में पहला भाग इस तीन-भाग की श्रृंखला में, हमने एक समाधान प्रस्तुत किया है जो दर्शाता है कि आप बंधक हामीदारी उपयोग के मामले के लिए एडब्ल्यूएस एआई और मशीन लर्निंग (एमएल) सेवाओं का उपयोग करके बड़े पैमाने पर दस्तावेज़ में छेड़छाड़ और धोखाधड़ी का पता लगाना कैसे स्वचालित कर सकते हैं।
इस पोस्ट में, हम बंधक हामीदारी में जाली छवियों का पता लगाने और उजागर करने के लिए एक गहन शिक्षण-आधारित कंप्यूटर विज़न मॉडल विकसित करने के लिए एक दृष्टिकोण प्रस्तुत करते हैं। हम गहन शिक्षण नेटवर्क के निर्माण, प्रशिक्षण और तैनाती पर मार्गदर्शन प्रदान करते हैं अमेज़न SageMaker.
भाग 3 में, हम प्रदर्शित करते हैं कि समाधान को कैसे लागू किया जाए अमेज़ॅन फ्रॉड डिटेक्टर.
समाधान अवलोकन
बंधक हामीदारी में दस्तावेज़ से छेड़छाड़ का पता लगाने के उद्देश्य को पूरा करने के लिए, हम अपने छवि जालसाजी का पता लगाने के समाधान के लिए सेजमेकर पर होस्ट किए गए एक कंप्यूटर विज़न मॉडल का उपयोग करते हैं। यह मॉडल इनपुट के रूप में एक परीक्षण छवि प्राप्त करता है और इसके आउटपुट के रूप में जालसाजी की संभावना भविष्यवाणी उत्पन्न करता है। नेटवर्क आर्किटेक्चर को निम्नलिखित चित्र में दर्शाया गया है।
छवि जालसाजी में मुख्य रूप से चार तकनीकें शामिल हैं: स्प्लिसिंग, कॉपी-मूव, रिमूवल और एन्हांसमेंट। जालसाजी की विशेषताओं के आधार पर, विभिन्न सुरागों का उपयोग पता लगाने और स्थानीयकरण के लिए आधार के रूप में किया जा सकता है। इन सुरागों में JPEG संपीड़न कलाकृतियाँ, किनारे की विसंगतियाँ, शोर पैटर्न, रंग स्थिरता, दृश्य समानता, EXIF स्थिरता और कैमरा मॉडल शामिल हैं।
छवि जालसाजी का पता लगाने के विस्तृत दायरे को देखते हुए, हम जालसाजी का पता लगाने के लिए एक उदाहरणात्मक विधि के रूप में त्रुटि स्तर विश्लेषण (ईएलए) एल्गोरिदम का उपयोग करते हैं। हमने निम्नलिखित कारणों से इस पोस्ट के लिए ELA तकनीक का चयन किया:
- इसे लागू करना तेज़ है और छवियों से छेड़छाड़ को आसानी से पकड़ सकता है।
- यह एक छवि के विभिन्न भागों के संपीड़न स्तरों का विश्लेषण करके काम करता है। यह इसे उन विसंगतियों का पता लगाने की अनुमति देता है जो छेड़छाड़ का संकेत दे सकती हैं - उदाहरण के लिए, यदि एक क्षेत्र को दूसरी छवि से कॉपी और पेस्ट किया गया था जिसे एक अलग संपीड़न स्तर पर सहेजा गया था।
- यह अधिक सूक्ष्म या निर्बाध छेड़छाड़ का पता लगाने में अच्छा है जिसे नग्न आंखों से देखना मुश्किल हो सकता है। किसी छवि में छोटे-छोटे परिवर्तन भी पता लगाने योग्य संपीड़न विसंगतियाँ उत्पन्न कर सकते हैं।
- यह तुलना के लिए मूल असंशोधित छवि पर निर्भर नहीं करता है। ईएलए केवल प्रश्नांकित छवि के भीतर ही छेड़छाड़ के संकेतों की पहचान कर सकता है। अन्य तकनीकों के मुकाबले तुलना करने के लिए अक्सर असंशोधित मूल की आवश्यकता होती है।
- यह एक हल्की तकनीक है जो केवल डिजिटल छवि डेटा में संपीड़न कलाकृतियों के विश्लेषण पर निर्भर करती है। यह विशेष हार्डवेयर या फोरेंसिक विशेषज्ञता पर निर्भर नहीं करता है। यह ELA को प्रथम-पास विश्लेषण उपकरण के रूप में सुलभ बनाता है।
- आउटपुट ईएलए छवि संपीड़न स्तरों में अंतर को स्पष्ट रूप से उजागर कर सकती है, जिससे छेड़छाड़ वाले क्षेत्र स्पष्ट रूप से स्पष्ट हो जाते हैं। यह एक गैर-विशेषज्ञ को भी संभावित हेरफेर के संकेतों को पहचानने की अनुमति देता है।
- यह कई छवि प्रकारों (जैसे JPEG, PNG और GIF) पर काम करता है और विश्लेषण के लिए केवल छवि की ही आवश्यकता होती है। अन्य फोरेंसिक तकनीकें प्रारूपों या मूल छवि आवश्यकताओं में अधिक प्रतिबंधित हो सकती हैं।
हालाँकि, वास्तविक दुनिया के परिदृश्यों में जहां आपके पास इनपुट दस्तावेज़ों (जेपीईजी, पीएनजी, जीआईएफ, टीआईएफएफ, पीडीएफ) का संयोजन हो सकता है, हम ईएलए को विभिन्न अन्य तरीकों के साथ नियोजित करने की सलाह देते हैं, जैसे कि किनारों में विसंगतियों का पता लगाना, शोर पैटर्न, रंग एकरूपता, EXIF डेटा संगति, कैमरा मॉडल की पहचान, तथा फ़ॉन्ट एकरूपता. हमारा लक्ष्य अतिरिक्त जालसाजी का पता लगाने वाली तकनीकों के साथ इस पोस्ट के लिए कोड को अपडेट करना है।
