עם הופעת הבינה המלאכותית הגנרטיבית, מודלי היסוד (FMs) של היום, כגון מודלים של שפה גדולה (LLMs) קלוד 2 ו-Llama 2, יכולים לבצע מגוון של משימות גנרטיביות כמו מענה לשאלות, סיכום ויצירת תוכן על נתוני טקסט. עם זאת, נתונים מהעולם האמיתי קיימים במספר אופנים, כגון טקסט, תמונות, וידאו ואודיו. קחו למשל חפיסת שקופיות של PowerPoint. זה יכול להכיל מידע בצורה של טקסט, או מוטבע בגרפים, טבלאות ותמונות.
בפוסט זה אנו מציגים פתרון המשתמש במכשירי FM מולטי-מודאליים כגון Embeddings Multimodal של Amazon Titan דגם ו LLaVA 1.5 ושירותי AWS כולל סלע אמזון ו אמזון SageMaker לבצע משימות יצירתיות דומות על נתונים מולטי-מודאליים.
סקירת פתרונות
הפתרון מספק יישום למענה על שאלות תוך שימוש במידע הכלול בטקסט ובאלמנטים החזותיים של חפיסת שקופיות. העיצוב מסתמך על הרעיון של Retrieval Augmented Generation (RAG). באופן מסורתי, RAG נקשר לנתונים טקסטואליים שניתן לעבד על ידי LLMs. בפוסט זה, אנו מרחיבים את RAG כך שיכלול גם תמונות. זה מספק יכולת חיפוש רבת עוצמה כדי לחלץ תוכן רלוונטי מבחינה הקשרית מאלמנטים חזותיים כמו טבלאות וגרפים יחד עם טקסט.
ישנן דרכים שונות לעצב פתרון RAG הכולל תמונות. הצגנו כאן גישה אחת ונמשיך עם גישה חלופית בפוסט השני בסדרה בת שלושה חלקים זו.
פתרון זה כולל את הרכיבים הבאים:
- Amazon Titan Multimodal Embeddings דגם - FM זה משמש ליצירת הטבעות עבור התוכן בחפיסת השקופיות המשמשת בפוסט זה. כמודל מולטי-מודאלי, מודל טיטאן זה יכול לעבד טקסט, תמונות או שילוב כקלט וליצור הטבעות. מודל Titan Multimodal Embeddings מייצר וקטורים (הטבעות) של 1,024 ממדים וניגשים אליו דרך Amazon Bedrock.
- עוזר שפה וחזון גדול (LLaVA) – LLaVA הוא מודל מולטי-מודאלי בקוד פתוח להבנת חזותית ושפה ומשמש לפירוש הנתונים בשקופיות, כולל אלמנטים ויזואליים כגון גרפים וטבלאות. אנו משתמשים בגרסת 7 מיליארד פרמטרים LLaVA 1.5-7b בפתרון הזה.
- אמזון SageMaker – מודל ה-LLaVA נפרס על נקודת קצה של SageMaker תוך שימוש בשירותי אירוח של SageMaker, ואנו משתמשים בנקודת הקצה המתקבלת כדי להפעיל מסקנות כנגד מודל ה-LLaVA. אנו משתמשים גם במחברות של SageMaker כדי לתזמר ולהדגים את הפתרון הזה מקצה לקצה.
- Amazon OpenSearch ללא שרתים – OpenSearch Serverless היא תצורה ללא שרת לפי דרישה עבור שירות חיפוש פתוח של אמזון. אנו משתמשים ב-OpenSearch Serverless כמסד נתונים וקטור לאחסון הטמעות שנוצרו על ידי מודל Titan Multimodal Embeddings. אינדקס שנוצר באוסף OpenSearch Serverless משמש כחנות הוקטורית לפתרון RAG שלנו.
