ด้วยแมชชีนเลิร์นนิง (ML) เทคโนโลยีที่มีประสิทธิภาพมากขึ้นจึงพร้อมใช้งาน ซึ่งสามารถทำให้งานตรวจจับความผิดปกติทางสายตาในผลิตภัณฑ์เป็นไปโดยอัตโนมัติ อย่างไรก็ตาม การใช้โซลูชัน ML ดังกล่าวใช้เวลานานและมีราคาแพง เนื่องจากเกี่ยวข้องกับการจัดการและการตั้งค่าโครงสร้างพื้นฐานที่ซับซ้อน และมีทักษะ ML ที่เหมาะสม นอกจากนี้ แอปพลิเคชัน ML ยังต้องได้รับการดูแลจากมนุษย์เพื่อรับรองความถูกต้องด้วยการตรวจจับสิ่งผิดปกติ ช่วยให้มีการปรับปรุงอย่างต่อเนื่อง และฝึกอบรมโมเดลใหม่ด้วยการคาดคะเนที่อัปเดต อย่างไรก็ตาม คุณมักจะถูกบังคับให้เลือกระหว่างระบบ ML เท่านั้นหรือสำหรับมนุษย์เท่านั้น บริษัทต่างๆ กำลังมองหาสิ่งที่ดีที่สุดของทั้งสองโลก โดยผสานรวมระบบ ML เข้ากับเวิร์กโฟลว์ของคุณ ในขณะเดียวกันก็คอยจับตาดูผลลัพธ์ของมนุษย์เพื่อให้ได้ความแม่นยำที่สูงขึ้น
ในโพสต์นี้เราจะแสดงวิธีตั้งค่าง่ายๆ Amazon Lookout สำหรับวิสัยทัศน์ เพื่อฝึกแบบจำลองการตรวจจับความผิดปกติทางสายตาโดยใช้ชุดข้อมูลแผงวงจรพิมพ์ ใช้เวิร์กโฟลว์ของมนุษย์ในวงเพื่อทบทวนการคาดการณ์โดยใช้ อเมซอน เสริม AI (Amazon A2I) เพิ่มชุดข้อมูลเพื่อรวมอินพุตของมนุษย์ และฝึกแบบจำลองใหม่
ภาพรวมโซลูชัน
Lookout for Vision เป็นบริการ ML ที่ช่วยระบุข้อบกพร่องของผลิตภัณฑ์โดยใช้คอมพิวเตอร์วิชันซิสเต็มเพื่อทำให้กระบวนการตรวจสอบคุณภาพในสายการผลิตของคุณเป็นแบบอัตโนมัติ โดยไม่จำเป็นต้องมีความเชี่ยวชาญด้าน ML คุณสามารถเริ่มต้นด้วยภาพผลิตภัณฑ์เพียง 30 ภาพ (20 ภาพปกติ ภาพผิดปกติ 10 ภาพ) เพื่อฝึกโมเดล ML เฉพาะของคุณ Lookout for Vision ใช้โมเดล ML เฉพาะของคุณเพื่อวิเคราะห์ภาพผลิตภัณฑ์ของคุณในเวลาที่เกือบเรียลไทม์และตรวจจับข้อบกพร่องของผลิตภัณฑ์ ทำให้บุคลากรในโรงงานของคุณสามารถวินิจฉัยและดำเนินการแก้ไขได้
Amazon A2I เป็นบริการ ML ที่ทำให้ง่ายต่อการสร้างเวิร์กโฟลว์ที่จำเป็นสำหรับการตรวจสอบโดยเจ้าหน้าที่ Amazon A2I นำการตรวจสอบโดยเจ้าหน้าที่มาสู่นักพัฒนาทุกคน ขจัดภาระงานหนักที่ไม่แตกต่างซึ่งเกี่ยวข้องกับการสร้างระบบการตรวจสอบโดยเจ้าหน้าที่หรือการจัดการผู้ตรวจสอบที่เป็นเจ้าหน้าที่จำนวนมาก ไม่ว่าจะทำงานบน AWS หรือไม่ก็ตาม
ในการเริ่มต้นใช้งาน Lookout for Vision เราสร้างโปรเจ็กต์ สร้างชุดข้อมูล ฝึกโมเดล และเรียกใช้การอนุมานบนอิมเมจทดสอบ หลังจากทำตามขั้นตอนเหล่านี้แล้ว เราจะแสดงให้คุณเห็นว่าคุณสามารถตั้งค่ากระบวนการตรวจสอบโดยเจ้าหน้าที่ได้อย่างรวดเร็วโดยใช้ Amazon A2I และฝึกอบรมโมเดลของคุณใหม่ด้วยชุดข้อมูลที่เพิ่มหรือตรวจสอบโดยเจ้าหน้าที่ นอกจากนี้เรายังมีเอกสารประกอบ สมุดบันทึก Jupyter.
