소셜 네트워크

AI

미군, 지원 시스템에 대한 AI 채택 가속화 

화신

게재

on

국방부 JAIC의 새로운 책임자는 AI 시스템의 데이터 통합 ​​및 배포를 가속화하기 위해 군사 서비스를 찾고 있습니다. 

AI 트렌드 스태프  

미군은 AI 사용을 확대하거나 적들에게 뒤쳐 져야한다고 국방부 공동 AI 센터 (JAIC) 소장 인 마이클 그로 언 중위는 최근 국방 산업 협회 회의에서 말했다. 보고하다 UPI.  

미 국방부 공동 AI 센터 (JAIC) 소장 Michael Groen 중위

현재 AI의 군사적 사용은“올바른 방향으로 나아가는 단계이지만 우리는이를 기반으로 구축을 시작해야한다”고 2018 월 JAIC 책임자로 임명 된 Groen은 말했다. 그는 XNUMX 년 국회에서 설립 한 JAIC의 두 번째 이사 또는 국방부 용어로 "제이크"입니다. 첫 번째 이사는 작년에 은퇴 한 공군 중위 존 NT "잭"샤나 한이었습니다.   

중국이 "2030 년까지 AI에서 우위를 점할 것"이라고 말한 것에 주목하면서 펜타곤은 2027 년에 절정에 이르는 XNUMX 개년 프로그램에 집중했다. 

Groen은 국방부 네트워크와 공통 데이터 표준을 통합하는 것이 우선 순위가되어야한다고 말했습니다. "우리가 통합 된 기업에 있지 않으면 실패 할 것입니다." 그는 포괄적이고 빠른 변화를 요구하면서 펜타곤의 전투 지원 시스템이 진화해야한다고 제안했습니다.  

국방 보건국, 국방 물류 청, 국방 정보국이 보유한 데이터-"부서가 타는 기어"-단일 관점에서 볼 필요가 있습니다. "이러한 기업은 방대한 양의 데이터를 사용하고 있습니다. 대규모 기업에서 더 많은 효율성과 경제성 및 효율성을 창출하는 것은 AI 구현의 자연스러운 목표입니다.”라고 Groen은 말했습니다.  

Groen은 국방부의 2020 년 XNUMX 월 채택에 대해 호의적으로 말했습니다. 윤리 원칙 JAIC에 의해 구현 된 AI 사용을 위해. 

소규모 AI 개발자를 파트너로 모색 

2021 년 XNUMX 월 계정 점호, Groen은 특히 기업가 적 AI 회사를 참여시킴으로써 변화하는 비즈니스 관행에 중점을 둘 것이라고 말했다. 의회는 AI 기술 개발자와 계약을 체결하기 위해 2021 년 국방부 정책 법안에서 JAIC에 새로운 권한을 부여했다고 그는 밝혔다.  

T그는 새로운 정책을 통해“이제 우리가 더 광범위한 기술 커뮤니티 행위자를 끌어들일 수있게되었습니다.”라고 말했습니다. 대규모 국방 계약 업체뿐만 아니라“기회가 없었을 수있는 소규모 혁신 기업”도 포함됩니다. 과거에 펜타곤은 말했다.  

Tradewind라는 JAIC 프로그램은 "작은 AI 프로젝트를위한 시장"을 만들기위한 것이라고 Groen은 말했습니다. 재정 자본이 부족할 수있는 소규모 기술 기업은 프로그램에 입찰하고 부서 전체의 대규모 시스템에 "확장 및 통합 할 수있는 작은 기능"을 제공 할 수 있습니다. 

그 목적은 XNUMX 월에 계약을 체결 한 회사가 XNUMX 월에 프로토 타입을 배포하고 XNUMX 월까지 전체 생산에 배포 할 수있는 빠른 일정표를 만드는 것입니다. 의회는 또한 JAIC에 펜타곤 전역의 모든 인공 지능 프로그램 목록을 준비하도록 요청했으며 기관은 이에 대해 작업하고 있다고 Groen은 말했습니다.   

공군, AI 승무원으로 첫 비행 실시  

그 동안에AI 작업은 계속됩니다. 공군에 따르면 미 공군은 최근 AI를 작업 승무원으로 사용한 첫 군용 비행을보고하며이를 주요 성과로 꼽았다. 보도 자료.  

AI 알고리즘은 2 월 캘리포니아 빌 공군 기지에서 훈련 비행 중에 U-XNUMX 드래곤 레이디 정찰기의 센서와 내비게이션 시스템을 제어했습니다. 

Air Combat Command의 U-2 Federal Laboratory 연구원은 조종사가 수행 할 특정 기내 작업, 특히 센서 사용 및 전술 탐색을 실행하는 AI 프로그램을 개발했습니다. 작업은 이륙 후 프로그램에 의해 수행되었습니다. 테스트 중에 조종사가 비행기를 제어했습니다.  

인수, 기술 및 물류 부문의 공군 차관 윌리엄 로퍼 (William Roper)는“[이] 획기적인 비행은 디지털 세력이되기위한 XNUMX 년의 여정을 마무리 짓습니다. “AI를 처음으로 미군 시스템을 안전하게 지휘하는 것은 인간-기계 팀 구성과 알고리즘 경쟁의 새로운 시대를 열었습니다. AI의 잠재력을 완전히 깨닫지 못한다면 적들에게 의사 결정 이점을 넘길 수 있습니다.”라고 Roper는 덧붙였습니다.  

AI 시스템은 다른 주요 무기 시스템으로 쉽게 이전 할 수 있고 전투원, 개발자 및 인수자 기능에 통합되도록 설계되었습니다. 

제 9 정찰 단의 헤더 폭스 대령은“이것은 국방부의 가장 어려운 도전에 맞서기 위해 제 9 정찰 단이 혁신하고있는 여러 방법 중 하나입니다. “U-2는 다른 공군과 합동 파트너에게 쉽게 이전되는 최첨단 군사 기술을 구동 할 수있는 완벽한 플랫폼입니다.”라고 그녀는 덧붙였습니다. 

펜타곤, AI 윤리를 중심으로 연합국에 손을 뻗다 

군대는 AI 시스템으로 적들과 맞서기 위해 준비하고 있으며, 군사 시스템에서 AI에 관한 윤리에 대해 동일한 페이지에 들어가기 위해 연합국에 손을 뻗고 있습니다.  

지난 가을, JAIC는 다음을 포함하여 13 개국의 군 관계자들과 첫 번째 방위를위한 AI 파트너십 회의를 주최했습니다. 호주, 캐나다, 덴마크, 에스토니아, 핀란드, 프랑스, ​​이스라엘, 일본, 노르웨이, 대한민국, 스웨덴 및 영국.  