- אמזון OpenSearch Ingestion (OSI) – OSI הוא אוסף נתונים ללא שרתים מנוהל במלואו, המספק נתונים לדומיינים של OpenSearch Service ולאוספי OpenSearch Serverless. בפוסט זה, אנו משתמשים בצינור OSI כדי לספק נתונים לחנות הווקטור ללא שרת OpenSearch.
ארכיטקטורת הפתרונות
עיצוב הפתרון מורכב משני חלקים: הטמעה ואינטראקציה עם המשתמש. במהלך ההטמעה, אנו מעבדים את סיפון השקופיות הקלט על ידי המרת כל שקופית לתמונה, יוצרים הטבעות עבור התמונות הללו ולאחר מכן מאכלסים את מאגר הנתונים הווקטוריים. השלבים האלה הושלמו לפני שלבי האינטראקציה עם המשתמש.
בשלב האינטראקציה של המשתמש, שאלה מהמשתמש מומרת להטמעות וחיפוש דמיון מופעל על מסד הנתונים הווקטוריים כדי למצוא שקופית שעלולה להכיל תשובות לשאלות המשתמש. לאחר מכן אנו מספקים את השקף הזה (בצורה של קובץ תמונה) למודל LLaVA ואת שאלת המשתמש כהנחיה להפקת תשובה לשאילתה. כל הקוד לפוסט הזה זמין ב- GitHub ריפו.
התרשים הבא ממחיש את ארכיטקטורת הבליעה.
שלבי זרימת העבודה הם כדלקמן:
- שקופיות מומרות לקבצי תמונה (אחד לשקופית) בפורמט JPG ומועברות למודל Titan Multimodal Embeddings כדי ליצור הטבעות. בפוסט זה, אנו משתמשים בסיפון השקופיות שכותרתו אימון ופריסה של דיפוזיה יציבה באמצעות AWS Trainium ו-AWS Inferentia מפסגת AWS בטורונטו, יוני 2023, כדי להדגים את הפתרון. לסיפון המדגם יש 31 שקופיות, כך שאנו יוצרים 31 סטים של הטבעות וקטוריות, כל אחת עם 1,024 ממדים. אנו מוסיפים שדות מטא נתונים נוספים להטמעות וקטוריות אלו שנוצרו ויוצרים קובץ JSON. ניתן להשתמש בשדות המטא נתונים הנוספים הללו לביצוע שאילתות חיפוש עשירות באמצעות יכולות החיפוש החזקות של OpenSearch.
- ההטבעות שנוצרות מורכבות בקובץ JSON יחיד שמועלה אליו שירות אחסון פשוט של אמזון (אמזון S3).
- בְּאֶמצָעוּת הודעות אירוע של אמזון S3, אירוע מוכנס ב- שירות תורים פשוט של אמזון (אמזון SQS) תור.
- אירוע זה בתור SQS פועל כטריגר להפעלת צינור OSI, אשר בתורו קולט את הנתונים (קובץ JSON) כמסמכים לאינדקס OpenSearch Serverless. שים לב שהאינדקס של OpenSearch Serverless מוגדר בתור ה-Sink עבור צינור זה והוא נוצר כחלק מאוסף OpenSearch Serverless.
התרשים הבא ממחיש את ארכיטקטורת האינטראקציה של המשתמש.
שלבי זרימת העבודה הם כדלקמן:
- משתמש שולח שאלה הקשורה לחפיסת השקופיות שנבלעה.
- קלט המשתמש מומר להטמעות באמצעות מודל Titan Multimodal Embeddings אליו ניתן לגשת דרך Amazon Bedrock. חיפוש וקטורי של OpenSearch מתבצע באמצעות הטמעות אלה. אנו מבצעים חיפוש שכן הקרוב (k=1) כדי לאחזר את ההטמעה הרלוונטית ביותר התואמת את שאילתת המשתמש. הגדרה k=1 מאחזרת את השקף הרלוונטי ביותר לשאלת המשתמש.
- המטא נתונים של התגובה מ-OpenSearch Serverless מכילים נתיב לתמונה המתאים לשקופית הרלוונטית ביותר.
