Amazon Machine Learning Solutions Lab (MLSL) har nylig laget et verktøy for å kommentere tekst med navngitt enhetsgjenkjenning (NER) og relasjonsetiketter ved å bruke Amazon SageMaker Ground Truth. Annotatorer bruker dette verktøyet til å merke tekst med navngitte enheter og koble sammen relasjonene deres, og dermed bygge et datasett for opplæring av avanserte modeller for naturlig språkbehandling (NLP) maskinlæring (ML). Det viktigste er at dette nå er offentlig tilgjengelig for alle AWS-kunder.
Kundebruk: Booking.com
Booking.com er en av verdens ledende online reiseplattformer. Å forstå hva kundene sier om selskapets 28 millioner+ eiendomsoppføringer på plattformen er avgjørende for å opprettholde en førsteklasses kundeopplevelse. Tidligere kunne Booking.com bare bruke tradisjonell sentimentanalyse for å tolke kundegenererte anmeldelser i stor skala. For å oppgradere spesifisiteten til disse tolkningene, henvendte Booking.com seg nylig til MLSL for å få hjelp med å bygge et tilpasset kommentert datasett for opplæring av en aspektbasert sentimentanalysemodell.
Tradisjonell sentimentanalyse er prosessen med å klassifisere et tekststykke som positivt, negativt eller nøytralt som en enestående følelse. Dette fungerer for å forstå om brukere er fornøyde eller misfornøyde med en bestemt opplevelse. For eksempel, med tradisjonell sentimentanalyse, kan følgende tekst klassifiseres som "nøytral":
Vårt opphold på hotellet var hyggelig. Personalet var vennlig og rommene var rene, men sengene våre var ganske ubehagelige.
Aspektbasert sentimentanalyse gir en mer nyansert forståelse av innhold. Når det gjelder Booking.com, i stedet for å ta en kundeanmeldelse som en helhet og klassifisere den kategorisk, kan den ta sentimenter fra en anmeldelse og tilordne den til spesifikke aspekter. Kundeanmeldelser av et gitt hotell kan for eksempel rose det plettfrie bassenget og treningsområdet, men gi kritiske tilbakemeldinger om restauranten og salongen.
Utsagnet som ville blitt klassifisert som "nøytralt" av tradisjonell sentimentanalyse vil, med aspektbasert sentimentanalyse, bli:
Vårt opphold på hotellet var hyggelig. Personalet var vennlig og rommene var rene, men sengene våre var ganske ubehagelige.
- Hotell: Positivt
- Personale: Positiv
- Rom: Positivt
- Senger: negativ
Booking.com forsøkte å bygge en tilpasset aspektbasert sentimentanalysemodell som ville fortelle dem hvilke spesifikke deler av gjesteopplevelsen (fra en liste over 50+ aspekter) som var positiv, negativeller nøytral.
Før Booking.com kunne bygge et opplæringsdatasett for denne modellen, trengte de en måte å kommentere det på. MLSLs merknadsverktøy ga den sårt tiltrengte tilpassede løsningen. Menneskelig vurdering ble utført på en stor samling hotellanmeldelser. Deretter fullførte kommentatorer en navngitt enhetskommentar på sentiment og gjesteopplevelses tekstspenn og fraser før de koblet passende spenn sammen.
Den nye aspektbaserte modellen lar Booking.com tilpasse både overnatting og anmeldelser til sine kunder. Å fremheve de positive og negative aspektene ved hver innkvartering gjør det mulig for kundene å velge den perfekte matchen. I tillegg bryr ulike kunder seg om ulike aspekter ved overnattingsstedet, og den nye modellen åpner for muligheten til å vise de mest relevante anmeldelsene til hver enkelt.
Merkingskrav
Selv om Ground Truth har en innebygd NER-tekstkommentarfunksjon, gir den ikke muligheten til å koble sammen enheter. Med dette i tankene utarbeidet Booking.com og MLSL følgende høynivåkrav for et nytt navngitt verktøy for tekstmerking for enhetsgjenkjenning som:
- Godtar som input: tekst, enhetsetiketter, relasjonsetiketterog klassifiseringsetiketter.
- Godtar som inndata forhåndskommenterte data med den foregående etiketten og relasjonskommentarene.
- Presenterer kommentatoren med enten ukommentert eller forhåndskommentert tekst.
