นี่เป็นแขกโพสต์โดย Jihye Park นักวิทยาศาสตร์ข้อมูลที่ MUINSA
มูซินซ่า เป็นหนึ่งในแพลตฟอร์มแฟชั่นออนไลน์ที่ใหญ่ที่สุดในเกาหลีใต้ โดยให้บริการลูกค้า 8.4 ล้านคนและจำหน่ายแบรนด์แฟชั่น 6,000 แบรนด์ การเข้าชมของผู้ใช้รายเดือนของเราสูงถึง 4 ล้านคน และมากกว่า 90% ของกลุ่มประชากรของเราประกอบด้วยวัยรุ่นและคนหนุ่มสาวที่อ่อนไหวต่อแนวโน้มแฟชั่น MUINSA เป็นผู้นำแพลตฟอร์มผู้นำเทรนด์ในประเทศ โดยมีข้อมูลจำนวนมหาศาล
ทีมโซลูชันข้อมูล MUINSA มีส่วนร่วมในทุกอย่างที่เกี่ยวข้องกับข้อมูลที่รวบรวมจากร้าน MUINSA เราทำการพัฒนาสแต็กเต็มรูปแบบตั้งแต่การรวบรวมบันทึกไปจนถึงการสร้างแบบจำลองข้อมูลและการให้บริการแบบจำลอง เราพัฒนาผลิตภัณฑ์ตามข้อมูลต่างๆ รวมถึงบริการแนะนำผลิตภัณฑ์สดในหน้าหลักของแอปและบริการเน้นคำสำคัญที่ตรวจจับและเน้นคำต่างๆ เช่น 'ขนาด' หรือ 'ระดับความพึงพอใจ' จากบทวิจารณ์ข้อความ
ความท้าทายในกระบวนการตรวจสอบภาพตรวจสอบอัตโนมัติ
คุณภาพและปริมาณของบทวิจารณ์ของลูกค้าเป็นสิ่งสำคัญสำหรับธุรกิจอีคอมเมิร์ซ เนื่องจากลูกค้าตัดสินใจซื้อโดยไม่ได้ดูผลิตภัณฑ์ด้วยตนเอง เราให้เครดิตกับผู้ที่เขียนรีวิวด้วยรูปภาพเกี่ยวกับผลิตภัณฑ์ที่ซื้อ (นั่นคือ รีวิวพร้อมรูปถ่ายของผลิตภัณฑ์หรือรูปถ่ายที่พวกเขาสวมใส่/ใช้งานผลิตภัณฑ์) เพื่อปรับปรุงประสบการณ์ของลูกค้าและเพิ่มอัตราการแปลงการซื้อ เพื่อพิจารณาว่าภาพถ่ายที่ส่งมาตรงตามเกณฑ์การให้เครดิตของเราหรือไม่ ภาพถ่ายทั้งหมดจะได้รับการตรวจสอบโดยมนุษย์เป็นรายบุคคล ตัวอย่างเช่น เกณฑ์ของเราระบุว่า "รีวิวรูปแบบ" ควรมีรูปถ่ายที่มีทั้งร่างกายของผู้สวมใส่/ใช้งานผลิตภัณฑ์ ในขณะที่ "การตรวจทานผลิตภัณฑ์" ควรให้ภาพที่สมบูรณ์ของผลิตภัณฑ์ รูปภาพต่อไปนี้แสดงตัวอย่างรีวิวสินค้าและรีวิวสไตล์ ได้รับความยินยอมจากผู้อัปโหลดสำหรับการใช้ภาพถ่าย
มีการอัปโหลดรูปภาพมากกว่า 20,000 ภาพทุกวันไปยังแพลตฟอร์ม MUINSA Store ที่ต้องมีการตรวจสอบ ขั้นตอนการตรวจสอบจะจำแนกรูปภาพเป็น 'บรรจุภัณฑ์', 'ผลิตภัณฑ์', 'ความยาวเต็ม' หรือ 'ครึ่งความยาว' กระบวนการตรวจสอบภาพเป็นแบบแมนนวลโดยสมบูรณ์ ดังนั้นจึงใช้เวลานานมาก และการจำแนกประเภทมักจะทำแตกต่างกันไปตามแต่ละบุคคล แม้จะมีแนวทางปฏิบัติก็ตาม เผชิญกับความท้าทายนี้ เราใช้ อเมซอน SageMaker เพื่อทำให้งานนี้เป็นแบบอัตโนมัติ
