I en tidligere indlæg, vi talte om at analysere og tagge aktiver gemt i Veeva Vault PromoMats ved hjælp af Amazon AI-tjenester og Veeva Vault Platforms API'er. I dette indlæg undersøger vi, hvordan du bruger Amazon App Flow, en fuldt administreret integrationstjeneste, der giver dig mulighed for sikkert at overføre data fra software as a service (SaaS) applikationer som Veeva Vault til AWS. Det Amazon AppFlow Veeva stik giver dig mulighed for at forbinde dit AWS-miljø til Veeva-økosystemet hurtigt, pålideligt og omkostningseffektivt for at analysere det rige indhold, der er gemt i Veeva Vault i stor skala.
Amazon AppFlow Veeva-stikket er det første Amazon AppFlow-stik, der understøtter automatisk overførsel af Veeva dokumenter. Det giver dig mulighed for at vælge mellem den nyeste version (den Stabil tilstand version i Veeva-vilkår) og alle versioner af dokumenter. Desuden kan du importere dokumentmetadata.
Med et par klik kan du nemt oprette en administreret forbindelse og vælge de Veeva Vault-dokumenter og metadata, der skal importeres. Du kan justere importadfærden yderligere ved at tilknytte kildefelter til destinationsfelter. Du kan også tilføje filtre baseret på dokumenttype og undertype, klassifikation, produkter, land, websted og mere. Endelig kan du tilføje validering og administrere on-demand og planlagte flowudløsere.
Du kan bruge Amazon AppFlow Veeva-stikket til forskellige brugssager, lige fra Veeva Vault PromoMats til andre Veeva Vault-løsninger såsom QualityDocs, eTMF eller Regulatory Information Management (RIM). Følgende er nogle af de brugstilfælde, hvor du kan bruge stikket:
- Datasynkronisering – Du kan bruge forbindelsen i processen med at etablere sammenhæng og harmonisering mellem data fra en Veeva Vault-kilde og eventuelle downstream-systemer over tid. For eksempel kan du dele Veeva PromoMats markedsføringsaktiver til Salesforce. Du kan også bruge stikket til at dele Veeva QualityDocs, såsom Standard Operating Procedures (SOP'er) eller specifikationer til cachelagrede websteder, der er søgbare fra tablets til stede på produktionsgulvet.
- Anomali påvisning – Du kan dele Veeva PromoMats dokumenter til Amazon Lookout for Metrics til afsløring af anomalier. Du kan også bruge stikket med Vault RIM i illustrationer, kommercielle etiketter, skabeloner eller patientfoldere, før du importerer dem til udskrivning til virksomhedsetiketteringsløsninger såsom Loftware.
- Data sø hydrering – Konnektoren kan være et effektivt værktøj til at replikere strukturerede eller ustrukturerede data til datasøer for at understøtte oprettelsen og hydreringen af datasøer. For eksempel kan du bruge forbindelsen til at udtrække standardiserede undersøgelsesoplysninger fra protokoller, der er gemt i Vault RIM, og udsætte dem nedstrøms for medicinske analyseindsigtsteams.
- Oversættelser – Connectoren kan være nyttig til at sende illustrationer, kliniske dokumenter, marketingmaterialer eller undersøgelsesprotokoller til oversættelse på modersmål til afdelinger som f.eks. emballage, kliniske forsøg eller lovpligtige indsendelser.
Dette indlæg fokuserer på, hvordan du kan bruge Amazon AI-tjenester i kombination med Amazon AppFlow til at analysere indhold, der er gemt i Veeva Vault PromoMats, automatisk udtrække tag-information og i sidste ende føre disse oplysninger tilbage til Veeva Vault-systemet. Indlægget diskuterer den overordnede arkitektur, trinene til at implementere en løsning og et dashboard og en brugssituation for metadatatagging af aktiver. For mere information om proof of concept-kodebasen for denne use case, se GitHub repository.
Løsningsoversigt
Følgende diagram illustrerer den opdaterede løsningsarkitektur.
Tidligere, for at importere aktiver fra Veeva Vault, skulle du skrive din egen brugerdefinerede kodelogik ved hjælp af Veeva Vault API'er at polle for ændringer og importere dataene til Amazon Simple Storage Service (Amazon S3). Dette kunne være en manuel, tidskrævende proces, hvor du skulle tage højde for API-begrænsninger, fejl og genforsøg, samt skalerbarhed for at rumme en ubegrænset mængde aktiver. Den opdaterede løsning bruger Amazon AppFlow til at abstrahere kompleksiteten i at vedligeholde en tilpasset Veeva til Amazon S3-dataimportpipeline.
Som nævnt i introduktionen er Amazon AppFlow et letanvendeligt, kodefrit selvbetjeningsværktøj, der bruger peg-og-klik-konfigurationer til at flytte data nemt og sikkert mellem forskellige SaaS-applikationer og AWS-tjenester. AppFlow giver dig mulighed for at trække data (objekter og dokumenter) fra understøttede kilder og skrive disse data til forskellige understøttede destinationer. Kilden eller destinationen kunne være en SaaS-applikation eller en AWS-tjeneste såsom Amazon S3, Amazon rødforskydning, eller Lookout for Metrics. Ud over grænsefladen uden kode understøtter Amazon AppFlow konfiguration via API, AWS CLI og AWS CloudFormation grænseflader.
