Alasta tai tuotteesta riippumatta asiakkaat ovat tärkein osa yrityksen menestystä ja kasvua. Yritykset pyrkivät hankkimaan ja vielä tärkeämpää säilyttää nykyiset asiakkaat. Asiakastyytyväisyys liittyy suoraan liikevaihdon kasvuun, liiketoiminnan uskottavuuteen ja maineeseen. Nämä kaikki ovat keskeisiä tekijöitä kestävän ja pitkän aikavälin liiketoiminnan kasvustrategiassa.
Kun otetaan huomioon asiakkaiden hankkimisesta ja tyytyväisyydestä aiheutuvat markkinointi- ja toimintakustannukset sekä se, kuinka kallista asiakkaan menettäminen kilpailijalle voi tulla, uusien asiakkaiden säilyttäminen on yleensä halvempaa. Siksi on tärkeää, että yritykset ymmärtävät, miksi ja milloin asiakas saattaa lopettaa palvelujensa käytön tai vaihtaa kilpailijansa, jotta he voivat ryhtyä ennakoiviin toimiin tarjoamalla kannustimia tai tarjoamalla päivityksiä uusille paketeille, jotka voisivat kannustaa asiakasta pysymään liiketoiminnassa.
Asiakaspalveluun liittyvä vuorovaikutus tarjoaa korvaamattoman käsityksen asiakkaan mielipiteestä yrityksestä ja sen palveluista, ja sitä voidaan käyttää muiden määrällisten tekijöiden lisäksi, jotta yritys voi paremmin ymmärtää asiakaskeskustelujen tunteita ja suuntauksia sekä tunnistaa tärkeät yritykset ja tuotteet palautetta. Koneoppimisen (ML) tekniikoita käyttävä asiakasvaihteluennuste voi olla tehokas työkalu asiakaspalvelussa ja hoidossa.
Tässä viestissä käymme läpi harjoitteluprosessin ja churn -ennustusmallin käyttöönoton Amazon Sage Maker että käyttötarkoitukset Halaa kasvomuuntajia löytää hyödyllisiä signaaleja asiakas-agentin puhelutranskriptioista. Tekstisisällön lisäksi näytämme, kuinka voit sisällyttää muun tyyppisiä tietoja, kuten numeerisia ja kategorisia ominaisuuksia, asiakkaiden ennusteen ennustamiseksi.
Edellytykset
Jos haluat kokeilla ratkaisua omalla tililläsi, varmista, että sinulla on seuraavat:
JumpStart -ratkaisun julkaisu luo resurssit, jotka on määritetty oikein ja määritetty suorittamaan ratkaisu onnistuneesti.
Arkkitehtuurin yleiskatsaus
Tässä ratkaisussa keskitymme SageMaker -komponentteihin. Käytämme SageMaker -harjoitustöitä churn -ennustusmallin kouluttamiseen ja SageMaker -päätepistettä mallin käyttöönottoon. Käytämme Amazonin yksinkertainen tallennuspalvelu (Amazon S3) harjoitustietojen ja malliesineiden tallentamiseen ja amazonin pilvikello kirjata koulutusta ja päätepisteiden tuloksia. Seuraava kuva havainnollistaa ratkaisun arkkitehtuuria.
Tutkitaan tietoja
Tässä viestissä käytämme matkaviestinoperaattorin historiatietoja siitä, mitkä asiakkaat lopettivat myrskyn ja jotka jatkoivat palvelun käyttöä. Tiedot sisältävät myös transkriptiot viimeisimmistä puhelinkeskusteluista asiakkaan ja edustajan välillä (joka voi olla myös suoratoistokopiointi puhelun aikana). Voimme käyttää tätä historiallista tietoa ML -luokittelumallin kouluttamiseen, jonka avulla voimme sitten ennustaa asiakasvaihtelun todennäköisyyden asiakkaan profiilitietojen ja puhelun transkription sisällön perusteella. Luomme SageMaker-päätepisteen tehdäksemme reaaliaikaisia ennusteita mallin avulla ja tarjotaksemme enemmän tietoa asiakaspalvelun edustajille heidän käsitellessään asiakaspuheluita.
