کنترل صریح تصاویر مصنوعی تولید شده توسط GAN

روش جدید کاربران را قادر می سازد خواصی از قبیل سن موضوع ، جهت نور و در تصاویر تولید شده توسط شبکه های مخالف تولیدی را مشخص کنند.

15 اکتبر 2021 اشتراک گذاری 分享 到 微信

کنفرانس

انتشارات مرتبط

• کنترل GAN: GAN های صریح قابل کنترل

در سالهای اخیر ، شبکه های مخالف مولد (GAN) توانایی قابل توجهی در ترکیب تصاویر بصری واقع گرایانه از ابتدا نشان داده اند.

اما کنترل ویژگی های خاص خروجی یک GAN - شرایط روشنایی یا زاویه مشاهده ، به عنوان مثال ، یا اینکه کسی لبخند می زند یا اخم می کند - دشوار بوده است. بیشتر رویکردها به اکتشاف محاکمه و خطا از فضای پارامتر GAN بستگی دارد. یک رویکرد اخیر برای کنترل چهره های سنتز شده شامل تولید آرکیپ های 3 بعدی با نرم افزار گرافیکی ، یک فرآیند دست و پا گیر است که کنترل محدودی را ارائه می دهد و به یک دسته تصویر واحد محدود می شود.

در کنفرانس بین المللی امسال در مورد رایانه دیدگاه (ICCV) ، به همراه دانشمند برجسته آمازونجرارد مدونی، ما یک رویکرد جدید برای کنترل خروجی GANS ارائه دادیم که به عنوان مثال به مشخصات عددی پارامترهای تصویر - زاویه مشاهده یا سن یک چهره انسانی اجازه می دهد - و برای انواع مختلفی از تصویر کاربرد دارد.

رویکرد ما از پیشینیان خود در چندین اقدامات دقیق کنترل بهتر عمل کرد ، اما ما نیز آن را در مطالعات کاربر ارزیابی کردیم. کاربران تصاویر تولید شده با رویکرد ما را واقع بینانه تر از تصاویر تولید شده توسط دو پیشین پیشرو آن ، با حاشیه دو به یک پیدا کردند.

فضاهای نهفته

تنظیم آموزش برای یک GAN شامل دو مدل یادگیری ماشین است: ژنراتور و تبعیض آمیز. ژنراتور یاد می گیرد که تصاویری را تولید کند که تبعیض را فریب دهد ، در حالی که تبعیض آمیز می آموزد تصاویر مصنوعی را از تصاویر واقعی متمایز کند.

در طول آموزش ، مدل توزیع احتمال را بر روی مجموعه ای از پارامترهای تصویر آموخته شده می آموزد (در خانواده StyleGan مدل ها ، 512 پارامتر وجود دارد). این توزیع دامنه مقادیر پارامتر را که در تصاویر واقعی رخ می دهد ، توصیف می کند. سنتز یک تصویر جدید پس از آن موضوع انتخاب یک نقطه تصادفی از آن توزیع و انتقال آن به ژنراتور است.

GAN های صریح قابل کنترل

پارامترهای تصویر یک فضای نهفته را تعریف می کنند (با ، در سبک ، 512 ابعاد). تغییرات در خصوصیات تصویر - زاویه دوربین زیاد تا کم ، چهره های جوان تا قدیمی ، روشنایی چپ به راست و غیره - ممکن است در محورهای خاص فضا قرار داشته باشد. اما از آنجا که ژنراتور یک شبکه عصبی با جعبه سیاه است ، ساختار فضا ناشناخته است.

کار قبلی در مورد GAN های قابل کنترل شامل کاوش در فضا در تلاش برای یادگیری ساختار آن بود. اما این ساختار می تواند نامنظم باشد ، به طوری که یادگیری در مورد یک ملک در مورد دیگران کمی به شما می گوید. و خواص می توانند درگیر شوند ، به طوری که تغییر یک نفر نیز دیگران را تغییر می دهد.

کار اخیر یک رویکرد اصولی تر را اتخاذ کرده است ، که در آن ورودی به ژنراتور خصوصیات یک تصویر از چهره انسان را مشخص می کند ، و ژنراتور در مورد چگونگی مطابقت با خروجی آن با یک مدل گرافیکی 3 بعدی با همان خصوصیات ارزیابی می شود.

