בתעשיות רבות, כולל שירותים פיננסיים, בנקאות, שירותי בריאות, משפטים ונדל"ן, אוטומציה של טיפול במסמכים היא חלק חיוני מהעסק ומהשירות ללקוחות. בנוסף, תקנות ציות מחמירות מחייבות עסקים לטפל כראוי במסמכים רגישים, במיוחד נתוני לקוחות. מסמכים יכולים להגיע במגוון פורמטים, כולל טפסים דיגיטליים או מסמכים סרוקים (PDF או תמונות), ויכולים לכלול טפסים וטבלאות מודפסים, בכתב יד או מוטמעים. חילוץ ידני של נתונים ותובנה ממסמכים אלה עשוי להיות מועד לשגיאות, יקר, גוזל זמן, ולא ניתן להרחבה לנפח גבוה של מסמכים.
טכנולוגיית זיהוי תווים אופטי (OCR) לזיהוי תווים מוקלדים קיימת כבר שנים. חברות רבות מחלצות ידנית נתונים ממסמכים סרוקים כמו קובצי PDF, תמונות, טבלאות וטפסים, או באמצעות תוכנת OCR פשוטה הדורשת תצורה ידנית, שלעתים קרובות דורשת הגדרה מחדש כאשר הטופס משתנה.
המסמך הדיגיטלי הוא לעתים קרובות סריקה או תמונה של מסמך, ולכן אתה יכול להשתמש במודלים של למידת מכונה (ML) כדי לחלץ אוטומטית טקסט ומידע (כגון טבלאות, תמונות, כיתובים וערכי צמד מפתחות) מהמסמך. לדוגמה, טקסטורה באמזון, שירות מבוסס בינה מלאכותית מבוסס API, מציע יכולות כאלה עם מודלים מאומנים מובנים, שבהם אתה יכול להשתמש ביישומים ללא צורך במיומנויות ML כלשהן. במקביל, דגמי ML מותאמים אישית משתמשים בטכניקות ראייה ממוחשבת (CV) כדי להפוך את חילוץ הטקסט מתמונות אוטומטית; זה מועיל במיוחד כאשר צריך לחלץ טקסט בכתב יד, וזו בעיה מאתגרת. זה ידוע גם בשם זיהוי כתב יד (HWR), או זיהוי טקסט בכתב יד (HTR). HTR יכול להוביל להפיכת מסמכים עם תוכן בכתב יד לחיפוש או לאחסון תוכן של מסמכים וטפסים ישנים יותר במאגרי מידע מודרניים.
שלא כמו זיהוי טקסט סטנדרטי שניתן לאמן על מסמכים עם תוכן מוקלד או מערכי נתונים סינתטיים שקל ליצור וזול להשגה, HWR מגיע עם אתגרים רבים. האתגרים הללו כוללים שונות בסגנונות כתיבה, איכות נמוכה של מסמכים סרוקים ישנים ואיסוף מערכי אימון עם תווית באיכות טובה, שעלולים להיות יקרים או קשים לאיסוף.
בפוסט זה, אנו משתפים את התהליכים, הסקריפטים והשיטות המומלצות לפיתוח מודל ML מותאם אישית אמזון SageMaker המיישמת טכניקות למידה עמוקה (DL) המבוססות על הרעיון המתואר במאמר GNHK: מערך נתונים לכתב יד באנגלית בטבע לתמלל טקסט בתמונות של קטעים בכתב יד למחרוזות. אם יש לך נתונים משלך, תוכל להשתמש בפתרון זה כדי לתייג את הנתונים שלך ולהכשיר איתו מודל חדש. הפתרון גם פורס את המודלים המאומנים כנקודות קצה שבהן אתה יכול להשתמש כדי לבצע הסקה על מסמכים בפועל ולהמיר סקריפט כתב יד לטקסט. אנו מסבירים כיצד תוכל ליצור שער ציבורי מאובטח לנקודת הקצה שלך באמצעות שימוש שער API של אמזון.