Käyttämämme aineisto on synteettisesti luotu ja saatavilla CC BY 4.0 -lisenssillä. Numeeristen ja kategoristen ominaisuuksien luomiseen käytetyt tiedot perustuvat julkiseen tietojoukkoon KDD Cup 2009: Asiakassuhteen ennuste. Olemme luoneet yli 50,000 45,000 näytettä ja jakaneet tiedot satunnaisesti 5,000 2 näytteeseen koulutusta varten ja XNUMX näytteeseen testausta varten. Lisäksi puhelinkeskustelujen transkriptiot luotiin synteettisesti käyttämällä GPTXNUMX (Generatiivinen esikoulutettu muuntaja 2) algoritmi. Tietoja ylläpidetään Amazon S3: ssa.
Lisätietoja asiakasvaihteluiden luokittelumalleista, jotka käyttävät samankaltaisia tietoja, ja myös vaiheittaiset ohjeet binääriluokitusmallin rakentamisesta samankaltaisten tietojen avulla löytyvät blogiviestistä Asiakasvaihtuvuuden ennustaminen Amazon Machine Learningin avulla. Tämä viesti keskittyy enemmän binääriluokitukseen taulukkotietojen avulla. Tämä blogipostaus lähestyy tätä ongelmaa eri näkökulmasta ja tuo luonnollisen kielen käsittelyn (NLP) käsittelemällä agentti-asiakas-puhelinkeskustelut.
Seuraavat ovat asiakasprofiilitietojoukon määritteet (ominaisuudet):
- CustServ-puhelut - Asiakaspalveluun soitettujen puheluiden määrä
- State: Yhdysvaltain osavaltio, jossa asiakas asuu, kaksikirjaiminen lyhenne; esimerkiksi OH tai NJ
- VMail -viesti - Keskimääräinen puhepostiviestien määrä kuukaudessa
- Tilin pituus - Kuinka monta päivää tämä tili on ollut aktiivinen
- Päivän minit, päiväpuhelut, päivämaksu - Laskutusmaksu päivän aikana soitetuista puheluista
- Eve Mins, Eve soittaa, Eve Charge - laskutettu hinta illalla soitetuista puheluista
- Yöminit, yöpuhelut, yömaksu - laskutettu hinta yöllä soitetuista puheluista
- Intl. Min., Intl. Puhelut, Intl Charge - Laskutusmaksu kansainvälisistä puheluista
- Sijainti - Asuuko asiakas kaupungeissa, esikaupunkialueilla, maaseudulla tai muilla alueilla
- Osavaltio - Asiakkaan osavaltion sijainti
- Suunnitelma - Suunnitelman luokka
- Raja - Rajoitettu tai rajoittamaton suunnitelmatyyppi
- teksti -Synteettinen GPT-2-generoitu transkriptio asiakas-agentti-puhelinkeskustelusta
- Y: Poistuiko asiakas palvelusta (tosi/epätosi)
Viimeinen ominaisuus, Y
, tunnetaan nimellä kohdeominaisuustai ominaisuus, jonka haluamme ML -mallin ennustavan. Koska kohdeominaisuus on binaarinen (tosi/epätosi), mallinnustyyppi on binäärinen luokitusmalli. Malli, jota koulutamme myöhemmin tässä viestissä, ennustaa myös kääntymisen todennäköisyyden.
Emme mene tutkivaan data -analyysiin tässä viestissä. Katso lisätietoja kohdasta Asiakasvaihtuvuuden ennustaminen Amazon Machine Learningin avulla ja Asiakasvaihtuvuusennuste XGBoostin avulla muistikirja.
Harjoitusskripti on kehitetty siten, että ML -harjoittaja voi valita ja valita harjoituksessa käytettävät ominaisuudet. Emme esimerkiksi käytä kaikkia ominaisuuksia koulutuksessa. Keskitymme enemmän asiakkaan tilin erääntymiseen, siihen, kuinka monta kertaa asiakas on ottanut yhteyttä asiakaspalveluun, suunnitelmaan, jolla heillä on, ja viimeisimmän puhelun transkriptioon. Voit käyttää lisäominaisuuksia harjoittelussa sisällyttämällä luettelon hyperparametreihin, kuten seuraavassa osassa esitetään.