ภาพรวมสถาปัตยกรรม
ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมโซลูชัน
โซลูชันมีเวิร์กโฟลว์ต่อไปนี้:
- อัพโหลดข้อมูลจากต้นทางไปที่ บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน เอส3).
- เรียกใช้ Lookout for Vision เพื่อประมวลผลข้อมูลจากเส้นทาง Amazon S3
- เก็บผลการอนุมานใน Amazon S3 สำหรับการตรวจสอบดาวน์สตรีม
- ใช้ Lookout for Vision เพื่อตรวจสอบว่าภาพที่ป้อนเข้าเสียหายหรือไม่ และตรวจสอบว่าระดับความเชื่อมั่นสูงกว่า 70% หากต่ำกว่า 70% เราจะเริ่มวนรอบมนุษย์เพื่อให้พนักงานตรวจสอบด้วยตนเองว่ารูปภาพเสียหายหรือไม่
- บุคลากรส่วนตัวตรวจสอบและตรวจสอบความเสียหายที่ตรวจพบและให้ข้อเสนอแนะ
- อัปเดตข้อมูลการฝึกอบรมด้วยคำติชมที่สอดคล้องกันสำหรับการฝึกแบบจำลองใหม่ในภายหลัง
- ทำซ้ำรอบการฝึกซ้ำสำหรับการฝึกแบบจำลองซ้ำอย่างต่อเนื่อง
เบื้องต้น
ก่อนที่คุณจะเริ่มต้น ให้ทำตามขั้นตอนต่อไปนี้เพื่อตั้งค่าโน้ตบุ๊ก Jupyter:
- สร้างอินสแตนซ์สมุดบันทึก in อเมซอน SageMaker.
- เมื่อโน้ตบุ๊กเปิดใช้งานอยู่ ให้เลือก เปิด Jupyter.
- บนแดชบอร์ด Jupyter ให้เลือก ใหม่และเลือก สถานีปลายทาง.
- ในเทอร์มินัล ให้ป้อนรหัสต่อไปนี้:
- เปิดสมุดบันทึกสำหรับโพสต์นี้:
Amazon-Lookout-for-Vision-and-Amazon-A2I-Integration.ipynb
.