با این حال ، این رویکرد محدودیت هایی دارد. یکی این است که فقط با چهره کار می کند. نکته دیگر اینکه می تواند تصاویر خروجی را که به نظر مصنوعی هستند ، ارائه دهد ، زیرا ژنراتور یاد می گیرد که با خواص اهداف آموزش مصنوعی مطابقت داشته باشد. و سرانجام ، گرفتن خواص جامع تر ، مانند سن شخص ، با یک مدل گرافیکی دشوار است.

GAN های قابل کنترل

در مقاله ما ، ما یک رویکرد برای کنترل GAN ها ارائه می دهیم که فقط به ورودی های عددی نیاز دارد ، طیف گسترده ای از خصوصیات تصویر را اصلاح می کند و در مورد تنوع زیادی از دسته های تصویر اعمال می شود.

اول ، ما از یادگیری متضاد برای ساختار فضای نهفته استفاده می کنیم تا خواصی که ما به آنها علاقه مند هستیم در ابعاد مختلف قرار بگیریم - یعنی آنها درگیر نیستند. سپس مجموعه ای از کنترل کننده ها را یاد می گیریم که می توانند آن خصوصیات را به صورت جداگانه اصلاح کنند.

برای شروع ، ما مجموعه ای از خصوصیات تصویر را که می خواهیم یک فضای بازنمایی را کنترل و بسازیم انتخاب می کنیم به گونه ای که هر بعد از فضا با یکی از خصوصیات (z در تصویر بالا) مطابقت داشته باشد. سپس ما جفت نقاط را در آن فضا انتخاب می کنیم که در یک بعد مقدار یکسانی دارند اما مقادیر مختلف در ابعاد دیگر.

در حین آموزش ، ما این جفت های نقطه را از طریق مجموعه ای از لایه های شبکه عصبی کاملاً متصل می گذرانیم که یاد می گیرند نقاط را در فضای ساخته شده ما بر روی نقاط در یک فضای نهفته آموخته (W در شکل) نقشه برداری کنیم. نکات موجود در فضای آموخته شده به عنوان کنترل کننده برای ژنراتور ما عمل می کند.

سپس ، علاوه بر ضرر مخالف استاندارد ، که در صورت عدم موفقیت در فریب دهنده ، ژنراتور را مجازات می کند ، ما مجموعه ای از ضررهای اضافی را محاسبه می کنیم ، یکی برای هر خاصیت. اینها بر اساس مدل های خارج از قفسه است که خصوصیات تصویر را محاسبه می کنند-سن ، بیان ، جهت روشنایی و غیره. ضرر و زیان تصاویر را که خواص را در فضای نهفته به هم نزدیک می کنند ، مجبور می کنند ، در حالی که تصاویر جداگانه ای را که دارای ویژگی های مشترک نیستند ، مجبور می کنند.

هنگامی که ژنراتور را آموزش دادیم ، به طور تصادفی نقاط را در فضای نهفته انتخاب می کنیم ، تصاویر مربوطه را تولید می کنیم و خصوصیات آنها را اندازه می گیریم. سپس مجموعه جدیدی از کنترل کننده ها را آموزش می دهیم که خصوصیات اندازه گیری شده را به عنوان ورودی و خروجی نقاط مربوطه در فضای نهفته در نظر می گیرند. هنگامی که این کنترل کننده ها آموزش می بینند ، ما راهی برای ترسیم اندازه گیری خاصیت خاصیت به نقاط موجود در فضای نهفته داریم.

ارزیابی

برای ارزیابی روش خود ، ما آن را با دو روش قبلی که از مدل های گرافیکی 3 بعدی برای آموزش ژنراتورهای صورت استفاده می کردند ، مقایسه کردیم. ما دریافتیم که چهره های تولید شده با استفاده از روش ما با پارامترهای ورودی بهتر از چهره های تولید شده با روش های قبلی هستند.

ما همچنین از افراد انسانی خواسته ایم تا رئالیسم تصاویر تولید شده توسط روش ما و دو خط پایه را ارزیابی کنند. در 67 ٪ موارد ، افراد تصاویر ما را طبیعی تر از هر پایه می دانند. بهتر از این دو خط 22 درصد امتیاز داشت.

