รูปภาพโดยบรรณาธิการ
ฉันได้อ่าน เขียน และพูดตั้งแต่ปลายปีที่แล้วเกี่ยวกับจุดตัดระหว่างซอฟต์แวร์โอเพ่นซอร์สและการเรียนรู้ของเครื่อง โดยพยายามทำความเข้าใจว่าอนาคตอาจนำมาซึ่งอะไร
เมื่อฉันเริ่มต้น ฉันคาดหวังว่าฉันจะพูดถึงเป็นส่วนใหญ่เกี่ยวกับวิธีที่ชุมชนการเรียนรู้ของเครื่องใช้ซอฟต์แวร์โอเพ่นซอร์ส แต่ยิ่งฉันได้สำรวจมากเท่าไร ฉันก็ยิ่งตระหนักว่า มีความคล้ายคลึงกันมากระหว่างการปฏิบัติทั้งสองด้าน ในบทความนี้ ผมจะพูดถึงความคล้ายคลึงกัน และสิ่งที่ Machine Learning สามารถเรียนรู้ได้จากซอฟต์แวร์โอเพ่นซอร์สและไม่สามารถเรียนรู้ได้
สิ่งที่คล้ายกันที่ง่ายและชัดเจนคือทั้งการเรียนรู้ของเครื่องสมัยใหม่และซอฟต์แวร์สมัยใหม่ถูกสร้างขึ้นเกือบทั้งหมดด้วยซอฟต์แวร์โอเพ่นซอร์ส สำหรับซอฟต์แวร์ ได้แก่ คอมไพเลอร์และโปรแกรมแก้ไขโค้ด สำหรับแมชชีนเลิร์นนิง คือเฟรมเวิร์กการฝึกอบรมและการอนุมาน เช่น PyTorch และ TensorFlow พื้นที่เหล่านี้ถูกครอบงำโดยซอฟต์แวร์โอเพ่นซอร์ส และดูเหมือนจะไม่มีอะไรพร้อมที่จะเปลี่ยนแปลงสิ่งนั้น
มีข้อยกเว้นที่ชัดเจนประการหนึ่งสำหรับเรื่องนี้: เฟรมเวิร์กทั้งหมดเหล่านี้ขึ้นอยู่กับสแต็กฮาร์ดแวร์และซอฟต์แวร์ของ Nvidia ที่เป็นกรรมสิทธิ์ จริงๆ แล้วนี่ขนานกันมากกว่าที่เห็นในตอนแรก เป็นเวลานานมาแล้วที่ซอฟต์แวร์โอเพ่นซอร์สส่วนใหญ่ทำงานบนระบบปฏิบัติการ Unix ที่เป็นกรรมสิทธิ์ ซึ่งจำหน่ายโดยผู้จำหน่ายฮาร์ดแวร์ที่เป็นกรรมสิทธิ์ หลังจากที่ Linux เข้ามา เราก็เริ่มยอมรับว่าการเปิด "ด้านล่าง" ของสแต็กนั้นเป็นไปได้ด้วยซ้ำ และในปัจจุบันก็มีการพัฒนาแบบเปิดจำนวนมากบน MacOS และ Windows ยังไม่ชัดเจนว่าสิ่งนี้จะเกิดขึ้นในการเรียนรู้ของเครื่องอย่างไร Amazon (สำหรับ AWS), Google (สำหรับทั้งระบบคลาวด์และ Android) และ Apple ต่างลงทุนในชิปและสแต็กที่แข่งขันกัน และเป็นไปได้ว่าอย่างน้อยหนึ่งรายการอาจเป็นไปตามเส้นทางที่วางไว้ Linus (และ Intel) แห่งการปลดปล่อย ทั้ง กอง.