ตอนนี้คุณพร้อมที่จะเรียกใช้เซลล์สมุดบันทึกแล้ว
- เรียกใช้ขั้นตอนสภาพแวดล้อมการตั้งค่าเพื่อตั้งค่า Python SDK และตัวแปรที่จำเป็น:
ในขั้นตอนแรก คุณต้องกำหนดสิ่งต่อไปนี้:
- ภูมิภาค – ภูมิภาคที่โครงการของคุณตั้งอยู่
- ชื่อโครงการ – ชื่อโครงการ Lookout for Vision ของคุณ
- ถัง – ชื่อของบัคเก็ต Amazon S3 ที่เราส่งออกผลลัพธ์ของโมเดล
- รุ่น_รุ่น – รุ่นรุ่นของคุณ (การตั้งค่าเริ่มต้นคือ 1)
- สร้างบัคเก็ต S3 เพื่อจัดเก็บภาพ:
- สร้างไฟล์รายการจากชุดข้อมูลโดยเรียกใช้เซลล์ในส่วน สร้างไฟล์รายการจากชุดข้อมูล ในสมุดบันทึก
Lookout for Vision ใช้ไฟล์ Manifest นี้เพื่อระบุตำแหน่งของไฟล์ รวมถึงป้ายกำกับที่เกี่ยวข้องกับไฟล์
อัปโหลดภาพแผงวงจรไปยัง Amazon S3
ในการฝึกโมเดล Lookout for Vision เราจำเป็นต้องคัดลอกชุดข้อมูลตัวอย่างจากสมุดบันทึก Jupyter ในพื้นที่ของเราไปยัง Amazon S3:
สร้างโครงการ Lookout for Vision
คุณมีตัวเลือกสองสามทางในการสร้างโครงการ Lookout for Vision: คอนโซล Lookout for Vision, the อินเทอร์เฟซบรรทัดคำสั่ง AWS AWS (AWS CLI) หรือ Boto3 SDK เราเลือก Boto3 SDK ในตัวอย่างนี้ แต่ขอแนะนำอย่างยิ่งให้คุณตรวจสอบวิธีคอนโซลด้วย
ขั้นตอนที่เราทำกับ SDK คือ:
- สร้างโปรเจ็กต์ (ชื่อถูกกำหนดไว้ตอนต้น) และบอกโปรเจ็กต์ของคุณว่าจะหาชุดข้อมูลการฝึกได้ที่ไหน ดำเนินการผ่านไฟล์รายการสำหรับการฝึกอบรม
- บอกโปรเจ็กต์ของคุณว่าจะหาชุดข้อมูลทดสอบได้ที่ไหน ทำได้ผ่านไฟล์รายการสำหรับการทดสอบ
ขั้นตอนที่สองนี้เป็นทางเลือก โดยทั่วไป โค้ดที่เกี่ยวข้องกับการทดสอบทั้งหมดเป็นทางเลือก Lookout for Vision ยังใช้งานได้กับชุดข้อมูลการฝึกอบรมเท่านั้น เราใช้ทั้งคู่เพราะการฝึกและการทดสอบเป็นแนวทางปฏิบัติทั่วไป (ที่ดีที่สุด) เมื่อฝึกโมเดล AI และ ML
สร้างไฟล์รายการจากชุดข้อมูล
Lookout for Vision ใช้ไฟล์ Manifest นี้เพื่อระบุตำแหน่งของไฟล์ รวมถึงป้ายกำกับที่เกี่ยวข้องกับไฟล์ ดูรหัสต่อไปนี้:
สร้างโครงการ Lookout for Vision
คำสั่งต่อไปนี้สร้างโครงการ Lookout for Vision:
สร้างและฝึกโมเดล
ในส่วนนี้ เราจะอธิบายขั้นตอนต่างๆ ในการสร้างชุดข้อมูลการฝึกอบรมและทดสอบ การฝึกโมเดล และการโฮสต์โมเดล
สร้างชุดข้อมูลการฝึกอบรมและทดสอบจากอิมเมจใน Amazon S3