سرانجام ، ما از موضوعات انسانی خود پرسیدیم که آیا آنها موافقت کردند یا مخالف بودند که چهره های انسانی تولید شده ما دارای خواصی است که ما برای آنها کنترل می کردیم. برای پنج مورد از این خصوصیات ، این توافق نامه از 87 ٪ تا 98 ٪ بود. در مورد خاصیت ششم - زاویه دوربین بالا - این توافق نامه تنها در حدود 66 ٪ بود ، اما در زاویه های کم ، این اثر ممکن است بسیار ظریف باشد تا تشخیص دهد.

در این ارزیابی ها ، ما لزوماً خودمان را به تولید چهره های انسانی محدود کردیم ، زیرا این تنها دامنه ای است که پایه های قوی برای آن در دسترس بوده است. اما ما همچنین با تصاویر چهره سگها و نقاشی های مصنوعی آزمایش کردیم که هیچکدام از آنها روشهای قبلی نمی توانستند از عهده آن برآیند. نتایج را می توان در تصاویر زیر قضاوت کرد:

زمینه های تحقیقاتی

• چشم انداز کامپیوتر
• فراگیری ماشین

برچسب ها

• شبکه های مخالف تولید کننده (GANS)
• تولید داده مصنوعی
• ICCV

کنفرانس

انتشارات مرتبط

• کنترل GAN: GAN های صریح قابل کنترل

درباره نویسنده ایگور کویاتکوفسکی دانشمند ارشد تحقیقاتی در آمازون است. آلون شوشان دانشمند کاربردی در آمازون است. ناداو باهکر یک دانشمند کاربردی در آمازون است.

محتوای مرتبط

کارکنان 20 آوریل 2023 محققان به دلیل مشارکت خود در جامعه علمی افتخار کردند.

تیم جوایز تحقیقاتی آمازون 17 آوریل 2023

جوایز ، که نماینده 54 دانشگاه در 14 کشور جهان هستند ، به همراه خدمات و ابزارهای AWS AI/ML به مجموعه داده های عمومی آمازون دسترسی دارند.

14 آوریل 2023

الزامی که در هر زمان معین ، همه مشتریان قیمت های یکسانی را برای همان محصولات می بینند ، نیاز به نوآوری در طراحی آزمایش های A/B دارند.

با ما همکاری کنید

ما ، کالیفرنیا ، پالو آلتو

ما در جستجوی آمازون با یک تجربه مکالمه تعاملی هستیم که به شما کمک می کند تا پاسخ به سؤالات مربوط به محصول را پیدا کنید ، مقایسه محصول را انجام دهید ، پیشنهادات محصول شخصی شده و موارد دیگر را دریافت کنید تا به راحتی محصول مناسبی را برای نیازهای خود پیدا کنید. ما به دنبال بهترین و درخشان ترین در سراسر آمازون هستیم تا به ما کمک کند تا فوراً این دیدگاه را به مشتریان خود تحقق بخشیم. این یک تحول یک بار در یک نسل برای جستجو خواهد بود ، دقیقاً مانند مرورگر موزاییک ، اینترنت را با سه دهه پیش آسانتر کرده است. اگر دهه 90 - WWW ، Mosaic و تأسیس آمازون و گوگل را از دست نداده اید - نمی خواهید این فرصت را از دست بدهید.