이틀간의 모임은 AI 윤리 원칙과이를 구현하기위한 모범 사례에 초점을 맞추 었습니다. 국방.  

JAIC 책임 AI 최고 책임자 Alka Patel

JAIC의 AI 윤리 팀장 인 Alka Patel은이 행사가 성공했다고 생각했습니다. JAIC의 AI 윤리 팀 책임자 인 Alka Patel은 참여한 국가 중 일부는 이미 자체 AI 윤리 원칙을 개발 한 반면 다른 국가는 자체 AI 윤리 원칙을 만드는 과정에 있다고 말했습니다.  

그녀는 인터뷰에서 "우리가 AI 기술을 설계, 개발, 배포 및 사용하는 방법의 핵심이되는 민주적 가치, 규범에 대한 필요성 측면에서 정렬이있었습니다."라고 말했습니다. "그 대화를 듣고 강력한 대화를 나눌 수있어서 정말 고무적이었습니다." 

동맹국과의 기술적 상호 운용성은 오랫동안 미국 국방 정책의 신조였습니다. 다음 단계는 동맹국이 공유 할 수있는 AI 기술 개발과 관련된 특정 도구 또는 프로세스를 통해 생각하는 것입니다.  

"우리가이 기술을 가지고있는 곳에서 협력과 방어에 관한 한 우리의 공동 이익을 어떻게 발전시키고 우리가 미래를 어떻게 형성할지 생각할 수 있습니까?" 파텔이 말했다.   

JAIC는 이러한 주제에 대한 추가 다국적 회의를 주최 할 계획입니다. 

에서 소스 기사 읽기 UPIin 점호, 공군에서 릴리스를 누르십시오 와  in 국방. 

코인 스마트. 유로파 최고의 비트 코인-보르 스
출처 : https://www.aitrends.com/ai-in-government/us-military-seeks-to-speed-ai-adoption-for-support-systems/

AI

Amazon Translate로 대용량 문서 번역을위한 서버리스 파이프 라인 생성

화신

게재

on

우리의 이전 게시물, 우리는 실시간 번역 API 에 아마존 번역 와 AWS 람다. 그러나이 방법은 너무 큰 파일에는 작동하지 않을 수 있습니다. 너무 많은 시간이 소요되어 15 분 제한 시간 Lambda 함수의. 하나는 사용할 수 있습니다 배치 API, 그러나 이것은 XNUMX 개의 AWS 리전에서만 사용할 수 있습니다 (이 블로그 게시 기준). 일괄 번역이 지원되지 않는 지역에서 대용량 파일을 번역 할 수 있도록 다음 솔루션을 만들었습니다.

이 게시물에서는 대용량 문서의 번역을 수행하는 방법을 안내합니다.

아키텍처 개요

게시물에 소개 된 아키텍처와 비교 Amazon Translate, AWS Lambda 및 새로운 Batch Translate API를 사용하여 문서 번역, 우리 아키텍처에는 한 가지 주요 차이점이 있습니다. AWS 단계 함수, Lambda 함수 및 여러 서비스를 비즈니스 크리티컬 애플리케이션으로 쉽게 시퀀싱 할 수있는 서버리스 함수 오케 스트레이터입니다. Step Functions를 사용하면 번역 실행, 오류 또는 시간 초과시 재시도 관리, 이벤트 중심 워크 플로 조정을 추적 할 수 있습니다.

다음 다이어그램은 솔루션 아키텍처를 보여줍니다.

이 이벤트 기반 아키텍처는 새 문서가 입력에 도달 할 때 작업 흐름을 보여줍니다. 아마존 단순 스토리지 서비스 (Amazon S3) 버킷. 이 이벤트는 Step Functions 워크 플로의 시작점 역할을하는 첫 번째 Lambda 함수를 트리거합니다.

다음 다이어그램은 상태 머신과 작업 흐름을 보여줍니다.

Process Document Lambda 함수는 상태 시스템이 시작될 때 트리거됩니다. 이 기능은 문서 번역에 필요한 모든 활동을 수행합니다. S3 버킷에서 파일에 액세스하고, 함수가 실행되는 환경에서 로컬로 다운로드하고, 파일 내용을 읽고, 실시간 번역 API를 통해 전달할 수있는 문서에서 짧은 세그먼트를 추출하고, API의 출력을 사용합니다. 번역 된 문서를 만듭니다.

Amazon Translate 조절 오류 및 Lambda 함수 시간 초과 처리와 같은 다른 메커니즘은 코드 내에 구현되어 함수 시간 초과 30 초 전에 / temp 폴더에 수행 된 진행 상황을 조치를 취하고 저장하여 저장합니다. 이러한 메커니즘은 큰 텍스트 문서를 처리하는 데 중요합니다.

함수가 처리를 성공적으로 완료하면 영어의 경우 en과 같이 대상 언어 코드 용 폴더 내의 출력 S3 버킷에 번역 된 텍스트 문서를 업로드합니다. Step Functions 워크 플로는 Lambda 함수가 입력 파일을 / drop 폴더에서 입력 S3 버킷 내의 / processed 폴더로 이동하면 종료됩니다.

이제이 작업을 수행 할 수있는 모든 부분이 준비되었습니다.

AWS CloudFormation을 사용하여 솔루션 배포

제공된 AWS 계정을 시작하여이 솔루션을 배포 할 수 있습니다. AWS CloudFormation 스택. CloudFormation 템플릿은 솔루션에 필요한 리소스를 프로비저닝합니다. 템플릿은 us-east-1 리전에 스택을 생성하지만이 템플릿을 사용하여 Amazon Translate를 사용할 수있는 모든 리전에서 스택을 생성 할 수 있습니다. 이 글을 쓰는 시점에서 Amazon Translate는 16 개 상용 리전과 AWS GovCloud (미국 서부)에서 사용할 수 있습니다. 최신 지역 목록은 AWS 지역 서비스 목록.

애플리케이션을 배치하려면 다음 단계를 완료하십시오.

  1. 다음을 선택하여 CloudFormation 템플릿을 시작합니다. 발사 스택:

  1. 선호하는 다음.

또는 AWS CloudFormation 콘솔에서 새 리소스로 스택 생성 (표준), 선택하다 아마존 S3 URL 템플릿 소스로 다음을 입력합니다. https://s3.amazonaws.com/aws-ml-blog/artifacts/create-a-serverless-pipeline-to-translate-large-docs-amazon-translate/translate.yml, 선택 다음.