หลังจากที่เราสร้างโครงการ Lookout for Vision เราสร้างชุดข้อมูลโครงการโดยใช้ภาพตัวอย่างที่เราอัปโหลดไปยัง Amazon S3 พร้อมกับไฟล์ Manifest ดูรหัสต่อไปนี้:
ฝึกโมเดล
หลังจากที่เราสร้างโครงการ Lookout for Vision และชุดข้อมูล เราสามารถฝึกโมเดลแรกของเราได้:
เมื่อการฝึกอบรมเสร็จสิ้น เราจะดูเมตริกโมเดลที่มีได้:
คุณควรเห็นผลลัพธ์ที่คล้ายกับต่อไปนี้
ตัวชี้วัด | รุ่น อาร์น | Status ระบุความประสงค์หรือขอข้อมูลเพิ่มเติม | ประสิทธิภาพ | ประสิทธิภาพของโมเดล |
คะแนน F1 | 1 | ฝึกหัด | อบรมสำเร็จลุล่วงไปด้วยดี | 0.93023 |
ความแม่นยำ | 1 | ฝึกหัด | อบรมสำเร็จลุล่วงไปด้วยดี | 0.86957 |
จำ | 1 | ฝึกหัด | อบรมสำเร็จลุล่วงไปด้วยดี | 1 |
โฮสต์โมเดล
ก่อนที่เราจะสามารถใช้โมเดล Lookout for Vision ที่ได้รับการฝึกอบรมใหม่ เราต้องโฮสต์โมเดลดังกล่าว:
ตั้งค่า Amazon A2I เพื่อตรวจสอบการคาดคะเนจาก Lookout for Vision
ในส่วนนี้ คุณตั้งค่ารอบการตรวจสอบโดยเจ้าหน้าที่ใน Amazon A2I เพื่อตรวจสอบการอนุมานที่ต่ำกว่าเกณฑ์ความเชื่อมั่น คุณต้องสร้างบุคลากรส่วนตัวและสร้าง UI งานของมนุษย์ก่อน
สร้างบุคลากร
คุณจำเป็นต้อง สร้างแรงงาน ผ่านคอนโซล SageMaker หมายเหตุ ARN ของพนักงาน และป้อนค่าในเซลล์สมุดบันทึก:
ภาพหน้าจอต่อไปนี้แสดงรายละเอียดของทีมส่วนตัวที่ชื่อ lfv-a2i
และ ARN ที่เกี่ยวข้อง
สร้าง UI ของงานมนุษย์
ตอนนี้คุณสร้างทรัพยากร UI ของงานมนุษย์: เทมเพลต UI ใน HTML เหลว หน้า HTML นี้แสดงผลแก่ผู้ปฏิบัติงานที่เป็นมนุษย์เมื่อใดก็ตามที่จำเป็นต้องมีการวนซ้ำของมนุษย์ สำหรับ UI ที่สร้างไว้ล่วงหน้ามากกว่า 70 รายการ โปรดดูที่ amazon-a2i-ตัวอย่างงาน-uis ที่เก็บ GitHub
ทำตามขั้นตอนที่ระบุไว้ในส่วนสมุดบันทึก สร้าง UI ของงานมนุษย์ เพื่อสร้างเว็บฟอร์ม เริ่มต้น Amazon A2I API และตรวจสอบเอาต์พุต:
สร้างเวิร์กโฟลว์งานของมนุษย์
ข้อกำหนดเวิร์กโฟลว์ช่วยให้คุณสามารถระบุสิ่งต่อไปนี้:
- เทมเพลตผู้ปฏิบัติงานหรือ UI งานของมนุษย์ที่คุณสร้างในขั้นตอนก่อนหน้า
- พนักงานที่งานของคุณถูกส่งไป สำหรับโพสต์นี้เป็นบุคลากรส่วนตัวที่คุณสร้างขึ้นในขั้นตอนข้อกำหนดเบื้องต้น
- คำแนะนำที่พนักงานของคุณได้รับ
โพสต์นี้ใช้ Create Flow Definition