- הנחיה נוצרת על ידי שילוב שאלת המשתמש ונתיב התמונה ומסופקת ל-LLaVA המתארח ב- SageMaker. מודל LLaVA מסוגל להבין את שאלת המשתמש ולענות עליה על ידי בחינת הנתונים בתמונה.
- התוצאה של הסקה זו מוחזרת למשתמש.
שלבים אלה נדונים בפירוט בסעיפים הבאים. ראה את תוצאות סעיף לצילומי מסך ופרטים על הפלט.
תנאים מוקדמים
כדי ליישם את הפתרון המופיע בפוסט זה, אתה צריך להיות חשבון AWS והיכרות עם FMs, Amazon Bedrock, SageMaker ו-OpenSearch Service.
פתרון זה משתמש במודל Titan Multimodal Embeddings. ודא שמודל זה מופעל לשימוש ב- Amazon Bedrock. בקונסולת Amazon Bedrock, בחר גישה לדגם בחלונית הניווט. אם Titan Multimodal Embeddings מופעלת, סטטוס הגישה יצוין גישה מאופשרת.
אם הדגם אינו זמין, אפשר גישה לדגם על ידי בחירה נהל גישה למודלים, בחירה Titan Multimodal Embeddings G1, ובחירה בקש גישה לדגם. הדגם מופעל לשימוש מיידי.
השתמש בתבנית AWS CloudFormation כדי ליצור את ערימת הפתרונות
השתמש באחת מהאפשרויות הבאות AWS CloudFormation תבניות (בהתאם לאזור שלך) כדי להפעיל את משאבי הפתרון.
אזור AWS | קישור |
---|---|
us-east-1 |
|
us-west-2 |
לאחר יצירת המחסנית בהצלחה, נווט אל המחסנית יציאות הכרטיסייה במסוף AWS CloudFormation ורשום את הערך עבור MultimodalCollectionEndpoint
, שבו אנו משתמשים בשלבים הבאים.
תבנית CloudFormation יוצרת את המשאבים הבאים:
- תפקידי IAM - הבאים AWS זהות וניהול גישה נוצרים תפקידים (IAM). עדכן את התפקידים האלה כדי ליישם הרשאות לפחות הרשאות.
SMExecutionRole
עם Amazon S3, SageMaker, OpenSearch Service ו-Bedrock גישה מלאה.OSPipelineExecutionRole
עם גישה לפעולות ספציפיות של Amazon SQS ו-OSI.
- מחברת SageMaker - כל הקוד לפוסט זה מופעל באמצעות מחברת זו.
- אוסף OpenSearch Serverless – זהו מסד הנתונים הווקטוריים לאחסון ושליפה של הטבעות.
- צינור OSI - זהו הצינור להטמעת נתונים לתוך OpenSearch Serverless.
- דלי S3 - כל הנתונים עבור פוסט זה מאוחסנים בדלי זה.
- תור SQS – האירועים להפעלת הפעלת הצינור של OSI מוכנסים לתור זה.
תבנית CloudFormation מגדירה את צינור ה-OSI עם עיבוד Amazon S3 ו-Amazon SQS כמקור ואינדקס OpenSearch Serverless כ-Sink. כל האובייקטים שנוצרו בדלי ובקידומת S3 שצוינו (multimodal/osi-embeddings-json
) יפעיל התראות SQS, המשמשות את צינור OSI כדי להטמיע נתונים לתוך OpenSearch Serverless.
תבנית CloudFormation גם יוצרת רשת, הצף, ו גישה למידע מדיניות הנדרשת עבור אוסף OpenSearch Serverless. עדכן את המדיניות הזו כדי להחיל הרשאות עם הרשאות הכי פחות.
שים לב ששם תבנית CloudFormation מופנה במחברות של SageMaker. אם שם תבנית ברירת המחדל שונה, ודא שאתה מעדכן אותו ב globals.py
בדוק את הפתרון
לאחר השלמת השלבים המוקדמים וערימת CloudFormation נוצרה בהצלחה, כעת אתה מוכן לבדוק את הפתרון:
- במסוף SageMaker בחר מחברה בחלונית הניווט.