  1. 스택 이름,이 계정에 대한 고유 한 스택 이름을 입력하십시오. 예를 들어 서버리스 문서 번역입니다.
  2. InputBucketName에서 스택이 생성하는 S3 버킷의 고유 한 이름을 입력합니다. 예 : serverless-translation-input-bucket.

문서는 번역되기 전에이 버킷에 업로드됩니다. 입력 S3 버킷의 이름을 제공 할 때는 소문자 만 사용하고 공백은 사용하지 마십시오. 이 작업은 새 버킷을 생성하므로 기존 버킷의 이름을 사용하지 마십시오. 자세한 내용은 버킷 이름 지정 규칙.

  1. OutputBucketName, 출력 S3 버킷의 고유 이름을 입력하십시오. 예 : serverless-translation-output-bucket.

이 버킷은 번역 된 문서를 저장합니다. 입력 버킷과 동일한 이름 지정 규칙을 따릅니다.

  1. 소스 언어 코드, 입력 문서가있는 언어 코드를 입력하십시오. 이 게시물에서는 지배적 인 언어를 감지하기 위해 auto를 입력합니다.
  2. 대상 언어 코드, 번역 된 문서에 사용할 언어 코드를 입력하십시오. 예를 들어 영어는 en입니다.

지원되는 언어 코드에 대한 자세한 내용은 지원되는 언어 및 언어 코드.

  1. 선호하는 다음.

  1. 스택 옵션 구성 페이지에서 태그를 포함하여 스택에 대한 추가 매개 변수를 설정합니다.
  2. 선호하는 다음.
  3. 고르다 AWS CloudFormation이 사용자 지정 이름으로 IAM 리소스를 생성 할 수 있음을 인정합니다.
  4. 선호하는 스택 생성.

스택 생성을 완료하는 데 약 XNUMX 분이 걸립니다.

문서 번역

이제 drop / 폴더 아래의 입력 S3 버킷으로 번역하려는 텍스트 문서를 업로드 할 수 있습니다.

다음 스크린 샷은 그리스어로 된 문장이 포함 된 샘플 문서를 보여줍니다.

이 작업은 워크 플로를 시작하고 번역 된 문서는 대상 언어 폴더 (이 예에서는 en)의 출력 S3 버킷에 자동으로 표시됩니다. 파일이 표시되는 시간은 입력 문서의 크기에 따라 다릅니다.

번역 된 파일은 다음 스크린 샷과 같습니다.

Step Functions 콘솔에서 또는 관련 API 호출을 사용하여 상태 시스템의 진행 상황을 추적 할 수도 있습니다.

더 큰 파일로 솔루션을 시도해 보겠습니다. test_large.txt 파일에는 여러 AWS 블로그 게시물의 콘텐츠와 독일어로 작성된 기타 콘텐츠가 포함되어 있습니다 (예 : 게시물의 모든 텍스트를 사용합니다. AWS DeepLens (버전 2019) kommt nach Deutschland und in weitere Länder).

이 파일은 이전 테스트의 파일보다 훨씬 큽니다. 입력 버킷의 drop / 폴더에 파일을 업로드합니다.

Step Functions 콘솔에서 상태 머신의 상태를 확인하여 파이프 라인이 실행 중인지 확인할 수 있습니다.

그래프 검사기 페이지에서 주어진 시점에서 상태 머신의 상태에 대한 더 많은 통찰력을 얻을 수 있습니다. 단계를 선택하면 단계 출력 탭에는 완료율이 표시됩니다.

상태 머신이 완료되면 출력 버킷에서 번역 된 파일을 검색 할 수 있습니다.

다음 스크린 샷은 파일이 영어로 번역되었음을 보여줍니다.

문제 해결

출력 S3 버킷에 번역 된 문서가 표시되지 않으면 Amazon CloudWatch Logs 해당 Lambda 함수를 찾고 잠재적 인 오류를 찾습니다. 비용 최적화를 위해 솔루션은 기본적으로 Process Document Lambda 함수에 256MB의 메모리를 사용합니다. 대용량 문서를 처리하는 동안 CloudWatch Logs의 함수에 대해 Runtime.ExitError가 표시되면 함수 메모리를 늘리십시오.

기타 고려 사항

의 힘을 강조 할 가치가 있습니다. 자동 언어 감지 기능 CloudFormation 스택을 배포 할 때 지정한 SourceLanguageCode 필드에 자동으로 캡처 된 Amazon Translate의. 이전 예에서는 그리스어 텍스트와 독일어로 된 다른 파일이 포함 된 파일을 제출했으며 둘 다 성공적으로 영어로 번역되었습니다. 이 솔루션을 사용하면 다른 언어로 소스 파일을 업로드 할 때마다 스택을 다시 배포하거나 Lambda 함수에서 소스 언어 코드를 수동으로 변경할 필요가 없습니다. Amazon Translate는 출발 어를 감지하고 번역 프로세스를 시작합니다. 배포 후 대상 언어 코드를 변경해야하는 경우 새 CloudFormation 스택을 배포하거나 기존 스택을 업데이트 할 수 있습니다.

이 솔루션은 Amazon Translate 동기식 실시간 API를 사용합니다. 문서를 단락 (개행 문자로 끝나는)으로 분할하여 최대 문서 크기 제한 (5,000 바이트)을 처리합니다. 필요한 경우 각 단락을 문장으로 추가 분할합니다 (마침표로 끝남). 소스 텍스트에 따라 이러한 구분 기호를 수정할 수 있습니다. 이 솔루션은 단일 문장에 대해 최대 5,000 바이트를 지원할 수 있으며 파일 확장자가 .txt 또는 .text 인 UTF-8 형식의 텍스트 문서 만 처리합니다. Process Document Lambda 함수에서 Python 코드를 수정하여 다양한 파일 형식을 처리 할 수 ​​있습니다.

Amazon S3 비용 외에도이 솔루션에는 Amazon Translate, Lambda 및 Step Functions의 사용 비용이 발생합니다. 자세한 내용은 Amazon Translate 요금, Amazon S3 요금, AWS Lambda 요금AWS Step Functions 요금.

결론

이 게시물에서는 다음을 사용하여 실시간으로 문서를 번역 할 수있는 서버리스 파이프 라인의 구현을 보여주었습니다. 실시간 번역 Amazon Translate의 기능과 개별 Lambda 함수의 오케 스트레이터로서 Step Functions의 기능. 이 솔루션을 사용하면 더 많은 제어가 가능하고 애플리케이션에 정교한 기능을 추가 할 수 있습니다. Amazon Translate로 고급 문서 번역 파이프 라인을 구축하십시오!

자세한 내용은를 참조 Amazon Translate 개발자 안내서Amazon Translate 리소스. Amazon Translate를 처음 사용하는 경우 첫 번째 번역 요청부터 시작하여 처음 2 개월 동안 무료로 월 12 백만자를 제공하는 프리 티어를 사용해보십시오.