สิ่งที่คล้ายกันที่สำคัญกว่าระหว่างวิธีสร้างซอฟต์แวร์โอเพ่นซอร์สกับวิธีสร้างการเรียนรู้ของเครื่องคือความซับซ้อนและความพร้อมใช้งานสาธารณะของข้อมูลที่แต่ละซอฟต์แวร์สร้างขึ้น
ตามรายละเอียดนี้ พิมพ์ล่วงหน้า กระดาษ “The Data Provenance Project,” ซึ่งผมเป็นผู้ร่วมเขียน การเรียนรู้ของเครื่องสมัยใหม่สร้างขึ้นจากแหล่งข้อมูลนับพันอย่างแท้จริง เช่นเดียวกับซอฟต์แวร์โอเพ่นซอร์สสมัยใหม่ที่สร้างขึ้นบนไลบรารีนับแสนแห่ง และเช่นเดียวกับห้องสมุดแบบเปิดแต่ละแห่งที่นำมาซึ่งความท้าทายด้านกฎหมาย ความปลอดภัย และการบำรุงรักษา ชุดข้อมูลสาธารณะแต่ละชุดก็นำมาซึ่งความยากลำบากเช่นเดียวกัน
ที่องค์กรของฉัน เราได้พูดคุยเกี่ยวกับความท้าทายนี้ในเวอร์ชันของซอฟต์แวร์โอเพ่นซอร์สว่าเป็น “ห่วงโซ่อุปทานโดยไม่ได้ตั้งใจ” อุตสาหกรรมซอฟต์แวร์เริ่มสร้างสิ่งต่าง ๆ เนื่องจากโครงสร้างอันน่าทึ่งของไลบรารีโอเพ่นซอร์สหมายความว่าเราทำได้ ซึ่งหมายความว่าอุตสาหกรรมเริ่มปฏิบัติต่อซอฟต์แวร์โอเพ่นซอร์สเสมือนเป็นห่วงโซ่อุปทาน ซึ่งสร้างความประหลาดใจให้กับ "ซัพพลายเออร์" เหล่านั้นหลายราย
เพื่อบรรเทาความท้าทายเหล่านี้ ซอฟต์แวร์โอเพ่นซอร์สได้พัฒนาเทคนิคที่ซับซ้อนมากมาย (แม้ว่าจะไม่สมบูรณ์) เช่น เครื่องสแกนเพื่อระบุสิ่งที่กำลังใช้งาน และเมตาดาต้าสำหรับการติดตามสิ่งต่าง ๆ หลังจากการปรับใช้ เรายังเริ่มลงทุนในมนุษย์ เพื่อพยายามจัดการกับความไม่ตรงกันระหว่างความต้องการทางอุตสาหกรรมกับแรงจูงใจของอาสาสมัคร
น่าเสียดายที่ชุมชนแมชชีนเลิร์นนิงดูเหมือนจะพร้อมที่จะจมดิ่งสู่ข้อผิดพลาดในห่วงโซ่อุปทาน "โดยบังเอิญ" แบบเดียวกัน นั่นคือการทำสิ่งต่างๆ มากมายเพราะสามารถทำได้ โดยไม่หยุดคิดมากเกี่ยวกับผลกระทบระยะยาวเมื่อเศรษฐกิจทั้งหมดอยู่บนพื้นฐานของชุดข้อมูลเหล่านี้ .
สิ่งที่คล้ายกันประการสุดท้ายคือ ฉันสงสัยอย่างยิ่งว่าการเรียนรู้ของเครื่องจะขยายออกไปเพื่อเติมเต็มกลุ่มเฉพาะจำนวนมาก เช่นเดียวกับที่ซอฟต์แวร์โอเพ่นซอร์สมี ในขณะนี้ กระแส (สมควร) เป็นเรื่องของโมเดลขนาดใหญ่ที่สร้างสรรค์ แต่ยังมีโมเดลขนาดเล็กอีกมากมาย รวมถึงการปรับแต่งโมเดลที่ใหญ่กว่าด้วย แท้จริงแล้ว เว็บไซต์โฮสติ้ง HuggingFace ซึ่งเป็นแพลตฟอร์มโฮสติ้งหลักของแมชชีนเลิร์นนิง รายงานว่าจำนวนโมเดลบนไซต์ของพวกเขาเพิ่มขึ้นอย่างทวีคูณ
โมเดลเหล่านี้น่าจะมีอยู่มากมายและพร้อมสำหรับการปรับปรุง เช่นเดียวกับซอฟต์แวร์โอเพ่นซอร์สชิ้นเล็กๆ นั่นจะทำให้พวกมันมีความยืดหยุ่นและทรงพลังอย่างเหลือเชื่อ ฉันใช้เครื่องมือแมชชีนเลิร์นนิงขนาดเล็กเพื่อทำการวัดผลการจราจรบนถนนราคาถูกและไวต่อความเป็นส่วนตัว เช่น กรณีการใช้งานที่เป็นไปไม่ได้ยกเว้นบนอุปกรณ์ราคาแพงเมื่อไม่กี่ปีที่ผ่านมา
แต่การแพร่กระจายนี้หมายความว่าจำเป็นต้องติดตาม โมเดลเหล่านี้อาจมีลักษณะเหมือนเมนเฟรมน้อยลงและมีลักษณะเหมือนซอฟต์แวร์โอเพ่นซอร์สหรือ SaaS มากขึ้น ซึ่งปรากฏขึ้นทุกที่เนื่องจากมีต้นทุนต่ำและง่ายต่อการปรับใช้