ईएलए का अंतर्निहित आधार मानता है कि इनपुट छवियां जेपीईजी प्रारूप में हैं, जो अपने हानिपूर्ण संपीड़न के लिए जाना जाता है। फिर भी, यह विधि तब भी प्रभावी हो सकती है, भले ही इनपुट छवियां मूल रूप से दोषरहित प्रारूप (जैसे पीएनजी, जीआईएफ, या बीएमपी) में थीं और बाद में छेड़छाड़ प्रक्रिया के दौरान जेपीईजी में परिवर्तित हो गईं। जब ईएलए को मूल दोषरहित प्रारूपों पर लागू किया जाता है, तो यह आम तौर पर बिना किसी गिरावट के लगातार छवि गुणवत्ता को इंगित करता है, जिससे बदले हुए क्षेत्रों को इंगित करना चुनौतीपूर्ण हो जाता है। जेपीईजी छवियों में, अपेक्षित मानदंड पूरी तस्वीर के लिए समान संपीड़न स्तर प्रदर्शित करना है। हालाँकि, यदि छवि के भीतर कोई विशेष अनुभाग स्पष्ट रूप से भिन्न त्रुटि स्तर प्रदर्शित करता है, तो यह अक्सर सुझाव देता है कि एक डिजिटल परिवर्तन किया गया है।
ELA JPEG संपीड़न दर में अंतर को उजागर करता है। समान रंग वाले क्षेत्रों में संभवतः कम ईएलए परिणाम होगा (उदाहरण के लिए, उच्च-विपरीत किनारों की तुलना में गहरा रंग)। छेड़छाड़ या संशोधन की पहचान करने के लिए जिन चीज़ों पर ध्यान देना चाहिए उनमें निम्नलिखित शामिल हैं:
- ईएलए परिणाम में समान किनारों की चमक समान होनी चाहिए। सभी उच्च-विपरीत किनारे एक-दूसरे के समान दिखने चाहिए, और सभी कम-विपरीत किनारे एक-दूसरे के समान दिखने चाहिए। एक मूल फोटो के साथ, कम-कंट्रास्ट वाले किनारे लगभग उच्च-कंट्रास्ट वाले किनारों जितने ही चमकीले होने चाहिए।
- ईएलए के तहत समान बनावट में समान रंग होना चाहिए। अधिक सतह विवरण वाले क्षेत्र, जैसे कि बास्केटबॉल का क्लोज़-अप, में चिकनी सतह की तुलना में अधिक ELA परिणाम होने की संभावना होगी।
- सतह के वास्तविक रंग के बावजूद, ईएलए के तहत सभी सपाट सतहों का रंग लगभग समान होना चाहिए।
JPEG छवियाँ हानिपूर्ण संपीड़न प्रणाली का उपयोग करती हैं। छवि की प्रत्येक पुन: एन्कोडिंग (पुनः सहेजना) छवि की गुणवत्ता में और अधिक कमी लाती है। विशेष रूप से, JPEG एल्गोरिदम 8×8 पिक्सेल ग्रिड पर काम करता है। प्रत्येक 8×8 वर्ग स्वतंत्र रूप से संपीड़ित होता है। यदि छवि पूरी तरह से असंशोधित है, तो सभी 8×8 वर्गों में समान त्रुटि क्षमता होनी चाहिए। यदि छवि को संशोधित और पुनः सहेजा नहीं गया है, तो प्रत्येक वर्ग को लगभग समान दर से ख़राब होना चाहिए।
ELA छवि को निर्दिष्ट JPEG गुणवत्ता स्तर पर सहेजता है। यह पुनः सहेजना संपूर्ण छवि में त्रुटियों की ज्ञात मात्रा प्रस्तुत करता है। फिर सहेजी गई छवि की तुलना मूल छवि से की जाती है। यदि किसी छवि को संशोधित किया जाता है, तो संशोधन द्वारा छुआ गया प्रत्येक 8×8 वर्ग छवि के बाकी हिस्सों की तुलना में अधिक त्रुटि क्षमता वाला होना चाहिए।
ईएलए के परिणाम सीधे छवि गुणवत्ता पर निर्भर होते हैं। आप जानना चाह सकते हैं कि क्या कुछ जोड़ा गया था, लेकिन यदि चित्र को कई बार कॉपी किया गया है, तो ईएलए केवल पुनः सहेजे गए का पता लगाने की अनुमति दे सकता है। चित्र का सर्वोत्तम गुणवत्ता वाला संस्करण ढूंढने का प्रयास करें।
प्रशिक्षण और अभ्यास के साथ, ईएलए छवि स्केलिंग, गुणवत्ता, क्रॉपिंग और रीसेव परिवर्तनों की पहचान करना भी सीख सकता है। उदाहरण के लिए, यदि किसी गैर-जेपीईजी छवि में दृश्य ग्रिड लाइनें (1×8 वर्ग में 8 पिक्सेल चौड़ी) हैं, तो इसका मतलब है कि तस्वीर जेपीईजी के रूप में शुरू हुई थी और गैर-जेपीईजी प्रारूप (जैसे पीएनजी) में परिवर्तित हो गई थी। यदि चित्र के कुछ क्षेत्रों में ग्रिड रेखाओं का अभाव है या ग्रिड रेखाएँ शिफ्ट हो जाती हैं, तो यह गैर-जेपीईजी छवि में एक विभाजन या खींचे गए हिस्से को दर्शाता है।
निम्नलिखित अनुभागों में, हम कंप्यूटर विज़न मॉडल को कॉन्फ़िगर करने, प्रशिक्षण और तैनात करने के चरणों को प्रदर्शित करते हैं।
.. पूर्वापेक्षाएँ
इस पोस्ट का अनुसरण करने के लिए, निम्नलिखित आवश्यक शर्तें पूरी करें:
- AWS खाता है।
- सेट अप अमेज़ॅन सैजमेकर स्टूडियो. आप तेजी से लॉन्च की सुविधा के लिए डिफ़ॉल्ट प्रीसेट का उपयोग करके सेजमेकर स्टूडियो को तेजी से शुरू कर सकते हैं। अधिक जानकारी के लिए देखें अमेज़ॅन सेजमेकर व्यक्तिगत उपयोगकर्ताओं के लिए अमेज़ॅन सेजमेकर स्टूडियो सेटअप को सरल बनाता है.