- Lar kommentatorer fremheve og kommentere vilkårlig tekst med en enhetsetikett.
- Lar annotatorer opprette relasjoner mellom to enhetsannoteringer.
- Lar annotatorer enkelt navigere i et stort antall enhetsetiketter.
- Støtter gruppering av enhetsetiketter i kategorier.
- Tillat overlappende relasjoner, noe som betyr at det samme kommenterte tekstsegmentet kan være relatert til mer enn ett annet kommentert tekstsegment.
- Tillater overlappende merknader for enhetsetiketter, noe som betyr at to merknader kan overlappe det samme tekststykket. For eksempel kan teksten "Seattle Space Needle" ha både merknadene "Seattle" → "locations", og "Seattle Space Needle" → "attraksjoner".
- Utdataformatet er kompatibelt med inndataformatet, og det kan mates tilbake til påfølgende merkeoppgaver.
- Støtter UTF-8-kodet tekst som inneholder emoji og andre multi-byte-tegn.
- Støtter venstre-til-høyre-språk.
Eksempelkommentar
Tenk på følgende dokument:
Vi elsket plasseringen av dette hotellet! Takloungen ga oss den perfekte utsikten over space needle. Det er også en kort kjøretur fra Pike Place Market og vannkanten.
Maten var bare tilgjengelig via romservice, noe som var litt skuffende, men gir mening i denne post-pandemiske verdenen.
Totalt sett en rimelig opplevelse.
Når dette dokumentet lastes inn i den nye NER-kommentaren, får en arbeider følgende grensesnitt:
I dette tilfellet er arbeiderens jobb å:
- Merke enheter relatert til eiendommen (beliggenhet, pris, mat osv.)
- Merk enheter relatert til sentiment (positiv, negativ eller nøytral)
- Koble eiendomsrelaterte navngitte enheter til sentimentrelaterte søkeord for å fange gjesteopplevelsen nøyaktig
Annoteringshastighet var en viktig vurdering av verktøyet. Ved å bruke en sekvens av intuitive tastatursnarveier og musebevegelser kan annotatorer styre grensesnittet og:
- Legg til og fjern merknader for navngitte enheter
- Legg til relasjoner mellom navngitte enheter
- Hopp til begynnelsen og slutten av dokumentet
- Send inn dokumentet
I tillegg er det støtte for overlappende etiketter. For eksempel, Seattle Space Needle
: i denne setningen, Seattle
er annotert både som et sted for seg selv og som en del av attraksjonsnavnet.
Den fullførte kommentaren gir en mer fullstendig, nyansert analyse av dataene:
Relasjoner kan konfigureres på mange nivåer, fra enhetskategorier til andre enhetskategorier (for eksempel fra "mat" til "sentiment"), eller mellom individuelle enhetstyper. Relasjoner er rettet, slik at annotatorer kan knytte et aspekt som mat til en følelse, men ikke omvendt (med mindre det er eksplisitt aktivert). Når du tegner relasjoner, vil merknadsverktøyet automatisk utlede relasjonsetiketten og retningen.
Konfigurering av NER Annotation Tool
I denne delen dekker vi hvordan du tilpasser NER-merknadsverktøyet for kundespesifikke brukstilfeller. Dette inkluderer å konfigurere:
- Inndatateksten som skal kommenteres
- Enhetsetiketter
- Relasjonsetiketter
- Klassifiseringsetiketter
- Forhåndsannoterte data
- Arbeidsinstruksjoner
Vi vil dekke detaljene for input- og output-dokumentformatene, samt gi noen eksempler på hvert.
Skriv inn dokumentformat
NER-merknadsverktøyet forventer følgende JSON-formaterte inndatadokument (felt med spørsmålstegn ved siden av navnet er valgfrie).
I et nøtteskall har inndataformatet disse egenskapene:
- Enten
entityLabels
orclassificationLabels
(eller begge) kreves for å kommentere. - If
entityLabels
er gitt, darelationshipLabels
kan legges til. - Forhold kan tillates mellom ulike enhets-/kategorietiketter eller en blanding av disse.
- "Kilden" til et forhold er enheten som den rettede pilen starter med, mens "målet" er dit den er på vei.