תנאים מוקדמים
כדי לנסות את הפתרון בחשבון שלך, ודא שיש לך את הדברים הבאים:
אנו ממליצים להשתמש בפתרון JumpStart, שיוצר את המשאבים שהוגדרו ומוגדרים כראוי להפעלת הפתרון בהצלחה.
אתה יכול גם להשתמש בנתונים שלך כדי לאמן את המודלים, ובמקרה זה עליך לאחסן תמונות של טקסט בכתב יד ב שירות אחסון פשוט של אמזון (אמזון S3).
סקירת פתרונות
בסעיפים הבאים, נלווה אותך בכל שלב של יצירת המשאבים המתוארים בארכיטקטורה הבאה. עם זאת, השקת הפתרון עם SageMaker JumpStart בחשבונך יוצרת עבורך משאבים אלו באופן אוטומטי.
השקת פתרון זה יוצרת מספר משאבים בחשבונך, כולל שבעה מחברות לדוגמה, מספר סקריפטים מותאמים אישית נלווים בהם אנו משתמשים במודלים להדרכה והסקת מסקנות, ושתי נקודות קצה מובנות מראש להדגמה שבהן תוכל להשתמש להסקת מסקנות בזמן אמת אם אינך רוצה לעשות את ההדרכה והאירוח מקצה לקצה. המחברות הן כדלקמן:
- מחברת הדגמה - מראה לך כיצד להשתמש בנקודות הקצה של ההדגמה לזיהוי טקסט בכתב יד בזמן אמת
- מבוא – מסביר את הארכיטקטורה ואת השלבים השונים של הפתרון
- תיוג הנתונים שלך - מראה לך כיצד להשתמש האמת של אמזון SageMaker כדי לתייג את מערך הנתונים שלך
- נתונים להדמיה - מדמיין את התוצאות של תיוג נתונים
- אימון מודל - מאמן דגמי PyTorch מותאמים אישית עם נתוני GNHK
- אימון מודלים עם הנתונים שלך - מאפשר לך להשתמש בנתונים המסומנים שלך עבור דגמי אימון
- נקודות קצה - יוצר נקודות קצה של SageMaker עם דגמים מאומנים מותאמים אישית
סקירת נתוני GNHK
פתרון זה משתמש ב- אוסף כתב היד של GoodNotes (GNHK) מערך נתונים שפורסם על ידי הערות טובות תחת רישיון CC-BY-4.0. מערך נתונים זה מוצג במאמר שכותרתו GNHK: מערך נתונים לכתב יד באנגלית בטבע ב הכנס הבינלאומי לניתוח וזיהוי מסמכים (ICDAR) בשנת 2021, עם הציטוט הבא:
מערך הנתונים של GNHK כולל תמונות של טקסט בכתב יד באנגלית כדי לאפשר למתרגלים ולחוקרים ב-ML לחקור טכניקות חדשות לזיהוי טקסט בכתב יד. אתה יכול להוריד את הנתונים עבור הדרכה ובדיקה של SageMaker בפורמט מניפסט, הכולל תמונות, קואורדינטות של תיבה תוחמת ומחרוזות טקסט עבור כל תיבה תוחמת. האיור הבא מציג את אחת התמונות המהווה חלק ממערך הנתונים של ההדרכה.
השתמש במערך הנתונים שלך עם התווית
אם אינך רוצה להשתמש במערך הנתונים של GNHK לאימון, אתה יכול לאמן את המודלים עם הנתונים שלך. אם הנתונים שלך מסומנים בקואורדינטות של התיבה התוחמת, אתה יכול ליצור קובץ אימון מניפסט מותאם אישית בפורמט הבא ולהשתמש בו בקלות לאימון המודלים. בפורמט קובץ מניפסט זה, כל שורה היא JSON הכוללת את התוכן הבא:
סמן את הנתונים הגולמיים שלך באמצעות Ground Truth
אם אין לך מערך הדרכה מסומן, אתה יכול להשתמש ב-Ground Truth כדי לתייג את הנתונים שלך באמצעות כוח העבודה הפרטי שלך או משאבים חיצוניים כגון אמזון מכני. Ground Truth הוא שירות תיוג נתונים מנוהל במלואו המקל על בניית מערכי אימון מדויקים ביותר עבור ML. Ground Truth מציע זרימות עבודה מובנות התומכות במגוון מקרי שימוש, כולל טקסט, תמונות ווידאו. בנוסף, Ground Truth מציע תיוג נתונים אוטומטי, המשתמש במודל ML כדי לתייג את הנתונים שלך. האיור הבא ממחיש כיצד Ground Truth עובד.
