Amazon Machine Learning Solutions Lab (MLSL) creó recientemente una herramienta para anotar texto con reconocimiento de entidad nombrada (NER) y etiquetas de relación usando Verdad fundamental de Amazon SageMaker. Los anotadores usan esta herramienta para etiquetar texto con entidades nombradas y vincular sus relaciones, creando así un conjunto de datos para entrenar modelos de aprendizaje automático (ML) de procesamiento de lenguaje natural (NLP) de última generación. Lo más importante es que ahora está disponible públicamente para todos los clientes de AWS.
Caso de uso del cliente: Booking.com
Booking.com es una de las principales plataformas de viajes en línea del mundo. Comprender lo que dicen los clientes sobre los más de 28 millones de listados de propiedades de la compañía en la plataforma es esencial para mantener una experiencia del cliente de primer nivel. Anteriormente, Booking.com solo podía utilizar el análisis de sentimientos tradicional para interpretar las reseñas generadas por los clientes a escala. Buscando mejorar la especificidad de estas interpretaciones, Booking.com recurrió recientemente a la MLSL para obtener ayuda con la creación de un conjunto de datos anotados personalizados para entrenar un modelo de análisis de sentimiento basado en aspectos.
El análisis de sentimiento tradicional es el proceso de clasificar un fragmento de texto como positivo, negativo o neutral como un sentimiento singular. Esto funciona para comprender ampliamente si los usuarios están satisfechos o insatisfechos con una experiencia en particular. Por ejemplo, con el análisis de sentimiento tradicional, el siguiente texto puede clasificarse como "neutral":
Nuestra estancia en el hotel fue agradable. El personal era amable y las habitaciones estaban limpias, pero nuestras camas eran bastante incómodas.
El análisis de sentimientos basado en aspectos ofrece una comprensión más matizada del contenido. En el caso de Booking.com, en lugar de tomar la opinión de un cliente como un todo y clasificarla categóricamente, puede tomar la opinión de una opinión y asignarla a aspectos específicos. Por ejemplo, las reseñas de los clientes de un hotel determinado pueden elogiar la piscina y el gimnasio impecables, pero brindar comentarios críticos sobre el restaurante y el salón.
La declaración que habría sido clasificada como "neutral" por el análisis de sentimiento tradicional, con el análisis de sentimiento basado en aspectos, se convertirá en:
Nuestra estancia en el hotel fue agradable. El personal era amable y las habitaciones estaban limpias, pero nuestras camas eran bastante incómodas.
- Hoteles: Positivo
- Personal: Positivo
- Habitación: Positiva
- Camas: Negativo
Booking.com buscó crear un modelo personalizado de análisis de sentimientos basado en aspectos que les dijera qué partes específicas de la experiencia del huésped (de una lista de más de 50 aspectos) eran positivo, negativaso neutral.
Antes de que Booking.com pudiera crear un conjunto de datos de entrenamiento para este modelo, necesitaban una forma de anotarlo. La herramienta de anotación de MLSL proporcionó la solución personalizada que tanto necesitaba. La revisión humana se realizó en una gran colección de revisiones de hoteles. Luego, los anotadores completaron la anotación de la entidad nombrada sobre el sentimiento y los intervalos de texto y frases de la experiencia del huésped antes de vincular los intervalos apropiados.
El nuevo modelo basado en aspectos permite a Booking.com personalizar tanto los alojamientos como las reseñas para sus clientes. Destacar los aspectos positivos y negativos de cada alojamiento permite a los clientes elegir su pareja perfecta. Además, diferentes clientes se preocupan por distintos aspectos del alojamiento, y el nuevo modelo abre la oportunidad de mostrar las opiniones más relevantes de cada uno.
Requisitos de etiquetado
Aunque Ground Truth proporciona una capacidad de anotación de texto NER integrada, no proporciona la capacidad de vincular entidades entre sí. Con esto en mente, Booking.com y MLSL elaboraron los siguientes requisitos de alto nivel para una nueva herramienta de etiquetado de texto de reconocimiento de entidad nombrada que:
- Acepta como entrada: texto, etiquetas de entidad, etiquetas de relacióny etiquetas de clasificación.
- Opcionalmente, acepta como entrada datos preanotados con la etiqueta anterior y anotaciones de relación.
- Presenta al anotador con texto sin anotaciones o con anotaciones previas.