- सेजमेकर स्टूडियो खोलें और एक सिस्टम टर्मिनल लॉन्च करें।
- टर्मिनल में निम्न आदेश चलाएँ:
git clone https://github.com/aws-samples/document-tampering-detection.git
- एक उपयोगकर्ता के लिए सेजमेकर स्टूडियो चलाने और नोटबुक वातावरण के कॉन्फ़िगरेशन की कुल लागत $7.314 USD प्रति घंटा है।
मॉडल प्रशिक्षण नोटबुक सेट करें
अपनी प्रशिक्षण नोटबुक सेट करने के लिए निम्नलिखित चरणों को पूरा करें:
- ओपन
tampering_detection_training.ipynb
दस्तावेज़-छेड़छाड़-पहचान निर्देशिका से फ़ाइल। - TensorFlow 2.6 Python 3.8 CPU या GPU अनुकूलित छवि के साथ नोटबुक वातावरण सेट करें।
GPU अनुकूलित इंस्टेंसेस का चयन करते समय आप अपर्याप्त उपलब्धता की समस्या का सामना कर सकते हैं या अपने AWS खाते के भीतर GPU इंस्टेंसेस के लिए कोटा सीमा तक पहुँच सकते हैं। कोटा बढ़ाने के लिए, सर्विस कोटा कंसोल पर जाएँ और आपके लिए आवश्यक विशिष्ट इंस्टेंस प्रकार के लिए सेवा सीमा बढ़ाएँ। आप ऐसे मामलों में सीपीयू अनुकूलित नोटबुक वातावरण का भी उपयोग कर सकते हैं। - के लिए गुठली, चुनें Python3.
- के लिए उदाहरण प्रकार, चुनें ml.m5d.24xlarge या कोई अन्य बड़ा उदाहरण.
हमने मॉडल के प्रशिक्षण समय को कम करने के लिए एक बड़े इंस्टेंस प्रकार का चयन किया। ml.m5d.24xlarge नोटबुक वातावरण के साथ, प्रति घंटे की लागत $7.258 USD प्रति घंटा है।
प्रशिक्षण नोटबुक चलाएँ
प्रत्येक सेल को नोटबुक में चलाएँ tampering_detection_training.ipynb
क्रम में। हम निम्नलिखित अनुभागों में कुछ कोशिकाओं पर अधिक विस्तार से चर्चा करते हैं।
मूल और छेड़छाड़ की गई छवियों की सूची के साथ डेटासेट तैयार करें
नोटबुक में निम्नलिखित सेल चलाने से पहले, अपनी विशिष्ट व्यावसायिक आवश्यकताओं के आधार पर मूल और छेड़छाड़ किए गए दस्तावेज़ों का एक डेटासेट तैयार करें। इस पोस्ट के लिए, हम छेड़छाड़ किए गए भुगतान स्टब्स और बैंक स्टेटमेंट के एक नमूना डेटासेट का उपयोग करते हैं। डेटासेट छवि निर्देशिका के अंतर्गत उपलब्ध है गिटहब भंडार.
नोटबुक मूल और छेड़छाड़ की गई छवियों को पढ़ती है images/training
निर्देशिका.
प्रशिक्षण के लिए डेटासेट दो कॉलम वाली CSV फ़ाइल का उपयोग करके बनाया गया है: छवि फ़ाइल का पथ और छवि के लिए लेबल (मूल छवि के लिए 0 और छेड़छाड़ की गई छवि के लिए 1)।
प्रत्येक प्रशिक्षण छवि के ईएलए परिणाम उत्पन्न करके डेटासेट को संसाधित करें
इस चरण में, हम इनपुट प्रशिक्षण छवि का ELA परिणाम (90% गुणवत्ता पर) उत्पन्न करते हैं। कार्यक्रम convert_to_ela_image
दो पैरामीटर लेता है: पथ, जो एक छवि फ़ाइल का पथ है, और गुणवत्ता, जेपीईजी संपीड़न के लिए गुणवत्ता पैरामीटर का प्रतिनिधित्व करता है। फ़ंक्शन निम्नलिखित चरण निष्पादित करता है:
- छवि को आरजीबी प्रारूप में परिवर्तित करें और छवि को tempresaved.jpg नाम के तहत निर्दिष्ट गुणवत्ता के साथ JPEG फ़ाइल के रूप में पुनः सहेजें।
- मूल और पुनः सहेजी गई छवियों के बीच पिक्सेल मानों में अधिकतम अंतर निर्धारित करने के लिए मूल छवि और पुनः सहेजी गई JPEG छवि (ईएलए) के बीच अंतर की गणना करें।
- ईएलए छवि की चमक को समायोजित करने के लिए अधिकतम अंतर के आधार पर स्केल फैक्टर की गणना करें।
- परिकलित स्केल फ़ैक्टर का उपयोग करके ELA छवि की चमक बढ़ाएँ।
- ELA परिणाम का आकार बदलकर 128x128x3 करें, जहां 3 प्रशिक्षण के लिए इनपुट आकार को कम करने के लिए चैनलों की संख्या का प्रतिनिधित्व करता है।
- ELA छवि लौटाएँ.
जेपीईजी जैसे हानिपूर्ण छवि प्रारूपों में, प्रारंभिक बचत प्रक्रिया से रंग का काफी नुकसान होता है। हालाँकि, जब छवि को लोड किया जाता है और बाद में उसी हानिपूर्ण प्रारूप में पुनः एन्कोड किया जाता है, तो आमतौर पर रंग में कम गिरावट होती है। ईएलए परिणाम छवि क्षेत्रों पर जोर देते हैं जो पुनः सहेजने पर रंग खराब होने के प्रति सबसे अधिक संवेदनशील होते हैं। आम तौर पर, शेष छवि की तुलना में गिरावट की उच्च संभावना प्रदर्शित करने वाले क्षेत्रों में परिवर्तन प्रमुखता से दिखाई देते हैं।
इसके बाद, छवियों को प्रशिक्षण के लिए एक NumPy सरणी में संसाधित किया जाता है। फिर हम इनपुट डेटासेट को प्रशिक्षण और परीक्षण या सत्यापन डेटा (80/20) में यादृच्छिक रूप से विभाजित करते हैं। आप इन सेल को चलाते समय किसी भी चेतावनी को अनदेखा कर सकते हैं।
डेटासेट के आकार के आधार पर, इन सेल को चलाने में समय लग सकता है। इस रिपॉजिटरी में हमारे द्वारा प्रदान किए गए नमूना डेटासेट के लिए, इसमें 5-10 मिनट लग सकते हैं।
CNN मॉडल कॉन्फ़िगर करें