Asiakas-agentti-puhelun transkriptio text
sarake on synteettistä tekstiä, joka on luotu ML -malleilla GPT2 -algoritmin avulla. Sen tarkoituksena on näyttää, kuinka voit soveltaa tätä ratkaisua reaalimaailman asiakaspalvelupuheluihin. GPT2 on valvomaton muuntajan kielimalli, jonka on kehittänyt OpenAI. Se on tehokas generatiivinen NLP-malli, joka menestyy erinomaisesti pitkän kantaman riippuvuuksien käsittelyssä ja on esikoulutettu monipuoliseen tekstikokonaisuuteen. Lisätietoja tekstin luomisesta GPT2: n avulla on kohdassa Kokeile GPT-2 XL -konemallipakettia Amazon SageMakerilla ja Luova kirjoittaminen GPT2 -tekstin luomisen avulla muistikirja esimerkkinä.
Harjoittele mallia
Tähän viestiin käytämme SageMaker PyTorch Estimator rakentaa SageMaker-estimaattorin käyttämällä Amazonin rakentamaa Docker-säilöä, joka suorittaa mukana toimitetut toiminnot entry_point
Python -skripti SageMaker -harjoitustyössä. Harjoitustyö aloitetaan soittamalla .fit()
tällä estimaattorilla. Myöhemmin otamme mallin käyttöön soittamalla .deploy()
menetelmä estimaattorissa. Vierailla Amazon SageMaker Python SDK tekninen dokumentaatio, jossa on lisätietoja PyTorch -komentosarjojen valmistelusta SageMaker -koulutukseen ja PyTorch -estimaattorin käytöstä.
Käy myös Käytettävissä olevat Deep Learning Containers -kuvat GitHubissa saadaksesi luettelon tuetuista PyTorch -versioista. Tätä kirjoitettaessa uusin saatavilla oleva versio on PyTorch 1.8.1 ja Python -versio 3.6. Voit päivittää kehysversion uusimpaan tuettuun versioon muuttamalla framework_version
parametri PyTorch Estimatorissa. Voit myös käyttää SageMaker -apuohjelman sovellusliittymän kuvan URI -tunnukset saadaksesi uusimman tuettujen versioiden luettelon.
Hyperparametrit -sanakirja määrittää, mitä ominaisuuksia haluamme käyttää harjoitteluun, ja myös puiden määrän metsässä (n-estimators
) mallille. Voit lisätä muita hyperparametreja RandomForestClassifier; sinun on kuitenkin myös muokattava mukautettua koulutusohjelmaasi saadaksesi nämä parametrit argumenttien muodossa (käyttämällä argparse -kirjastoa) ja lisää ne malliin. Katso seuraava koodi:
Jos käynnistit SageMaker JumpStart -ratkaisun tililläsi, mukautetut komentosarjat ovat käytettävissä Studio -tiedostoissasi. Käytämme entry_point.py
käsikirjoitus. Tämä skripti vastaanottaa luettelon numeerisista ominaisuuksista, kategorisista ominaisuuksista, tekstiominaisuuksista ja kohdetunnisteesta ja opettaa SKLearn RandomForestClassifier tiedoissa. Tärkeintä tässä on kuitenkin ominaisuuksien käsittely, ennen kuin niitä käytetään luokittelussa, erityisesti puhelun transkriptio. Seuraavassa kuvassa esitetään tämä prosessi, joka koskee laskemista numeerisille ominaisuuksille ja korvaa puuttuvat arvot keskimääräisellä, ykköskoodauksella kategorisille ominaisuuksille ja upottaa muuntajat tekstiominaisuuksiin.
Tässä viestissä esitetyn komentosarjan tarkoitus on antaa esimerkki siitä, kuinka voit kehittää oman mukautetun ominaisuuden muunnosputken. Voit soveltaa dataan muita muunnoksia käyttötarkoituksen ja tietojoukon luonteen perusteella ja tehdä niistä niin monimutkaisia tai yksinkertaisia kuin haluat. Esimerkiksi tietojoukon luonteen ja tutkimustietojen analyysin tulosten perusteella voit halutessasi harkita normalisointia, lokin muunnosta tai nolla -arvoisten tietueiden poistamista. Täydellisempi luettelo ominaisuuksien muuntamistekniikoista on osoitteessa SKLearn Dataset Transformations.