- בחר
MultimodalNotebookInstance
מופע מחברת ובחר פתח את JupyterLab. - In סייר קבצים, עבור אל תיקיית המחברות כדי לראות את המחברות והקבצים התומכים.
המחברות ממוספרות ברצף שבו הן מופעלות. הוראות והערות בכל מחברת מתארות את הפעולות שמבצעות אותה מחברת. אנו מריצים את המחברות הללו אחת אחת.
- בחרו 0_deploy_llava.ipynb כדי לפתוח אותו ב- JupyterLab.
- על הפעלה בתפריט, בחר הפעל את כל התאים כדי להפעיל את הקוד במחברת זו.
מחברת זו פורסת את דגם LLaVA-v1.5-7B לנקודת קצה של SageMaker. במחברת זו, אנו מורידים את דגם LLaVA-v1.5-7B מ- HuggingFace Hub, מחליפים את הסקריפט inference.py ב- llava_inference.py, וצור קובץ model.tar.gz עבור מודל זה. הקובץ model.tar.gz מועלה לאמזון S3 ומשמש לפריסת המודל בנקודת הקצה של SageMaker. ה llava_inference.py לסקריפט יש קוד נוסף כדי לאפשר קריאת קובץ תמונה מ-Amazon S3 ולהפעיל עליו הסקה.
- בחרו 1_data_prep.ipynb כדי לפתוח אותו ב- JupyterLab.
- על הפעלה בתפריט, בחר הפעל את כל התאים כדי להפעיל את הקוד במחברת זו.
מחברת זו מורידה את סיפון שקופיות, ממיר כל שקופית לפורמט קובץ JPG ומעלה אותם לדלי S3 המשמש לפוסט זה.
- בחרו 2_data_ingestion.ipynb כדי לפתוח אותו ב- JupyterLab.
- על הפעלה בתפריט, בחר הפעל את כל התאים כדי להפעיל את הקוד במחברת זו.
אנו עושים את הפעולות הבאות במחברת זו:
- אנו יוצרים אינדקס באוסף OpenSearch Serverless. אינדקס זה מאחסן את נתוני ההטמעות עבור סיפון השקופיות. ראה את הקוד הבא:
- אנו משתמשים במודל Titan Multimodal Embeddings כדי להמיר את תמונות JPG שנוצרו במחברת הקודמת להטבעות וקטוריות. הטמעות אלו ומטא נתונים נוספים (כגון נתיב S3 של קובץ התמונה) מאוחסנים בקובץ JSON ומועלים לאמזון S3. שימו לב שנוצר קובץ JSON יחיד, המכיל מסמכים עבור כל השקופיות (התמונות) שהומרו להטמעות. קטע הקוד הבא מראה כיצד תמונה (בצורה של מחרוזת מקודדת Base64) מומרת להטמעות:
- פעולה זו מפעילה את הצינור OpenSearch Ingestion, המעבד את הקובץ ומכניס אותו לאינדקס OpenSearch Serverless. להלן דוגמה של קובץ JSON שנוצר. (וקטור עם ארבע ממדים מוצג בקוד לדוגמה. מודל Titan Multimodal Embeddings מייצר 1,024 מימדים.)
- בחרו 3_rag_inference.ipynb כדי לפתוח אותו ב- JupyterLab.
- על הפעלה בתפריט, בחר הפעל את כל התאים כדי להפעיל את הקוד במחברת זו.