פתרון JumpStart המופעל בחשבונך יוצר מחברת לדוגמה (label_own_data.ipynb
) המאפשר לך ליצור משרות תיוג Ground Truth כדי לתייג את הנתונים שלך באמצעות כוח העבודה הפרטי שלך. לפרטים כיצד להגדיר עבודות תיוג עבור תמונות וכן משאבי הדרכה והדרכה, ראה משאבי תיוג נתונים של SageMaker Ground Truth.
כאשר תיוג הנתונים הושלם, אתה יכול להשתמש בתווית הנלווית data_visualization.ipynb
מחברת כדי להמחיש את התוצאות של תיוג הנתונים.
אימון פילוח מילים ומודלים של זיהוי טקסט בכתב יד
כעת, לאחר שהנתונים המסומנים מוכנים, אתה יכול להשתמש בהם כדי לאמן מודל שיכול לזהות קטעים בכתב יד ולהחזיר את המקבילות למחרוזת הטקסט. בחלק זה, אנו מדריכים אותך בתהליך זה ומסבירים כל שלב בבניית והכשרת המודלים. אנו משתמשים PyTorch לנצל את היתרונות של מסגרות מתקדמות לזיהוי אובייקטים וזיהוי טקסט. ניתן גם לפתח את אותה גישה באמצעות מסגרות למידה עמוקות אחרות, כגון TensorFlow or MX Net. SageMaker מספקת תמונות Docker שנבנו מראש הכוללות ספריות מסגרת למידה עמוקה ותלות אחרות הדרושות להדרכה והסקת מסקנות. לרשימה מלאה של תמונות Docker שנבנו מראש, ראה תמונות מכולות זמינות למידה עמוקה.
אימון ובדיקת מערכי נתונים
לפני שנתחיל עם אימון מודלים, אנו צריכים שיהיה לנו מערך הדרכה ומערך נתונים של בדיקה (או אימות) כדי לאמת את ביצועי המודל המאומן. מערך הנתונים של GNHK כבר מציע שני מערכי נתונים נפרדים עבור הדרכה ובדיקות בפורמט מניפסט של SageMaker, והפתרון הזה משתמש במערכי נתונים אלה. אם ברצונך להשתמש במערך נתונים משלך עם התווית, הדרך הקלה ביותר היא לפצל קובץ מניפסט נתונים עם תווית לקבוצות הרכבה ובדיקות (לדוגמה, 80% הדרכה ו-20% בדיקה).
SageMaker קורא את מערכי ההדרכה והבדיקות מאמזון S3. לאחר פיצול הנתונים, עליך לאחסן את קבצי המניפסט ואת התמונות המתאימות באמזון S3, ולאחר מכן להשתמש בקישורי URI בתסריטי ההדרכה, כפי שמתואר בסעיפים הבאים.