- Permite a los anotadores resaltar y anotar texto arbitrario con una etiqueta de entidad.
- Permite a los anotadores crear relaciones entre dos anotaciones de entidades.
- Permite a los anotadores navegar fácilmente por un gran número de etiquetas de entidad.
- Admite la agrupación de etiquetas de entidad en categorías.
- Permitir relaciones superpuestas, lo que significa que el mismo segmento de texto anotado se puede relacionar con más de otro segmento de texto anotado.
- Permite la superposición de anotaciones de etiquetas de entidad, lo que significa que dos anotaciones pueden superponerse al mismo fragmento de texto. Por ejemplo, el texto "Seattle Space Needle" puede tener las anotaciones "Seattle" → "ubicaciones" y "Seattle Space Needle" → "atracciones".
- El formato de salida es compatible con el formato de entrada y se puede realimentar en tareas de etiquetado posteriores.
- Admite texto codificado en UTF-8 que contiene emoji y otros caracteres de varios bytes.
- Admite idiomas de izquierda a derecha.
Anotación de muestra
Considere el siguiente documento:
¡Nos encantó la ubicación de este hotel! El salón de la azotea nos dio la vista perfecta de la aguja espacial. También está a poca distancia en auto del mercado Pike Place Market y del paseo marítimo.
La comida solo estaba disponible a través del servicio de habitaciones, lo cual fue un poco decepcionante pero tiene sentido en este mundo posterior a la pandemia.
En general, una experiencia a un precio razonable.
Cargar este documento en la nueva anotación NER presenta a un trabajador con la siguiente interfaz:
En este caso, el trabajo del trabajador es:
- Etiquetar entidades relacionadas con la propiedad (ubicación, precio, comida, etc.)
- Etiquetar entidades relacionadas con el sentimiento (positivo, negativo o neutral)
- Vincule entidades nombradas relacionadas con la propiedad a palabras clave relacionadas con el sentimiento para capturar con precisión la experiencia del huésped
La velocidad de anotación fue una consideración importante de la herramienta. Usando una secuencia de atajos de teclado intuitivos y gestos del mouse, los anotadores pueden controlar la interfaz y:
- Agregar y eliminar anotaciones de entidades nombradas
- Agregar relaciones entre entidades nombradas
- Saltar al principio y al final del documento
- Enviar el documento
Además, hay soporte para etiquetas superpuestas. Por ejemplo, Seattle Space Needle
: en esta frase, Seattle
se anota como una ubicación en sí misma y como parte del nombre de la atracción.
La anotación completa proporciona un análisis más completo y matizado de los datos:
Las relaciones se pueden configurar en muchos niveles, desde categorías de entidades a otras categorías de entidades (por ejemplo, desde "comida" a "sentimiento"), o entre tipos de entidades individuales. Las relaciones están dirigidas, por lo que los anotadores pueden vincular un aspecto como la comida a un sentimiento, pero no al revés (a menos que se habilite explícitamente). Al dibujar relaciones, la herramienta de anotación deducirá automáticamente la etiqueta y la dirección de la relación.
Configuración de la herramienta de anotación NER
En esta sección, cubrimos cómo personalizar la herramienta de anotación NER para casos de uso específicos del cliente. Esto incluye configurar:
- El texto de entrada para anotar
- Etiquetas de entidad
- Etiquetas de relación
- Etiquetas de clasificación
- Datos preanotados
- Instrucciones para el trabajador
Cubriremos los detalles de los formatos de documentos de entrada y salida, así como también proporcionaremos algunos ejemplos de cada uno.
Formato del documento de entrada
La herramienta de anotación NER espera el siguiente documento de entrada con formato JSON (los campos con un signo de interrogación junto al nombre son opcionales).
En pocas palabras, el formato de entrada tiene estas características:
- Ambos
entityLabels
orclassificationLabels
(o ambos) son necesarios para anotar. - If
entityLabels
se dan, entoncesrelationshipLabels
Puede ser añadido. - Se pueden permitir relaciones entre diferentes etiquetas de entidad/categoría o una combinación de estas.
- La "fuente" de una relación es la entidad con la que comienza la flecha dirigida, mientras que el "objetivo" es hacia donde se dirige.