ดังนั้นหากมีสิ่งที่คล้ายคลึงกันที่สำคัญเหล่านี้ (โดยเฉพาะห่วงโซ่อุปทานที่ซับซ้อนและการกระจายที่แพร่หลาย) การเรียนรู้ของเครื่องสามารถเรียนรู้อะไรจากซอฟต์แวร์โอเพ่นซอร์สได้บ้าง
บทเรียนคู่ขนานบทแรกที่เราสามารถวาดได้คือเพื่อที่จะเข้าใจความท้าทายต่างๆ มากมาย แมชชีนเลิร์นนิงจะต้องใช้เมตาดาต้าและเครื่องมือ ซอฟต์แวร์โอเพ่นซอร์สสะดุดเข้ากับงานเมทาดาทาผ่านการปฏิบัติตามลิขสิทธิ์และใบอนุญาต แต่เมื่อห่วงโซ่อุปทานโดยไม่ได้ตั้งใจสำหรับซอฟต์แวร์ได้เติบโตขึ้น เมทาดาทาจึงได้รับการพิสูจน์แล้วว่ามีประโยชน์อย่างมากในหลากหลายด้าน
ในการเรียนรู้ของเครื่อง การติดตามข้อมูลเมตาเป็นงานที่อยู่ระหว่างดำเนินการ ตัวอย่างบางส่วน:
- A เอกสารสำคัญปี 2019ซึ่งถูกอ้างถึงอย่างกว้างขวางในอุตสาหกรรม ได้กระตุ้นให้นักพัฒนาโมเดลบันทึกผลงานของพวกเขาด้วย "การ์ดโมเดล" น่าเสียดายที่การวิจัยล่าสุดชี้ให้เห็นถึงพวกเขา การนำไปใช้ในป่ายังอ่อนแอ.
- ทั้งข้อกำหนดรายการวัสดุของซอฟต์แวร์ SPDX และ CycloneDX (SBOM) กำลังทำงานกับรายการวัสดุของ AI (AI BOM) เพื่อช่วยติดตามข้อมูลและแบบจำลองของการเรียนรู้ของเครื่อง ในลักษณะที่มีโครงสร้างมากกว่าการ์ดแบบจำลอง (เหมาะสมกับความซับซ้อนที่ใครๆ ก็คาดหวังได้หากสิ่งนี้ เป็นซอฟต์แวร์โอเพ่นซอร์สแบบขนานอย่างแท้จริง)
- HuggingFace ได้สร้างแล้ว ข้อมูลจำเพาะและเครื่องมือที่หลากหลาย เพื่อให้ผู้เขียนโมเดลและชุดข้อมูลสามารถจัดทำเอกสารแหล่งที่มาของตนได้
- เอกสาร MIT Data Provenance ที่อ้างถึงข้างต้นพยายามทำความเข้าใจ "ความจริงพื้นฐาน" ของการอนุญาตให้ใช้สิทธิ์ข้อมูล เพื่อช่วยระบุรายละเอียดข้อกำหนดด้วยข้อมูลในโลกแห่งความเป็นจริง
- โดยพื้นฐานแล้ว บริษัทหลายแห่งที่ทำงานฝึกอบรม Machine Learning ดูเหมือนจะมีความสัมพันธ์แบบไม่เป็นทางการกับการติดตามข้อมูล โดยใช้ "ยิ่งดียิ่งดี" เป็นข้ออ้างในการตักข้อมูลลงในถังโดยไม่จำเป็นต้องติดตามข้อมูลให้ดี
หากเราได้เรียนรู้อะไรจากแบบเปิด การได้รับข้อมูลเมตาที่ถูกต้อง (อันดับแรก ข้อมูลจำเพาะ จากนั้นข้อมูลจริง) จะเป็นโครงการที่ใช้เวลาหลายปีและอาจต้องใช้เวลาหลายปี การแทรกแซงของรัฐบาล. แมชชีนเลิร์นนิงควรทำให้ข้อมูลเมตาลดลงเร็วกว่าในภายหลัง
การรักษาความปลอดภัยเป็นอีกปัจจัยสำคัญที่ขับเคลื่อนความต้องการข้อมูลเมตาของซอฟต์แวร์โอเพ่นซอร์ส หากคุณไม่รู้ว่าคุณกำลังทำอะไรอยู่ คุณจะไม่มีทางรู้ได้ว่าคุณเสี่ยงต่อการโจมตีที่ดูเหมือนไม่มีที่สิ้นสุดหรือไม่
การเรียนรู้ของเครื่องไม่ได้ตกอยู่ภายใต้การโจมตีของซอฟต์แวร์แบบดั้งเดิมเกือบทุกประเภท แต่นั่นไม่ได้หมายความว่าการโจมตีเหล่านั้นจะคงกระพัน (ตัวอย่างที่ฉันชอบคือสามารถทำได้ ชุดฝึกภาพพิษ เพราะพวกเขามักจะดึงมาจากโดเมนที่ไม่ทำงาน) การวิจัยในพื้นที่นี้ร้อนแรงมากพอที่เราได้ผ่าน "การพิสูจน์แนวคิด" แล้วและใน "มีการโจมตีเพียงพอที่จะ รายการ และ จัดอนุกรมวิธาน".