Amazon SageMaker เป็นบริการที่มีการจัดการเต็มรูปแบบสำหรับการสร้าง ฝึกอบรม และปรับใช้โมเดลการเรียนรู้ของเครื่อง (ML) สำหรับกรณีใช้งานใดๆ ที่มีโครงสร้างพื้นฐาน เครื่องมือ และเวิร์กโฟลว์ที่มีการจัดการเต็มรูปแบบ ทำให้เราสามารถใช้บริการตรวจสอบภาพอัตโนมัติได้อย่างรวดเร็วและให้ผลลัพธ์ที่ดี
เราจะลงรายละเอียดเกี่ยวกับวิธีที่เราจัดการกับปัญหาของเราโดยใช้แบบจำลอง ML และใช้ Amazon SageMaker ไปพร้อมกัน
ระบบอัตโนมัติของกระบวนการตรวจสอบภาพรีวิว
ขั้นตอนแรกในการทำให้กระบวนการตรวจสอบการตรวจสอบรูปภาพเป็นแบบอัตโนมัติคือการติดป้ายกำกับรูปภาพด้วยตนเอง ดังนั้นจึงจับคู่รูปภาพเหล่านั้นกับหมวดหมู่และเกณฑ์การตรวจสอบที่เหมาะสม ตัวอย่างเช่น เราจัดประเภทรูปภาพเป็น "ช็อตเต็มตัว" "ช็อตตัวบน" "ช็อตบรรจุภัณฑ์" "ช็อตผลิตภัณฑ์" ฯลฯ ในกรณีของการตรวจทานผลิตภัณฑ์ เครดิตจะได้รับเฉพาะรูปภาพช็อตผลิตภัณฑ์เท่านั้น ในกรณีของรีวิวสไตล์ ก็ให้เครดิตสำหรับการถ่ายภาพทั้งตัว
สำหรับการจัดประเภทรูปภาพ ส่วนใหญ่เราใช้โมเดลโครงข่ายประสาทเทียม (CNN) ที่ผ่านการฝึกอบรมล่วงหน้าแล้ว เนื่องจากอิมเมจอินพุตปริมาณมากที่จำเป็นสำหรับการฝึกโมเดลของเรา แม้ว่าการกำหนดและจัดหมวดหมู่คุณลักษณะที่มีความหมายจากรูปภาพต่างก็มีความสำคัญต่อการฝึกโมเดล แต่รูปภาพสามารถมีคุณลักษณะได้ไม่จำกัด ดังนั้น การใช้โมเดล CNN นั้นเหมาะสมที่สุด และเราฝึกโมเดลของเราล่วงหน้าด้วยชุดข้อมูล ImageNet 10,000+ ชุด จากนั้นเราใช้การเรียนรู้การถ่ายโอน ซึ่งหมายความว่าโมเดลของเราสามารถฝึกได้อย่างมีประสิทธิผลมากขึ้นโดยใช้ป้ายกำกับรูปภาพของเราในภายหลัง
การรวบรวมรูปภาพด้วย Amazon SageMaker Ground Truth
อย่างไรก็ตาม การโอนย้ายการเรียนรู้มีข้อจำกัดของตัวเอง เนื่องจากโมเดลต้องได้รับการฝึกอบรมใหม่ในเลเยอร์ที่สูงกว่า ซึ่งหมายความว่าจำเป็นต้องใช้ภาพอินพุตอย่างต่อเนื่อง ในทางกลับกัน วิธีนี้ทำงานได้ดีและต้องใช้รูปภาพอินพุตน้อยลงเมื่อฝึกทั้งเลเยอร์ สามารถระบุคุณลักษณะจากรูปภาพจากเลเยอร์เหล่านี้ได้อย่างง่ายดาย เนื่องจากได้รับการฝึกอบรมด้วยข้อมูลจำนวนมหาศาลแล้ว ที่ MUINSA โครงสร้างพื้นฐานทั้งหมดของเราทำงานบน AWS และเรากำลังจัดเก็บรูปภาพที่ลูกค้าอัปโหลดใน Amazon Simple Storage Service (S3) เราจัดหมวดหมู่รูปภาพเหล่านี้ในโฟลเดอร์ต่างๆ ตามป้ายกำกับที่เรากำหนด และเราใช้ Amazon SageMaker Ground Truth ด้วยเหตุผลดังต่อไปนี้:
- ผลลัพธ์ที่สม่ำเสมอยิ่งขึ้น – ในกระบวนการแบบแมนนวล ความผิดพลาดของผู้ตรวจสอบคนเดียวอาจถูกป้อนเข้าในการฝึกแบบจำลองโดยไม่มีการแทรกแซงใดๆ ด้วย SageMaker Ground Truth เราอาจมีผู้ตรวจสอบหลายรายตรวจสอบภาพเดียวกัน และตรวจสอบให้แน่ใจว่าอินพุตจากผู้ตรวจสอบที่น่าเชื่อถือที่สุดได้รับการจัดอันดับที่สูงกว่าสำหรับการติดป้ายกำกับรูปภาพ ซึ่งนำไปสู่ผลลัพธ์ที่น่าเชื่อถือยิ่งขึ้น
- งานทำมือน้อยลง – การติดฉลากข้อมูลอัตโนมัติของ SageMaker Ground Truth สามารถใช้เกณฑ์คะแนนความมั่นใจ เพื่อให้ส่งรูปภาพที่ไม่สามารถติดป้ายกำกับด้วยเครื่องได้อย่างมั่นใจเพื่อทำการติดฉลากโดยมนุษย์ สิ่งนี้ทำให้มั่นใจได้ถึงความสมดุลของต้นทุนและความแม่นยำที่ดีที่สุด ข้อมูลเพิ่มเติมสามารถดูได้ใน คู่มือนักพัฒนา Amazon SageMaker Ground Truth.
เมื่อใช้วิธีนี้ เราลดจำนวนภาพที่จัดประเภทด้วยตนเองลง 43% ตารางต่อไปนี้แสดงจำนวนภาพที่ประมวลผลต่อการทำซ้ำหลังจากที่เรานำ Ground Truth มาใช้ (โปรดทราบว่าข้อมูลการฝึกอบรมและการตรวจสอบเป็นข้อมูลที่รวบรวมไว้ ในขณะที่ตัวชี้วัดอื่นๆ เป็นแบบต่อครั้ง) - โหลดผลลัพธ์โดยตรง – เมื่อสร้างโมเดลใน SageMaker เราสามารถโหลดไฟล์ Manifest ที่สร้างโดย SageMaker Ground Truth และใช้สำหรับการฝึกอบรม
โดยสรุป การจัดหมวดหมู่ภาพ 10,000 ภาพต้องใช้ผู้ตรวจสอบ 22 คนใน 980 วัน และราคา $XNUMX
การพัฒนาโมเดลการจำแนกรูปภาพด้วย Amazon SageMaker Studio
เราจำเป็นต้องจัดประเภทภาพรีวิวเป็นภาพเต็มตัว ภาพช่วงบน ภาพบรรจุภัณฑ์ ภาพผลิตภัณฑ์ และผลิตภัณฑ์เป็นหมวดหมู่ที่เกี่ยวข้อง เพื่อให้บรรลุเป้าหมาย เราได้พิจารณาสองรุ่น: โมเดลในตัวของ SageMaker ที่ใช้ ResNet และ MobileNet ที่ใช้ Tensorflow. เราทดสอบทั้งสองชุดในชุดข้อมูลทดสอบเดียวกัน และพบว่าโมเดลในตัวของ SageMaker มีความแม่นยำมากขึ้น ด้วยคะแนน 0.98 F1 เทียบกับ 0.88 จากโมเดล TensorFlow ดังนั้นเราจึงตัดสินใจเลือกรุ่นในตัวของ SageMaker
พื้นที่ SageMaker สตูดิโอ-ตามกระบวนการฝึกโมเดลมีดังนี้:
- นำเข้ารูปภาพที่มีป้ายกำกับจาก SageMaker Ground Truth
- ประมวลผลภาพล่วงหน้า – การปรับขนาดและเพิ่มภาพ
- โหลดไฟล์ โมเดลในตัวของ Amazon SageMaker เป็นภาพนักเทียบท่า
- ปรับไฮเปอร์พารามิเตอร์ผ่านการค้นหากริด
- สมัครโอนการเรียนรู้
- ปรับพารามิเตอร์ใหม่ตามเมตริกการฝึกอบรม
- บันทึกโมเดล
SageMaker ทำให้การฝึกโมเดลเป็นเรื่องง่ายด้วยการคลิกเพียงครั้งเดียว และไม่ต้องกังวลกับการจัดเตรียมและจัดการเซิร์ฟเวอร์สำหรับการฝึกอบรม
สำหรับการกลึงแบบไฮเปอร์พารามิเตอร์ เราใช้การค้นหาแบบกริดเพื่อกำหนดค่าที่เหมาะสมที่สุดของไฮเปอร์พารามิเตอร์ ตามจำนวนเลเยอร์การฝึก (num_layers
) และรอบการฝึก (epochs
) ในระหว่างการถ่ายโอนการเรียนรู้ส่งผลต่อความถูกต้องของแบบจำลองการจัดหมวดหมู่ของเรา
การแสดงโมเดลด้วย SageMaker Batch Transform และ Apache Airflow
แบบจำลองการจัดประเภทรูปภาพที่เราสร้างขึ้นจำเป็นต้องใช้เวิร์กโฟลว์ ML เพื่อพิจารณาว่ารูปภาพรีวิวมีคุณสมบัติสำหรับเครดิตหรือไม่ เราสร้างเวิร์กโฟลว์ด้วยสี่ขั้นตอนต่อไปนี้
- นำเข้าภาพรีวิวและข้อมูลเมตาที่ต้องตรวจสอบโดยอัตโนมัติ
- อนุมานฉลากของภาพ (อนุมาน)
- พิจารณาว่าควรให้เครดิตตามฉลากที่อนุมานหรือไม่
- เก็บตารางผลลัพธ์ในฐานข้อมูลการผลิต
เรากำลังใช้ อาปาเช่แอร์โฟลว์ เพื่อจัดการเวิร์กโฟลว์ผลิตภัณฑ์ข้อมูล เป็นแพลตฟอร์มการตั้งเวลาและการตรวจสอบเวิร์กโฟลว์ที่พัฒนาโดย Airbnb ซึ่งเป็นที่รู้จักจากกราฟ UI เว็บที่ใช้งานง่าย รองรับ Amazon SageMaker จึงสามารถย้ายโค้ดที่พัฒนาด้วย SageMaker Studio ไปยัง Apache Airflow ได้อย่างง่ายดาย มีสองวิธีในการรันงาน SageMaker บน Apache Airflow:
- การใช้ตัวดำเนินการ Amazon SageMaker
- การใช้ ตัวดำเนินการ Python : เขียนฟังก์ชัน Python ด้วย Amazon SageMaker Python SDK บน Apache Airflow และนำเข้าเป็นพารามิเตอร์ที่เรียกได้
ตัวเลือกที่สองให้เรา รักษา Python . ที่มีอยู่ของเรา รหัสที่เรามีอยู่แล้วใน SageMaker Studio และไม่ต้องการให้เราเรียนรู้ไวยากรณ์ใหม่สำหรับตัวดำเนินการ Amazon SageMaker
อย่างไรก็ตาม เราได้ผ่านการลองผิดลองถูกมาแล้ว เนื่องจากเป็นครั้งแรกที่เราผสาน Apache Airflow กับ Amazon SageMaker บทเรียนที่เราได้เรียนรู้คือ:
- อัพเดทBoto3: Amazon SageMaker Python SDK เวอร์ชัน 2 ต้องใช้ Boto3 1.14.12 หรือใหม่กว่า ดังนั้นเราจึงจำเป็นต้องอัปเดตเวอร์ชัน Boto3 ของสภาพแวดล้อม Apache Airflow ที่มีอยู่ซึ่งอยู่ที่ 1.13.4
- IAM บทบาทและการสืบทอดสิทธิ์: บทบาท AWS IAM ที่ใช้โดย Apache Airflow จำเป็นต้องสืบทอดบทบาทที่สามารถเรียกใช้ Amazon SageMaker ได้
- การกำหนดค่าเครือข่าย: ในการรันโค้ด SageMaker ด้วย Apache Airflow จำเป็นต้องกำหนดค่าปลายทางสำหรับการเชื่อมต่อเครือข่าย ตำแหน่งข้อมูลต่อไปนี้อิงตามภูมิภาคและบริการของ AWS ที่เราใช้อยู่ ดูรายละเอียดเพิ่มเติมได้ที่ เว็บไซต์ AWS.
api.sagemaker.ap-northeast-2.amazonaws.com
runtime.sagemaker.ap-northeast-2.amazonaws.com
aws.sagemaker.ap-northeast-2.studio
ผลลัพธ์
กระบวนการตรวจสอบภาพตรวจสอบอัตโนมัติทำให้เราได้รับผลลัพธ์ทางธุรกิจดังต่อไปนี้:
- เพิ่มประสิทธิภาพในการทำงาน – ปัจจุบัน 76% ของรูปภาพในหมวดหมู่ที่ใช้บริการได้รับการตรวจสอบโดยอัตโนมัติด้วยความแม่นยำในการตรวจสอบ 98%
- ความสม่ำเสมอในการให้สินเชื่อ – เครดิตจะได้รับตามเกณฑ์ที่ชัดเจน อย่างไรก็ตาม มีบางครั้งที่การให้เครดิตสำหรับกรณีที่คล้ายคลึงกันเนื่องจากความแตกต่างในการตัดสินของผู้ตรวจการ แบบจำลอง ML ใช้กฎอย่างสม่ำเสมอและสม่ำเสมอมากขึ้นในการใช้นโยบายสินเชื่อของเรา
- ลดความผิดพลาดของมนุษย์ – การมีส่วนร่วมของมนุษย์ทุกคนมีความเสี่ยงต่อความผิดพลาดของมนุษย์ ตัวอย่างเช่น เรามีกรณีที่มีการใช้เกณฑ์การตรวจทานรูปแบบสำหรับการตรวจทานผลิตภัณฑ์ โมเดลการตรวจสอบอัตโนมัติของเราช่วยลดความเสี่ยงของข้อผิดพลาดจากมนุษย์เหล่านี้ได้อย่างมาก
เราได้รับสิทธิประโยชน์ดังต่อไปนี้โดยเฉพาะจากการใช้ Amazon SageMaker เพื่อทำให้กระบวนการตรวจสอบรูปภาพเป็นแบบอัตโนมัติ:
- สร้างสภาพแวดล้อมที่เราสามารถสร้างและทดสอบแบบจำลองผ่านกระบวนการแบบแยกส่วนได้ – สิ่งที่เราชอบมากที่สุดเกี่ยวกับ Amazon SageMaker คือประกอบด้วยโมดูล ซึ่งช่วยให้เราสร้างและทดสอบบริการได้ง่ายและรวดเร็ว เห็นได้ชัดว่าเราต้องการเวลาในการเรียนรู้เกี่ยวกับ Amazon SageMaker ในตอนแรก แต่เมื่อเรียนรู้แล้ว เราสามารถนำไปใช้ในการดำเนินงานของเราได้อย่างง่ายดาย เราเชื่อว่า Amazon SageMaker เหมาะอย่างยิ่งสำหรับธุรกิจที่ต้องการการพัฒนาบริการอย่างรวดเร็ว เช่นในกรณีของ MUINSA Store