Campo | Tipo de Propiedad | Descripción |
texto | cadena | Requerido. Introduzca el texto para la anotación. |
tokenFilas | cuerda[][] | Opcional. Tokenización personalizada del texto de entrada. Matriz de matrices de cadenas. La matriz de nivel superior representa cada fila de texto (saltos de línea) y la matriz de segundo nivel representa tokens en cada fila. Todos los caracteres/runas en el texto de entrada deben tenerse en cuenta en tokenRows, incluido cualquier espacio en blanco. |
ID del documento | cadena | Opcional. Valor opcional para que los clientes realicen un seguimiento del documento que se está anotando. |
etiquetas de entidad | objeto[] | Obligatorio si las etiquetas de clasificación están en blanco. Matriz de etiquetas de entidad. |
EntityLabels[].nombre | cadena | Requerido. Nombre para mostrar de la etiqueta de entidad. |
EntityLabels[].categoría | cadena | Opcional. Nombre de categoría de etiqueta de entidad. |
EntityLabels[].shortName | cadena | Opcional. Muestre este texto sobre las entidades anotadas en lugar del nombre completo. |
EntityLabels[].shortCategory | cadena | Opcional. Muestre este texto en el menú desplegable de selección de anotación de la entidad en lugar de las primeras cuatro letras del nombre de la categoría. |
EntityLabels.color | cadena | Opcional. Código de color hexadecimal con el prefijo "#". Si está en blanco, automáticamente asignará un color a la etiqueta de la entidad. |
etiquetas de relación | objeto[] | Opcional. Matriz de etiquetas de relación. |
etiquetas de relación[].nombre | cadena | Requerido. Nombre para mostrar de la etiqueta de relación. |
etiquetas de relación[].relaciones permitidas | objeto[] | Opcional. Matriz de valores que restringen a qué tipos de etiquetas de entidad de origen y destino se puede asignar esta relación. Cada elemento de la matriz se combina con "OR". |
etiquetas de relación[].relaciones permitidas[].sourceEntityLabelCategories | cuerda[] | Necesario para establecer sourceEntityLabelCategories o sourceEntityLabels (o ambos). Lista de tipos de categoría de etiqueta de entidad de origen legal para esta relación. |
etiquetas de relación[].relaciones permitidas[].targetEntityLabelCategories | cuerda[] | Necesario para establecer targetEntityLabelCategories o targetEntityLabels (o ambos). Lista de tipos de categoría de etiqueta de entidad de destino legal para esta relación. |
etiquetas de relación[].relaciones permitidas[].sourceEntityLabels | cuerda[] | Necesario para establecer sourceEntityLabelCategories o sourceEntityLabels (o ambos). Lista de tipos de etiquetas de entidad de origen legal para esta relación. |
etiquetas de relación[].relaciones permitidas[].sourceEntityLabels | cuerda[] | Necesario para establecer targetEntityLabelCategories o targetEntityLabels (o ambos). Lista de tipos de etiquetas de entidades de destino legales para esta relación. |
clasificaciónEtiquetas | cuerda[] | Obligatorio si las etiquetas de entidad están en blanco. Lista de etiquetas de clasificación de nivel de documento. |
entidadAnotaciones | objeto[] | Opcional. Matriz de anotaciones de entidad con las que preanotar el texto de entrada. |
anotaciones de entidad[].id | cadena | Requerido. Identificador único para esta anotación de entidad. Se utiliza para hacer referencia a esta entidad en las anotaciones de relación. |
anotaciones de entidad[].start | número | Requerido. Comience el desplazamiento de runas de esta anotación de entidad. |
anotaciones de entidad[].end | número | Requerido. Fin del desplazamiento de la runa de esta anotación de entidad. |
EntidadAnotaciones[].texto | cadena | Requerido. Contenido de texto entre el desplazamiento de runa inicial y final. |
entidadAnotaciones[].etiqueta | cadena | Requerido. Nombre de la etiqueta de la entidad asociada (de los nombres en las etiquetas de entidad). |
entidadAnotaciones[].labelCategory | cadena | Opcional. Categoría de etiqueta de entidad asociada (de las categorías en entityLabels). |
relaciónAnotaciones | objeto[] | Opcional. Matriz de anotaciones de relación. |
relaciónAnotaciones[].sourceEntityAnnotationId | cadena | Requerido. ID de anotación de entidad de origen para esta relación. |
relaciónAnotaciones[].targetEntityAnnotationId | cadena | Requerido. Id. de anotación de entidad de destino para esta relación. |
relaciónAnotaciones[].etiqueta | cadena | Requerido. Nombre de etiqueta de relación asociada. |
clasificaciónAnotaciones | cuerda[] | Opcional. Matriz de clasificaciones para anotar previamente el documento. |
meta | objeto | Opcional. Parámetros de configuración adicionales. |
meta.instrucciones | cadena | Opcional. Instrucciones para el anotador de etiquetado en formato Markdown. |
meta.disableEnviarConfirmación | booleano | Opcional. Establézcalo en verdadero para deshabilitar el modo de confirmación de envío. |
meta.clasificación múltiple | booleano | Opcional. Establézcalo en verdadero para habilitar el modo de etiquetas múltiples para las etiquetas de clasificación. |
Aquí hay algunos documentos de muestra para tener una mejor idea de este formato de entrada
Los documentos que se adhieren a este esquema se proporcionan a Ground Truth como elementos de línea individuales en un manifiesto de entrada.