מחברת זו מיישמת את פתרון RAG: אנו ממירים את שאלת המשתמש להטמעות, מוצאים תמונה דומה (שקופית) ממסד הנתונים הווקטוריים, ומספקים את התמונה שאוחזרו ל-LLaVA כדי ליצור תשובה לשאלת המשתמש. אנו משתמשים בתבנית ההנחיה הבאה:
קטע הקוד הבא מספק את זרימת העבודה של RAG:
תוצאות
להלן אוסף של כמה שאלות ותגובות משתמשים שנוצרו על ידי היישום שלנו. ה שאלה העמודה לוכדת את שאלת המשתמש ואת ה תשובה העמודה היא התגובה הטקסטואלית שנוצרת על ידי LLaVA. תמונה היא התאמת השקופיות הקרובה ביותר ל-k (k=1) שהוחזרה על ידי חיפוש וקטור ללא שרת OpenSearch. שקופית זו מתפרשת על ידי LLaVA כדי לספק את התשובה.
תוצאות RAG מולטי-מודאליות
שאלה | תשובה | תמונה |
---|---|---|
איך Inf2 משתווה בביצועים למקרי EC2 דומים? אני צריך מספרים. | על פי סיפון השקופיות, מופעי Inf2 של AWS Inferentia2 מציעים תפוקה גבוהה פי 4 והשהייה נמוכה פי 10 בהשוואה למופעי EC2 דומים. | |
לפי גלגל התנופה של AI/ML, מה מספקים שירותי AWS AI/ML? | שירותי AWS AI/ML מספקים יכולות טובות יותר של $/perfer, יכולות חדשות והשקעה בחדשנות. | |
בהשוואה ל-GPT-2, כמה פרמטרים נוספים יש ל-GPT-3? מה ההבדל המספרי בין גודל הפרמטר של GPT-2 ו-GPT-3? | לפי השקף, ל-GPT-3 יש 175 מיליארד פרמטרים, בעוד ל-GPT-2 יש 1.5 מיליארד פרמטרים. ההבדל המספרי בין גודל הפרמטרים של GPT-2 ו-GPT-3 הוא 173.5 מיליארד. | |
מהם קווארקים בפיזיקה של חלקיקים? | לא מצאתי את התשובה לשאלה זו בסיפון השקופיות. |
אל תהסס להרחיב את הפתרון הזה לחפיסות השקופיות שלך. כל שעליך לעשות הוא לעדכן את המשתנה SLIDE_DECK ב-globals.py עם כתובת URL לחפיסת השקופיות שלך ולהפעיל את שלבי ההטמעה המפורטים בסעיף הקודם.
עצה
אתה יכול להשתמש במרכזי המחוונים של OpenSearch כדי ליצור אינטראקציה עם ה-API של OpenSearch כדי להריץ בדיקות מהירות על האינדקס והנתונים שהוכנסו. צילום המסך הבא מציג דוגמה ללוח המחוונים של OpenSearch GET.
לנקות את
כדי להימנע מחיובים עתידיים, מחק את המשאבים שיצרת. אתה יכול לעשות זאת על ידי מחיקת המחסנית דרך מסוף CloudFormation.
בנוסף, מחק את נקודת הסיום של SageMaker שנוצרה להסקת LLaVA. אתה יכול לעשות זאת על ידי ביטול הערות לשלב הניקוי 3_rag_inference.ipynb והפעלת התא, או על ידי מחיקת נקודת הקצה דרך מסוף SageMaker: בחר הסקה ו נקודות קצה בחלונית הניווט, ולאחר מכן בחר את נקודת הקצה ומחק אותה.
סיכום
ארגונים מייצרים תוכן חדש כל הזמן, וחפיסות שקופיות הן מנגנון נפוץ המשמש לשיתוף והפצת מידע פנימי עם הארגון וחיצוני עם לקוחות או בכנסים. לאורך זמן, מידע עשיר יכול להישאר קבור ומוסתר באופנים שאינם טקסט כמו גרפים וטבלאות בחפיסות השקופיות הללו. אתה יכול להשתמש בפתרון זה ובכוחם של מכשירי FM מולטי-מודאליים כגון מודל Titan Multimodal Embeddings ו-LLaVA כדי לגלות מידע חדש או לחשוף נקודות מבט חדשות על תוכן בחפיסות שקופיות.