น่าเสียดายที่ซอฟต์แวร์โอเพ่นซอร์สไม่สามารถนำเสนอการเรียนรู้ของเครื่องเพื่อความปลอดภัยได้ ถ้าเรามี เราจะใช้มัน แต่ประวัติความเป็นมาของการที่ซอฟต์แวร์โอเพ่นซอร์สแพร่กระจายไปยังกลุ่มเฉพาะต่างๆ มากมาย แสดงให้เห็นว่าแมชชีนเลิร์นนิงต้องจัดการกับความท้าทายนี้อย่างจริงจัง โดยเริ่มจากการติดตามการใช้งานและเมตาดาต้าการปรับใช้ เนื่องจากมีแนวโน้มที่จะนำไปใช้ในหลายๆ ด้าน นอกเหนือจากที่เป็นอยู่ในปัจจุบัน ปรับใช้
แรงจูงใจที่ขับเคลื่อนข้อมูลเมตาโอเพ่นซอร์ส (ใบอนุญาต จากนั้นความปลอดภัย) ชี้ไปที่คู่ขนานที่สำคัญถัดไป: เมื่อความสำคัญของภาคส่วนเติบโตขึ้น ขอบเขตของสิ่งต่าง ๆ ที่ต้องวัดและติดตามจะขยาย เนื่องจากกฎระเบียบและความรับผิดจะขยายใหญ่ขึ้น
ในซอฟต์แวร์โอเพ่นซอร์ส “กฎระเบียบ” ของรัฐบาลหลักเป็นเวลาหลายปีคือกฎหมายลิขสิทธิ์ และข้อมูลเมตาจึงได้รับการพัฒนาเพื่อรองรับสิ่งนั้น แต่ขณะนี้ซอฟต์แวร์โอเพ่นซอร์สเผชิญกับกฎความปลอดภัยและความรับผิดต่อผลิตภัณฑ์ที่หลากหลาย และเราต้องทำให้ห่วงโซ่อุปทานของเราเติบโตเพื่อให้เป็นไปตามข้อกำหนดใหม่เหล่านั้น
AI จะถูกควบคุมในลักษณะเดียวกันที่เพิ่มมากขึ้นเรื่อยๆ เนื่องจากมีความสำคัญมากขึ้นเรื่อยๆ แหล่งที่มาของกฎระเบียบจะมีความหลากหลายอย่างมาก รวมถึงเนื้อหา (ทั้งอินพุตและเอาต์พุต) การเลือกปฏิบัติ และความรับผิดต่อผลิตภัณฑ์ ซึ่งจะต้องอาศัยสิ่งที่บางครั้งเรียกว่า “ตรวจสอบย้อนกลับ”—ทำความเข้าใจว่าแบบจำลองถูกสร้างขึ้นอย่างไร และตัวเลือกเหล่านั้น (รวมถึงแหล่งข้อมูล) ส่งผลต่อผลลัพธ์ของแบบจำลองอย่างไร
ข้อกำหนดหลักนี้—เรามีอะไรบ้าง? มาอยู่ที่นี่ได้อย่างไร—ตอนนี้เป็นที่คุ้นเคยของนักพัฒนาซอฟต์แวร์โอเพ่นซอร์สระดับองค์กรเป็นอย่างดี อย่างไรก็ตาม อาจเป็นการเปลี่ยนแปลงครั้งใหญ่สำหรับนักพัฒนาแมชชีนเลิร์นนิงและจำเป็นต้องได้รับการยอมรับ
แมชชีนเลิร์นนิงแบบคู่ขนานอีกบทเรียนหนึ่งสามารถดึงมาจากซอฟต์แวร์โอเพ่นซอร์ส (และจากซอฟต์แวร์มากมายก่อนหน้านี้ อย่างน้อยก็ย้อนกลับไปที่เมนเฟรม) ก็คืออายุการใช้งานของมันจะยาวนานมาก เมื่อเทคโนโลยี "ดีเพียงพอ" ก็จะถูกนำไปใช้งาน ดังนั้นจึงต้องรักษาไว้เป็นเวลานานมาก นี่หมายความว่าเราต้องคิดถึงการบำรุงรักษาซอฟต์แวร์นี้โดยเร็วที่สุด และคิดว่าซอฟต์แวร์นี้จะคงอยู่ได้นานหลายทศวรรษหมายความว่าอย่างไร “ทศวรรษ” ไม่ใช่การพูดเกินจริง ลูกค้าจำนวนมากที่ฉันพบใช้ซอฟต์แวร์ที่เก่าพอที่จะโหวตได้ บริษัทซอฟต์แวร์โอเพ่นซอร์สหลายแห่งและบางโครงการในปัจจุบันมีเวอร์ชันที่เรียกว่า "การสนับสนุนระยะยาว" ซึ่งมีไว้สำหรับกรณีการใช้งานประเภทนี้