Formato del documento de salida
El formato de salida está diseñado para retroalimentar fácilmente una nueva tarea de anotación. Los campos opcionales en el documento de salida se configuran si también se configuran en el documento de entrada. La única diferencia entre los formatos de entrada y salida es el meta
objeto.
Campo | Tipo de Propiedad | Descripción |
meta.rechazado | booleano | Se establece en verdadero si el anotador rechazó este documento. |
meta.rechazadoRazón | cadena | Razón dada por el anotador para rechazar el documento. |
meta.runas | cuerda[] | Matriz de runas que representan todos los caracteres en el texto de entrada. Se utiliza para calcular las compensaciones de inicio y final de la anotación de la entidad. |
Aquí hay un documento de salida de muestra que ha sido anotado:
Nota de runas:
Una "runa" en este contexto es un carácter único que se puede resaltar en el texto, incluidos los caracteres de varios bytes, como emoji.
- Debido a que los diferentes lenguajes de programación representan caracteres de varios bytes de manera diferente, el uso de "Runas" para definir cada carácter resaltable como un solo elemento atómico significa que tenemos una forma inequívoca de describir cualquier selección de texto dada.
- Por ejemplo, Python trata la bandera sueca como cuatro caracteres:
Pero JavaScript trata el mismo emoji como dos caracteres
Para eliminar cualquier ambigüedad, trataremos la bandera sueca (y todos los demás emoji y caracteres multibyte) como un solo elemento atómico.
- Desplazamiento: posición de la runa en relación con el texto de entrada (comenzando con el índice 0)
Realización de anotaciones NER con Ground Truth
Como un servicio de etiquetado de datos completamente administrado, Ground Truth crea conjuntos de datos de entrenamiento para ML. Para este caso de uso, usamos Ground Truth para enviar una colección de documentos de texto a un grupo de trabajadores para su anotación. Finalmente, revisamos la calidad.
Ground Truth se puede configurar para crear un trabajo de etiquetado de datos utilizando la nueva herramienta NER como una plantilla personalizada.
Específicamente, haremos lo siguiente:
- Cree una fuerza de trabajo de etiquetado privado de trabajadores para realizar la tarea de anotación
- Crear un manifiesto de entrada de Ground Truth con los documentos que queremos anotar y luego subirlo a Servicio de almacenamiento simple de Amazon (Amazon S3)
- Crear tareas de preetiquetado y tareas de posetiquetado Funciones Lambda
- Cree un trabajo de etiquetado Ground Truth usando la plantilla NER personalizada
- Anotar documentos
- Revisar resultados
Recursos de la herramienta NER
En el siguiente cuadro se puede encontrar una lista completa de recursos de referencia y documentos de muestra:
Etiquetado de la creación de personal
Ground Truth utiliza las fuerzas de trabajo de etiquetado de SageMaker para administrar trabajadores y distribuir tareas. Cree una fuerza de trabajo privada, un equipo de trabajadores llamado ner-worker-team, y asígnese al equipo siguiendo las instrucciones que se encuentran en Crear una fuerza laboral privada (Consola de Amazon SageMaker).