API เพื่อสร้างข้อกำหนดเวิร์กโฟลว์ ผลลัพธ์ของการตรวจสอบโดยเจ้าหน้าที่จะจัดเก็บไว้ในบัคเก็ต Amazon S3 ซึ่งเข้าถึงได้โดยแอปพลิเคชันไคลเอ็นต์ เรียกใช้เซลล์ สร้างเวิร์กโฟลว์งานมนุษย์ ในโน้ตบุ๊กและตรวจสอบผลลัพธ์:
คาดการณ์และเริ่มวนรอบมนุษย์ตามเกณฑ์ระดับความมั่นใจ
ในส่วนนี้ เราจะวนรอบอาร์เรย์ของรูปภาพใหม่และใช้ Lookout for Vision SDK เพื่อตรวจสอบว่าอิมเมจอินพุตของเราเสียหายหรือไม่ และรูปภาพเหล่านั้นอยู่เหนือหรือต่ำกว่าเกณฑ์ที่กำหนดไว้หรือไม่ สำหรับโพสต์นี้ เรากำหนดระดับความเชื่อมั่นของเกณฑ์ที่ .70 หากผลลัพธ์ของเราต่ำกว่า .70 เราจะเริ่มวนรอบมนุษย์เพื่อให้พนักงานตรวจสอบด้วยตนเองว่าภาพของเราเป็นปกติหรือผิดปกติ ดูรหัสต่อไปนี้:
คุณควรได้ผลลัพธ์ที่แสดงในภาพหน้าจอต่อไปนี้
ทำการตรวจสอบและตรวจสอบสถานะวนรอบมนุษย์
หากผลการอนุมานต่ำกว่าเกณฑ์ที่กำหนดไว้ วงรอบมนุษย์จะถูกสร้างขึ้น เราสามารถตรวจสอบสถานะของงานเหล่านั้นและรอผล:
ทีมงานเห็นภาพหน้าจอต่อไปนี้เพื่อเลือกป้ายกำกับที่ถูกต้องสำหรับรูปภาพ
ดูผลลัพธ์ของเวิร์กโฟลว์ Amazon A2I และย้ายออบเจ็กต์ไปยังโฟลเดอร์ที่ถูกต้องสำหรับการฝึกซ้ำ
หลังจากที่สมาชิกในทีมทำงานวนรอบมนุษย์เสร็จแล้ว ลองใช้ผลลัพธ์ของงานเพื่อจัดเรียงรูปภาพของเราลงในโฟลเดอร์ที่ถูกต้องสำหรับการฝึกโมเดลใหม่ ดูรหัสต่อไปนี้:
ฝึกโมเดลของคุณใหม่ตามชุดข้อมูลเสริมจาก Amazon A2I
การฝึกอบรมเวอร์ชันของโมเดลใหม่สามารถทริกเกอร์เป็นชุดงานตามกำหนดการ ด้วยตนเองตามต้องการ โดยขึ้นอยู่กับจำนวนรูปภาพใหม่ที่เพิ่มลงในโฟลเดอร์การฝึกอบรม และอื่นๆ สำหรับตัวอย่างนี้ เราใช้ Lookout for Vision SDK เพื่อฝึกโมเดลของเราใหม่โดยใช้อิมเมจที่เราได้รวมไว้ในชุดข้อมูลที่แก้ไขแล้ว ติดตามสมุดบันทึก Jupyter ที่ดาวน์โหลดได้จาก [GitHub-LINK] สำหรับโน้ตบุ๊กฉบับสมบูรณ์
คุณควรเห็นผลลัพธ์ที่คล้ายกับต่อไปนี้
ตอนนี้เราได้ฝึกโมเดลใหม่โดยใช้ภาพที่เพิ่มเข้ามาใหม่แล้ว มาดูเมตริกของโมเดลกัน! เราแสดงผลจากรุ่นแรกและรุ่นที่สองพร้อมกัน:
คุณควรเห็นผลลัพธ์ที่คล้ายกับต่อไปนี้ ตารางแสดงสองโมเดล: โมเดลที่โฮสต์ (ModelVersion:1
) และแบบจำลองที่ได้รับการอบรมใหม่ (ModelVersion:2
). ประสิทธิภาพของแบบจำลองที่ได้รับการฝึกอบรมใหม่จะดีกว่าด้วยภาพที่ตรวจสอบและติดป้ายกำกับโดยเจ้าหน้าที่