ในทางตรงกันข้าม OpenAI เก็บเครื่องมือ Codex ไว้ใช้งานได้ไม่ถึงสองปี—นำมาซึ่งความโกรธแค้นอย่างมากโดยเฉพาะในวงการวิชาการ. เมื่อพิจารณาถึงการเปลี่ยนแปลงอย่างรวดเร็วใน Machine Learning และผู้ที่ใช้งานส่วนใหญ่อาจสนใจที่จะใช้เทคโนโลยีที่ล้ำสมัย นี่อาจไม่ใช่เรื่องที่ไม่สมเหตุสมผล แต่วันนั้นจะมาถึงเร็วกว่าที่อุตสาหกรรมคิด ซึ่งจะต้องวางแผนสำหรับสิ่งนี้ ประเภทของ “ระยะยาว” รวมถึงวิธีการโต้ตอบกับความรับผิดและความปลอดภัย
สุดท้ายนี้ ก็ชัดเจนว่า—เช่นเดียวกับซอฟต์แวร์โอเพ่นซอร์ส—จะมีเงินจำนวนมากไหลเข้าสู่การเรียนรู้ของเครื่องจักร แต่เงินส่วนใหญ่จะรวมอยู่กับสิ่งที่ผู้เขียนคนหนึ่งเรียกว่า บริษัทที่ “อุดมไปด้วยโปรเซสเซอร์” หากมีความคล้ายคลึงกับซอฟต์แวร์โอเพ่นซอร์ส บริษัทเหล่านั้นจะมีข้อกังวลและลำดับความสำคัญในการใช้จ่ายที่แตกต่างกันมากมากกว่าผู้สร้างโมเดล (หรือผู้ใช้) ที่เป็นค่ามัธยฐาน
บริษัท Tidelift ของเราคิดเกี่ยวกับปัญหาสิ่งจูงใจในซอฟต์แวร์โอเพ่นซอร์สมาระยะหนึ่งแล้ว และองค์กรต่างๆ เช่น ผู้ซื้อซอฟต์แวร์รายใหญ่ที่สุดของโลก—รัฐบาลสหรัฐฯ—ก็กำลัง มองเข้าไปในปัญหาเช่นกัน.
บริษัทแมชชีนเลิร์นนิง โดยเฉพาะผู้ที่ต้องการสร้างชุมชนของผู้สร้าง ควรคิดให้รอบคอบเกี่ยวกับความท้าทายนี้ หากพวกเขาต้องพึ่งพาชุดข้อมูลหลายพันชุด พวกเขาจะมั่นใจได้อย่างไรว่าข้อมูลเหล่านั้นได้รับเงินทุนสำหรับการบำรุงรักษา การปฏิบัติตามกฎหมาย และความปลอดภัยมานานหลายทศวรรษ หากบริษัทขนาดใหญ่จบลงด้วยการใช้แบบจำลองหลายสิบหรือหลายร้อยแบบทั่วบริษัท พวกเขาจะมั่นใจได้อย่างไรว่าผู้ที่มีความรู้เฉพาะทางที่ดีที่สุด—ผู้ที่สร้างแบบจำลอง—ยังคงพร้อมที่จะแก้ไขปัญหาใหม่ในขณะที่ถูกค้นพบ
เช่นเดียวกับความปลอดภัย ไม่มีคำตอบง่ายๆ สำหรับความท้าทายนี้ แต่ยิ่งการเรียนรู้ของเครื่องเร็วขึ้นจะจัดการปัญหาอย่างจริงจัง ไม่ใช่เพื่อการกุศล แต่เป็นองค์ประกอบสำคัญของการเติบโตในระยะยาว ยิ่งอุตสาหกรรมทั้งหมดและทั่วโลกดีขึ้นเท่านั้น