ما ، WA ، سیاتل

تیم صنایع خدمات وب آمازون (AWSI) در حال جستجوی یک حرفه ای فصلی هستند که تیم های هوش و مهندسی داده های تجاری AWS Industries ما را هدایت می کند. کاندیدای موفق یک کارکرد اصلی و تحلیلی تجاری را هدایت می کند که امکان پاسخگویی و شفافیت در عملکرد کسب و کار صنایع AWS را برای یک سازمان فروش و فنی چند میلیارد در سراسر جهان فراهم می کند. این مدیر نقش مدیر برای تیمی است که دارای چهار حوزه تمرکز اصلی است: مقیاس 1/درایو و تعالی عملیاتی از طریق مکانیسم های متمرکز (به عنوان مثال ارکستر برنامه ریزی سالانه ، پیش بینی درآمد ، مدیریت خط لوله ، تعیین هدف و مدیریت نیروی کار). 2/پشتیبانی از AWS Industries VP و LT ORG گسترده با بینش ، داده ها و داشبوردهای عملی برای سنجش عملکرد و اصلاح استراتژی. 3/ارائه داده های با کیفیت بالا و بینش های عملی برای مشاغل جهانی تجارت ما (به عنوان مثال معاملات برتر ، WBR ، MMR). و 4/به عنوان مجرای صنایع متقاطع برای تعامل با سایر سازمان های AWS (به عنوان مثال SMGS ، WWSO ، مالی ، شریک) برای استانداردهای گسترده AWS ، سیاست ها ، سیستم عامل های داده و سایر عناصر ادغام استراتژیک خدمت می کنند. کاندیدای موفق باید از تخصص در سراسر و پشته های راه حل اطلاعات کسب و کار ، رویکردها و راه حل های مهندسی داده ها برخوردار باشد و نشان داده و توانایی استفاده از راه حل های فناوری برای حل مشکلات تجاری را نشان داده است. نامزد باید بتواند آستین های خود را جمع کند و تیم خود را در زمینه کار مستقیم با مدل ها/داده ها مربی کند ، با جزئیات محور ، تحلیلی باشد و توانایی های حل مسئله ای عالی داشته باشد. آنها بهبود مستمر مدل های پیش بینی ، ابزارهای هوش تجاری / گزارشگری و سایر فعالیت های میدانی را برای فعال کردن اهداف فروش ، فنی و عملیاتی انجام می دهند. آنها مهارت های ارتباطی و ارتباط با مشتری عالی ، بینش تحلیلی برجسته خواهند داشت و یک طرفدار پرشور برای مشتریان خود برای سایر تیم های داخلی خواهند بود. آنها به سمت راه حل های ساده و مقیاس پذیر برای مشکلات دشوار حرکت می کنند ، مهارت های عالی برای مدیریت پروژه دارند و قادر به برقراری ارتباط استراتژی های پیچیده یا نتایج تحلیلی ، چه کتبی و چه به صورت شفاهی ، به روشی واضح و آسان برای درک هستند. آنها ذهنیت بهبود مستمر و توانایی ارائه نتایج را در عین حال نوآوری و سادگی به نفع ذینفعان اصلی ما دارند. مکان ترجیحی برای این کار سیاتل است ،

با این حال سانفرانسیسکو یا نیویورک نیز گزینه هایی هستند. مسئولیت های کلیدی شغلی هوش کسب و کار: • طراحی ، اجرای و ارائه راه حل های گزارش دهی برای چندین تیم AWS Industries را هدایت کنید. داده های اهرم ، فناوری و تجارت تجاری برای توسعه چارچوب های تحلیلی و ارائه بینش های عملی برای تصمیم گیری آگاهانه در صنایع مختلف (به عنوان مثال خودرو و تولید ، حساب های استراتژیک و غیره) و زمینه های کاربردی (به عنوان مثال نوآوری تجارت ، SA/CSM ،و غیره.). این تیم همچنین در زمینه برنامه ریزی ، طراحی ، اجرای و اجرای راه حل های گزارشگری ، مکانیسم های خودکار و رانندگی در مشاغل ، با عملیات تجاری و تیم های مهندسی همکاری نزدیکی دارد. مهندسی داده ها: • مسئول ساخت و نگهداری زیرساخت هایی که از سازمان صنایع AWS با بینش ، داده و اتوماسیون قابل عمل پشتیبانی می کند. این تیم همچنین به عملکردهای تجاری و تیم های اطلاعاتی تجاری کمک می کند تا داده ها و گزینه های پردازش خود را برای ایجاد راه حل های گزارش دهی مؤثر ، اتوماسیون مکانیسم ها ، اجرای راه حل های سلف سرویس برای درخواست های مکرر درک کنند. بینش های تجاری: • استاندارد سازی جهانی شیوه های تحویل برنامه ، فرآیندهای مشاغل و گزارش دهی را هدایت کنید.• مستقیماً در داده های فروش جهانی به معیارهای ارکسترات ، شاخص های کلیدی عملکرد و معیارهای تصمیم گیری و ایجاد بینش های عملی کار کنید.• از ابزارهایی از جمله ، اکسل ، SQL و Tableau برای ایجاد داشبورد و بینش از داده هایی که از کل تجارت AWS Industries پشتیبانی می کند ، استفاده کنید.• ایجاد مکانیسم های گزارشگری قوی برای تیم های رهبری و فروش AWSI برای نظارت بر تجارت • رهبری توسعه معیارهای جدید که وضوح و بینش های جدیدی را به همراه دارد • باعث ایجاد قوام در گزارش و روش شناسی با ذینفعان در یک سازمان رو به رشد • راه حل های گزارشگری قوی و مقیاس پذیر شود.• تجزیه و تحلیل ad-hoc را در صورت لزوم انجام دهید و یافته های ارائه شده را به مدیریت ارشد انجام دهید