Seuraavassa koodinpätkässä kerrotaan, miten nämä muuntajat luodaan numerollisille ja kategorisille ominaisuuksille ja miten niitä käytetään tietojoukossa. Lisätietoja siitä, miten nämä tehdään harjoituskirjoituksessa, on osoitteessa entry_point.py
skripti, jonka JumpStart -ratkaisu käynnistää tiedostoihisi.
Keskitytään nyt tekstitietoihin. Käytämme Hugging Face -lauseen muuntajat, jota voit käyttää lauseiden upottamiseen. Niissä on valmiiksi koulutettuja malleja, joita voit käyttää pakkauksestasi käyttötapauksesi perusteella. Tässä viestissä käytämme bert-base-nli-cls-merkki malli, joka on kuvattu kohdassa Lause-BERT: Lauseen upotukset Siamese BERT -verkkojen avulla.
Äskettäin SageMaker esitteli uuden Hugging Face Deep Learning Containers (DLC) joiden avulla voit treenata, hienosäätää ja tehdä johtopäätöksiä käyttämällä Hugging Face -malleja NLP: lle SageMakerissa. Tässä viestissä käytämme PyTorch -säilöä ja mukautettua harjoitusskriptiä. Tätä tarkoitusta varten määritämme koulutuskirjoituksessamme a BertEncoder
luokka Hugging Face -periaatteen perusteella SentenceTransformer
ja määrittele esikoulutettu malli bert-base-nli-cls-token
, kuten seuraavassa koodissa näkyy. Syynä tähän on se, että muuntaja voidaan soveltaa tietojoukkoon samalla tavalla kuin muutkin tietojoukon muuntajat. .transform()
menetelmä. Hugging Face -esikoulutettujen mallien käytön etu on, että sinun ei tarvitse suorittaa lisäkoulutusta voidaksesi käyttää mallia. Voit kuitenkin hienosäätää malleja mukautetuilla tiedoilla kohdassa kuvatulla tavalla Hienosäädetty esikoulutettu malli.
Nyt kun tietojoukko on käsitelty ja valmis käytettäväksi ML -mallin avulla, voimme kouluttaa minkä tahansa luokittelumallin ennustamaan, vaihtuuko asiakas vai ei. Sen lisäksi, että nämä mallit ennustavat luokan (0/1 tai tosi/epätosi) asiakasvaihtuvuudelle, nämä mallit tuottavat myös kunkin luokan todennäköisyyden, mikä tarkoittaa todennäköisyyttä, että asiakas vaihtuu. Tämä on erityisen hyödyllistä asiakaspalvelutiimeille, kun he suunnittelevat asiakkaalle tarjottavia kannustimia tai päivityksiä sen perusteella, kuinka todennäköisesti asiakas peruuttaa palvelun tai tilauksen. Tässä viestissä käytämme SKLearn RandomForestClassifier malli. Voit valita monista tämän mallin hyperparametreista ja optimoida hyperparametrit tarkempaan mallin ennustamiseen käyttämällä strategioita, kuten ruudukkohaku, satunnainen haku ja Bayes -haku. SageMaker automaattinen hyperparametrien viritys voi olla tehokas työkalu tähän tarkoitukseen.
Mallin harjoittelu entry_point.py
hoitaa train_fn()
toiminto mukautetussa komentosarjassa. Tätä toimintoa kutsutaan, kun .fit()
menetelmää sovelletaan estimaattoriin. Tämä toiminto tallentaa myös koulutetun mallin ja koulutetut datamuuntajat Amazon S3: een. Näitä tiedostoja käytetään myöhemmin model_fn()
ladataksesi mallin päätelmiä varten.