इस चरण में, हम छोटे कनवल्शनल फिल्टर के साथ वीजीजी नेटवर्क का एक न्यूनतम संस्करण बनाते हैं। वीजीजी-16 में 13 संकेंद्रित परतें और तीन पूरी तरह से जुड़ी हुई परतें हैं। निम्नलिखित स्क्रीनशॉट हमारे कन्वेन्शनल न्यूरल नेटवर्क (सीएनएन) मॉडल की वास्तुकला को दर्शाता है।
निम्नलिखित कॉन्फ़िगरेशन पर ध्यान दें:
- निवेश - मॉडल 128x128x3 का छवि इनपुट आकार लेता है।
- संवादी परतें - संकेंद्रित परतें न्यूनतम ग्रहणशील क्षेत्र (3×3) का उपयोग करती हैं, सबसे छोटा संभव आकार जो अभी भी ऊपर/नीचे और बाएँ/दाएँ कैप्चर करता है। इसके बाद एक रेक्टिफाइड लीनियर यूनिट (ReLU) सक्रियण फ़ंक्शन होता है जो प्रशिक्षण के समय को कम करता है। यह एक रैखिक फ़ंक्शन है जो सकारात्मक होने पर इनपुट को आउटपुट करेगा; अन्यथा, आउटपुट शून्य है. कनवल्शन स्ट्राइड को कनवल्शन के बाद स्थानिक रिज़ॉल्यूशन को संरक्षित रखने के लिए डिफ़ॉल्ट (1 पिक्सेल) पर तय किया गया है (स्ट्राइड इनपुट मैट्रिक्स पर पिक्सेल शिफ्ट की संख्या है)।
- पूरी तरह से जुड़ी हुई परतें - नेटवर्क में दो पूरी तरह से जुड़ी हुई परतें हैं। पहली घनी परत ReLU सक्रियण का उपयोग करती है, और दूसरी छवि को मूल या छेड़छाड़ के रूप में वर्गीकृत करने के लिए सॉफ्टमैक्स का उपयोग करती है।
आप इन सेल को चलाते समय किसी भी चेतावनी को अनदेखा कर सकते हैं।
मॉडल कलाकृतियों को सहेजें
प्रशिक्षित मॉडल को एक अद्वितीय फ़ाइल नाम के साथ सहेजें - उदाहरण के लिए, वर्तमान दिनांक और समय के आधार पर - मॉडल नामक निर्देशिका में।
मॉडल को एक्सटेंशन के साथ केरास प्रारूप में सहेजा गया है .keras
. हम मॉडल कलाकृतियों को 1 नाम की एक निर्देशिका के रूप में भी सहेजते हैं जिसमें क्रमबद्ध हस्ताक्षर होते हैं और उन्हें चलाने के लिए आवश्यक स्थिति होती है, जिसमें सेजमेकर रनटाइम पर तैनात करने के लिए परिवर्तनीय मान और शब्दावली शामिल होती है (जिसके बारे में हम इस पोस्ट में बाद में चर्चा करते हैं)।
मॉडल प्रदर्शन को मापें
निम्नलिखित हानि वक्र प्रशिक्षण युगों (पुनरावृत्तियों) पर मॉडल के नुकसान की प्रगति को दर्शाता है।
हानि फ़ंक्शन मापता है कि मॉडल की भविष्यवाणियां वास्तविक लक्ष्यों से कितनी अच्छी तरह मेल खाती हैं। कम मान भविष्यवाणियों और सच्चे मूल्यों के बीच बेहतर संरेखण का संकेत देते हैं। समय-समय पर घाटा कम होना यह दर्शाता है कि मॉडल में सुधार हो रहा है। सटीकता वक्र प्रशिक्षण युगों पर मॉडल की सटीकता को दर्शाता है। सटीकता भविष्यवाणियों की कुल संख्या के लिए सही भविष्यवाणियों का अनुपात है। उच्च सटीकता बेहतर प्रदर्शन करने वाले मॉडल को इंगित करती है। आमतौर पर, प्रशिक्षण के दौरान सटीकता बढ़ जाती है क्योंकि मॉडल पैटर्न सीखता है और अपनी पूर्वानुमान क्षमता में सुधार करता है। ये आपको यह निर्धारित करने में मदद करेंगे कि क्या मॉडल ओवरफिटिंग (प्रशिक्षण डेटा पर अच्छा प्रदर्शन कर रहा है लेकिन अनदेखे डेटा पर खराब प्रदर्शन कर रहा है) या अंडरफिटिंग (प्रशिक्षण डेटा से पर्याप्त नहीं सीख रहा है)।
निम्नलिखित भ्रम मैट्रिक्स दृश्य रूप से दर्शाता है कि मॉडल सकारात्मक (जाली छवि, मान 1 के रूप में दर्शाया गया) और नकारात्मक (अछूता रहित छवि, मान 0 के रूप में दर्शाया गया) वर्गों के बीच कितनी अच्छी तरह अंतर करता है।
मॉडल प्रशिक्षण के बाद, हमारे अगले चरण में कंप्यूटर विज़न मॉडल को एपीआई के रूप में तैनात करना शामिल है। इस एपीआई को अंडरराइटिंग वर्कफ़्लो के एक घटक के रूप में व्यावसायिक अनुप्रयोगों में एकीकृत किया जाएगा। इसे प्राप्त करने के लिए, हम Amazon SageMaker Inference का उपयोग करते हैं, जो एक पूरी तरह से प्रबंधित सेवा है। यह सेवा एमएलओपीएस टूल के साथ सहजता से एकीकृत होती है, जिससे स्केलेबल मॉडल परिनियोजन, लागत-कुशल अनुमान, उत्पादन में उन्नत मॉडल प्रबंधन और परिचालन जटिलता कम हो जाती है। इस पोस्ट में, हम मॉडल को वास्तविक समय अनुमान समापन बिंदु के रूप में तैनात करते हैं। हालाँकि, यह ध्यान रखना महत्वपूर्ण है कि, आपके व्यावसायिक अनुप्रयोगों के वर्कफ़्लो के आधार पर, मॉडल परिनियोजन को बैच प्रोसेसिंग, एसिंक्रोनस हैंडलिंग, या सर्वर रहित परिनियोजन आर्किटेक्चर के माध्यम से भी तैयार किया जा सकता है।
मॉडल परिनियोजन नोटबुक सेट करें
अपनी मॉडल परिनियोजन नोटबुक सेट करने के लिए निम्नलिखित चरणों को पूरा करें:
- ओपन
tampering_detection_model_deploy.ipynb
दस्तावेज़-छेड़छाड़-पहचान निर्देशिका से फ़ाइल। - छवि डेटा साइंस 3.0 के साथ नोटबुक वातावरण सेट करें।
- के लिए गुठली, चुनें Python3.