ตัวชี้วัด | รุ่นรุ่น | Status | สถานะข้อความ | ประสิทธิภาพของโมเดล |
คะแนน F1 | 2 | ฝึกหัด | อบรมสำเร็จลุล่วงไปด้วยดี | 0.98 |
ความแม่นยำ | 2 | ฝึกหัด | อบรมสำเร็จลุล่วงไปด้วยดี | 0.96 |
จำ | 2 | ฝึกหัด | อบรมสำเร็จลุล่วงไปด้วยดี | 1 |
คะแนน F1 | 1 | โฮสต์ | โมเดลกำลังทำงาน | 0.93023 |
ความแม่นยำ | 1 | โฮสต์ | โมเดลกำลังทำงาน | 0.86957 |
จำ | 1 | โฮสต์ | โมเดลกำลังทำงาน | 1 |
ทำความสะอาด
เรียกใช้ หยุดโมเดลและล้างทรัพยากร เซลล์เพื่อล้างทรัพยากรที่สร้างขึ้น ลบโปรเจ็กต์ Lookout for Vision ที่คุณไม่ได้ใช้แล้ว และนำออบเจ็กต์ออกจาก Amazon S3 เพื่อประหยัดค่าใช้จ่าย ดูรหัสต่อไปนี้:
สรุป
โพสต์นี้สาธิตวิธีที่คุณสามารถใช้ Lookout for Vision และ Amazon A2I เพื่อฝึกโมเดลเพื่อตรวจจับข้อบกพร่องในออบเจ็กต์เฉพาะสำหรับธุรกิจของคุณ และกำหนดเงื่อนไขเพื่อส่งการคาดการณ์ไปยังเวิร์กโฟลว์ของมนุษย์โดยมีผู้ติดป้ายกำกับเพื่อตรวจสอบและอัปเดตผลลัพธ์ คุณสามารถใช้เอาต์พุตที่ติดป้ายกำกับโดยมนุษย์เพื่อเพิ่มชุดข้อมูลการฝึกสำหรับการฝึกซ้ำเพื่อปรับปรุงความแม่นยำของแบบจำลอง
เริ่มต้นการเดินทางของคุณสู่การตรวจจับและระบุความผิดปกติทางอุตสาหกรรมโดยไปที่ มองหาคู่มือสำหรับนักพัฒนาวิสัยทัศน์ และ คู่มือนักพัฒนา Amazon A2I.
เกี่ยวกับผู้เขียน
เดนนิส เธอร์มอน เป็นสถาปนิกโซลูชันที่ AWS ด้วยความหลงใหลในปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง Dennis ซึ่งตั้งอยู่ในเมืองซีแอตเทิล รัฐวอชิงตัน ทำงานเป็นวิศวกรพัฒนาระบบในทีม Amazon Go และ Amazon Books ก่อนที่จะมุ่งเน้นที่การช่วยเหลือลูกค้าของ AWS ทำให้ปริมาณงานของพวกเขาเป็นจริงใน AWS Cloud
Amit Gupta เป็นสถาปนิกโซลูชันบริการ AI ที่ AWS เขาหลงใหลในการช่วยให้ลูกค้าได้รับโซลูชันแมชชีนเลิร์นนิงที่มีสถาปัตยกรรมที่ดีในวงกว้าง
นีล เซนดาส เป็นผู้จัดการบัญชีด้านเทคนิคอาวุโสที่ Amazon Web Services Neel ทำงานร่วมกับลูกค้าระดับองค์กรเพื่อออกแบบ ปรับใช้ และปรับขนาดแอปพลิเคชันระบบคลาวด์เพื่อให้บรรลุเป้าหมายทางธุรกิจ เขาได้ทำงานกับกรณีการใช้งาน ML ต่างๆ ตั้งแต่การตรวจจับสิ่งผิดปกติไปจนถึงคุณภาพของผลิตภัณฑ์ที่คาดการณ์ได้สำหรับการผลิตและการเพิ่มประสิทธิภาพด้านลอจิสติกส์ เมื่อเขาไม่ได้ช่วยเหลือลูกค้า เขามักจะเล่นกอล์ฟและเต้นซัลซ่า