Felt | typen | Beskrivelse |
tekst | string | Obligatorisk. Skriv inn tekst for merknad. |
tokenRows | streng[][] | Valgfri. Egendefinert tokenisering av inndatatekst. En rekke matriser av strenger. Toppnivåmatrise representerer hver rad med tekst (linjeskift), og andrenivåmatrise representerer tokens på hver rad. Alle tegn/runer i inndatateksten må tas med i tokenRows, inkludert eventuelle mellomrom. |
dokument-ID | string | Valgfri. Valgfri verdi for kunder å holde styr på dokumentet som blir kommentert. |
enhetsetiketter | gjenstand[] | Obligatorisk hvis classificationLabels er tom. En rekke enhetsetiketter. |
entityLabels[].navn | string | Obligatorisk. Visningsnavn for enhetsetikett. |
entityLabels[].category | string | Valgfri. Enhetsetikettkategorinavn. |
entityLabels[].shortName | string | Valgfri. Vis denne teksten over kommenterte enheter i stedet for hele navnet. |
entityLabels[].shortCategory | string | Valgfri. Vis denne teksten i rullegardinmenyen for enhetsannotering i stedet for de fire første bokstavene i kategorinavnet. |
entityLabels.color | string | Valgfri. Hex fargekode med "#" prefiks. Hvis tom, vil den automatisk tildele en farge til enhetsetiketten. |
relasjonsetiketter | gjenstand[] | Valgfri. En rekke relasjonsetiketter. |
relasjonsetiketter[].navn | string | Obligatorisk. Visningsnavn for relasjonsetikett. |
relationLabels[].allowedRelationships | gjenstand[] | Valgfri. En rekke verdier som begrenser hvilke typer kilde- og målenhetsetiketter dette forholdet kan tilordnes. Hvert element i arrayen "OR'ed" sammen. |
relationLabels[].allowedRelationships[].sourceEntityLabelCategories | streng[] | Nødvendig for å angi enten sourceEntityLabelCategories eller sourceEntityLabels (eller begge deler). Liste over kategorityper for juridisk kildeenhetsetikett for dette forholdet. |
relationLabels[].allowedRelationships[].targetEntityLabelCategories | streng[] | Nødvendig for å angi enten targetEntityLabelCategories eller targetEntityLabels (eller begge deler). Liste over juridiske målenhetsetikettkategorityper for dette forholdet. |
relationLabels[].allowedRelationships[].sourceEntityLabels | streng[] | Nødvendig for å angi enten sourceEntityLabelCategories eller sourceEntityLabels (eller begge deler). Liste over juridiske kildeenhetsetiketttyper for dette forholdet. |
relationLabels[].allowedRelationships[].sourceEntityLabels | streng[] | Nødvendig for å angi enten targetEntityLabelCategories eller targetEntityLabels (eller begge deler). Liste over juridiske målenhetsetiketttyper for dette forholdet. |
klassifiseringEtiketter | streng[] | Obligatorisk hvis entityLabels er tom. Liste over klassifiseringsetiketter på dokumentnivå. |
entitetsmerknader | gjenstand[] | Valgfri. En rekke enhetsannoteringer å forhåndsannotere inndatatekst med. |
entityAnnotations[].id | string | Obligatorisk. Unik identifikator for denne enhetsannoteringen. Brukes til å referere til denne enheten i relationAnnotations. |
entityAnnotations[].start | Antall | Obligatorisk. Start runeforskyvning av denne enhetsannoteringen. |
entityAnnotations[].end | Antall | Obligatorisk. Slutt runeforskyvning av denne enhetsannoteringen. |
entityAnnotations[].text | string | Obligatorisk. Tekstinnhold mellom start og slutt runeforskyvning. |
entityAnnotations[].label | string | Obligatorisk. Tilknyttet enhetsetikettnavn (fra navnene i entityLabels). |
entityAnnotations[].labelCategory | string | Valgfritt. Tilknyttet enhetsetikettkategori (fra kategoriene i entityLabels). |
forhold Kommentarer | gjenstand[] | Valgfri. En rekke forholdsanmerkninger. |
relationAnnotations[].sourceEntityAnnotationId | string | Obligatorisk. Annoterings-ID for kildeenhet for dette forholdet. |
relationAnnotations[].targetEntityAnnotationId | string | Obligatorisk. Annoterings-ID for målenhet for dette forholdet. |
forholdAnnotasjoner[].label | string | Obligatorisk. Navn på tilknyttet relasjonsetikett. |
klassifiseringAnnotasjoner | streng[] | Valgfri. En rekke klassifikasjoner å forhåndsannotere dokumentet med. |
meta | objekt | Valgfri. Ytterligere konfigurasjonsparametere. |
meta.instructions | string | Valgfri. Instruksjoner for merkekommentaren i Markdown-format. |
meta.disableSubmitConfirmation | boolean | Valgfri. Sett til sann for å deaktivere innsendingsbekreftelsesmodal. |
meta.multiClassification | boolean | Valgfri. Sett til sann for å aktivere multi-label-modus for klassifiseringsetiketter. |
Her er noen eksempler på dokumenter for å få en bedre forståelse av dette inndataformatet
Dokumenter som følger dette skjemaet, leveres til Ground Truth som individuelle ordrelinjer i et input-manifest.