- के लिए उदाहरण प्रकार, चुनें एमएल.टी२.मध्यम.
ml.t3.medium नोटबुक वातावरण के साथ, प्रति घंटे की लागत $0.056 USD है।
सभी अमेज़ॅन S3 कार्यों की अनुमति देने के लिए सेजमेकर भूमिका के लिए एक कस्टम इनलाइन नीति बनाएं
RSI AWS पहचान और अभिगम प्रबंधन सेजमेकर के लिए (IAM) भूमिका प्रारूप में होगी AmazonSageMaker- ExecutionRole-<random numbers>
. सुनिश्चित करें कि आप सही भूमिका का उपयोग कर रहे हैं। भूमिका का नाम सेजमेकर डोमेन कॉन्फ़िगरेशन के भीतर उपयोगकर्ता विवरण के अंतर्गत पाया जा सकता है।
सभी को अनुमति देने के लिए एक इनलाइन नीति शामिल करने के लिए IAM भूमिका को अपडेट करें अमेज़न सरल भंडारण सेवा (अमेज़ॅन S3) क्रियाएँ। यह S3 बकेट के निर्माण और विलोपन को स्वचालित करने के लिए आवश्यक होगा जो मॉडल कलाकृतियों को संग्रहीत करेगा। आप विशिष्ट S3 बकेट तक पहुंच सीमित कर सकते हैं। ध्यान दें कि हमने IAM नीति में S3 बकेट नाम के लिए वाइल्डकार्ड का उपयोग किया है (tamperingdetection*
).
परिनियोजन नोटबुक चलाएँ
प्रत्येक सेल को नोटबुक में चलाएँ tampering_detection_model_deploy.ipynb
क्रम में। हम निम्नलिखित अनुभागों में कुछ कोशिकाओं पर अधिक विस्तार से चर्चा करते हैं।
एक S3 बाल्टी बनाएँ
S3 बकेट बनाने के लिए सेल चलाएँ। बाल्टी का नाम रखा जाएगा tamperingdetection<current date time>
और आपके सेजमेकर स्टूडियो वातावरण के समान AWS क्षेत्र में।
मॉडल आर्टिफैक्ट संग्रह बनाएं और अमेज़ॅन S3 पर अपलोड करें
मॉडल कलाकृतियों से एक tar.gz फ़ाइल बनाएँ। हमने मॉडल कलाकृतियों को 1 नाम की एक निर्देशिका के रूप में सहेजा है, जिसमें क्रमबद्ध हस्ताक्षर और उन्हें चलाने के लिए आवश्यक स्थिति शामिल है, जिसमें सेजमेकर रनटाइम पर तैनात करने के लिए परिवर्तनीय मान और शब्दावली शामिल हैं। आप नामक एक कस्टम अनुमान फ़ाइल भी शामिल कर सकते हैं inference.py
मॉडल आर्टिफैक्ट में कोड फ़ोल्डर के भीतर। कस्टम अनुमान का उपयोग इनपुट छवि के प्रीप्रोसेसिंग और पोस्टप्रोसेसिंग के लिए किया जा सकता है।
एक सेजमेकर अनुमान समापन बिंदु बनाएं
सेजमेकर अनुमान समापन बिंदु बनाने वाली सेल को पूरा होने में कुछ मिनट लग सकते हैं।
अनुमान समापन बिंदु का परीक्षण करें
समारोह check_image
एक छवि को ईएलए छवि के रूप में प्रीप्रोसेस करता है, इसे अनुमान के लिए सेजमेकर एंडपॉइंट पर भेजता है, मॉडल की भविष्यवाणियों को पुनर्प्राप्त और संसाधित करता है, और परिणामों को प्रिंट करता है। मॉडल पूर्वानुमान प्रदान करने के लिए इनपुट छवि की एक NumPy सरणी को ELA छवि के रूप में लेता है। भविष्यवाणियाँ 0 के रूप में आउटपुट होती हैं, जो एक अछूती छवि का प्रतिनिधित्व करती हैं, और 1, एक जाली छवि का प्रतिनिधित्व करती हैं।
आइए पेस्टब की एक अछूती छवि के साथ मॉडल का आह्वान करें और परिणाम की जांच करें।
मॉडल वर्गीकरण को 0 के रूप में आउटपुट करता है, जो एक अछूती छवि का प्रतिनिधित्व करता है।
आइए अब पेस्टब की छेड़छाड़ की गई छवि के साथ मॉडल को लागू करें और परिणाम की जांच करें।
मॉडल एक जाली छवि का प्रतिनिधित्व करते हुए वर्गीकरण को 1 के रूप में आउटपुट करता है।
सीमाओं
हालाँकि ELA संशोधनों का पता लगाने में मदद करने के लिए एक उत्कृष्ट उपकरण है, लेकिन इसकी कई सीमाएँ हैं, जैसे कि निम्नलिखित:
- एक एकल पिक्सेल परिवर्तन या मामूली रंग समायोजन ईएलए में ध्यान देने योग्य परिवर्तन उत्पन्न नहीं कर सकता है क्योंकि जेपीईजी ग्रिड पर काम करता है।
- ELA केवल यह पहचानता है कि किन क्षेत्रों में अलग-अलग संपीड़न स्तर हैं। यदि निम्न-गुणवत्ता वाली छवि को उच्च-गुणवत्ता वाले चित्र में जोड़ा जाता है, तो निम्न-गुणवत्ता वाली छवि गहरे क्षेत्र के रूप में दिखाई दे सकती है।
- किसी छवि को स्केल करने, दोबारा रंगने या शोर जोड़ने से पूरी छवि संशोधित हो जाएगी, जिससे उच्च त्रुटि स्तर की संभावना पैदा होगी।
- यदि किसी छवि को कई बार पुनः सहेजा जाता है, तो यह पूरी तरह से न्यूनतम त्रुटि स्तर पर हो सकती है, जहाँ अधिक पुनः सहेजने से छवि में कोई परिवर्तन नहीं होता है। इस मामले में, ईएलए एक काली छवि लौटाएगा और इस एल्गोरिदम का उपयोग करके किसी भी संशोधन की पहचान नहीं की जा सकती है।
- फ़ोटोशॉप के साथ, चित्र को सहेजने का सरल कार्य बनावट और किनारों को स्वचालित रूप से तेज कर सकता है, जिससे उच्च त्रुटि स्तर की संभावना पैदा हो सकती है। यह कलाकृति जानबूझकर किए गए संशोधन की पहचान नहीं करती; यह पहचानता है कि Adobe उत्पाद का उपयोग किया गया था। तकनीकी रूप से, ELA एक संशोधन के रूप में प्रकट होता है क्योंकि Adobe ने स्वचालित रूप से एक संशोधन किया है, लेकिन यह आवश्यक नहीं है कि संशोधन उपयोगकर्ता द्वारा जानबूझकर किया गया हो।
हम छवि हेरफेर मामलों की एक बड़ी श्रृंखला का पता लगाने के लिए ब्लॉग में पहले चर्चा की गई अन्य तकनीकों के साथ ईएलए का उपयोग करने की सलाह देते हैं। ईएलए छवि असमानताओं की दृष्टि से जांच करने के लिए एक स्वतंत्र उपकरण के रूप में भी काम कर सकता है, खासकर जब सीएनएन-आधारित मॉडल का प्रशिक्षण चुनौतीपूर्ण हो जाता है।
क्लीन अप
इस समाधान के भाग के रूप में आपके द्वारा बनाए गए संसाधनों को हटाने के लिए, निम्नलिखित चरणों को पूरा करें:
- के अंतर्गत नोटबुक सेल चलाएँ साफ - सफाई अनुभाग। इससे निम्नलिखित हट जाएगा:
- सेजमेकर अनुमान समापन बिंदु – अनुमान समापन बिंदु का नाम होगा
tamperingdetection-<datetime>
. - S3 बकेट और S3 बकेट के भीतर की वस्तुएँ – बाल्टी का नाम होगा
tamperingdetection<datetime>
.
