grafik yang sama dengan data grafik asli. Lihat lebih banyak detail implementasi Neptune ML di Menghasilkan artefak model baru.
Selain itu, Anda dapat melatih ulang keseluruhan model jika grafik berubah secara dramatis, atau jika model yang dilatih sebelumnya tidak dapat lagi secara akurat mewakili interaksi yang mendasarinya. Dalam hal ini, menggunakan kembali parameter model yang dipelajari pada grafik baru tidak dapat menjamin performa model yang serupa. Anda harus melatih ulang model Anda pada grafik baru. Untuk mempercepat pencarian hyperparameter, Neptune ML dapat memanfaatkan informasi dari tugas pelatihan model sebelumnya dengan awal yang hangat: hasil tugas pelatihan sebelumnya digunakan untuk memilih kombinasi hyperparameter yang baik untuk mencari tugas penyetelan baru.
Lihat alur kerja untuk menangani data grafik yang berkembang lebih lanjut.
Kesimpulan
Dalam postingan ini, Anda telah melihat bagaimana Neptune ML dan GNN dapat membantu Anda membuat rekomendasi pada data grafik menggunakan tugas prediksi tautan dengan menggabungkan informasi dari pola interaksi kompleks dalam grafik.
Prediksi link merupakan salah satu cara penerapan sistem rekomendasi pada graf. Anda dapat membangun pemberi rekomendasi Anda dengan banyak cara lain. Anda dapat menggunakan penyematan yang dipelajari selama pelatihan prediksi tautan untuk mengelompokkan node ke dalam segmen yang berbeda dengan cara yang tidak diawasi, dan merekomendasikan item ke item yang termasuk dalam segmen yang sama. Selain itu, Anda dapat memperoleh penyematan dan memasukkannya ke dalam sistem rekomendasi berbasis kesamaan hilir sebagai fitur masukan. Sekarang fitur input tambahan ini juga mengkodekan informasi semantik yang berasal dari grafik dan dapat memberikan peningkatan yang signifikan terhadap presisi sistem secara keseluruhan. Pelajari selengkapnya tentang Amazon Neptune ML dengan mengunjungi situs web atau jangan ragu untuk bertanya di komentar!
Tentang Penulis
Yan Wei Cui, PhD, adalah Arsitek Solusi Spesialis Pembelajaran Mesin di AWS. Dia memulai penelitian pembelajaran mesin di IRISA (Research Institute of Computer Science and Random Systems), dan memiliki beberapa tahun pengalaman membangun aplikasi industri yang didukung kecerdasan buatan dalam visi komputer, pemrosesan bahasa alami, dan prediksi perilaku pengguna online. Di AWS, ia berbagi keahlian domain dan membantu pelanggan untuk membuka potensi bisnis, dan untuk mendorong hasil yang dapat ditindaklanjuti dengan pembelajaran mesin dalam skala besar. Di luar pekerjaan, dia suka membaca dan bepergian.
Akankah Badr adalah Kepala Spesialis AI/ML SA yang bekerja sebagai bagian dari tim Amazon Machine Learning global. Will bersemangat menggunakan teknologi dengan cara inovatif untuk memberikan dampak positif bagi masyarakat. Di waktu luangnya, ia suka menyelam, bermain sepak bola, dan menjelajahi Kepulauan Pasifik.
- '
- "
- 100
- 2020
- 7
- Tentang Kami
- Menurut
- Akun
- tambahan
- Tambahan
- algoritma
- algoritma
- Semua
- sudah
- Amazon
- Pembelajaran Mesin Amazon
- Amazon SageMaker
- Apache
- aplikasi
- buatan
- kecerdasan buatan
- Seni
- Otomatis
- AWS
- AWS re: Temukan
- Awal
- TERBAIK
- tagihan
- Milyar
- Black
- membangun
- Bangunan
- bisnis
- kasus
- tantangan
- klasifikasi
- kode
- Umum
- masyarakat
- kompleks
- menghitung
- Komputer Ilmu
- Visi Komputer
- komputasi
- konfigurasi
- koneksi
- Koneksi
- konsul
- Konten
- bertemu
- bisa
- pelanggan
- data
- ilmuwan data
- penyimpanan data
- Basis Data
- transaksi
- belajar mendalam
- Pengembang
- berbeda
- penemuan
- jarak
- e-commerce
- Tepi
- Titik akhir
- Teknik
- Insinyur
- dll
- contoh
- pengalaman
- eksplorasi
- ekspor
- ekstraksi
- FAST
- Fitur
- Fitur
- Angka
- Pertama
- Fokus
- bentuk
- format
- Kerangka
- Gratis
- Persahabatan
- fungsi
- Games
- menghasilkan
- Aksi
- baik
- grafik jaringan saraf
- besar
- Penanganan
- membantu
- membantu
- di sini
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTTPS
- IAM
- Dampak
- mengimplementasikan
- meningkatkan
- Termasuk
- Meningkatkan
- sendiri-sendiri
- industri
- informasi
- inovatif
- Intelijen
- interaksi
- kepentingan
- IT
- Pekerjaan
- Jobs
- bahasa
- Bahasa
- BELAJAR
- belajar
- pengetahuan
- Leverage
- Perpustakaan
- baris
- LINK
- Daftar
- daftar
- tempat
- mencari
- lookup
- Mesin belajar
- Anggota
- mili detik
- ML
- model
- musik
- Bahasa Alami
- Pengolahan Bahasa alami
- dibutuhkan
- tetangga
- jaringan
- jaringan
- saraf
- saraf jaringan
- jaringan saraf
- Fitur Baru
- node
- laptop
- secara online
- Buka
- Lainnya
- Pasifik
- kertas
- Konsultan Ahli
- prestasi
- tahap
- Platform
- Bermain
- Ketelitian
- ramalan
- Prediksi
- menyajikan
- Utama
- Masalah
- proses
- Produk
- Profil
- mendorong
- milik
- mengusulkan
- memberikan
- menyediakan
- membeli
- Ular sanca
- pertanyaan
- jarak
- Mentah
- data mentah
- RE
- Bacaan
- regresi
- Hubungan
- menggantikan
- penelitian
- Hasil
- pelatihan ulang
- Pengembalian
- Run
- pembuat bijak
- Skala
- Ilmu
- Pencarian
- set
- Share
- saham
- mirip
- Sederhana
- kecil
- Sepak bola
- Sosial
- grafik sosial
- jaringan sosial
- sosial jaringan
- Solusi
- Space
- Olahraga
- Tahap
- standar
- awal
- mulai
- penyimpanan
- toko
- Penyelarasan
- suplemen
- Mendukung
- Survei
- sistem
- sistem
- target
- Teknologi
- Teknologi
- Grafik
- Melalui
- waktu
- puncak
- Pelatihan
- Mengubah
- Transformasi
- Memperbarui
- us
- Pengguna
- nilai
- penglihatan
- Apa
- SIAPA
- sangat
- Wikipedia
- tanpa
- kata
- Kerja
- alur kerja
- bekerja
- akan
- tahun
- zoom