train_fn()
sisältää myös koulutetun mallin arvioinnin ja tarjoaa mallin tarkkuustulokset sekä junan että testin tietojoukoille. Tämä auttaa sinua paremmin arvioimaan mallin suorituskykyä. Koska tämä on luokitusongelma, suosittelemme esimerkiksi sisällyttämään muut tiedot arviointikomentosi F1 pisteet, ROC AUC -pisteetja palautuspisteet, samalla tavalla lisäsimme tarkkuuspisteet. Nämä tulostetaan koulutuksen edetessä. Koska käytämme synteettistä dataa tämän esimerkkikirjan mallin kouluttamiseen, etenkin agentti-asiakas-puhelun transkriptioon, emme odota näkevämme tehokkaita malleja luokitustietojen suhteen, emmekä siksi keskity nämä mittarit tässä esimerkissä. Kuitenkin, kun käytät omia tietojasi, sinun on harkittava, miten kukin luokitusmittari voisi vaikuttaa mallin sovellettavuuteen käyttötapauksessasi. Tämän mallin opettaminen 45,000 3.2 näytteellä ml.p30xplacessa kestää noin XNUMX minuuttia.
Kun olet tyytyväinen mallisi suorituskykyyn, voit siirtyä seuraavaan vaiheeseen, joka on mallisi käyttöönotto reaaliaikaista päätelmää varten.
Ota käyttöön malli
Kun koulutus on valmis, voit ottaa mallin käyttöön SageMakerin isännöimänä päätepisteenä reaaliaikaisia johtopäätöksiä varten tai käytä mallia offline-eräpäättelyyn käyttämällä SageMaker-erämuunnos. Päätelmän suorittamisen (joko reaaliaikainen tai erä) hoitaa neljä päätoimintoa mukautetussa komentosarjassa:
input_fn()
käsittelee syöttötietojamodel_fn()
lataa koulutetut malliesineet Amazon S3: stapredict_fn()
tekee ennusteitaoutput_fn()
valmistelee mallin tuloksen
Seuraava kaavio havainnollistaa tätä prosessia.
Seuraava skripti on katkelma entry_point.py
käsikirjoituksen ja näyttää, kuinka neljä toimintoa toimivat yhdessä tehdäkseen johtopäätöksen:
Käytämme mallia käyttöön, kun koulutus on valmis, käytämme .deploy()
arviointimenetelmään ja määritä ilmentymien määrä ja tyyppi, jotka haluamme liittää päätepisteeseen, ja SageMaker hallinnoi infrastruktuuria puolestasi. Kun soitamme päätepistettä muistikirjasta, käytämme SageMaker SDK: ta ennustaja. Ennakoija lähettää tietoja päätepisteeseen (osana pyyntöä) ja tulkitsee vastauksen. Katso seuraava koodi:
Tämä ottaa mallin käyttöön päätepisteen ennustajana. Kun käyttöönotto on valmis, voimme käyttää sitä ennustettaessa näytetietoja. Määritetään hypnoottisen asiakkaan kaatumisen todennäköisyys:
Tässä tapauksessa kaatumisen todennäköisyys on noin 31%. Samalle asiakkaalle muutamme transkription muotoon "Olen käyttänyt palvelua 6 kuukautta ja olen pettynyt asiakaspalveluun." Kiertymän todennäköisyys kasvaa yli 46%: iin. Tämä osoittaa, että muutos asiakkaan mielialassa vaikuttaa kääntymisen todennäköisyyteen.
Puhdistaa
Voit puhdistaa resurssit ja lopettaa tilisi maksamisen poistamalla päätepisteen:
Laajennukset
Kuten aiemmin selitimme, voit käyttää lisäominaisuuksia koulutuksessa ja myös lisätä ominaisuusmuunninominaisuuksiin ominaisuuksia, jotka voivat parantaa mallin suorituskykyä.