ما ، WA ، Bellevue

تیم AWS AI Labs یک تیم پیشرو در جهان از محققان و دانشگاهیان دارد و ما به دنبال همکاران کلاس جهانی هستیم تا به ما بپیوندند و انقلاب هوش مصنوعی را اتفاق بیندازند. تیم دانشمندان ما الگوریتم ها و مدلهایی را تهیه کرده اند که خدمات چشم انداز رایانه ای مانند Amazon Rekognition و Amazon Textract را قدرت می دهند. به عنوان بخشی از تیم ، ما انتظار داریم که شما راه حل های نوآورانه ای برای مشکلات سخت تدوین کنید و یافته های خود را در کنفرانس ها و کارگاه های بررسی شده Peer منتشر کنید. AWS ارائه دهنده پیشرو در جهان خدمات ابری است ، ایجاد و رشد مشاغل جدید جدید را تقویت کرده است و یک نیروی مثبت برای خوب است. مشتریان ما مشکلاتی را به وجود می آورند که به دانشمندان کاربردی مانند شما فرصت های بی پایان می دهد تا تحقیقات شما تأثیر مثبت و فوری در جهان داشته باشند. شما این فرصت را خواهید داشت که با تیم های فناوری و تجاری برای حل مشکلات در دنیای واقعی ، دسترسی به داده های بی پایان و منابع محاسباتی و مهندسان و توسعه دهندگان در سطح جهانی ، که می توانند به ایجاد ایده های شما در جهان کمک کنند ، همکاری کنید. مضامین تحقیق ما شامل ، اما محدود به: یادگیری چند شات ، یادگیری انتقال ، روشهای تحت نظارت و نیمه تحت نظارت ، یادگیری فعال و حاشیه نویسی داده های نیمه اتوماتیک ، تصویر و تشخیص و شناخت و فیلم در مقیاس بزرگ ، تشخیص چهره و تشخیص چهره ، OCR است. و تشخیص متن صحنه ، درک اسناد ، صحنه سه بعدی و درک طرح و چشم انداز رایانه هندسی. برای این نقش ، ما به دنبال دانشمندی هستیم که تجربه کار در تقاطع بینایی و زبان را دارند. ما در سیاتل ، پاسادنا ، پالو آلتو (ایالات متحده) و در هایفا و تل آویو (اسرائیل) واقع شده ایم. فرهنگ تیمی فراگیر در اینجا در AWS ، ما اختلافات خود را در آغوش می گیریم. ما متعهد هستیم که فرهنگ شمول خود را بیشتر کنیم. ما ده گروه وابستگی به رهبری کارمندان داریم که در بیش از 190 فصل در سطح جهان به 40،000 کارمند رسیده ایم. ما پیشنهادات نوآورانه ای داریم و تجارب یادگیری سالانه و مداوم ، از جمله مکالمات ما در مورد نژاد و قومیت (CORE) و AMAMECON (تنوع جنسیتی) را میزبان می کنیم. تعادل کار/زندگی تیم ما ارزش بالایی را در تعادل کار و زندگی قرار می دهد. این مربوط به چند ساعت در خانه یا محل کار نیست. این در مورد جریان شما است که انرژی را برای هر دو بخش از زندگی شما به ارمغان می آورد. ما اعتقاد داریم که تعادل مناسب بین زندگی شخصی و حرفه ای شما برای خوشبختی و تحقق زندگی بسیار مهم است.