אימון מודל פילוח המילה
כדי להסיק על תמונות של טקסט בכתב יד המורכב ממספר שורות וכל שורה ממספר מילים, עלינו ליצור שני מודלים. המודל הראשון מפלח את התמונה למילים בודדות באמצעות חיזוי תיבה תוחמת (או לוקליזציה); המודל השני מפעיל זיהוי טקסט על כל קטע, בנפרד. כל דגם מתארח בנקודת קצה של מסקנות של SageMaker להסקת מסקנות בזמן אמת. שני הדגמים משתמשים מיכלי מסגרת PyTorch עבור גרסה 1.6.0. לפרטים נוספים על הדרכה ופריסה של מודלים עם PyTorch, כולל דרישות לאימון ותסריטי מסקנות, ראה השתמש ב- PyTorch עם SDK SageMaker Python. למטרות הדרכה, אנו משתמשים ב- מחלקה לאומדן PyTorch של SageMaker. לפרטים נוספים ראו צור מעריך. להדרכה, אתה צריך א תסריט אימון מותאם אישית כנקודת הכניסה. בעת השקת פתרון JumpStart זה בחשבונך, SageMaker מוסיף אוטומטית את כל קודי ההדרכה וההסקה המותאמים אישית הנלווים לקבצים שלך. עבור מודל הלוקליזציה, אנו משתמשים בהתאמה אישית 1_train_localisation.py
קוד תחת ה src_localisation
תיקייה. האומד משתמש במופע אחד מבוסס GPU למטרות הדרכה.
בקטע הקוד הבא, אנו מגדירים מדדי ביצועים של מודל ויוצרים כיתת אומדן PyTorch עם נקודת הכניסה מכוונת לספריית סקריפט האימון במאגר הקוד. בסוף, אנו משיקים את ההדרכה על ידי התקשרות ל- .fit
שיטה על האומד עם מערך ההדרכה ואימות על מערך הבדיקה.
אמן את מודל זיהוי הטקסט בכתב יד
לאחר שקטעי המילה נקבעים על ידי המודל הקודם, החלק הבא בצינור ההסקה הוא להפעיל מסקנות לזיהוי כתב יד על כל מקטע. התהליך זהה, אבל הפעם אנו משתמשים בסקריפט הדרכה מותאם אישית שונה, ה 2_train_recogniser.py
תסריט מתחת src_recognition
כנקודת הכניסה לאומד, ולהכשיר מודל חדש. בדומה למודל הקודם, מודל זה גם מאמן את המודל במערך הנתונים של הרכבת ומעריך את הביצועים שלו במערך הבדיקה. אם אתה מפעיל את פתרון JumpStart בחשבונך, SageMaker מוסיף אוטומטית את קודי המקור הללו לקבצים שלך בדומיין הסטודיו שלך.
בהמשך, אנחנו לצרף את האומדנים לעבודות ההדרכה, והמתן עד להשלמת ההכשרה לפני שתמשיך בפריסת הדגמים. מטרת הצירוף היא שאם הסטטוס של עבודת ההדרכה הושלמה, ניתן לפרוס אותה ליצירת נקודת קצה של SageMaker ולהחזיר מנבא, אך אם עבודת ההדרכה בעיצומה, ה-Attach חוסם ומציג הודעות יומן מעבודת ההדרכה. , עד לסיום עבודת ההדרכה. כל עבודת הדרכה עשויה להימשך כשעה אחת.
כאשר שני הדרכות המודל יסתיימו, אתה יכול לעבור לשלב הבא, שהוא יצירת נקודת קצה להסקת מסקנות בזמן אמת על תמונות באמצעות שני הדגמים שאימנו זה עתה.
צור נקודות קצה של SageMaker להסקת מסקנות בזמן אמת
השלב הבא בבניית פתרון זה הוא יצירת נקודות קצה עם המודלים המאומנים שבהם נוכל להשתמש להסקת מסקנות בזמן אמת על טקסט בכתב יד. אנו מדריכים אותך לאורך השלבים של הורדת חפצי המודל, יצירת קונטיינר מודל, פריסת הקונטיינרים ולבסוף שימוש במודלים הפרוסים כדי להסיק בזמן אמת על תמונת הדגמה או תמונה משלך.