Una vez que se haya agregado a una fuerza de trabajo privada y haya confirmado su correo electrónico, anote la URL del portal de trabajadores de la Consola de administración de AWS:
- Navegue hasta
SageMaker
- Navegue hasta
Ground Truth → Labeling workforces
- Seleccione
Private
de la pestaña. - Tenga en cuenta la URL
Labeling portal sign-in URL
Inicie sesión en el portal del trabajador para ver y comenzar a trabajar en las tareas de etiquetado.
Manifiesto de entrada
El manifiesto de datos de entrada de Ground Truth es un archivo de líneas JSON donde cada línea contiene una sola tarea de trabajador. En nuestro caso, cada línea contendrá un único documento de entrada codificado en JSON que contiene el texto que queremos anotar y el esquema de anotación NER.
Descargar un manifiesto de entrada de muestra reviews.manifest
en https://assets.solutions-lab.ml/NER/0.2.1/sample-data/reviews.manifest
Note: cada fila en el manifiesto de entrada necesita una clave de nivel superior source
or source-ref
. Puedes aprender más en Usar un archivo de manifiesto de entrada en la Guía para desarrolladores de Amazon SageMaker.
Cargue el manifiesto de entrada en Amazon S3
Cargue este manifiesto de entrada en un depósito de S3 mediante la Consola de administración de AWS o desde la línea de comandos, reemplazando así your-bucket
con un nombre de depósito real.
Descargar plantilla de trabajador personalizada
Descargue la plantilla de trabajador personalizado de la herramienta NER de https://assets.solutions-lab.ml/NER/0.2.1/worker-template.liquid.html viendo la fuente y guardando el contenido localmente, o desde la línea de comando:
Crear tareas de preetiquetado y tareas de posetiquetado Funciones Lambda
Descargue la tarea de preetiquetado de muestra de la función Lambda: smgt-ner-pre-labeling-task-lambda.py
en https://assets.solutions-lab.ml/NER/0.2.1/sample-scripts/smgt-ner-pre-labeling-task-lambda.py
Descargue la tarea de preetiquetado de muestra de la función Lambda: smgt-ner-post-labeling-task-lambda.py
en https://assets.solutions-lab.ml/NER/0.2.1/sample-scripts/smgt-ner-post-labeling-task-lambda.py
- Cree la función Lambda de la tarea de preetiquetado desde la consola de administración de AWS:
- Navegue hasta
Lambda
- Seleccione
Create function
- Especificar
Function name
assmgt-ner-pre-labeling-task-lambda
- Seleccione
Runtime
→Python 3.6
- Seleccione
Create function
- In
Function code
→lambda_hanadler.py
, pegue el contenido desmgt-ner-pre-labeling-task-lambda.py
- Seleccione
Deploy
- Navegue hasta
- Cree la función Lambda de la tarea posterior al etiquetado desde la consola de administración de AWS:
- Navegue hasta
Lambda
- Seleccione
Create function
- Especificar
Function name
assmgt-ner-post-labeling-task-lambda
- Seleccione
Runtime
→Python 3.6
- Expandir
Change default execution role
- Seleccione
Create a new role from AWS policy templates
- Escriba la
Role name
:smgt-ner-post-labeling-task-lambda-role
- Seleccione
Create function
- Seleccione
Permissions
de la pestaña. - Seleccione
Role name
:smgt-ner-post-labeling-task-lambda-role
para abrir la consola de IAM - Agregar dos políticas al rol
- Seleccione
Attach policies
- Adjunta
AmazonS3FullAccess
política - Seleccione
Add inline policy
- Seleccione
JSON
de la pestaña. - Pegue la siguiente política en línea:
- Seleccione
- Vuelve a la
smgt-ner-post-labeling-task-lambda
Página de configuración de la función Lambda - Seleccione
Configuration
de la pestaña. - In
Function code
→ yoambda_hanadler.py
, pegue el contenido desmgt-ner-post-labeling-task-lambda.py
- Seleccione
Deploy
- Navegue hasta
Crear un trabajo de etiquetado Ground Truth
Desde la consola de administración de AWS:
- Navegue hasta la
Amazon SageMaker
de coches - Navegue hasta
Ground Truth
→Labeling Jobs
. - Seleccione
Create labeling job
- Especifique un
Job Name
- Seleccione
Manual Data Setup
- Especifique la ubicación del conjunto de datos de entrada donde cargó el manifiesto de entrada anteriormente (p. ej., s
3://your-bucket/ner-input/sample-smgt-input-manifest.jsonl
) - Especifique la ubicación del conjunto de datos de salida para apuntar a una carpeta diferente en el mismo depósito (p. ej.,