- รวบรวมข้อมูลอินพุตที่เชื่อถือได้ด้วย Amazon SageMaker Ground Truth – การรวบรวมข้อมูลที่ป้อนเข้ามีความสำคัญมากขึ้นกว่าการสร้างแบบจำลองตัวเองในพื้นที่ของ ML ด้วยความก้าวหน้าอย่างรวดเร็วของ ML รุ่นก่อนการฝึกอบรมสามารถทำงานได้ดีขึ้นกว่าเดิมมาก และไม่มีการปรับแต่งเพิ่มเติม AutoML ยังขจัดความจำเป็นในการเขียนโค้ดสำหรับการสร้างแบบจำลอง ML ดังนั้น ความสามารถในการรวบรวมข้อมูลอินพุตที่มีคุณภาพจึงมีความสำคัญมากกว่าที่เคย และการใช้บริการการติดป้ายกำกับ เช่น Amazon SageMaker Ground Truth เป็นสิ่งสำคัญ
สรุป
ในอนาคต เราวางแผนที่จะทำให้การให้บริการแบบจำลองเป็นแบบอัตโนมัติ แต่ยังรวมถึงการฝึกแบบจำลองผ่านแบทช์อัตโนมัติด้วย เราต้องการให้แบบจำลองของเราระบุไฮเปอร์พารามิเตอร์ที่เหมาะสมที่สุดโดยอัตโนมัติเมื่อมีการเพิ่มป้ายกำกับหรือรูปภาพใหม่ นอกจากนี้ เราจะดำเนินการปรับปรุงประสิทธิภาพของโมเดลของเราต่อไป กล่าวคือ การเรียกคืนและความแม่นยำ โดยอิงตามวิธีการฝึกอบรมอัตโนมัติที่กล่าวถึงก่อนหน้านี้ เราจะเพิ่มความครอบคลุมของแบบจำลองของเราเพื่อให้สามารถตรวจสอบภาพรีวิวได้มากขึ้น ลดต้นทุนได้มากขึ้น และได้ความแม่นยำที่สูงขึ้น ซึ่งจะทำให้ลูกค้าพึงพอใจมากขึ้น
สำหรับข้อมูลเพิ่มเติมเกี่ยวกับวิธีการใช้ อเมซอน SageMaker เพื่อแก้ปัญหาธุรกิจของคุณโดยใช้ ML ไปที่ หน้าเว็บผลิตภัณฑ์. และเช่นเคยติดตามข่าวสารล่าสุด ข่าว AWS Machine Learning ที่นี่
เนื้อหาและความคิดเห็นในโพสต์นี้เป็นของผู้เขียนบุคคลที่สาม และ AWS ไม่รับผิดชอบต่อเนื้อหาหรือความถูกต้องของโพสต์นี้
เกี่ยวกับผู้เขียน
จีฮเย ปาร์ค เป็นนักวิทยาศาสตร์ข้อมูลที่ MUINSA ซึ่งรับผิดชอบในการวิเคราะห์และสร้างแบบจำลองข้อมูล เธอชอบทำงานกับข้อมูลที่แพร่หลาย เช่น อีคอมเมิร์ซ บทบาทหลักของเธอคือการสร้างแบบจำลองข้อมูล แต่เธอก็มีความสนใจในด้านวิศวกรรมข้อมูลด้วย
ซองมิน คิม เป็น Sr. Solutions Architect ที่ Amazon Web Services เขาทำงานร่วมกับสตาร์ทอัพเพื่อสร้างสถาปัตยกรรม ออกแบบ ทำงานอัตโนมัติ และสร้างโซลูชันบน AWS เพื่อตอบสนองความต้องการทางธุรกิจของพวกเขา เขาเชี่ยวชาญด้าน AI/ML และ Analytics
- '
- "
- 000
- 100
- 107
- 98
- เพิ่มเติม