- सेजमेकर अनुमान समापन बिंदु – अनुमान समापन बिंदु का नाम होगा
- शट डाउन सेजमेकर स्टूडियो नोटबुक संसाधन।
निष्कर्ष
इस पोस्ट में, हमने डीप लर्निंग और सेजमेकर का उपयोग करके दस्तावेज़ से छेड़छाड़ और धोखाधड़ी का पता लगाने के लिए एक संपूर्ण समाधान प्रस्तुत किया है। हमने छवियों को प्रीप्रोसेस करने और संपीड़न स्तरों में विसंगतियों की पहचान करने के लिए ईएलए का उपयोग किया जो हेरफेर का संकेत दे सकते हैं। फिर हमने छवियों को मूल या छेड़छाड़ की गई के रूप में वर्गीकृत करने के लिए इस संसाधित डेटासेट पर एक सीएनएन मॉडल को प्रशिक्षित किया।
मॉडल आपकी व्यावसायिक आवश्यकताओं के लिए उपयुक्त डेटासेट (जाली और मूल) के साथ 95% से अधिक सटीकता के साथ मजबूत प्रदर्शन प्राप्त कर सकता है। यह इंगित करता है कि यह विश्वसनीय रूप से पेस्टब्स और बैंक स्टेटमेंट जैसे जाली दस्तावेजों का पता लगा सकता है। पैमाने पर कम-विलंबता अनुमान को सक्षम करने के लिए प्रशिक्षित मॉडल को सेजमेकर एंडपॉइंट पर तैनात किया गया है। इस समाधान को बंधक वर्कफ़्लो में एकीकृत करके, संस्थान स्वचालित रूप से आगे की धोखाधड़ी की जांच के लिए संदिग्ध दस्तावेज़ों को चिह्नित कर सकते हैं।
हालांकि शक्तिशाली, ईएलए के पास कुछ प्रकार के अधिक सूक्ष्म हेरफेर की पहचान करने में कुछ सीमाएं हैं। अगले चरण के रूप में, प्रशिक्षण में अतिरिक्त फोरेंसिक तकनीकों को शामिल करके और बड़े, अधिक विविध डेटासेट का उपयोग करके मॉडल को बढ़ाया जा सकता है। कुल मिलाकर, यह समाधान दर्शाता है कि आप कैसे गहन शिक्षण और एडब्ल्यूएस सेवाओं का उपयोग प्रभावशाली समाधान बनाने के लिए कर सकते हैं जो दक्षता को बढ़ावा देते हैं, जोखिम को कम करते हैं और धोखाधड़ी को रोकते हैं।
भाग 3 में, हम प्रदर्शित करते हैं कि अमेज़ॅन फ्रॉड डिटेक्टर पर समाधान कैसे लागू किया जाए।
लेखक के बारे में
अनुप रवीन्द्रनाथ वह टोरंटो, कनाडा में स्थित अमेज़ॅन वेब सर्विसेज (एडब्ल्यूएस) में एक वरिष्ठ समाधान वास्तुकार हैं जो वित्तीय सेवा संगठनों के साथ काम करते हैं। वह ग्राहकों को अपने व्यवसाय को बदलने और क्लाउड पर नवाचार करने में मदद करता है।
विन्नी सैनी टोरंटो, कनाडा में स्थित अमेज़ॅन वेब सर्विसेज (एडब्ल्यूएस) में एक वरिष्ठ समाधान वास्तुकार हैं। वह वास्तुशिल्प उत्कृष्टता के मजबूत मूलभूत स्तंभों पर आधारित एआई और एमएल संचालित समाधानों के साथ वित्तीय सेवा ग्राहकों को क्लाउड पर बदलाव में मदद कर रही है।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
- प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
- प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/train-and-host-a-computer-vision-model-for-tampering-detection-on-amazon-sagemaker-part-2/
- :हैस
- :है
- :नहीं
- :कहाँ
- $यूपी
- 056
- 1
- 100
- 13
- 195
- 408
- 75
- 8
- 95% तक
- a
- क्षमता
- About
- पहुँच
- सुलभ
- लेखा
- शुद्धता
- सही रूप में
- पाना
- के पार
- अधिनियम
- कार्रवाई
- सक्रियण
- वास्तविक
- जोड़ा
- जोड़ने
- अतिरिक्त
- जोड़ता है
- को समायोजित
- समायोजन
- एडोब
- बाद
- के खिलाफ
- AI
- उद्देश्य
- कलन विधि
- संरेखण
- सब
- अनुमति देना
- की अनुमति देता है
- लगभग
- साथ में
- साथ - साथ
- भी
- परिवर्तन
- बदल
- वीरांगना
- अमेज़ॅन फ्रॉड डिटेक्टर
- अमेज़न SageMaker
- अमेज़ॅन सैजमेकर स्टूडियो
- अमेज़ॅन वेब सेवा
- अमेज़ॅन वेब सेवा (एडब्ल्यूएस)
- राशि
- an
- विश्लेषण
- विश्लेषण करें
- का विश्लेषण
- और
- अन्य
- कोई
- एपीआई
- दिखाई देते हैं
- प्रकट होता है
- अनुप्रयोगों
- लागू
- दृष्टिकोण
- लगभग
- वास्तु
- स्थापत्य
- पुरालेख
- हैं
- क्षेत्र
- क्षेत्रों के बारे में जानकारी का उपयोग करके ट्रेडिंग कर सकते हैं।
- ऐरे
- AS
- मान लिया गया है
- At
- को स्वचालित रूप से
- स्वतः
- उपलब्धता
- उपलब्ध