s3://your-bucket/ner-output/
) - Especifique un
IAM Role
seleccionandoCreate new role
- Permita que este rol acceda a cualquier depósito de S3 seleccionando
S3 buckets you specify
→Any S3 bucket
al crear la póliza - En una nueva ventana de la Consola de administración de AWS, abra el
IAM
consola y seleccioneRoles
- Busque el nombre del rol que acaba de crear (por ejemplo,
AmazonSageMaker-ExecutionRole-20210301T154158
) - Seleccione el nombre de la función para abrir la función en la consola
- Adjunte las siguientes tres políticas:
- Seleccione Adjuntar políticas
- Adjunta
AWSLambda_FullAccess
al papel - Seleccione
Trust Relationships
→Edit Trust Relationships
- Edite la relación de confianza JSON,
- Reemplaza
YOUR_ACCOUNT_NUMBER
con su número numérico de cuenta de AWS, para leer: - Salvar la relación de confianza
- Permita que este rol acceda a cualquier depósito de S3 seleccionando
- Regrese al nuevo trabajo de Ground Truth en la ventana anterior de la consola de administración de AWS: en
Task Category
, seleccioneCustom
- Seleccione
Next
- Seleccione
Worker types
:Private
- Seleccione
Private team
:ner-worker-team
que se creó en la sección anterior - En
Custom labeling task setup
área de texto, borre el contenido predeterminado y pegue el contenido delworker-template.liquid.html
archivo obtenido anteriormente - Especifica el
Pre-labeling task Lambda function
con la función creada anteriormente:smgt-ner-pre-labeling
- Especifica el
Post-labeling task Lambda function
con la función creada anteriormente:smgt-ner-post-labeling
- Seleccione
Create
Anotar documentos
Una vez que se crea el trabajo de Ground Truth, podemos comenzar a anotar documentos. Abra el portal de trabajadores para nuestra fuerza laboral creado anteriormente (en la Consola de administración de AWS, navegue hasta el SageMaker
, Ground Truth → Labeling workforces
, Private
y abre el Labeling portal sign-in URL
)
Inicie sesión y seleccione la primera tarea de etiquetado en la tabla y luego seleccione "Empezar a trabajar" para abrir el anotador. Realice sus anotaciones y seleccione enviar en los tres documentos de muestra.
Revisar resultados
A medida que los anotadores de Ground Truth completen las tareas, los resultados estarán disponibles en el depósito S3 de salida:
Una vez que se completan todas las tareas de un trabajo de etiquetado, la salida consolidada está disponible en la output.manifest
archivo ubicado aquí:
Este manifiesto de salida es un archivo de líneas JSON con un documento de texto anotado por línea en el "Formato de documento de salida" especificado anteriormente. Este archivo es compatible con el "Formato de documento de entrada" y se puede introducir directamente en un trabajo Ground Truth posterior para otra ronda de anotaciones. Como alternativa, se puede analizar y enviar a un trabajo de entrenamiento de ML. Algunos escenarios en los que podríamos emplear una segunda ronda de anotaciones son:
- Dividir el proceso de anotación en dos pasos donde el primer anotador identifica anotaciones de entidad y el segundo anotador dibuja relaciones
- Tomando una muestra de nuestro
output.manifest
y enviarlo a un segundo anotador más experimentado para que lo revise como control de calidad.
Plantillas de anotación de Ground Truth personalizadas
La herramienta de anotación NER descrita en este documento se implementa como una plantilla de anotación Ground Truth personalizada. Los clientes de AWS pueden crear sus propias interfaces de anotación personalizadas siguiendo las instrucciones que se encuentran aquí:
Conclusión
Al trabajar juntos, Booking.com y Amazon MLSL pudieron desarrollar una poderosa herramienta de anotación de texto que es capaz de crear anotaciones complejas de relación y reconocimiento de entidades nombradas.
Alentamos a los clientes de AWS con un caso de uso de anotación de texto NER a probar la herramienta descrita en esta publicación. Si desea ayudar a acelerar el uso de ML en sus productos y servicios, comuníquese con el Laboratorio de soluciones de aprendizaje automático de Amazon.