אנו ממליצים לך ללמוד עוד על ידי חקר אמזון SageMaker JumpStart, דגמי אמזון טיטאן, Amazon Bedrock ו-OpenSearch Service, ובניית פתרון באמצעות היישום לדוגמה המופיע בפוסט זה.
חפשו שני פוסטים נוספים כחלק מהסדרה הזו. חלק 2 מכסה גישה נוספת שתוכל לנקוט כדי לדבר עם חפיסת השקופיות שלך. גישה זו מייצרת ומאחסנת מסקנות LLaVA ומשתמשת באותן מסקנות מאוחסנות כדי להגיב לשאילתות משתמשים. חלק 3 משווה בין שתי הגישות.
על המחברים
עמית ערורה הוא אדריכל מומחה בינה מלאכותית ו-ML בשירותי האינטרנט של אמזון, שעוזר ללקוחות ארגוניים להשתמש בשירותי למידת מכונה מבוססי ענן כדי להגדיל במהירות את החידושים שלהם. הוא גם מרצה נלווה בתוכנית MS Data Science and Analytics באוניברסיטת ג'ורג'טאון בוושינגטון די.סי.
מנג'ו פראסד הוא ארכיטקט פתרונות בכיר בחשבונות אסטרטגיים בשירותי האינטרנט של אמזון. היא מתמקדת במתן הדרכה טכנית במגוון תחומים, כולל AI/ML ללקוח M&E. לפני שהצטרפה ל-AWS, היא עיצבה ובנתה פתרונות לחברות במגזר השירותים הפיננסיים וגם לסטארטאפ.
ארחנה אינפודי הוא אדריכל פתרונות בכיר ב-AWS התומך בלקוחות אסטרטגיים. יש לה למעלה מעשור של ניסיון בסיוע ללקוחות לעצב ולבנות פתרונות ניתוח נתונים ומסד נתונים. היא נלהבת משימוש בטכנולוגיה כדי לספק ערך ללקוחות ולהשיג תוצאות עסקיות.
אנטרה ראיסה הוא ארכיטקט פתרונות בינה מלאכותית ו-ML בשירותי האינטרנט של אמזון התומך בלקוחות אסטרטגיים המבוססים מדאלאס, טקסס. יש לה גם ניסיון קודם בעבודה עם שותפים ארגוניים גדולים ב-AWS, שם עבדה כאדריכלית פתרונות שותפים להצלחה עבור לקוחות מקוריים דיגיטליים.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
- PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
- PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/talk-to-your-slide-deck-using-multimodal-foundation-models-hosted-on-amazon-bedrock-and-amazon-sagemaker-part-1/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 1
- 10
- 100
- 13
- 15%
- 16
- 173
- 20
- 2023
- 26
- 29
- 31
- 8
- 9
- a
- יכול
- אודות
- גישה
- נצפה
- חשבונות
- להשיג
- פעולה
- פעולות
- מעשים
- להוסיף
- נוסף
- נלווה
- הִתגַלוּת
- נגד
- AI
- AI / ML
- תעשיות
- להתיר
- לאורך
- גם
- אמזון בעברית
- אמזון SageMaker
- אמזון שירותי אינטרנט
- an
- ניתוח
- ו
- אחר
- לענות
- מענה
- תשובות
- כל
- API
- החל
- גישה
- גישות
- ארכיטקטורה
- ARE
- AS
- לשאול
- עוזר
- המשויך
- At
- אודיו
- מוגבר