Utdatadokumentformat
Utdataformatet er designet for å gi en enkel tilbakemelding til en ny kommentaroppgave. Valgfrie felt i utdatadokumentet angis hvis de også er angitt i inndatadokumentet. Den eneste forskjellen mellom inngangs- og utdataformatene er meta
gjenstand.
Felt | typen | Beskrivelse |
meta.avvist | boolean | Er satt til sann hvis kommentatoren avviste dette dokumentet. |
meta.rejectedReason | string | Annotatorens begrunnelse for å avvise dokumentet. |
meta.runer | streng[] | En rekke runer som står for alle tegnene i inndatateksten. Brukes til å beregne start- og sluttforskyvninger for enhetsannoteringer. |
Her er et eksempel på et utdatadokument som er kommentert:
Runes merknad:
En "rune" i denne sammenhengen er et enkelt uthevet tegn i tekst, inkludert multi-byte-tegn som emoji.
- Fordi forskjellige programmeringsspråk representerer multi-byte-tegn forskjellig, betyr det at vi har en entydig måte å beskrive et gitt tekstutvalg på ved å bruke "Runer" for å definere alle uthevbare tegn som et enkelt atomelement.
- For eksempel behandler Python det svenske flagget som fire tegn:
Men JavaScript behandler den samme emojien som to tegn
For å eliminere enhver tvetydighet, vil vi behandle det svenske flagget (og alle andre emoji- og multi-byte-tegn) som et enkelt atomelement.
- Offset: Runeposisjon i forhold til inndatatekst (starter med indeks 0)
Utføre NER-kommentarer med Ground Truth
Som en fullstendig administrert datamerkingstjeneste bygger Ground Truth opplæringsdatasett for ML. For denne brukssaken bruker vi Ground Truth til å sende en samling tekstdokumenter til en gruppe arbeidere for merknader. Til slutt vurderer vi for kvalitet.
Ground Truth kan konfigureres til å bygge en datamerkingsjobb ved å bruke det nye NER-verktøyet som en tilpasset mal.
Konkret vil vi:
- Opprett en arbeidsstyrke med privat merking av arbeidere for å utføre merknadsoppgaven
- Lag et Ground Truth-inndatamanifest med dokumentene vi ønsker å kommentere og last det deretter opp til Amazon Simple Storage Service (Amazon S3)
- Opprett lambda-funksjoner for pre-etiketteringsoppgaver og ettermerkingsoppgaver
- Lag en Ground Truth-merkejobb ved å bruke den tilpassede NER-malen
- Kommenter dokumenter
- Gjennomgå resultatene
NER Tool Resources
En fullstendig liste over refererte ressurser og eksempeldokumenter finner du i følgende diagram:
Merking av arbeidsstyrke
Ground Truth bruker SageMaker-merking av arbeidsstyrker til å administrere arbeidere og distribuere oppgaver. Opprett en privat arbeidsstyrke, et arbeidsteam kalt ner-worker-team, og tildel deg selv til teamet ved å bruke instruksjonene i Opprett en privat arbeidsstyrke (Amazon SageMaker Console).
Når du har lagt deg til en privat arbeidsstyrke og bekreftet e-posten din, legg merke til URL-adressen til arbeiderportalen fra AWS Management Console:
- naviger til
SageMaker
- naviger til
Ground Truth → Labeling workforces
- Velg
Private
tab - Legg merke til URL-en
Labeling portal sign-in URL
Logg inn på arbeiderportalen for å se og starte arbeidet med merkeoppgaver.