ما در ساعات کاری انعطاف پذیری ارائه می دهیم و شما را ترغیب می کنیم تا تعادل خود را بین کار و زندگی شخصی خود پیدا کنید. مربیگری و رشد شغلی تیم ما به حمایت از اعضای جدید اختصاص دارد. ما ترکیبی گسترده از سطح و دوره های تجربه داریم و در حال ساختن محیطی هستیم که به اشتراک گذاری دانش و مربیگری را جشن می گیرد. اعضای ارشد ما از مشاوره یک به یک و بررسیهای کامل اما مهربان برخوردار هستند. ما به رشد شغلی شما اهمیت می دهیم و تلاش می کنیم پروژه هایی را بر اساس آنچه به هر یک از اعضای تیم کمک می کند تا در یک مهندس بهتر دور شود و آنها را قادر به انجام کارهای پیچیده تر در آینده کند ، اختصاص دهیم.

ما ، WA ، سیاتل

آمازون به دنبال دانشمندان پرشور ، با استعداد و مبتکرانه با پیشینه یادگیری ماشین قوی برای کمک به ساخت گفتار و فناوری پیشرو در صنعت است. مأموریت ما این است که با فشار دادن پاکت نامه در تشخیص خودکار گفتار (ASR) ، ترجمه ماشین (MT) ، درک زبان طبیعی (NLU) ، یادگیری ماشین (ML) و دید رایانه ای (CV) ، تجربه ای لذت بخش به مشتریان آمازون ارائه دهیم. به عنوان بخشی از تیم هوش مصنوعی ما در آمازون AWS ، شما در کنار کارشناسان شناخته شده بین المللی برای توسعه الگوریتم های جدید و تکنیک های مدل سازی برای پیشرفت پیشرفته در فناوری زبان انسانی کار خواهید کرد. کار شما به طور مستقیم بر میلیون ها مشتری ما در قالب محصولات و خدماتی که از فناوری گفتار و زبان استفاده می کنند ، تأثیر خواهد گذاشت. شما با گفتار ناهمگن ، متن و منابع داده ساختاری آمازون و منابع محاسباتی در مقیاس بزرگ برای تسریع در پیشرفت در درک زبان گفتاری ، تجربه خود را به دست خواهید آورد. ما علاوه بر دید رایانه ، در همه زمینه های فناوری زبان انسانی در حال استخدام هستیم: ASR ، MT ، NLU ، متن به گفتار (TTS) و مدیریت گفتگو.

ما ، WA ، سیاتل

تیم علوم اقتصاد و تصمیم گیری JP به دنبال یک اقتصاددان داخلی با تجربه در تجزیه و تحلیل اقتصادی تجربی برای انجام تحقیقات در مورد ارزیابی تأثیر و پیش بینی کمپین های بازاریابی در تجارت خرده فروشی آنلاین آمازون ژاپن است. نامزد موفق برای بهبود کارآیی طراحی کمپین های بازاریابی از نزدیک با تیم همکاری خواهد کرد. ما به دنبال افراد با جزئیات ، سازمان یافته و مسئول هستیم که مشتاق یادگیری نحوه کار با مجموعه داده های بزرگ و پیچیده هستند. دانش اقتصاد سنجی و اقتصاد خرد و آشنایی با Stata ، R یا Python لازم است. تجربه با SQL یک مزیت خواهد بود ، اما لازم نیست. این موقعیت های تمام وقت در 40 ساعت در هفته است که جبران خسارت به صورت ساعتی اعطا می شود. شما در تیمی از اقتصاددانان ، دانشمندان داده و مهندسین و با همکاری مدیران محصول و دارایی کار خواهید کرد. این مهارت ها به خوبی در نوشتن فصل های کاربردی در پایان نامه شما ترجمه می شود و تجربه کاری را در اختیار شما قرار می دهد که ممکن است به شما در قرارگیری کمک کند. تقریباً 85 ٪ کارورزان از گروههای قبلی به اشتغال اقتصاد تمام وقت در آمازون تبدیل شده اند. اگر علاقه مند هستید ، لطفاً CV خود را به لیست پستی ما در econ-inteship@amazon. com ارسال کنید. مسئولیت های کلیدی شغلی • از تجزیه و تحلیل رگرسیون برای برآورد مدلهای اقتصاد سنجی و تدوین راه حل های پیش بینی استفاده کنید که می تواند اثربخشی کمپین بازاریابی را پیش بینی کند.• با سایر اقتصاددانان و دانشمندان داده برای اعتبارسنجی و پالایش مدلهای اقتصاد سنجی همکاری کنید.• با مدیران محصول و توسعه دهندگان نرم افزار برای ادغام مدل های پیش بینی در سیستم مدیریت کمپین همکاری کنید.• دقت و اثربخشی مدل های پیش بینی را کنترل کرده و در صورت لزوم تنظیمات را انجام دهید.• یافته ها و توصیه های خود را با اعضای تیم و ذینفعان ارتباط برقرار کنید. یک روز در بحث زندگی با شرکای تجاری و همچنین مدیران محصول و رهبران فناوری برای درک مشکل تجارت. طوفان مغزی با سایر دانشمندان و اقتصاددانان برای طراحی الگوی مناسب برای مشکل موجود. نتایج و ایده های جدید را برای مشکلات موجود یا آینده به دنبال رهبری ارائه دهید. شیرجه عمیق به داده ها. مدل سازی و ایجاد نمونه های اولیه کار. نتایج را تجزیه و تحلیل کرده و با شرکا بررسی کنید. در مورد این تیم ما تیمی از اقتصاددانان ، دانشمندان داده و مهندسین اطلاعات تجاری هستیم که از رشد و تعامل مشتری آمازون ژاپن (CGE) به عنوان یک فعال کننده علوم داده یک مرحله ای حمایت می کنند.