- תודה
- זמין
- לְהִמָנַע
- AWS
- AWS CloudFormation
- מבוסס
- BE
- היה
- מוטב
- בֵּין
- B
- גוּף
- לִבנוֹת
- בִּניָן
- נבנה
- עסקים
- by
- CAN
- יכולות
- יכולת
- לוכדת
- תא
- השתנה
- חיובים
- בחרו
- בחירה
- לקוחות
- קוד
- אוסף
- אוספים
- אספן
- טור
- שילוב
- שילוב
- הערות
- Common
- חברות
- השוואה
- לְהַשְׁווֹת
- לעומת
- להשלים
- השלמת
- רכיבים
- מושג
- כנסים
- תְצוּרָה
- מוגדר
- מורכב
- קונסול
- להכיל
- הכלול
- מכיל
- תוכן
- יצירת תוכן
- להמיר
- הומר
- המרת
- תוֹאֵם
- יכול
- מכסה
- לִיצוֹר
- נוצר
- יוצר
- יוצרים
- יצירה
- אישורים
- לקוח
- לקוחות
- דאלאס
- לוח מחוונים
- לוחות מחוונים
- נתונים
- ניתוח נתונים
- מדע נתונים
- מסד נתונים
- עָשׂוֹר
- סיפון
- בְּרִירַת מֶחדָל
- למסור
- מספק
- להפגין
- תלוי
- לפרוס
- פרס
- פריסה
- פורס
- לתאר
- עיצוב
- מעוצב
- פרט
- מְפוֹרָט
- פרטים
- תרשים
- DICT
- DID
- הבדל
- אחר
- שידור
- דיגיטלי
- מֵמַד
- ממדים
- לגלות
- נָדוֹן
- לְהַצִיג
- do
- מסמכים
- עושה
- תחומים
- להורדה
- הורדות
- בְּמַהֲלָך
- e
- כל אחד
- אלמנטים
- מוטבע
- הטבעה
- לאפשר
- מופעל
- מוצפן
- לעודד
- סוף
- נקודת קצה
- מנוע
- לְהַבטִיחַ
- מִפְעָל
- לקוחות ארגוניים
- שגיאה
- Ether (ETH)
- אירוע
- אירועים
- בוחן
- דוגמה
- אלא
- יוצא מן הכלל
- קיים
- ניסיון
- היכרות
- להאריך
- מבחינה חיצונית
- תמצית
- בְּקִיאוּת
- שדות
- שלח
- קבצים
- כספי
- שירותים פיננסיים
- מתמקד
- לעקוב
- הבא
- כדלקמן
- בעד
- טופס
- פוּרמָט
- קרן
- ארבע
- חופשי
- החל מ-
- מלא
- לגמרי
- עתיד
- ליצור
- נוצר
- מייצר
- דור
- גנרטטיבית
- AI Generative
- גאורגטאון
- לקבל
- GitHub
- הולך
- גרפים
- הדרכה
- יש
- he
- מועיל
- עזרה
- כאן
- מוּסתָר
- גבוה יותר
- להיטים
- המארח
- אירח
- אירוח
- מארחים
- איך
- אולם
- HTML
- http
- HTTPS
- טבור
- חיבוק פנים
- i
- IAM
- זהות
- if
- מדגים
- תמונה
- תמונות
- מיד
- ליישם
- הפעלה
- מיישמים
- in
- לכלול
- כולל
- כולל
- מדד
- מדדים
- מידע
- חדשנות
- חידושים
- קלט
- למשל
- מקרים
- הוראות
- אינטראקציה
- אינטראקציה
- כלפי פנים
- אל תוך
- השקעה
- IT
- הצטרפות
- jpg
- ג'סון
- יוני
- שפה
- גָדוֹל
- חֶבִיוֹן
- לשגר
- לִלמוֹד
- למידה
- מרצה
- כמו
- קשר
- לאמה
- מקומי
- להוריד
- מכונה
- למידת מכונה
- לעשות
- לנהל
- הצליח
- רב
- להתאים
- תואם
- מנגנון
- תפריט
- מידע נוסף
- שיטה
- ML
- שיטות
- מודל
- מודלים
- יותר
- רוב
- MS
- מספר
- שם
- יליד