Inndatamanifest
Ground Truth-inndatamanifestet er en JSON-linjefil der hver linje inneholder en enkelt arbeideroppgave. I vårt tilfelle vil hver linje inneholde et enkelt JSON-kodet inngangsdokument som inneholder teksten vi ønsker å kommentere og NER-merknadsskjemaet.
Last ned et eksempel på inndatamanifest reviews.manifest
fra https://assets.solutions-lab.ml/NER/0.2.1/sample-data/reviews.manifest
Merknader: hver rad i inndatamanifestet trenger en nøkkel på toppnivå source
or source-ref
. Du kan lære mer i Bruk en inndatamanifestfil i Amazon SageMaker Developer Guide.
Last opp inndatamanifest til Amazon S3
Last opp dette inndatamanifestet til en S3-bøtte ved hjelp av AWS Management Console eller fra kommandolinjen, og erstatter derved your-bucket
med et faktisk bøttenavn.
Last ned tilpasset arbeidermal
Last ned NER-verktøyets egendefinerte arbeidermal fra https://assets.solutions-lab.ml/NER/0.2.1/worker-template.liquid.html ved å se kilden og lagre innholdet lokalt, eller fra kommandolinjen:
Opprett lambda-funksjoner for pre-etiketteringsoppgaver og ettermerkingsoppgaver
Last ned eksempel på forhåndsmerkingsoppgave Lambda-funksjon: smgt-ner-pre-labeling-task-lambda.py
fra https://assets.solutions-lab.ml/NER/0.2.1/sample-scripts/smgt-ner-pre-labeling-task-lambda.py
Last ned eksempel på forhåndsmerkingsoppgave Lambda-funksjon: smgt-ner-post-labeling-task-lambda.py
fra https://assets.solutions-lab.ml/NER/0.2.1/sample-scripts/smgt-ner-post-labeling-task-lambda.py
- Opprett lambda-funksjon for forhåndsmerkingsoppgave fra AWS Management Console:
- naviger til
Lambda
- Plukke ut
Create function
- Spesifiser
Function name
assmgt-ner-pre-labeling-task-lambda
- Plukke ut
Runtime
→Python 3.6
- Plukke ut
Create function
- In
Function code
→lambda_hanadler.py
, lim inn innholdet ismgt-ner-pre-labeling-task-lambda.py
- Plukke ut
Deploy
- naviger til
- Opprett lambda-funksjon for oppgave etter merking fra AWS Management Console:
- naviger til
Lambda
- Plukke ut
Create function
- Spesifiser
Function name
assmgt-ner-post-labeling-task-lambda
- Plukke ut
Runtime
→Python 3.6
- Expand
Change default execution role
- Plukke ut
Create a new role from AWS policy templates
- Angi
Role name
:smgt-ner-post-labeling-task-lambda-role
- Plukke ut
Create function
- Velg
Permissions
tab - Velg
Role name
:smgt-ner-post-labeling-task-lambda-role
for å åpne IAM-konsollen - Legg til to retningslinjer i rollen
- Plukke ut
Attach policies
- Fest
AmazonS3FullAccess
politikk - Plukke ut
Add inline policy
- Velg
JSON
tab - Lim inn følgende innebygde retningslinjer:
- Plukke ut
- Naviger tilbake til
smgt-ner-post-labeling-task-lambda
Konfigurasjonsside for lambdafunksjon - Velg
Configuration
tab - In
Function code
→ lambda_hanadler.py
, lim inn innholdet ismgt-ner-post-labeling-task-lambda.py
- Plukke ut
Deploy
- naviger til
Lag en Ground Truth-merkejobb
Fra AWS Management Console:
- Naviger til
Amazon SageMaker
tjeneste - naviger til
Ground Truth
→Labeling Jobs
. - Plukke ut
Create labeling job
- Spesifiser en
Job Name
- Plukke ut
Manual Data Setup
- Spesifiser Input-datasettet der du lastet opp input-manifestet tidligere (f.eks
3://your-bucket/ner-input/sample-smgt-input-manifest.jsonl
) - Spesifiser utdatasettet for å peke til en annen mappe i samme bøtte (f.eks.
s3://your-bucket/ner-output/
) - Spesifiser en
IAM Role
ved å velgeCreate new role
- Gi denne rollen tilgang til en hvilken som helst S3-bøtte ved å velge
S3 buckets you specify
→Any S3 bucket
når du oppretter policyen - I et nytt AWS Management Console-vindu åpner du
IAM
konsoll og velgRoles
- Søk etter navnet på rollen du nettopp opprettet (f.eks.