แมชชีนเลิร์นนิงที่หยั่งรากลึกในวัฒนธรรมการทดลองของนักวิชาการ และวัฒนธรรมการทำซ้ำอย่างรวดเร็วของ Silicon Valley ส่งผลดีต่อมัน ซึ่งนำไปสู่การระเบิดของนวัตกรรมที่น่าทึ่งซึ่งจะมี ดูมีมนต์ขลังเมื่อไม่ถึงทศวรรษที่แล้ว. หลักสูตรซอฟต์แวร์โอเพ่นซอร์สในทศวรรษที่ผ่านมาอาจจะดูน่าดึงดูดน้อยลง แต่ในช่วงเวลานั้น หลักสูตรนี้ได้กลายมาเป็นรากฐานของซอฟต์แวร์ระดับองค์กรทั้งหมด และได้เรียนรู้บทเรียนมากมายตลอดเส้นทาง หวังว่าการเรียนรู้ของเครื่องจะไม่สร้างวงล้อเหล่านั้นขึ้นมาใหม่
หลุยส์ วิลล่า เป็นผู้ร่วมก่อตั้งและที่ปรึกษาทั่วไปของ Tidelift ก่อนหน้านี้เขาเป็นทนายความโอเพ่นซอร์สชั้นนำที่ให้คำปรึกษาแก่ลูกค้า ตั้งแต่บริษัทที่ติดอันดับ Fortune 50 ไปจนถึงสตาร์ทอัพชั้นนำ ในด้านการพัฒนาผลิตภัณฑ์และการออกใบอนุญาตโอเพ่นซอร์ส
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://www.kdnuggets.com/ai-and-open-source-software-separated-at-birth?utm_source=rss&utm_medium=rss&utm_campaign=ai-and-open-source-software-separated-at-birth
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- $ ขึ้น
- 2019
- 50
- a
- เกี่ยวกับเรา
- ข้างบน
- นักวิชาการ
- โดยไม่ตั้งใจ
- กระทำ
- ที่เกิดขึ้นจริง
- จริง
- ที่อยู่
- ผู้รับใช้
- การให้คำแนะนำ
- หลังจาก
- มาแล้ว
- AI
- ทั้งหมด
- อนุญาต
- เกือบจะ
- ตาม
- แล้ว
- ด้วย
- น่าอัศจรรย์
- อเมซอน
- an
- และ
- หุ่นยนต์
- ความโกรธ
- อื่น
- คำตอบ
- ใด
- สิ่งใด
- เห็นได้ชัด
- ปรากฏ
- ปรากฏ
- Apple
- ประยุกต์
- เป็น
- AREA
- พื้นที่
- รอบ
- บทความ
- AS
- At
- การโจมตี
- ผู้เขียน
- ผู้เขียน
- ความพร้อมใช้งาน
- ใช้ได้
- AWS
- กลับ
- ตาม
- BE
- เพราะ
- กลายเป็น
- จะกลายเป็น
- รับ
- ก่อน
- เริ่ม
- กำลัง
- ที่ดีที่สุด
- ดีกว่า
- ระหว่าง
- เกิน
- ธนบัตร
- กำเนิด
- Blocks
- ทั้งสอง
- นำมาซึ่ง
- นำ
- การก่อสร้าง
- สร้าง
- แต่
- by
- ที่เรียกว่า
- มา
- CAN
- การ์ด
- กรณี
- กรณี
- ไม่เป็นทางการ
- โซ่
- ห่วงโซ่
- ท้าทาย
- ความท้าทาย
- เปลี่ยนแปลง
- การกุศล
- ถูก
- ชิป
- ทางเลือก
- อ้างถึง
- ชัดเจน
- ลูกค้า
- เมฆ
- ผู้ร่วมก่อตั้ง
- รหัส
- อย่างไร
- ชุมชน
- ชุมชน
- บริษัท
- บริษัท
- การแข่งขัน
- ซับซ้อน
- ความซับซ้อน
- การปฏิบัติตาม
- ส่วนประกอบ
- ความกังวลเกี่ยวกับ
- เนื้อหา
- ตรงกันข้าม
- ลิขสิทธิ์
- แกน
- ราคา
- ได้
- ปรึกษา
- หลักสูตร
- สร้าง
- ที่สร้างขึ้น
- ผู้สร้าง
- ผู้สร้าง
- วิกฤติ
- วัฒนธรรม
- ขณะนี้
- ลูกค้า
- ตัด
- ข้อมูล
- ชุดข้อมูล
- ชุดข้อมูล
- การนัดหมาย
- วัน
- วัน
- ตาย
- ทศวรรษ