ראשית עלינו לנתח חפצי מודל מאומנים מאמזון S3. לאחר כל עבודת אימון, SageMaker מאחסן את הדגם המאומן בצורה של כדור זפת (.tar.gz
) ב-Amazon S3 שאתה יכול להוריד כדי להשתמש בתוך או מחוצה לו SageMaker. למטרה זו, קטע הקוד הבא משתמש בשלוש פונקציות שירות (get_latest_training_job
, get_model_data
, ו parse_model_data
) מ ה sm_utils
תיקייה שמתווספת אוטומטית לקבצים שלך בסטודיו כאשר אתה מפעיל את פתרון JumpStart בחשבונך. הסקריפט מראה כיצד להוריד את נתוני מודל פילוח המילים (או לוקליזציה) של PyTorch, לדחוס אותם לכדור זפת ולהעתיק אותו לאמזון S3 לבניית המודל מאוחר יותר. אתה יכול לחזור על תהליך זה עבור מודל זיהוי הטקסט.
כעת, כשיש לנו את קבצי המודל המיומנים, קל ליצור מיכל מודל ב- SageMaker. מכיוון שאימנו את המודל עם מחלקת הערכת PyTorch, אנו יכולים להשתמש במחלקת המודל PyTorch כדי ליצור מיכל מודל שמשתמש בסקריפט מסקנות מותאם אישית. לִרְאוֹת פרוס מודלים של PyTorch לפרטים נוספים. לאחר שניצור את המודל, נוכל ליצור מנבא על ידי פריסת המודל כנקודת קצה להסקת מסקנות בזמן אמת. אתה יכול לשנות את מספר המופעים עבור נקודת הקצה שלך או לבחור מופע מחשוב מואץ (GPU) אחר מה רשימה של מופעים זמינים להסקת מסקנות בזמן אמת. מחלקת המודל של PyTorch משתמשת ב- inference.py
סקריפט עבור כל דגם שמתווסף לקבצים שלך כאשר אתה מפעיל את פתרון JumpStart בתחום הסטודיו שלך. בקוד הבא, אנו יוצרים את מודל הפילוח של המילה. אתה יכול לעקוב אחר אותה גישה ליצירת מודל זיהוי הטקסט.
כעת נוכל לבנות את נקודת הקצה על ידי קריאה ל- .deploy
שיטה על המצב ויצירת מנבא. לאחר מכן אנו מצמידים את ה-serializer ואת deserializer לנקודת הקצה. אתה יכול לעקוב אחר אותה גישה עבור המצב השני, לזיהוי טקסט.
יצירת נקודת הקצה אמורה להימשך כ-6-7 דקות. הקוד הבא יוצר מלצרים ליצירת נקודות קצה ומופיע כמושלם כשהם מסיימים.
לאחר השלמת פריסות המודל, תוכל לשלוח תמונה של קטע בכתב יד לנקודת הקצה הראשונה כדי לקבל את התיבות התוחמות ואת הקואורדינטות שלהן עבור כל מילה. לאחר מכן השתמש בקואורדינטות הללו כדי לחתוך כל תיבה תוחמת ולשלוח אותן לנקודת הקצה השנייה בנפרד ולקבל את מחרוזת הטקסט המזוהה עבור כל תיבה תוחמת. לאחר מכן תוכל לקחת את הפלטים של שתי נקודות הקצה ולכסות את התיבות התוחמות ואת הטקסט על התמונה הגולמית, או להשתמש בפלטים בתהליכים במורד הזרם שלך.
התרשים הבא ממחיש את זרימת העבודה הכוללת של התהליך.