AmazonSageMaker-ExecutionRole-20210301T154158
) - Velg rollenavnet for å åpne rollen i konsollen
- Legg ved følgende tre retningslinjer:
- Velg Legg ved retningslinjer
- Fest
AWSLambda_FullAccess
til rollen - Plukke ut
Trust Relationships
→Edit Trust Relationships
- Rediger tillitsforholdet JSON,
- Erstatt
YOUR_ACCOUNT_NUMBER
med ditt numeriske AWS-kontonummer for å lese: - Redd tillitsforholdet
- Gi denne rollen tilgang til en hvilken som helst S3-bøtte ved å velge
- Gå tilbake til den nye Ground Truth-jobben i forrige AWS Management Console-vindu: under
Task Category
, plukke utCustom
- Plukke ut
Next
- Plukke ut
Worker types
:Private
- Velg
Private team
:ner-worker-team
som ble opprettet i forrige seksjon - på
Custom labeling task setup
tekstområdet, fjern standardinnholdet og lim inn innholdet iworker-template.liquid.html
fil hentet tidligere - Spesifiser
Pre-labeling task Lambda function
med den tidligere opprettede funksjonen:smgt-ner-pre-labeling
- Spesifiser
Post-labeling task Lambda function
med funksjonen opprettet tidligere:smgt-ner-post-labeling
- Plukke ut
Create
Kommenter dokumenter
Når Ground Truth-jobben er opprettet, kan vi begynne å kommentere dokumenter. Åpne arbeiderportalen for arbeidsstyrken vår opprettet tidligere (i AWS Management Console, naviger til SageMaker
, Ground Truth → Labeling workforces
, Private
, og åpne Labeling portal sign-in URL
)
Logg på og velg den første merkeoppgaven i tabellen, og velg deretter "Begynn å jobbe" for å åpne kommentatoren. Utfør merknadene dine og velg send inn på alle tre eksempeldokumentene.
Gjennomgå resultatene
Når Ground Truth-annotatører fullfører oppgaver, vil resultatene være tilgjengelige i S3-utdatabøtten:
Når alle oppgavene for en merkejobb er fullført, er den konsoliderte utgangen tilgjengelig i output.manifest
fil som ligger her:
Dette utdatamanifestet er en JSON-linjefil med ett kommentert tekstdokument per linje i "Output Document Format" spesifisert tidligere. Denne filen er kompatibel med "Input Document Format", og den kan mates direkte inn i en påfølgende Ground Truth-jobb for en ny runde med merknader. Alternativt kan den analyseres og sendes til en ML-treningsjobb. Noen scenarier der vi kan bruke en andre runde med merknader er:
- Å dele opp merknadsprosessen i to trinn der den første kommentatoren identifiserer enhetsannoteringer og den andre kommentatoren tegner relasjoner
- Tar en prøve av vår
output.manifest
og sende den til en annen, mer erfaren annotator for gjennomgang som en kvalitetskontroll
Egendefinerte maler for Ground Truth-kommentarer
NER-merknadsverktøyet beskrevet i dette dokumentet er implementert som en egendefinert Ground Truth-kommentarmal. AWS-kunder kan bygge sine egne tilpassede merknadsgrensesnitt ved å bruke instruksjonene som finnes her:
konklusjonen
Ved å samarbeide, var Booking.com og Amazon MLSL i stand til å utvikle et kraftig tekstannoteringsverktøy som er i stand til å lage komplekse navngitte enheters gjenkjennelse og relasjonskommentarer.
Vi oppfordrer AWS-kunder med en NER-tekstkommentarbrukssak til å prøve verktøyet beskrevet i dette innlegget. Hvis du vil ha hjelp til å fremskynde bruken av ML i produktene og tjenestene dine, vennligst kontakt Amazon Machine Learning Solutions Lab.