- Airbnb
- ทั้งหมด
- อเมซอน
- อเมซอน SageMaker
- ความจริงของ Amazon SageMaker
- Amazon Web Services
- การวิเคราะห์
- การวิเคราะห์
- อาปาเช่
- AREA
- อัตโนมัติ
- AWS
- ที่ดีที่สุด
- ร่างกาย
- แบรนด์
- สร้าง
- การก่อสร้าง
- ธุรกิจ
- ธุรกิจ
- กรณี
- ท้าทาย
- การจัดหมวดหมู่
- ซีเอ็นเอ็น
- รหัส
- การเก็บรวบรวม
- ความมั่นใจ
- การเชื่อมต่อ
- ความยินยอม
- เนื้อหา
- ต่อ
- การแปลง
- เครือข่ายประสาทเทียม
- ค่าใช้จ่าย
- เครดิต
- เครดิต
- ประสบการณ์ของลูกค้า
- ความพึงพอใจของลูกค้า
- ลูกค้า
- ข้อมูล
- การวิเคราะห์ข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- ประชากร
- ออกแบบ
- รายละเอียด
- พัฒนา
- ผู้พัฒนา
- พัฒนาการ
- นักเทียบท่า
- อีคอมเมิร์ซ
- ชั้นเยี่ยม
- สิ่งแวดล้อม
- ฯลฯ
- ประสบการณ์
- ร้านแฟชั่นเกาหลี
- คุณสมบัติ
- เฟด
- ชื่อจริง
- ครั้งแรก
- FLEET
- ข้างหน้า
- เต็ม
- ฟังก์ชัน
- ให้
- เป้าหมาย
- ดี
- ตะแกรง
- แขก
- โพสต์ของผู้เข้าพัก
- แนวทาง
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTTPS
- มนุษย์
- AMI
- แยกแยะ
- ภาพ
- อิมเมจเน็ต
- การปรับปรุง
- รวมทั้ง
- เพิ่ม
- ข้อมูล
- โครงสร้างพื้นฐาน
- IT
- งาน
- เกาหลี
- การติดฉลาก
- ป้ายกำกับ
- นำ
- ชั้นนำ
- เรียนรู้
- ได้เรียนรู้
- การเรียนรู้
- โหลด
- เรียนรู้เครื่อง
- ตัวชี้วัด
- ML
- แบบ
- การสร้างแบบจำลอง
- โมดูลาร์
- การตรวจสอบ
- คือ
- เครือข่าย
- ประสาท
- เครือข่ายประสาท
- ข่าว
- ออนไลน์
- การดำเนินการ
- ความคิดเห็น
- ตัวเลือกเสริม (Option)
- อื่นๆ
- การปฏิบัติ
- เวที
- แพลตฟอร์ม
- นโยบาย
- ความแม่นยำ
- ผลิตภัณฑ์
- การผลิต
- ผลิตภัณฑ์
- ซื้อ
- หลาม
- คุณภาพ
- เหตุผล
- ลด
- ผลสอบ
- ทบทวน
- รีวิว
- ความเสี่ยง
- กฎระเบียบ
- วิ่ง
- sagemaker
- SDK
- ค้นหา
- ความรู้สึก
- บริการ
- การให้บริการ
- ง่าย
- So
- โซลูชัน
- แก้
- ภาคใต้
- เกาหลีใต้
- ความเชี่ยวชาญ
- startups
- สหรัฐอเมริกา
- เข้าพัก
- การเก็บรักษา
- จัดเก็บ
- ส่ง
- รองรับ
- วัยรุ่น
- tensorflow
- ทดสอบ
- เวลา
- เครื่องมือ
- การจราจร
- การฝึกอบรม
- แนวโน้ม
- การทดลอง
- ui
- บันทึก
- us
- ปริมาณ
- เว็บ
- บริการเว็บ
- WHO
- คำ
- งาน
- เวิร์กโฟลว์
- โรงงาน