- एडब्ल्यूएस
- बैंक
- आधारित
- बास्केटबाल
- BE
- क्योंकि
- हो जाता है
- किया गया
- BEST
- बेहतर
- के बीच
- काली
- ब्लॉग
- बढ़ावा
- उज्ज्वल
- निर्माण
- इमारत
- व्यापार
- व्यावसायिक अनुप्रयोग
- व्यवसायों
- लेकिन
- by
- परिकलित
- बुलाया
- कैमरा
- कर सकते हैं
- कनाडा
- कब्जा
- मामला
- मामलों
- कुश्ती
- सेल
- कोशिकाओं
- कुछ
- चुनौतीपूर्ण
- परिवर्तन
- परिवर्तन
- चैनलों
- विशेषताएँ
- चेक
- चुनें
- कक्षाएं
- वर्गीकरण
- वर्गीकृत
- स्पष्ट रूप से
- बादल
- सीएनएन
- कोड
- रंग
- स्तंभ
- संयोजन
- तुलना
- तुलना
- तुलना
- पूरा
- पूरी तरह से
- जटिलता
- अंग
- कंप्यूटर
- Computer Vision
- विन्यास
- को विन्यस्त
- भ्रम
- संयोजन
- जुड़ा हुआ
- काफी
- संगत
- होते हैं
- कंसोल
- निर्माण
- शामिल हैं
- बदलना
- परिवर्तित
- दृढ़ तंत्रिका नेटवर्क
- सही
- लागत
- सका
- सी पी यू
- बनाना
- बनाया
- बनाना
- निर्माण
- वर्तमान
- वक्र
- रिवाज
- ग्राहक
- गहरे रंग
- तिथि
- डेटा विज्ञान
- डेटासेट
- तारीख
- कम
- गहरा
- ध्यान लगा के पढ़ना या सीखना
- चूक
- दिखाना
- दर्शाता
- अर्थ है
- घना
- निर्भर
- निर्भर
- निर्भर करता है
- दर्शाया
- तैनात
- तैनात
- तैनाती
- तैनाती
- विस्तार
- विवरण
- पता लगाना
- का पता लगाने
- खोज
- निर्धारित करना
- विकसित करना
- आरेख
- अंतर
- मतभेद
- विभिन्न
- डिजिटल
- सीधे
- चर्चा करना
- चर्चा की
- प्रदर्शित करता है
- अलग है
- कई
- do
- दस्तावेज़
- दस्तावेजों
- नहीं करता है
- डोमेन
- तैयार
- संचालित
- दौरान
- से प्रत्येक
- आसानी
- Edge
- किनारों
- प्रभावी
- दक्षता
- ज़ोर देना
- रोजगार
- सक्षम
- समर्थकारी
- शुरू से अंत तक
- endpoint
- वर्धित
- वृद्धि
- पर्याप्त
- संपूर्ण
- पूरी तरह से
- वातावरण
- अवधियों को
- त्रुटि
- त्रुटियाँ
- विशेष रूप से
- ईथर (ईटीएच)
- और भी
- प्रत्येक
- जांच
- उदाहरण
- उत्कृष्टता
- उत्कृष्ट
- एक्ज़िबिट
- प्रदर्शन
- प्रशस्त
- अपेक्षित
- विशेषज्ञता
- विस्तार
- आंख
- अभिनंदन करना
- कारक
- कुछ
- खेत
- पट्टिका
- फ़िल्टर
- वित्तीय
- वित्तीय सेवाओं
- खोज
- प्रथम
- तय
- फ्लैट
- का पालन करें
- पीछा किया
- निम्नलिखित
- के लिए
- फोरेंसिक
- फोरेंसिक
- जाली
- जालसाजी
- प्रारूप
- प्रारूपों
- पाया
- बुनियाद
- मूलभूत
- चार
- धोखा
- से
- पूरी तरह से
- समारोह
- आगे
- आम तौर पर
- उत्पन्न
- उत्पन्न करता है
- सृजन
- gif
- जाना
- अच्छा
- GPU
- अधिक से अधिक
- ग्रिड
- मार्गदर्शन
- था
- हैंडलिंग
- कठिन
- हार्डवेयर
- है
- होने
- he
- मदद
- मदद
- मदद करता है
- उच्चतर
- हाइलाइट
- हाइलाइट
- मारो
- मेजबान
- मेजबानी
- घंटा
- कैसे
- How To
- तथापि
- एचटीएमएल
- http
- HTTPS
- आई ए एम
- पहचान
- पहचानती
- पहचान करना
- पहचान
- पहचान
- आईईईई
- if
- उपेक्षा
- दिखाता है
- की छवि
- छवियों
- प्रभावपूर्ण
- लागू करने के
- महत्वपूर्ण
- सुधार
- में सुधार लाने
- in
- शामिल
- सहित
- विसंगतियों
- शामिल
- बढ़ना
- बढ़ जाती है
- स्वतंत्र
- स्वतंत्र रूप से
- संकेत मिलता है
- इंगित करता है
- व्यक्ति
- करें-
- प्रारंभिक
- आरंभ
- कुछ नया
- निवेश
- उदाहरण
- उदाहरणों
- संस्थानों
- नाकाफी
- एकीकृत
- एकीकृत
- घालमेल
- जान-बूझकर
- में
- परिचय कराना
- द्वारा प्रस्तुत
- जांच
- शामिल
- मुद्दा
- IT
- पुनरावृत्तियों
- आईटी इस
- खुद
- जेपीजी
- रखना
- keras
- जानना
- जानने वाला
- लेबल
- रंग
- रखी
- बड़ा
- बड़ा
- बाद में
- लांच
- परत
- परतों
- बिक्रीसूत्र
- जानें
- सीख रहा हूँ
- सीखता
- कम
- स्तर
- स्तर
- हल्के
- पसंद
- संभावना
- संभावित
- सीमा
- सीमाओं
- रैखिक
- पंक्तियां
- सूची
- स्थानीयकरण
- देखिए
- बंद
- कम
- मशीन
- यंत्र अधिगम
- बनाया गया
- मुख्यतः
- बनाना
- बनाता है
- निर्माण
- कामयाब
- प्रबंध
- जोड़ - तोड़
- बहुत
- मैच
- मैट्रिक्स
- अधिकतम
- मई..