Om forfatterne
Dan Noble er en programvareutviklingsingeniør hos Amazon hvor han hjelper til med å bygge herlige brukeropplevelser. På fritiden liker han å lese, trene og oppleve eventyr med familien.
Pri Nonis er en Deep Learning Architect ved Amazon ML Solutions Lab, hvor han jobber med kunder på tvers av ulike vertikaler, og hjelper dem med å akselerere deres skymigrasjonsreise, og å løse ML-problemene deres ved hjelp av toppmoderne løsninger og teknologier.
Niharika Jayanthi er Front End Engineer hos AWS, hvor hun utvikler tilpassede merknadsløsninger for Amazon SageMaker-kunder. Utenom jobben liker hun å gå på museum og trene.
Amit Beka er Machine Learning Manager hos Booking.com, med over 15 års erfaring innen programvareutvikling og maskinlæring. Han er fascinert av mennesker og språk, og hvordan datamaskiner fortsatt blir forvirret av begge deler.
- '
- 100
- 11
- 7
- Om oss
- adgang
- Logg inn
- regnskap
- tvers
- Handling
- tillegg
- Ytterligere
- Alle
- Amazon
- Amazon maskinlæring
- Amazon SageMaker
- tvetydighet
- analyse
- AREA
- tilgjengelig
- Tilgjengelig for alle
- AWS
- Begynnelsen
- være
- bygge
- Bygning
- hvilken
- saker
- klassifisering
- Cloud
- kode
- samling
- komplekse
- datamaskiner
- Konfigurasjon
- hensyn
- Konsoll
- innhold
- innhold
- kunne
- Opprette
- kritisk
- kundeopplevelse
- Kunder
- dato
- dyp læring
- utvikle
- Utvikler
- Utvikling
- forskjellig
- dokumenter
- ikke
- lett
- effekt
- emalje
- Emoji
- oppmuntre
- ingeniør
- etc
- eksempel
- gjennomføring
- forventer
- erfaring
- Erfaringer
- familie
- Fed
- tilbakemelding
- Felt
- Endelig
- Først
- fitness
- mat
- format
- funnet
- fullt
- funksjon
- gif
- skal
- Gjest
- veilede
- hjelpe
- hjelper
- her.
- Uthev
- hotell
- Hvordan
- Hvordan
- HTTPS
- IAM
- implementert
- viktig
- Inkludert
- indeks
- individuelt
- IT
- Javascript
- Jobb
- reise
- nøkkel
- merking
- etiketter
- Språk
- språk
- stor
- ledende
- LÆRE
- læring
- Lovlig
- Nivå
- nivåer
- linje
- LINK
- Flytende
- Liste
- oppføringer
- lokalt
- plassering
- ser
- maskinlæring
- ledelse
- merke
- marked
- Match
- Meta
- tankene
- ML
- modell
- mer
- museer
- navn
- Naturlig språk
- Natural Language Processing
- nødvendig
- nlp
- tall
- Tilbud
- offset
- på nett
- åpen
- åpner
- Opportunity
- Annen
- porsjoner
- setninger
- plattform
- Plattformer
- Politikk
- politikk
- basseng
- Portal
- post-pandemi
- kraftig
- pris
- Principal
- privat
- prosess
- Produkter
- Programmering
- programmerings språk
- eiendom
- gi
- gir
- Python
- kvalitet
- spørsmål
- Lesning
- Relasjoner
- Krav
- ressurs
- Ressurser
- Restaurant
- Resultater
- anmeldelse
- Anmeldelser
- Rom
- sagemaker
- besparende
- Skala
- forstand
- sentiment
- Tjenester
- sett
- Kort
- Enkelt
- So
- Software
- programvareutvikling
- Solutions
- LØSE
- Rom
- fart
- Begynn
- Uttalelse
- opphold
- lagring
- støtte
- Target
- Technologies
- Kilden
- tid
- sammen
- tokenization
- tokens
- verktøy
- topp
- øverste nivå
- spor
- tradisjonelle
- Kurs
- reiser
- behandle
- behandler
- Stol
- us
- Brukere
- verdi
- versjon
- Se
- Hva
- innenfor
- Arbeid
- arbeidet
- arbeidere
- arbeidsstyrke
- arbeid
- trene
- virker
- verden
- Verdens
- ville
- år