Lisäksi nyt, kun sinulla on toimiva päätepiste, joka suorittaa reaaliaikaisia johtopäätöksiä, voit käyttää sitä sovelluksissasi tai verkkosivustossasi. SageMaker -päätepisteesi ei kuitenkaan edelleenkään ole julkinen, joten sinun on rakennettava sovellusliittymäyhdyskäytävä sallii ulkoisen liikenteen SageMaker -päätepisteeseesi. Amazon API -yhdyskäytävä on täysin hallinnoitu palvelu, jonka avulla kehittäjien on helppo luoda, julkaista, ylläpitää, valvoa ja suojata sovellusliittymiä missä tahansa mittakaavassa. Voit käyttää API-yhdyskäytävää esitelläksesi SageMaker-päätepisteiden ulkoisen, yhden tulopisteen ja tarjotaksesi suojaa, kuristusta, todennusta ja palomuurin AWS WAF, ja enemmän. API -yhdyskäytävän kartoitusmallien avulla voit kutsua SageMaker -päätepisteen REST -sovellusliittymäpyynnön avulla ja saada API -vastauksen takaisin ilman välituotteita AWS Lambda toimintoja, mikä parantaa sovellustesi suorituskykyä ja kustannustehokkuutta.
Voit luoda sovellusliittymäyhdyskäytävän ja käyttää sitä reaaliaikaisten päätelmien tekemiseen SageMaker-päätepisteesi kanssa (katso seuraava arkkitehtuuri) noudattamalla kohdassa Koneoppimisella toimivan REST-sovellusliittymän luominen Amazon API Gateway -karttamalleilla ja Amazon SageMakerilla.
Lisäksi voit käyttää Amazonin transkriptio luoda tallenteita asiakas-agentti-keskusteluista ja käyttää niitä koulutustarkoituksiin sekä käyttää Amazon Transcriben suoratoisto lähettää keskustelun äänivirran ja vastaanottaa tekstivirran reaaliajassa. Tämän tekstivirran avulla voit lisätä reaaliaikaisen puheen puheeksi -ominaisuuden sovelluksiisi ja lähettää myös tekstin päätepisteeseen ja tarjota asiakasvaihtotietoja asiakaspalvelun edustajille reaaliajassa.
Päätelmät
Tässä viestissä selitimme kokonaisratkaisun asiakasvaihtelun ennustemallin luomiseksi asiakasprofiilien ja asiakasagenttien puhelutranskriptioiden perusteella. Ratkaisu sisälsi PyTorch-mallin kouluttamisen mukautetulla komentosarjalla ja päätepisteen luomisen reaaliaikaiselle mallin isännöinnille. Selitimme myös, kuinka voit luoda julkisen sovellusliittymän yhdyskäytävän, jota voidaan käyttää turvallisesti mobiilisovelluksissasi tai verkkosivustossasi. Lisäksi selitimme, kuinka voit käyttää Amazon Transcribe -ohjelmaa asiakas-agentti-keskustelujen erä- tai reaaliaikaiseen transkriptioon, jota voit käyttää mallisi opettamiseen tai reaaliaikaiseen johtopäätökseen.
Lisää SageMaker -esimerkkejä on osoitteessa Esimerkkejä Amazon SageMakerista GitHub -repo. Lisää PyTorch BYO -skriptiesimerkkejä on seuraavassa GitHub-arkisto. Lisää SageMaker Python -esimerkkejä MXNetille, TensorFlowlle ja PyTorchille on osoitteessa Amazon SageMakerin valmiiksi rakennetut puitesäiliöt ja Python SDK GitHub -repo. Lisätietoja SageMakerista on osoitteessa tekninen dokumentaatio.
kirjailijasta
Nick Minaie on Sr AI/ML Specialist Solutions Architect, jolla on AWS, joka auttaa asiakkaita heidän matkallaan hyvin suunniteltuihin koneoppimisratkaisuihin. Vapaa -ajallaan Nick nauttii perhe -ajasta, abstrakteista maalauksista ja luonnon tutkimisesta.
Ehsan M. Kermani on koneoppimisinsinööri AWS ML Automation Services -ryhmässä. Hän auttaa asiakkaita MLOps-matkan aikana tarjoamalla asiantuntemustaan ohjelmistotekniikan parhaista käytännöistä asiakkaiden kokonaisvaltaisten koneoppimistehtävien ratkaisemiseksi infrastruktuurista käyttöönottoon.