저자에 관하여

제이 라오 AWS의 선임 솔루션 아키텍트입니다. 그는 고객에게 기술 지침을 제공하고 고객이 AWS에서 솔루션을 설계하고 구현하도록 돕는 것을 즐깁니다.

 Seb Kasprzak AWS의 솔루션 아키텍트입니다. 그는 Amazon에서 고객이 Amazon 기술을 사용하여 복잡한 비즈니스 문제를 해결할 수 있도록 도와줍니다.

니키 포로스 보 티스 AWS의 솔루션 아키텍트입니다. 그는 고객이 클라우드 여정에서 성공하도록 돕는 것을 즐기고 있으며 특히 AI / ML 기술에 관심이 있습니다.

바비 쿠 보르 AWS의 디지털 혁신을위한 선임 솔루션 아키텍트로서 고객이 기계 학습, 로봇 공학 및 IoT와 같은 신흥 기술의 까다로운 문제를 해결하도록 돕습니다.

코인 스마트. 유로파 최고의 비트 코인-보르 스
출처 : https://aws.amazon.com/blogs/machine-learning/create-a-serverless-pipeline-to-translate-large-documents-with-amazon-translate/

계속 읽기

AI

Genworth가 Amazon SageMaker 및 AWS Glue를 사용하여 AWS에서 서버리스 ML 파이프 라인을 구축 한 방법

화신

게재

on

이 게시물은 Genworth Mortgage Insurance Australia Limited의 데이터 과학자 인 Liam Pearson과 공동으로 작성되었습니다.

Genworth Mortgage Insurance Australia Limited는 호주의 선도적 인 대출 기관 모기지 보험 (LMI) 제공 업체입니다. 그들의 주식은 호주 증권 거래소에서 ASX : GMA로 거래됩니다.

Genworth Mortgage Insurance Australia Limited는 모기지 상환 패턴과 보험 청구 간의 종속성에 대한 데이터를 포함하여 50 년 이상의 경험과 수집 된 데이터를 보유한 대출자 모기지 보험사입니다. Genworth는이 기록 정보를 사용하여 PALM (Predictive Analytics for Loss Mitigation) 기계 학습 (ML) 모델을 학습하고자했습니다. ML 모델을 통해 Genworth는 각 보험 정책에 대한 최근 상환 패턴을 분석하여 가능성 (청구 가능성) 및 영향 (보험 금액)의 내림차순으로 우선 순위를 지정할 수 있습니다. Genworth는 솔루션을 구축하고 운영하기위한 노력의 양을 최소화하면서 ML 모델에 대해 병렬 및 일정에 따라 일괄 추론을 실행하기를 원했습니다. 따라서 Genworth와 AWS는 아마존 세이지 메이커 일괄 변환 작업 및 서버리스 빌딩 블록을 사용하여 데이터를 수집 및 변환하고, ML 추론을 수행하고, 분석 결과를 처리 및 게시합니다.

Genworth의 고급 분석 팀은 AWS 데이터 랩 데이터 랩 엔지니어 및 솔루션 설계자가 이끄는 프로그램. 랩 전 단계에서 그들은 금융 서비스 산업의 특성을 고려할 때 특히 보안 제어와 관련하여 Genworth의 특정 요구 사항에 맞는 솔루션 아키텍처를 만들었습니다. 아키텍처가 승인되고 모든 AWS 빌딩 블록이 식별 된 후 교육 요구 사항이 결정되었습니다. AWS Solutions Architects는 Genworth의 빌더에게 새로운 솔루션을 구축하는 데 필요한 기술을 제공하기 위해 일련의 실습 워크숍을 실시했습니다. Genworth Advanced Analytics 팀은 빌드 단계라고하는 4 일간의 집중적 인 공동 작업에서 아키텍처와 학습을 사용하여 기능 요구 사항에 맞는 ML 파이프 라인을 구축했습니다. 파이프 라인은 완전히 자동화되고 서버리스이므로 유지 관리, 확장 문제 또는 다운 타임이 없습니다. 실습 후 활동은 파이프 라인을 생산하고 다른 ML 사용 사례에 대한 청사진으로 채택하는 데 중점을 두었습니다.

이 게시물에서 우리 (Genworth와 AWS Architects의 공동 팀)는 솔루션의 설계 및 구현에 어떻게 접근했는지, 우리가 따랐던 모범 사례, 사용한 AWS 서비스 및 솔루션 아키텍처의 주요 구성 요소에 대해 설명합니다.

솔루션 개요

Genworth를위한 PALM 솔루션을 구현하기 위해 최신 ML 파이프 라인 패턴을 따랐습니다. 이 패턴을 사용하면 다양한 소스에서 데이터를 수집 한 후 데이터를 변환, 보강 및 정리 한 다음 ML 예측 단계를 수행하여 출력 데이터 랭 글링 유무에 관계없이 사용할 수있는 결과로 마무리 할 수 ​​있습니다.

간단히 말해, 구현 된 솔루션에는 세 가지 구성 요소가 있습니다.

  • 데이터 수집 및 준비
  • 세 가지 사용자 지정 개발 ML 모델을 사용한 ML 일괄 추론
  • 소비를위한 데이터 후 처리 및 게시

다음은 구현 된 솔루션의 아키텍처 다이어그램입니다.

세 가지 구성 요소에 대해 자세히 살펴 보겠습니다.

구성 요소 1 : 데이터 수집 및 준비

Genworth 소스 데이터는 Oracle 온-프레미스 데이터베이스의 스테이징 테이블에 매주 게시됩니다. ML 파이프 라인은 AWS 접착제 작업 (다이어그램의 1 단계, 데이터 수집)을 통해 Oracle 데이터베이스에 연결 AWS Direct Connect 원시 데이터를 수집하고 암호화 된 파일에 저장하기 위해 VPN으로 보안 연결 아마존 단순 스토리지 서비스 (Amazon S3) 버킷. 그런 다음 AWS Glue (2 단계, 데이터 준비)를 사용하여 Python 셸 작업을 실행하여 나중에 ML 추론 단계에서 사용되는 기능을 선택, 정리 및 변환합니다. 결과는 ML 소비를 위해 준비된 선별 된 데이터 세트에 사용되는 다른 암호화 된 S3 버킷에 저장됩니다.