- ทศวรรษที่ผ่านมา
- ลึก
- ขึ้นอยู่กับ
- นำไปใช้
- การใช้งาน
- รายละเอียด
- พัฒนา
- นักพัฒนา
- พัฒนาการ
- อุปกรณ์
- DID
- ต่าง
- ความยากลำบาก
- ค้นพบ
- การแบ่งแยก
- สนทนา
- การกระจาย
- หลาย
- do
- เอกสาร
- ทำ
- ไม่
- การทำ
- โดเมน
- ทำ
- Dont
- หลายสิบ
- วาด
- คนขับรถ
- ในระหว่าง
- แต่ละ
- ก่อน
- ความสะดวก
- ง่าย
- เศรษฐกิจ
- ขอบ
- บรรณาธิการ
- กอด
- พบ
- ปลาย
- ไม่มีที่สิ้นสุด
- พอ
- ทำให้มั่นใจ
- Enterprise
- ทั้งหมด
- อย่างสิ้นเชิง
- หน่วยงาน
- โดยเฉพาะอย่างยิ่ง
- อีเธอร์ (ETH)
- แม้
- ที่เคยเติบโต
- เผง
- ตัวอย่าง
- ตัวอย่าง
- ยกเว้น
- ข้อยกเว้น
- แสดง
- คาดหวัง
- ที่คาดหวัง
- แพง
- สำรวจ
- การระเบิด
- อย่างแทน
- อย่างยิ่ง
- ใบหน้า
- คุ้นเคย
- FAST
- ที่ชื่นชอบ
- สองสาม
- ใส่
- ชื่อจริง
- มีความยืดหยุ่น
- ที่ไหล
- ปฏิบัติตาม
- สำหรับ
- โชคลาภ
- กรอบ
- ราคาเริ่มต้นที่
- ได้รับทุนสนับสนุน
- อนาคต
- General
- กำเนิด
- ได้รับ
- ได้รับ
- GitHub
- กำหนด
- ไป
- ไป
- รัฐบาล
- รับ
- การเจริญเติบโต
- เติบโต
- มี
- ยาก
- ฮาร์ดแวร์
- มี
- he
- ช่วย
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- ประวัติ
- หวังว่า
- โฮสติ้ง
- ร้อน
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- อย่างไรก็ตาม
- HTTPS
- กอดใบหน้า
- มนุษย์
- ร้อย
- hype
- i
- ฉันเป็น
- ระบุ
- อีอีอี
- if
- ภาพ
- อย่างมาก
- ส่งผลกระทบ
- ผลกระทบ
- ความสำคัญ
- สำคัญ
- การปรับปรุง
- in
- แรงจูงใจ
- รวมทั้ง
- เหลือเชื่อ
- เหลือเชื่อ
- อุตสาหกรรม
- อุตสาหกรรม
- นักวิเคราะห์ส่วนบุคคลที่หาโอกาสให้เป็นไปได้มากที่สุด
- ปัจจัยการผลิต
- อินเทล
- ตั้งใจว่า
- เชิงโต้ตอบ
- สนใจ
- การตัด
- เข้าไป
- ลงทุน
- การลงทุน
- IT
- การย้ำ
- ITS
- เพียงแค่
- KD นักเก็ต
- เก็บไว้
- คีย์
- ทราบ
- ใหญ่
- ที่มีขนาดใหญ่
- ใหญ่ที่สุด
- ชื่อสกุล
- ปีที่แล้ว
- ปลาย
- ต่อมา
- กฏหมาย
- ทนายความ
- ชั้นนำ
- เรียนรู้
- ได้เรียนรู้
- การเรียนรู้
- น้อยที่สุด
- กฎหมาย
- น้อยลง
- บทเรียน
- บทเรียน
- ความรับผิดชอบ
- ห้องสมุด
- ห้องสมุด
- ลิขสิทธิ์
- ชีวิต
- กดไลก์
- น่าจะ
- ลินุกซ์
- นาน
- เวลานาน
- ระยะยาว
- ดู
- Lot
- จำนวนมาก
- ต่ำ
- เครื่อง
- เรียนรู้เครื่อง
- MacOS
- มายากล
- การบำรุงรักษา
- สำคัญ
- ทำ
- ลักษณะ
- หลาย
- วัสดุ
- เป็นผู้ใหญ่
- อาจ..