רחבות
כעת, כשיש לך נקודות קצה עובדות שמסיקות מסקנות בזמן אמת, אתה יכול להשתמש בהן עבור היישומים או האתר שלך. עם זאת, נקודות הקצה של SageMaker שלך עדיין אינן פומביות; אתה צריך לבנות שערים של API כדי לאפשר תעבורה חיצונית לנקודות הקצה של SageMaker שלך. API Gateway הוא שירות מנוהל במלואו המקל על מפתחים ליצור, לפרסם, לתחזק, לנטר ולאבטח ממשקי API בכל קנה מידה. אתה יכול להשתמש ב-API Gateway כדי להציג נקודת כניסה יחידה הפונה החוצה עבור נקודות הקצה של SageMaker, ולספק אבטחה, גז, אימות, חומת אש כפי שסופקו על ידי AWS WAF, ועוד הרבה. עם תבניות מיפוי של שער API, אתה יכול להפעיל את נקודת הקצה של SageMaker עם בקשת REST API ולקבל בחזרה תגובת API. תבניות מיפוי מאפשרות לך לשלב את שער ה-API שלך ישירות עם נקודות הקצה של SageMaker ללא צורך באמצעי ביניים AWS למבדה פונקציה, מה שהופך את היישומים המקוונים שלך למהירים וזולים יותר. כדי ליצור שער API ולהשתמש בו כדי להסיק מסקנות בזמן אמת עם נקודות הקצה של SageMaker (כמו בארכיטקטורה הבאה), ראה יצירת REST API המופעל על ידי למידה באמצעות תבניות מיפוי של Amazon API Gateway ו- Amazon SageMaker.
סיכום
בפוסט זה, הסברנו פתרון מקצה לקצה לזיהוי טקסט בכתב יד באמצעות מודלים מותאמים אישית של SageMaker. הפתרון כלל תיוג נתוני אימון באמצעות Ground Truth, נתוני אימון עם שיעורי אומדן PyTorch וסקריפטים מותאמים אישית, ויצירת נקודות קצה של SageMaker להסקת מסקנות בזמן אמת. הסברנו גם כיצד תוכל ליצור שער API ציבורי שניתן להשתמש בו בצורה מאובטחת עם היישומים הניידים או האתר שלך.
לדוגמאות נוספות של SageMaker, בקר ב- מאגר GitHub. בנוסף, תוכל למצוא עוד PyTorch הביאו-שלך דוגמאות.
לדוגמאות נוספות של SageMaker Python עבור MXNet, TensorFlow ו- PyTorch, בקר בכתובת מיכלי מסגרת מובנים מראש של Amazon SageMaker ו-SDK של Python.
לדוגמאות נוספות של Ground Truth, בקר מבוא למשרות תיוג אמת בקרקע. מידע נוסף על SageMaker ניתן למצוא ב- תיעוד טכני.
על הכותבים
ג'ונתן צ'ונג הוא מדען יישומי בטכנולוגיית Halo Health. הוא עובד על יישום עיבוד אותות קלאסי וטכניקות למידה עמוקה על סדרות זמן ונתונים ביומטריים. בעבר הוא היה מדע יישומי ב-AWS. הוא נהנה לבשל ולבקר בערים היסטוריות ברחבי העולם.
ד"ר ניק מינאי, הוא מנהל מדעי הנתונים והבינה העסקית באמזון, המוביל פיתוח מוצר למידת מכונה חדשנית עבור צוות זמן ונוכחות של אמזון. בעבר, הוא שימש כארכיטקט פתרונות בינה מלאכותית/ML בכיר ב-AWS, ועזר ללקוחות במסעם אל פתרונות למידת מכונה מתוכננים היטב בקנה מידה. בזמנו הפנוי, ניק נהנה מזמן משפחתי, מציור מופשט ומחקור בטבע.
ד"ר לי ג'אנג הוא מנהל מוצר-טכני עבור Amazon SageMaker JumpStart ו- Amazon SageMaker אלגוריתמים מובנים, שירות המסייע למדעני נתונים ולמתרגלים ללמידת מכונות להתחיל עם אימון ופריסת המודלים שלהם, ומשתמש בלמידת חיזוק באמצעות Amazon SageMaker. עבודתו בעבר כחברת צוות מחקר וממציאה ראשית ב- IBM Research זכתה בפרס נייר הזמן למבחן ב- IEEE INFOCOM.
שנגואה יו הוא מהנדס פיתוח תוכנה באמזון SageMaker. היא מתמקדת בבניית כלים ומוצרים של למידת מכונה עבור לקוחות. מחוץ לעבודה, היא נהנית בחוץ, יוגה וטיולים.