구성 요소 2 : ML 배치 추론

Genworth의 Advanced Analytics 팀은 이미 온 프레미스에서 ML을 사용하고 있습니다. 그들은 사전 훈련 된 모델 아티팩트를 재사용하여 AWS에서 완전히 자동화 된 ML 추론 파이프 라인을 구현하기를 원했습니다. 또한 팀은 향후 ML 실험 및 구현을위한 아키텍처 패턴을 설정하여 통제 된 환경에서 아이디어를 빠르게 반복하고 테스트 할 수 있기를 원했습니다.

PALM 모델을 구성하는 세 가지 기존 ML 아티팩트는 Keras를 사용하여 계층 적 TensorFlow 신경망 모델로 구현되었습니다. 이 모델은 보험 증권이 청구를 제출할 확률, 청구가 지불 될 것으로 예상되는 확률 및 가능한 청구의 규모를 예측합니다.

각 ML 모델은 서로 다른 데이터에 대해 학습되므로 그에 따라 입력 데이터를 표준화해야합니다. 개별 AWS Glue Python 셸 작업은 각 모델에 따라이 데이터 표준화를 수행합니다. 세 가지 ML 모델은 다음을 사용하여 병렬로 호출됩니다. SageMaker 일괄 변환 작업 (3 단계, ML 배치 예측)을 통해 ML 추론을 수행하고 예측 결과를 모델 출력 S3 버킷에 저장합니다. SageMaker 일괄 변환은 컴퓨팅 리소스를 관리하고, ML 모델을 설치하고, Amazon S3와 ML 모델 간의 데이터 전송을 처리하고, 전체 데이터 세트에 대한 추론을 수행하도록 쉽게 확장합니다.

구성 요소 3 : 데이터 후 처리 및 게시

세 가지 ML 모델의 예측 결과를 사용할 준비가되기 전에 AWS Glue Python 셸 작업을 사용하여 수행 된 일련의 후 처리 단계가 필요합니다. 결과는 집계되고 점수가 매겨집니다 (4 단계, PALM Scoring), 적용된 비즈니스 규칙 (5 단계, 비즈니스 규칙), 생성 된 파일 (6 단계, 사용자 파일 생성), 이전에 검증 된 파일의 데이터 (7 단계, 유효성 검사) 이러한 단계의 출력을 온-프레미스 Oracle 데이터베이스의 테이블에 다시 게시합니다 (8 단계, 결과 제공). 솔루션은 아마존 단순 알림 서비스 (Amazon SNS) 및 Amazon CloudWatch 이벤트 새 데이터를 사용할 수있게되거나 문제가 발생하면 이메일을 통해 사용자에게 알립니다 (10 단계, 경고 및 알림).

ML 파이프 라인의 모든 단계는 다음을 사용하여 분리 및 오케스트레이션됩니다. AWS 단계 함수, Genworth는 구현의 용이성, 스캐 폴딩 대신 비즈니스 로직에 집중할 수있는 기능, 향후 실험 및 기타 ML 사용 사례에 필요한 유연성을 제공합니다. 다음 다이어그램은 Step Functions 상태 머신을 사용한 ML 파이프 라인 오케스트레이션을 보여줍니다.

비즈니스 이점과 다음 단계

최신 ML 플랫폼을 구축함으로써 Genworth는 온 프레미스에서 Oracle 데이터베이스의 데이터를 수집하고, ML 작업을 수행하고, 비즈니스가 데이터 기반 결정을 내리는 데 도움이되는 종단 간 ML 추론 프로세스를 자동화 할 수있었습니다. 기계 학습은 Genworth가 손실 완화 팀이 수행하는 고 가치 수동 작업을 단순화하는 데 도움이됩니다.

이 Data Lab 참여는 조직 내 팀이 최신 ML 및 분석 도구를 사용할 수 있도록하는 것의 중요성을 보여주었습니다. 아이디어가 얼마나 빨리 조종되고 성공한다면 생산 될 수 있는지 목격 한 놀라운 경험이었습니다.

이 게시물에서는 AWS Data Analytics 및 ML 서비스를 사용하여 서버리스 ML 파이프 라인을 대규모로 구축하는 것이 얼마나 쉬운 지 보여주었습니다. 앞서 설명한대로 서버리스 관리 형 ETL 처리 작업에는 AWS Glue를 사용하고 모든 ML 요구 사항에는 SageMaker를 사용할 수 있습니다. 빌드에서 최선을 다하십시오!

Genworth, Genworth Financial 및 Genworth 로고는 Genworth Financial, Inc.의 등록 서비스 마크이며 라이선스에 따라 사용됩니다.


저자에 관하여

 리암 피어슨 Genworth Mortgage Insurance Australia Limited의 데이터 과학자로 비즈니스 내 다양한 ​​팀을위한 ML 모델을 구축하고 배포합니다. 여가 시간에 Liam은 라이브 음악 감상, 수영, 진정한 밀레 니얼 세대처럼 으깬 아보카도를 즐깁니다.

마리아 소 콜로 바 Amazon Web Services의 솔루션 아키텍트입니다. 그녀는 기업 고객이 가장 필요한 곳에 기술 전문 지식과 변환 지침을 제공하여 레거시 시스템을 현대화하고 중요한 프로젝트를 가속화하도록 돕습니다.

V암시 크리슈나 에나 보 탈라 AWS의 데이터 랩 솔루션 아키텍트입니다. Vamshi는 사용 사례에서 고객과 협력하고 비즈니스 문제를 해결하기위한 솔루션을 설계하며 확장 가능한 프로토 타입을 구축하도록 지원합니다. 직장 밖에서 Vamshi는 RC 장비 (자동차, 보트, 드론)를 조립하고 가지고 노는 RC 애호가이며 정원 가꾸기도 즐깁니다.

코인 스마트. 유로파 최고의 비트 코인-보르 스
출처 : https://aws.amazon.com/blogs/machine-learning/how-genworth-built-a-serverless-ml-pipeline-on-aws-using-amazon-sagemaker-and-aws-glue/

계속 읽기

AI

코드를 작성하거나 API를 통합하지 않고 Amazon Fraud Detector로 일괄 사기 예측 수행

화신

게재

on

아마존 사기 탐지기 가짜 계정 생성 또는 온라인 결제 사기와 같은 잠재적 인 사기성 온라인 활동을 쉽게 식별 할 수있는 완전 관리 형 서비스입니다. 범용 기계 학습 (ML) 패키지와 달리 Amazon Fraud Detector는 사기를 감지하도록 특별히 설계되었습니다. Amazon Fraud Detector는 데이터, 최신 ML 과학, Amazon.com 및 AWS의 20 년 이상의 사기 탐지 경험을 결합하여 비즈니스에서 사기를 탐지하도록 맞춤 제작 된 ML 모델을 구축합니다.