Tohtori Li Zhang on Amazon SageMaker JumpStartin ja Amazon SageMakerin sisäänrakennettujen algoritmien päätuotepäällikkö-tekninen palvelu, joka auttaa datatieteilijöitä ja koneoppimisen harjoittajia aloittamaan koulutuksen ja mallien käyttöönoton, ja käyttää vahvistustietoa Amazon SageMakerin avulla. Hänen aikaisempi työnsä pääasiallisena tutkimushenkilöstönä ja pääkeksijänä IBM Researchissa on voittanut aikapaperipalkinnon IEEE INFOCOMissa.
- "
- 000
- 100
- 11
- 7
- 9
- Tili
- hankinta
- lisä-
- aineet
- algoritmi
- algoritmit
- Kaikki
- Amazon
- Amazon API -yhdyskäytävä
- Amazon Sage Maker
- Amazonin transkriptio
- analyysi
- api
- API
- sovellukset
- arkkitehtuuri
- perustelut
- audio-
- Authentication
- Automaatio
- AWS
- PARAS
- parhaat käytännöt
- Uutiset ja media
- elin
- Laatikko
- rakentaa
- liiketoiminta
- yritykset
- soittaa
- joka
- muuttaa
- lataus
- maksut
- luokittelu
- koodi
- Sarake
- yritys
- komponentti
- Kontti
- Kontit
- pitoisuus
- Keskustelu
- keskustelut
- kustannukset
- Luominen
- Asiakastyytyväisyys
- Asiakaspalvelu
- Asiakkaat
- tiedot
- tietojen analysointi
- päivä
- tekemisissä
- syvä oppiminen
- kehittää
- kehittäjille
- Satamatyöläinen
- Telakkakontti
- päätepiste
- insinööri
- Tekniikka
- Kasvot
- päin
- perhe
- Ominaisuus
- Ominaisuudet
- Kuva
- Keskittää
- seurata
- muoto
- muoto
- Puitteet
- toiminto
- tulevaisuutta
- GitHub
- suuri
- ruudukko
- Ryhmä
- Kasvu
- tätä
- hotellit
- Miten
- Miten
- HTTPS
- IBM
- tunnistaa
- IEEE
- kuva
- Vaikutus
- Mukaan lukien
- teollisuus
- tiedot
- Infrastruktuuri
- oivalluksia
- kansainvälisesti
- IT
- Job
- Työpaikat
- avain
- Kieli
- uusin
- käynnistää
- oppiminen
- Lisenssi
- rajallinen
- Lista
- kuormitus
- sijainti
- koneoppiminen
- Tekeminen
- Marketing
- Metrics
- ML
- MLOps
- Puhelinnumero
- Mobiilisovellukset
- malli
- mallintaminen
- kk
- liikkua
- Luonnollinen kieli
- Luonnollinen kielen käsittely
- NLP
- kampanja
- tarjoamalla
- OpenAI
- Lausunto
- tilata
- Muut
- maalaus
- Paperi
- suorituskyky
- näkökulma
- Puhelu
- ennustus
- Ennusteet
- esittää
- Pääasiallinen
- Tuotteet
- Profiili
- Profiilit
- julkinen
- julkaista
- Python
- pytorch
- määrällinen
- reaaliaikainen
- asiakirjat
- vahvistaminen oppiminen
- tutkimus
- Esittelymateriaalit
- vastaus
- REST
- tulokset
- tulot
- ajaa
- Maaseudun
- sagemaker
- Asteikko
- tutkijat
- sdk
- Haku
- turvallisuus
- näkemys
- Palvelut
- setti
- Yksinkertainen
- So
- Tuotteemme
- ohjelmistotuotanto
- Ratkaisumme
- SOLVE
- jakaa
- alkoi
- Osavaltio
- pysyä
- Levytila
- verkkokaupasta
- varastot
- Strategia
- streaming
- tilaus
- menestys
- Tuetut
- kestävä
- Vaihtaa
- synteettinen data
- Kohde
- Tekninen
- tensorflow
- testi
- Testaus
- aika
- liikenne
- koulutus
- junat
- Jäljennös
- Muutos
- Trendit
- Päivitykset
- kaupunki-
- us
- hyödyllisyys
- Ääni
- Verkkosivu
- sisällä
- Referenssit
- kirjoittaminen
- X