- '
- "
- 100
- 11
- 2021
- חֶשְׁבּוֹן
- תוספת
- נוסף
- יתרון
- alex
- אלגוריתמים
- תעשיות
- אמזון בעברית
- שער API של אמזון
- אמזון SageMaker
- אנליזה
- אַפָּשׁ
- API
- ממשקי API
- יישומים
- ארכיטקטורה
- סביב
- אימות
- AWS
- בנקאות
- הטוב ביותר
- שיטות עבודה מומלצות
- ביומטריה
- אריזה מקורית
- לִבנוֹת
- בִּניָן
- עסקים
- מודיעין עסקי
- עסקים
- שיחה
- כיתובים
- מקרים
- האתגרים
- שינוי
- זיהוי תווים
- ערים
- קוד
- איסוף
- חברות
- הענות
- ראייה ממוחשבת
- מחשוב
- כנס
- תְצוּרָה
- מכולה
- מכולות
- תוכן
- בישול
- יוצרים
- יבול
- שירות לקוחות
- לקוחות
- נתונים
- מדע נתונים
- מאגרי מידע
- למידה עמוקה
- פריסה
- איתור
- לפתח
- מפתחים
- צעצועי התפתחות
- דיגיטלי
- סַוָר
- מסמכים
- נקודת קצה
- מהנדס
- אנגלית
- במיוחד
- אחוזה
- דוגמה
- הוֹצָאָה
- מול
- משפחה
- מהר יותר
- תרשים
- בסופו של דבר
- כספי
- שירותים פיננסיים
- ראשון
- מתאים
- לעקוב
- טופס
- פוּרמָט
- מסגרת
- פונקציה
- פונקציות
- ליצור
- טוב
- GPU
- טיפול
- בְּרִיאוּת
- בריאות טק
- בריאות
- גָבוֹהַ
- טיולים
- אירוח
- איך
- איך
- HTTPS
- יבמ
- IEEE
- תמונה
- כלול
- כולל
- תעשיות
- מידע
- חדשני
- מוֹדִיעִין
- לחקור
- IT
- עבודה
- מקומות תעסוקה
- תיוג
- לשגר
- עוֹפֶרֶת
- מוביל
- למידה
- משפטי
- קו
- רשימה
- לוקליזציה
- למידת מכונה
- עשייה
- מדדים
- ML
- סלולרי
- אפליקציות ניידות
- מודל
- המהלך
- נחוץ
- מחשבים ניידים
- זיהוי אובייקט
- OCR
- המיוחדות שלנו
- באינטרנט
- אחר
- בחוץ
- אריזה
- ציור
- מאמר
- ביצועים
- מְצוּלָע
- נבואה
- להציג
- מנהל
- פְּרָטִי
- המוצר
- פיתוח מוצר
- מוצרים
- לספק
- מספק
- ציבורי
- לפרסם
- פיתון
- פיטורך
- איכות
- חי
- נתונים גולמיים
- מקרקעין
- זמן אמת
- תקנון
- למידה חיזוק
- דרישות
- מחקר
- משאבים
- תגובה
- REST
- תוצאות
- הפעלה
- בעל חכמים
- סולם
- סריקה
- מדע
- מדענים
- אבטחה
- סדרה
- שירותים
- סט
- שיתוף
- פָּשׁוּט
- מיומנויות
- תוכנה
- פיתוח תוכנה
- פתרונות
- לפצל
- החל
- מצב
- אחסון
- חנות
- חנויות
- תמיכה
- טק
- טכניקות
- טכנולוגיה
- tensorflow
- מבחן
- בדיקות
- העולם
- דרך
- זמן
- כלים
- תְנוּעָה
- הדרכה
- רכבות
- הדרכה
- URI
- תועלת
- וִידֵאוֹ
- חזון
- כֶּרֶך
- W
- לחכות
- אתר
- לְלֹא
- מילים
- תיק עבודות
- זרימת עבודה
- כוח עבודה
- עובד
- עוֹלָם
- כתיבה
- X
- שנים
- יוגה