비즈니스에 맞춤화 된 사기 감지 모델을 학습 한 후 모델의 출력을 해석하는 규칙을 만들고 모델과 규칙을 모두 포함하는 탐지기를 만듭니다. 그런 다음을 통해 탐지기에 전화하여 사기에 대한 온라인 활동을 실시간으로 평가할 수 있습니다. GetEventPrediction API 및 각 요청의 단일 이벤트에 대한 세부 정보 전달. 하지만 API 통합을위한 엔지니어링 지원이 없거나 한 번에 많은 이벤트를 빠르게 평가하려면 어떻게해야할까요? 이전에는 맞춤형 솔루션 생성 사용 AWS 람다아마존 단순 스토리지 서비스 (Amazon S3). 이를 위해서는 코드를 작성하고 유지 관리해야했으며 한 번에 최대 4,000 개의 이벤트 만 평가할 수있었습니다. 이제 Amazon Fraud Detector에서 일괄 예측을 생성하여 많은 수의 사기 이벤트를 빠르고 쉽게 평가할 수 있습니다.

솔루션 개요

일괄 예측 기능을 사용하려면 다음과 같은 상위 수준 단계를 완료해야합니다.

  1. 사기 예측 모델과 규칙 또는 단순한 규칙 세트가 포함 된 탐지기를 만들고 게시합니다.
  2. 파일을 업로드 할 입력 S3 버킷을 생성하고 선택적으로 결과를 저장할 출력 버킷을 생성합니다.
  3. 평가하려는 모든 이벤트가 포함 된 CSV 파일을 만듭니다.
  4. Amazon Fraud Detector 콘솔을 통해 배치 예측 작업을 수행합니다.
  5. 생성되어 Amazon S3에 저장되는 CSV 파일에서 결과를 검토합니다.

감지기 만들기 및 게시

Amazon Fraud Detector 콘솔 또는 API를 사용하여 탐지기 버전을 생성하고 게시 할 수 있습니다. 콘솔 지침은 다음을 참조하십시오. 시작하기 (콘솔).

입력 및 출력 S3 버킷 생성

CSV 파일을 업로드하는 Amazon S3 콘솔에서 S3 버킷을 생성합니다. 이것은 입력 버킷입니다. 선택적으로 Amazon Fraud Detector가 배치 예측 결과를 CSV 파일로 저장하는 두 번째 출력 버킷을 생성 할 수 있습니다. 출력 버킷을 지정하지 않으면 Amazon Fraud Detector는 입력 및 출력 파일을 모두 동일한 버킷에 저장합니다.

감지기와 동일한 리전에 버킷을 만들어야합니다. 자세한 내용은 버킷 만들기.

이벤트 레코드의 샘플 CSV 파일 만들기

평가할 이벤트가 포함 된 CSV 파일을 준비하십시오. 이 파일에 감지기와 관련된 이벤트 유형의 각 변수에 대한 열을 포함합니다. 또한 다음에 대한 열을 포함합니다.

  • EVENT_ID – 트랜잭션 번호와 같은 이벤트 식별자. 필드 값은 ^ [0-9a-z _-] + $ 정규식 패턴을 충족해야합니다.
  • ENTITY_ID – 계정 번호와 같이 이벤트를 수행하는 엔티티의 식별자. 필드 값은 ^ [0-9a-z _-] + $ 정규식 패턴도 충족해야합니다.
  • EVENT_TIMESTAMP – 이벤트가 발생한 시간에 대한 ISO 8601 형식의 타임 스탬프.
  • ENTITY_TYPE – 고객 또는 판매자와 같이 이벤트를 수행하는 엔티티.

열 헤더 이름은 해당 Amazon Fraud Detector 변수 이름과 정확히 일치해야합니다. 앞의 XNUMX 개의 필수 열 헤더 이름은 대문자 여야하며 이벤트 유형과 연관된 변수의 열 헤더 이름은 소문자 여야합니다. 누락 된 값이있는 파일의 모든 이벤트에 대해 오류를 수신합니다.

CSV 파일에서 각 행은 예측을 생성하려는 하나의 이벤트에 해당합니다. CSV 파일은 최대 50MB까지 가능하며 이벤트 크기에 따라 약 50,000-100,000 개의 이벤트를 허용합니다. 다음 스크린 샷은 입력 CSV 파일의 예를 보여줍니다.

Amazon Fraud Detector 변수 데이터 유형 및 형식에 대한 자세한 내용은 변수를 만듭니다.

일괄 예측 수행

CSV 파일을 입력 버킷에 업로드합니다. 이제 일괄 예측 작업을 시작할 시간입니다.

  1. Amazon Fraud Detector 콘솔에서 일괄 예측 탐색 창에서

이 페이지에는 과거 일괄 예측 작업의 요약이 포함되어 있습니다.

  1. 선호하는 새로운 일괄 예측.

  1. 직업 이름¸ 작업 이름을 입력하거나 Amazon Fraud Detector가 임의의 이름을 할당하도록 할 수 있습니다.
  2. 탐지기감지기 버전에서 일괄 예측에 사용할 감지기와 버전을 선택합니다.
  3. IAM 역할, 이미있는 경우 AWS 자격 증명 및 액세스 관리 (IAM) 역할은 드롭 다운 메뉴에서 선택할 수 있습니다. 또는 다음을 선택하여 만들 수 있습니다. IAM 역할 생성.

새 IAM 역할을 생성 할 때 입력 및 출력 파일에 대해 다른 버킷을 지정하거나 둘 다에 동일한 버킷 이름을 입력 할 수 있습니다.

모델 학습을 위해 데이터 세트에 액세스하는 데 사용하는 것과 같은 기존 IAM 역할을 사용하는 경우 역할에 다음 역할이 있는지 확인해야합니다. s3:PutObject 일괄 예측 작업을 시작하기 전에 연결된 권한입니다.

  1. IAM 역할을 선택한 후 데이터 위치에서 입력 파일의 S3 URI를 입력합니다.
  2. 선호하는 스타트.

당신은 일괄 예측 페이지에서 방금 생성 한 작업을 볼 수 있습니다. 일괄 예측 작업 처리 시간은 평가중인 이벤트 수에 따라 다릅니다. 예를 들어 20MB 파일 (약 20,000 개의 이벤트)은 약 12 ​​분이 걸립니다. Amazon Fraud Detector 콘솔에서 언제든지 작업 상태를 볼 수 있습니다. 작업 이름을 선택하면 입력 및 출력 데이터 위치와 같은 추가 정보가있는 작업 세부 정보 페이지가 열립니다.