- '
- "
- 100
- 11
- 7
- 9
- ลงชื่อเข้าใช้
- คล่องแคล่ว
- AI
- ทั้งหมด
- การอนุญาต
- อเมซอน
- Amazon Go
- Amazon Web Services
- การตรวจจับความผิดปกติ
- API
- APIs
- การใช้งาน
- การใช้งาน
- สถาปัตยกรรม
- ปัญญาประดิษฐ์
- ปัญญาประดิษฐ์และการเรียนรู้ด้วยเครื่อง
- AWS
- ที่ดีที่สุด
- คณะกรรมการ
- ร้านหนังสือเกาหลี
- สร้าง
- การก่อสร้าง
- ธุรกิจ
- กรณี
- เปลี่ยนแปลง
- เมฆ
- โปรแกรมคลาวด์
- รหัส
- ร่วมกัน
- บริษัท
- ส่วนประกอบ
- วิสัยทัศน์คอมพิวเตอร์
- ความมั่นใจ
- เนื้อหา
- ค่าใช้จ่าย
- คู่
- การสร้าง
- ปัจจุบัน
- ลูกค้า
- หน้าปัด
- ข้อมูล
- ออกแบบ
- การตรวจพบ
- ผู้พัฒนา
- นักพัฒนา
- พัฒนาการ
- วิศวกร
- Enterprise
- ลูกค้าองค์กร
- สิ่งแวดล้อม
- ตา
- ชื่อจริง
- ไหล
- ปฏิบัติตาม
- ฟอร์ม
- รูป
- อนาคต
- General
- ไป
- GitHub
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- โฮสติ้ง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTTPS
- ประจำตัว
- ภาพ
- อุตสาหกรรม
- โครงสร้างพื้นฐาน
- Intelligence
- IT
- การสัมภาษณ์
- งาน
- โน้ตบุ๊ค Jupyter
- การเก็บรักษา
- ป้ายกำกับ
- ใหญ่
- การเรียนรู้
- ชั้น
- Line
- ของเหลว
- ในประเทศ
- ที่ตั้ง
- โลจิสติก
- เรียนรู้เครื่อง
- การผลิต
- สมาชิก
- ตัวชี้วัด
- ML
- แบบ
- ย้าย
- ตัวเลข
- Options
- การปฏิบัติ
- บุคลากร
- พอร์ทัล
- ความแม่นยำ
- การคาดการณ์
- ส่วนตัว
- ผลิตภัณฑ์
- คุณภาพของผลิตภัณฑ์
- โครงการ
- โครงการ
- หลาม
- คุณภาพ
- RE
- ทรัพยากร
- แหล่งข้อมูล
- คำตอบ
- ผลสอบ
- การอบรมขึ้นใหม่
- รับคืน
- ทบทวน
- วิ่ง
- วิ่ง
- sagemaker
- ขนาด
- SDK
- ซีแอตเทิ
- เห็น
- บริการ
- ชุด
- การตั้งค่า
- ง่าย
- ทักษะ
- So
- โซลูชัน
- จุด
- เริ่มต้น
- ข้อความที่เริ่ม
- Status
- การเก็บรักษา
- จัดเก็บ
- โดเมนย่อย
- ระบบ
- ระบบ
- วิชาการ
- เทคโนโลยี
- ทดสอบ
- การทดสอบ
- ที่มา
- เวลา
- การฝึกอบรม
- ui
- บันทึก
- ความคุ้มค่า
- รายละเอียด
- วิสัยทัศน์
- รอ
- วอชิงตัน
- เว็บ
- บริการเว็บ
- ภายใน
- งาน
- แรงงาน
- เวิร์กโฟลว์
- กำลังแรงงาน
- โรงงาน