ما از بینش ها و محصولات تحلیلی برای توانمندسازی CGE و تراز کردن تصمیمات استراتژیک در تیم های شریک استفاده می کنیم (به عنوان مثال ، عملیات ، تجربه تحویل ، قیمت گذاری).

ایالات متحده ، VA ، مکان مجازی - ویرجینیا

ما از بینش ها و محصولات تحلیلی برای توانمندسازی CGE و تراز کردن تصمیمات استراتژیک در تیم های شریک استفاده می کنیم (به عنوان مثال ، عملیات ، تجربه تحویل ، قیمت گذاری).

ما ، کالیفرنیا ، سانتا کلارا

ما ، WA ، سیاتل

ما ، کالیفرنیا ، سانتا کلارا

در آمازون هوش مصنوعی ، تیم Deep Engine Science در حال کار بر روی سیستم های یادگیری ماشین است تا بارهای یادگیری عمیق را در چندین سیستم عامل سخت افزاری تسریع کند ، با هدف این است که مشتریان خود را برای انجام عملکرد خوب برای مدل های یادگیری ماشین در همه جا آسان کند. تیم علوم موتور Deep Deep به سرعت در حال رشد است تا از آخرین پیشرفت در زمینه سیستم های یادگیری ماشین استفاده کند تا به مشتریان خود بهتر خدمت کند. ما در حال استخدام دانشمندان و توسعه دهندگان نرم افزاری به خوبی گرد با پیشینه در یادگیری ماشین ، مدل بنیاد ، کامپایلرها ، سیستم ها ، محاسبات توزیع شده و شتاب دهنده های هوش مصنوعی هستیم. اگر در HPC و تنظیم عملکرد کار کرده اید ، از کار بر روی وسعت برنامه های ML که ما بهینه می کنیم لذت خواهید برد. به عنوان یک توسعه دهنده/محقق سیستم های یادگیری ماشین ، شما با تمرکز بر روی کامپایلرهای یادگیری عمیق مانند Apache TVM و آموزش و استنباط بزرگ بنیاد ، روی رویکردهای سیستماتیک برای بهبود عملکرد مدل های یادگیری عمیق کار خواهید کرد. این کار مجموعه ای بسیار گسترده ای از فرصت ها را برای کار در پشته کامل با قرار گرفتن در معرض برنامه های مختلف هوش مصنوعی ، چارچوب های ML ، مدل ها ، کامپایلرها ، سیستم های SW و سخت افزار مختلف هوش مصنوعی از جمله بازو ، اینتل ، Nvidia ، AWS Trainium/Inferentia و Edgeing Edge ارائه می دهد. AI Asics. با کار در مرزهای این زمینه ، شما می توانید در سیستم های برتر و کنفرانس های یادگیری ماشین منتشر کنید. برای توسعه سیستم های یادگیری ماشین به تیم AWS Deep Engine بپیوندید تا به مشتریان AWS کمک کند تا مدل های یادگیری ماشین را در ابر و دستگاه های Edge در مقیاس تولید آموزش و مستقر کنند.

ما ، WA ، سیاتل