배치 예측 결과 검토

작업이 완료되면 지정한 S3 버킷에서 출력 파일을 다운로드 할 수 있습니다. 파일을 빠르게 찾으려면 아래의 링크를 선택하십시오. 출력 데이터 위치 작업 세부 정보 페이지에서.

출력 파일에는 입력 파일에 제공 한 모든 열과 세 개의 추가 열이 있습니다.

  • 지위 – 쇼 Success 이벤트가 성공적으로 평가 된 경우 또는 이벤트를 평가할 수없는 경우 오류 코드
  • 결과 – 규칙 세트에서 반환 된 결과를 나타냅니다.
  • MODEL_SCORES – 규칙 세트에서 호출 한 모델에서 반환 된 위험 점수를 나타냅니다.

다음 스크린 샷은 출력 CSV 파일의 예를 보여줍니다.

결론

축하합니다! 일련의 사기 예측을 성공적으로 수행했습니다. 배치 예측 기능을 사용하여 새 모델 버전 또는 업데이트 된 규칙과 같은 사기 감지 로직의 변경 사항을 테스트 할 수 있습니다. 또한 일괄 예측을 사용하여 지난 24 시간 동안 생성 된 모든 계정에 대한 일일 확인과 같은 비동기 사기 평가를 수행 할 수 있습니다.

사용 사례에 따라 다른 AWS 서비스에서 예측 결과를 사용할 수 있습니다. 예를 들어 다음에서 예측 결과를 분석 할 수 있습니다. 아마존 퀵 사이트 또는 위험이 높은 결과를 아마존 증강 AI (Amazon A2I)는 예측에 대한 인간 검토를 위해. 당신은 또한 사용할 수 있습니다 아마존 클라우드 워치 반복되는 일괄 예측을 예약합니다.

Amazon Fraud Detector에는 매월 2 건의 예측이 포함 된 30,000 개월 무료 평가판이 있습니다. 그 후 가격은 규칙 전용 예측의 경우 예측 당 $ 0.005, ML 기반 예측의 경우 $ 0.03부터 시작됩니다. 자세한 내용은 Amazon Fraud Detector 요금. 추가 블로그 게시물, 샘플 노트북, 사용 설명서 및 API 설명서에 대한 링크를 포함하여 Amazon Fraud Detector에 대한 자세한 내용은 아마존 사기 탐지기.

질문이나 의견이 있으면 의견으로 알려주십시오!


저자에 관하여

빌랄 알리 Amazon Fraud Detector에서 일하는 선임 제품 관리자입니다. 그는 고객의 문제에 귀를 기울이고 사기와 남용에 더 잘 대처할 수있는 방법을 찾습니다. 그는 여가 시간을 오래된 Jeopardy 에피소드를보고 텍사스 오스틴에서 최고의 타코를 찾는 데 보냅니다.

코인 스마트. 유로파 최고의 비트 코인-보르 스
출처 : https://aws.amazon.com/blogs/machine-learning/perform-batch-fraud-predictions-with-amazon-fraud-detector-without-writing-code-or-integrating-an-api/

계속 읽기

AI

웹 사이트 로딩 속도를 향상시키는 4 가지 도구

화신

게재

on

오늘날 웹 사이트는 빠르게로드되고 완벽한 사용자 경험을 제공하여 고객을 확보하고 유지하는 것이 중요합니다.

Google의 연구, 페이지로드 시간이 1 초에서 3 초로 변경되면 이탈률이 32 % 급증합니다. 그리고 90 초에 이탈률이 XNUMX % 급증합니다.

이는 빠른 로딩 사이트에 대한 수요가 빠르게 확대되고 있으며 속도가 도입에 중요한 요소임을 증명합니다. 더 많은 전환.

"사이트로드가 빠를수록 사용자 경험이 향상되고 Google 검색 결과에서 높은 순위를 차지할 수있는 기회가 생깁니다." 

따라서로드 시간 최적화는 웹 사이트 구축.

웹 사이트 로딩 속도 향상을위한 도구

적은 노력으로 쉽게 로딩 속도를 높일 수있는 다양한 속도 도구가 있습니다. 웹 사이트 성능을 개선하고 SEO 순위.

핑덤

핑덤 웹 사이트를 분석하고 웹 사이트 로딩 속도에 영향을 줄 수있는 성능 문제를 찾아내는 부분 유료화 도구입니다. 무료 및 유료 버전을 모두 제공합니다.

Pingdom의 무료 속도 테스트 도구를 사용하려면 웹 사이트의 URL을 복사하여 붙여 넣으십시오. 다음으로, 대상 청중과 가장 가까운 테스트 위치를 선택하고 "테스트 시작"버튼을 누르십시오.

결과는 웹 사이트의 로딩 시간, 성능 등급, 페이지 크기 및 HTTP 요청 수를 나타내는 보고서입니다.

그러나 웹 사이트 구성에 따라 100 점 만점을 기대하는 것이 항상 현실적이지 않을 수 있습니다. 이것은 전자 상거래 사이트를 운영하고 픽셀 설치를 마케팅하는 사람들에게는 더 어렵습니다. 

아이디어는 특정 점수를 쫓지 않고 가능한 한 웹 사이트 속도를 향상시키는 것을 목표로합니다.

점수 요약 아래에는 웹 사이트의 성능 요소와 개선 할 권장 사항을 강조하는 또 다른 포괄적 인 보고서가 있습니다.

Pingdom은 또한 사이트의 모든 HTTP 요청에 대한 폭포 분석을 제공합니다. 사이트가로드되는 방식과 느린로드 시간의 원인을 시각적으로 이해하는 데 도움이됩니다.

프리미엄 버전은 페이지 속도 모니터링, 가동 시간 모니터링, 클라우드 성능 모니터링, 방문자 인사이트 (RUM) 등과 같은 기능을 제공하는 14 일 무료 평가판을 제공합니다.

TinyPNG

비주얼은 웹 사이트 콘텐츠를 더 많이 만듭니다 사용자 참여. 그러나 웹 사이트 로딩 속도가 느린 주된 이유 중 하나는 무거운 이미지 파일입니다. 

“에 따르면 HTTP 아카이브, 이미지는 전체 페이지 무게의 75 % 이상을 차지합니다. "

또한 최근 디지털 전문가를 대상으로 한 설문 조사에 따르면 이미지 최적화가 전술에 가장 의존 웹 사이트 속도를 높이기 위해. 말할 필요도없이, 페이지 성능을 최적화 할 때 이미지 압축이 가장 먼저 시작해야합니다.

TinyPNG 는 이미지 품질을 손상시키지 않고 이미지를 압축하는 데 도움이되는 무료 도구입니다. 이미지의 색상 수를 선택적으로 줄이는 '손실'압축 기술을 사용하여 파일 크기를 줄입니다.  