- נווט
- ניווט
- צורך
- חדש
- ללא חתימה
- הערות
- מחברה
- מחשבים ניידים
- הודעות
- עַכשָׁיו
- ממוספר
- מספרים
- אובייקטים
- of
- הַצָעָה
- on
- On-Demand
- ONE
- רק
- לפתוח
- קוד פתוח
- or
- ארגון
- OS
- שלנו
- הַחוּצָה
- תוצאות
- תפוקה
- יותר
- זגוגית
- פרמטר
- פרמטרים
- חלק
- חלקיק
- שותף
- שותפים
- חלקים
- עבר
- לוהט
- נתיב
- עבור
- לבצע
- ביצועים
- ביצעתי
- הרשאות
- נקודות מבט
- שלב
- פיסיקה
- תמונות
- צינור
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- מדיניות
- הודעה
- הודעות
- פוטנציאל
- כּוֹחַ
- חזק
- חיזוי
- להציג
- מוצג
- קודם
- קודם
- תהליך
- מעובד
- תהליכים
- תהליך
- תָכְנִית
- נכסים
- לספק
- ובלבד
- מספק
- מתן
- גם
- קווארקים
- שאילתות
- שאלה
- שאלה
- שאלות
- מָהִיר
- סמרטוט
- רכס
- מהר
- קריאה
- מוכן
- עולם אמיתי
- קיבלו
- הפניה
- באזור
- קָשׁוּר
- רלוונטי
- להשאר
- להחליף
- לבקש
- נדרש
- משאבים
- להגיב
- תגובה
- תגובות
- תוצאה
- וכתוצאה מכך
- תוצאות
- שליפה
- לַחֲזוֹר
- עשיר
- תפקידים
- הפעלה
- ריצה
- בעל חכמים
- SageMaker Inference
- אותו
- לומר
- סולם
- מדע
- צילומי מסך
- תסריט
- חיפוש
- שְׁנִיָה
- סעיף
- סעיפים
- מגזר
- לִרְאוֹת
- בחר
- בחירה
- לחצני מצוקה לפנסיונרים
- רצף
- סדרה
- ללא שרת
- משמש
- שרות
- שירותים
- מושב
- סטים
- הצבה
- הגדרות
- שיתוף
- היא
- צריך
- הראה
- הופעות
- דומה
- פָּשׁוּט
- בפשטות
- יחיד
- מידה
- להחליק
- שקופיות
- קטע
- So
- פִּתָרוֹן
- פתרונות
- כמה
- מָקוֹר
- מומחה
- ספציפי
- מפורט
- יציב
- לערום
- סטארט - אפ
- מדינה
- מצב
- שלב
- צעדים
- אחסון
- חנות
- מאוחסן
- חנויות
- אסטרטגי
- מחרוזת
- לאחר מכן
- הצלחה
- בהצלחה
- כזה
- פסגה
- מסייע
- בטוח
- שולחן
- לקחת
- לדבר
- משימות
- טכני
- טכנולוגיה
- תבנית
- תבניות
- מבחן
- בדיקות
- טקסס
- טֶקסט
- טקסטואלית
- זֶה
- השמיים
- המידע
- שֶׁלָהֶם
- אז
- אלה
- זֶה
- אלה
- תפוקה
- זמן
- עֲנָק
- שכותרתו
- ל
- של היום
- יַחַד
- טורונטו
- באופן מסורתי
- לַחֲצוֹת
- להפעיל
- מפעילה
- נָכוֹן
- לנסות
- תור
- שתיים
- סוג
- לגלות
- להבין
- הבנה
- אוניברסיטה
- עדכון
- נטען
- כתובת האתר
- להשתמש
- מְשׁוּמָשׁ
- משתמש
- שימושים
- באמצעות
- ערך
- משתנה
- מגוון
- גרסה
- באמצעות
- וִידֵאוֹ
- לצפיה
- חזון
- חזותי
- וושינגטון
- דרכים
- we
- אינטרנט
- שירותי אינטרנט
- טוֹב
- מה
- מה
- אשר
- בזמן
- יצטרך
- עם
- בתוך
- עבד
- זרימת עבודה
- עובד
- אתה
- זפירנט