Acerca de los autores
dan noble es ingeniero de desarrollo de software en Amazon, donde ayuda a crear experiencias de usuario agradables. En su tiempo libre, disfruta leer, hacer ejercicio y vivir aventuras con su familia.
Pri Nonis es un arquitecto de aprendizaje profundo en Amazon ML Solutions Lab, donde trabaja con clientes en varios verticales y los ayuda a acelerar su viaje de migración a la nube y a resolver sus problemas de ML utilizando soluciones y tecnologías de última generación.
Niharika Jayanthi es ingeniera front-end en AWS, donde desarrolla soluciones de anotación personalizadas para clientes de Amazon SageMaker. Fuera del trabajo, le gusta ir a museos y hacer ejercicio.
Amit Beka es Gerente de Aprendizaje Automático en Booking.com, con más de 15 años de experiencia en desarrollo de software y aprendizaje automático. Está fascinado con las personas y los idiomas, y cómo las computadoras todavía están desconcertadas por ambos.
- '
- 100
- 11
- 7
- Sobre
- de la máquina
- Mi Cuenta
- Contabilidad
- a través de
- la columna Acción
- adición
- Adicionales
- Todos
- Amazon
- Aprendizaje automático de Amazon
- Amazon SageMaker
- Ambigüedad
- análisis
- Reservada
- Hoy Disponibles
- Disponible para todos
- AWS
- Comienzo
- "Ser"
- build
- Construir la
- servicios sociales
- cases
- clasificación
- Soluciones
- código
- --
- integraciones
- computadoras
- Configuración
- consideración
- Consola
- contenido
- contenido
- podría
- Creamos
- crítico
- experiencia del cliente
- Clientes
- datos
- deep learning
- desarrollar
- Developer
- Desarrollo
- una experiencia diferente
- documentos
- No
- pasan fácilmente
- efecto
- Emoji
- fomentar
- ingeniero
- etc.
- ejemplo
- ejecución
- espera
- experience
- Experiencias
- familia
- Fed
- realimentación
- Terrenos
- Finalmente
- Nombre
- aptitud
- Comida
- formato
- encontrado
- ser completados
- función
- gif
- va
- Invitad@s
- guía
- ayuda
- ayuda
- esta página
- Destacar
- hoteles
- Cómo
- Como Hacer
- HTTPS
- AMI
- implementado
- importante
- Incluye
- índice
- INSTRUMENTO individual
- IT
- JavaScript
- Trabajos
- Clave
- etiquetado
- Etiquetas
- idioma
- Idiomas
- large
- líder
- APRENDE:
- aprendizaje
- Legal
- Nivel
- línea
- LINK
- Líquido
- Lista
- Propiedades
- localmente
- Ubicación
- mirando
- máquina de aprendizaje
- Management
- marca
- Mercado
- Match
- Meta
- mente
- ML
- modelo
- más,
- Museos
- nombres
- Lenguaje natural
- Procesamiento natural del lenguaje
- nlp
- números
- Ofertas
- compensar
- en línea
- habiertos
- abre
- Oportunidad
- Otro
- Personas
- frases
- plataforma
- Plataformas
- políticas
- política
- alberca
- Portal
- post pandemia
- poderoso
- precio
- Director de la escuela
- privada
- Productos
- Programación
- lenguajes de programación
- perfecta
- proporcionar
- proporciona un
- Python
- calidad
- pregunta
- Reading
- Relaciones
- Requisitos
- Recurso
- Recursos
- facturas de restaurantes
- Resultados
- una estrategia SEO para aparecer en las búsquedas de Google.
- Reseñas
- Habitaciones
- sabio
- ahorro
- Escala
- sentido
- sentimiento
- Servicios
- set
- En Corto
- sencillos
- So
- Software
- Desarrollo de software ad-hoc
- Soluciones
- RESOLVER
- Espacio
- velocidad
- comienzo
- Posicionamiento
- quedarse
- STORAGE
- SOPORTE
- Target
- Tecnologías
- La Fuente
- equipo
- juntos
- Tokenization
- Tokens
- del IRS
- parte superior
- nivel superior
- seguir
- tradicional
- Formación
- viajes
- sorpresa
- trata
- Confía en
- us
- usuarios
- propuesta de
- versión
- Ver
- ¿
- dentro de
- Actividades:
- trabajado
- los trabajadores.
- Empleados
- trabajando
- trabajando
- funciona
- mundo
- mundo
- se
- años