- साधन
- उपायों
- मध्यम
- मिलना
- तरीका
- तरीकों
- कम से कम
- न्यूनतम
- नाबालिग
- मिनट
- ML
- एमएलओपीएस
- आदर्श
- संशोधनों
- संशोधित
- संशोधित
- अधिक
- बंधक
- अधिकांश
- विभिन्न
- नाम
- नामांकित
- अनिवार्य रूप से
- आवश्यकता
- जरूरत
- नकारात्मक
- नेटवर्क
- नेटवर्क
- तंत्रिका
- तंत्रिका नेटवर्क
- फिर भी
- अगला
- नहीं
- शोर
- नोट
- नोटबुक
- ध्यान देने योग्य
- संख्या
- numpy
- उद्देश्य
- स्पष्ट
- of
- अक्सर
- on
- ONE
- केवल
- संचालित
- परिचालन
- अनुकूलित
- or
- आदेश
- संगठनों
- मूल
- मौलिक रूप से
- अन्य
- अन्यथा
- हमारी
- परिणामों
- उत्पादन
- outputs के
- के ऊपर
- कुल
- प्राचल
- पैरामीटर
- भाग
- विशेष
- भागों
- पथ
- पैटर्न उपयोग करें
- पीडीएफ
- प्रति
- प्रदर्शन
- प्रदर्शन
- प्रदर्शन
- प्रदर्शन
- फ़ोटो
- फोटोशॉप
- चित्र
- खंभे
- पिक्सेल
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- भूखंड
- नीति
- हिस्सा
- सकारात्मक
- संभव
- पद
- संभावित
- क्षमता
- शक्तिशाली
- अभ्यास
- भविष्यवाणी
- भविष्यवाणियों
- भविष्य कहनेवाला
- तैयार करना
- आवश्यक शर्तें
- वर्तमान
- प्रस्तुत
- संरक्षित
- को रोकने के
- पहले से
- प्रिंट
- प्रक्रिया
- संसाधित
- प्रक्रियाओं
- प्रसंस्करण
- एस्ट्रो मॉल
- उत्पादन
- प्रगति
- प्रदान करना
- बशर्ते
- अजगर
- गुणवत्ता
- पर सवाल उठाया
- तेज
- बिना सोचे समझे
- रेंज
- उपवास
- मूल्यांकन करें
- अनुपात
- असली दुनिया
- वास्तविक समय
- क्षेत्र
- कारण
- प्राप्त
- पहचान
- की सिफारिश
- सुधारा
- को कम करने
- घटी
- कम कर देता है
- उल्लेख
- क्षेत्र
- क्षेत्रों
- पुनरारंभ
- भरोसा करना
- हटाने
- हटाना
- प्रतिपादन
- कोष
- प्रतिनिधित्व
- का प्रतिनिधित्व
- का प्रतिनिधित्व करता है
- की आवश्यकता होती है
- अपेक्षित
- आवश्यकताएँ
- की आवश्यकता होती है
- संकल्प
- उपयुक्त संसाधन चुनें
- बाकी
- प्रतिबंधित
- परिणाम
- परिणाम
- वापसी
- आरजीबी
- जोखिम
- भूमिका
- रन
- दौड़ना
- क्रम
- sagemaker
- सेजमेकर अनुमान
- वही
- नमूना डेटासेट
- सहेजें
- बचाया
- बचत
- स्केलेबल
- स्केल
- स्केलिंग
- परिदृश्यों
- विज्ञान
- निर्बाध
- मूल
- दूसरा
- अनुभाग
- वर्गों
- चयनित
- का चयन
- भेजता
- वरिष्ठ
- कई
- सेवा
- serverless
- सेवा
- सेवाएँ
- सेट
- व्यवस्था
- वह
- पाली
- परिवर्तन
- चाहिए
- दिखाता है
- हस्ताक्षर
- प्रतीक
- लक्षण
- समान
- सरल
- सरल
- एक
- आकार
- छोटा
- सबसे छोटा
- चिकनी
- समाधान
- समाधान ढूंढे
- कुछ
- कुछ
- स्थानिक
- विशेषीकृत
- विशिष्ट
- विशेष रूप से
- विनिर्दिष्ट
- विभाजित
- Spot
- चौकोर
- वर्गों
- शुरू
- राज्य
- बयान
- कदम
- कदम
- फिर भी
- भंडारण
- की दुकान
- प्रगति
- मजबूत
- स्टूडियो
- इसके बाद
- ऐसा
- पता चलता है
- निश्चित
- सतह
- उपयुक्त
- संदेहजनक
- तेजी से
- प्रणाली
- अनुरूप
- लेना
- लेता है
- लक्ष्य
- तकनीकी रूप से
- तकनीक
- तकनीक
- tensorflow
- अंतिम
- परीक्षण
- परीक्षण
- से
- कि
- RSI
- राज्य
- लेकिन हाल ही
- उन
- फिर
- वहाँ।
- इन
- चीज़ें
- इसका
- तीन
- यहाँ
- पहर
- बार
- सेवा मेरे
- साधन
- उपकरण
- टोरंटो
- कुल
- छुआ
- रेलगाड़ी
- प्रशिक्षित
- प्रशिक्षण
- बदालना
- परिवर्तनों
- <strong>उद्देश्य</strong>
- कोशिश
- दो
- टाइप
- प्रकार
- आम तौर पर
- के अंतर्गत
- आधारभूत
- हामीदारी
- अद्वितीय
- इकाई
- अपडेट
- के ऊपर
- यूएसडी
- उपयोग
- उदाहरण
- प्रयुक्त
- उपयोगकर्ता
- का उपयोग करता है
- का उपयोग
- सत्यापन
- मूल्य
- मान
- परिवर्तनशील
- विभिन्न
- संस्करण
- दिखाई
- दृष्टि
- भेंट
- दृश्य
- नेत्रहीन
- करना चाहते हैं
- था
- we
- वेब
- वेब सेवाओं
- कुंआ
- थे
- क्या
- कब
- कौन कौन से
- चौड़ा
- मर्जी
- साथ में
- अंदर
- बिना
- वर्कफ़्लो
- workflows
- काम कर रहे
- कार्य
- इसलिए आप
- आपका
- जेफिरनेट
- शून्य