- หมายความ
- วิธี
- หมายความว่า
- วัด
- การวัด
- พบ
- เมตาดาต้า
- อาจ
- เอ็มไอที
- บรรเทา
- แบบ
- โมเดล
- ทันสมัย
- ขณะ
- เงิน
- ข้อมูลเพิ่มเติม
- มากที่สุด
- ส่วนใหญ่
- แรงจูงใจ
- มาก
- ฝูง
- ต้อง
- my
- จำเป็นต้อง
- จำเป็นต้อง
- ความต้องการ
- ใหม่
- ถัดไป
- ไม่
- โดดเด่น
- ไม่มีอะไร
- ตอนนี้
- จำนวน
- Nvidia
- ชัดเจน
- of
- ปิด
- เสนอ
- มักจะ
- เก่า
- on
- ครั้งเดียว
- ONE
- เพียง
- เปิด
- โอเพนซอร์ส
- OpenAI
- การดำเนินงาน
- ระบบปฏิบัติการ
- or
- organizacja
- ของเรา
- ออก
- ผลลัพธ์
- เอาท์พุท
- เกิน
- ก้าว
- กระดาษ
- Parallel
- Parallels
- โดยเฉพาะ
- อดีต
- เส้นทาง
- รูปแบบไฟล์ PDF
- บางที
- ชิ้น
- สถานที่
- แผนการ
- เวที
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- ผลัก
- จุด
- สระ
- ป๊อป
- เป็นไปได้
- ที่มีประสิทธิภาพ
- การปฏิบัติ
- ก่อนหน้านี้
- ประถม
- อาจ
- ปัญหา
- ปัญหาที่เกิดขึ้น
- ผลิตภัณฑ์
- การพัฒนาผลิตภัณฑ์
- ความคืบหน้า
- โครงการ
- โครงการ
- เป็นเจ้าของ
- ที่พิสูจน์แล้ว
- ราก
- สาธารณะ
- ผู้ซื้อ
- ไฟฉาย
- หัวรุนแรง
- รวดเร็ว
- ค่อนข้าง
- การอ่าน
- พร้อม
- โลกแห่งความจริง
- ตระหนัก
- เมื่อเร็ว ๆ นี้
- ควบคุม
- การควบคุม
- สร้างใหม่
- ความสัมพันธ์
- รายงาน
- ต้องการ
- ความต้องการ
- การวิจัย
- วิจัยชี้ให้เห็น
- ขวา
- ราก
- วิ่ง
- s
- SaaS
- เดียวกัน
- สโบม
- ขอบเขต
- ภาค
- ความปลอดภัย
- ที่กำลังมองหา
- ดูเหมือนว่า
- อย่างจริงจัง
- ชุด
- ชุดอุปกรณ์
- น่า
- ซิลิคอน
- ความคล้ายคลึงกัน
- เหมือนกับ
- ง่ายดาย
- ตั้งแต่
- เว็บไซต์
- เล็ก
- So
- ซอฟต์แวร์
- นักพัฒนาซอฟต์แวร์
- ขาย
- บาง
- บางครั้ง
- ค่อนข้าง
- ซับซ้อน
- แหล่ง
- แหล่งที่มา
- ช่องว่าง
- การพูด
- ผู้เชี่ยวชาญ
- ข้อกำหนด
- รายละเอียด
- การใช้จ่าย
- กระจาย
- กอง
- สแต็ค
- ข้อความที่เริ่ม
- ที่เริ่มต้น
- startups
- ยังคง
- การหยุด
- กระแส
- ถนน
- เสถียร
- โครงสร้าง
- หรือ
- ชี้ให้เห็นถึง
- จัดหาอุปกรณ์
- ห่วงโซ่อุปทาน
- ซัพพลายเชน
- สนับสนุน
- แปลกใจ
- รอด
- ฉลาด
- ระบบ
- เอา
- ใช้เวลา
- การพูดคุย
- เทคนิค
- เทคโนโลยี
- tensorflow
- ระยะ
- กว่า
- ที่
- พื้นที่
- ก้าวสู่อนาคต
- ของพวกเขา
- พวกเขา
- แล้วก็
- ที่นั่น
- ดังนั้น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- สิ่ง
- คิด
- คิด
- คิดว่า
- นี้
- เหล่านั้น
- แต่?
- พัน
- ตลอด
- เวลา
- ไปยัง
- เครื่องมือ
- ด้านบน
- ลู่
- การติดตาม
- แบบดั้งเดิม
- การจราจร
- การฝึกอบรม
- การรักษาเยียวยา
- อย่างแท้จริง
- ลอง
- พยายาม
- การปรับแต่ง
- สอง
- ชนิด
- กำกวม
- หนุน
- เข้าใจ
- น่าเสียดาย
- ยูนิกซ์
- us
- การใช้
- ใช้
- ใช้กรณี
- มือสอง
- ผู้ใช้งาน
- การใช้
- ความหลากหลาย
- ผู้ขาย
- รุ่น
- มาก
- อาสาสมัคร
- โหวต
- คือ
- คลื่น
- ทาง..
- วิธี
- we
- ดี
- อะไร
- ความหมายของ
- ที่
- WHO
- อย่างกว้างขวาง
- ป่า
- จะ
- หน้าต่าง
- กับ
- ไม่มี
- งาน
- การทำงาน
- โลก
- ของโลก
- จะ
- การเขียน
- ปี
- ปี
- เธอ
- ลมทะเล