TinyPNG로 압축하면 PNG 파일은 투명도를 유지하며 모든 브라우저와 장치에서 완벽하게 렌더링 할 수 있습니다. 

TinyPNG의 또 다른 주목할만한 기능은 대량 압축입니다. 압축 할 이미지가 여러 개인 경우 사용자는 각 이미지가 5MB 미만인 한 한 번에 최대 XNUMX 개의 이미지를 업로드 할 수 있습니다.

또한 TinyPNG는 웹 사이트에 업로드 된 PNG 및 JPG 이미지를 자동으로 압축하는 WordPress 플러그인을 제공합니다.

운영하는 사람들을 위해 전자 상거래 웹 사이트, TinyPNG 사용의 추가 이점은 WooCommerce와의 호환성입니다. 

HTTP 압축 테스트

HTTP 압축이라고도하는 콘텐츠 압축은 웹 사이트 속도를 높이는 또 다른 중요한 단계입니다. 

HTTP 압축은 서버의 콘텐츠를 브라우저로 전달하기 전에 압축하는 방법입니다. 콘텐츠를 압축하면 대역폭을 절약하고 서버의 부하를 줄이는 데 도움이됩니다. 

“더 작은 압축 파일을 사용하면 서버에 더 많은 데이터를 저장할 수있는 더 많은 공간을 확보 할 수 있습니다. 또한 서버는 데이터를 빠르게 전송할 수도 있습니다. " 

웹 사이트에서 데이터를 전송하는 데 걸리는 시간을 줄임으로써 압축은 웹 사이트의로드 시간을 줄입니다.

HTTP 압축은 서버에서 약간의 추가 처리가 필요할 수 있지만 압축되지 않은 파일을 처리하는 데 서버가 소비했을 상당한 전력을 절약하게됩니다. 

이를 염두에두고 HTTP 압축 테스트 도구는 웹 사이트 서버가 HTTP 압축을 위해 구성되었는지 확인하는 데 도움이됩니다. 

사이트에서 압축이 활성화되어 있는지 확인하려면 웹 사이트의 URL을 입력하고 "테스트"버튼을 클릭하십시오. 

이 도구는 압축되지 않은 페이지 및 압축 된 페이지 크기와 함께 사용자에게 전달하기 전에 웹 사이트 콘텐츠가 압축되었는지 여부를 보여줍니다. 

IcoMoon 앱

웹 사이트 로딩 속도를 방해 할 수있는 또 다른 요인은 사용중인 글꼴과 아이콘입니다. 이것은 사소한 요소처럼 보일 수 있습니다. 그러나 모든 사소한 것이 중요하며 웹 사이트로드 속도를 높이기 위해 추가됩니다. 

이코 문 이 목적에 부합하는 훌륭한 도구입니다. 자신의 글꼴 또는 팩 중 하나에서 선택한 글꼴을 컴파일하는 데 도움이됩니다. IcoMoon 앱을 방문하여 필요한 아이콘을 선택하십시오. 

선택이 완료되면 '글꼴 생성'을 클릭하십시오. 다음 화면에서 아이콘 이름을 사용자 지정하거나 선택한 전체 아이콘 팩을 그대로 다운로드 할 수 있습니다. 

이 압축 폴더를 웹 사이트의 파일 디렉토리에 업로드하여 이전에 사용했던 아이콘 대신 가벼운 아이콘을 사용하여로드 시간을 줄일 수 있습니다. 

웹 사이트 속도 향상

웹 사이트 속도 최적화는 설정을 잊어 버리는 과정이 아닙니다. 항상 진화하고 있습니다. 이러한 도구를 계속 사용하고 필요한 사용자 지정을 수행하면 웹 사이트의 참여 지표 및 검색 엔진 순위가 향상되는 것을 알 수 있습니다. 

웹 사이트의로드 시간을 매주 검토하고로드 지연을 유발하는 병목 현상을 수정하십시오. 

웹 사이트의 모든 페이지에 대해 이러한 도구를 일관되게 사용함으로써 일관되고 안정적인 사용자 경험을 보장 할 수 있으며, 이는 더 많은 트래픽, 리드 및 판매로 이어질 것입니다.

코인 스마트. 유로파 최고의 비트 코인-보르 스
출처 : https://www.aiiottalk.com/tools-to-improve-your-website-loading-speed/

계속 읽기
블록체인4 일 전

이더 리움이 처음으로 3,000 달러에 도달했으며 이제 뱅크 오브 아메리카보다 커졌습니다.

블록체인4 일 전

Munger 'Anti-Bitcoin'과 Buffett 'Annoyance'가 암호화 산업을 향하여

블록체인2 일 전

Changpeng Zhao에 따르면 Ethereum의 최근 ATH 랠리 이유

블록체인17 시간 전

Chiliz 가격 예측 2021-2025 : $ 1.76 2025 년 말까지

노름5 일 전

새로운 포켓몬 스냅 : 모든 위치를 잠금 해제하는 방법 | 완료 가이드

블록체인4 일 전

BNY Mellon, Bitcoin에 투자하는 회사의 주식을 소유하지 않은 것을 후회

비행2 일 전

승무원 공격 ​​혐의로 아메리칸 항공 승객 체포

블록체인2 일 전

마이닝 비트 코인 : 비트 코인 채굴 방법

자동차4 일 전

Ford Mach-E Co-Pilot360 드라이버 모니터링 시스템은 최대한 빨리 업데이트해야합니다.

블록체인2 일 전

마이닝 비트 코인 : 비트 코인 채굴 방법

Fintech5 일 전

Telcoin, 호주에서 송금 작업 시작

블록체인5 일 전

마이닝 비트 코인 : 비트 코인 채굴 방법

블록체인5 일 전

Thiel Capital 디렉터 : "비트 코인의 단기 손실로 인해 비트 코인에 사로 잡히지 마십시오"

비행4 일 전

영국 항공 기내에서 무질서하게 행동 한 후 벌금형 TV 스타들

블록체인4 일 전

트레이더가 알아야 할 이더 리움의 장기적인 ROI 잠재력은 다음과 같습니다.

Fintech3 일 전

말하는 핀 테크 : 고객 경험과 생산성 혁명

블록체인5 일 전

Coinbase, Crypto Analytics Company Skew 인수

블록체인4 일 전

터키, 두 명의 CEO 형제를 포함한 Thodex 사기와 관련된 6 명의 용의자 수감

AR / VR5 일 전

VR을 탐색하는 클릭 베이트 기사의 위험성

블록체인5 일 전

XNUMX 년 후 : 우즈베키스탄, Cryptocurrency 금지 해제 계획

인기순