Et flow i Amazon AppFlow beskriver, hvordan data skal flyttes, inklusive kildedetaljer, destinationsdetaljer, flowudløserbetingelser (på forespørgsel, ved hændelse eller planlagt) og databehandlingsopgaver såsom checkpointing, feltvalidering eller maskering. Når den udløses, kører Amazon AppFlow et flow, der henter kildedataene (generelt gennem kildeapplikationens offentlige API'er), kører databehandlingsopgaver og overfører behandlede data til destinationen.
I dette eksempel implementerer du et forudkonfigureret flow ved hjælp af en CloudFormation-skabelon. Følgende skærmbillede viser den forudkonfigurerede veeva-aws-connector
flow, der oprettes automatisk af løsningsskabelonen på Amazon AppFlow-konsollen.
Flowet bruger Veeva som en kilde og er konfigureret til at importere Veeva Vault-komponentobjekter. Både metadata og kildefiler er nødvendige for at holde styr på de aktiver, der er blevet behandlet, og skubbe tags tilbage på det korrekte tilsvarende aktiv i kildesystemet. I denne situation er det kun den seneste version, der importeres, og gengivelser er ikke inkluderet.
Flowets destination skal også konfigureres. I det følgende skærmbillede definerer vi et filformat og en mappestruktur for S3-bøtten, der blev oprettet som en del af CloudFormation-skabelonen.
Endelig udløses flowet efter behov til demonstrationsformål. Dette kan ændres, så flowet kører efter en tidsplan med en maksimal granularitet på 1 minut. Når den udløses i henhold til en tidsplan, skifter overførselstilstanden automatisk fra en fuld overførsel til en inkrementel overførselstilstand. Du angiver et kildetidsstempelfelt til sporing af ændringerne. For tagging-brugssagen har vi fundet ud af, at Sidst ændret dato indstillingen er den bedst egnede.
Amazon AppFlow er så integreret med Amazon Eventbridge at udgive begivenheder, når en flowkørsel er fuldført.
For bedre modstandsdygtighed AVAIAppFlowListener
AWS Lambda funktionen er koblet til EventBridge. Når en Amazon AppFlow-hændelse udløses, verificerer den, at den specifikke flowkørsel er gennemført, læser metadataoplysningerne for alle importerede aktiver fra den specifikke flowkørsel og skubber individuelle dokumentmetadata ind i en Amazon Simple Queue Service (Amazon SQS) kø. Brug af Amazon SQS giver en løs kobling mellem producent- og processorsektionen af arkitekturen og giver dig også mulighed for at implementere ændringer til processorsektionen uden at stoppe de indkommende opdateringer.
En anden pollerfunktion (AVAIQueuePoller
) læser SQS-køen med hyppige intervaller (hvert minut) og behandler de indkommende aktiver. For en endnu bedre reaktionstid fra Lambda-funktionen kan du erstatte CloudWatch-reglen ved at konfigurere Amazon SQS som en trigger for funktionen.
Afhængigt af den indgående meddelelsestype bruger løsningen forskellige AWS AI-tjenester til at udlede indsigt fra dine data. Nogle eksempler omfatter:
- Tekstfiler – Funktionen bruger DetectEntities drift af Amazon Comprehend Medical, en naturlig sprogbehandlingstjeneste (NLP), der gør det nemt at bruge ML til at udtrække relevant medicinsk information fra ustruktureret tekst. Denne handling registrerer enheder i kategorier som f.eks
Anatomy
,Medical_Condition
,Medication
,Protected_Health_Information
ogTest_Treatment_Procedure
. Det resulterende output filtreres efterProtected_Health_Information
, og de resterende oplysninger sammen med konfidensresultater bliver fladtrykt og indsat i en Amazon DynamoDB bord. Disse oplysninger er plottet på OpenSearch Kibana-klyngen. I applikationer fra den virkelige verden kan du også bruge Amazon Comprehend Medical ICD-10-CM eller RxNorm funktion til at forbinde de detekterede oplysninger til medicinske ontologier, så downstream-sundhedsapplikationer kan bruge det til yderligere analyse. - Billeder – Funktionen bruger DetectLabels metode til Amazon-anerkendelse for at registrere etiketter i det indgående billede. Disse etiketter kan fungere som tags til at identificere den rige information, der er begravet i dine billeder, såsom oplysninger om kommercielle kunstværker og kliniske etiketter. Hvis etiketter som
Human
orPerson
registreres med en konfidensscore på mere end 80 %, bruger koden Opdag ansigter metode til at lede efter vigtige ansigtstræk såsom øjne, næse og mund for at registrere ansigter i inputbilledet. Amazon Rekognition leverer al denne information med en tilhørende konfidensscore, som er fladtrykt og gemt i DynamoDB-tabellen. - Stemmeoptagelser – For lydaktiver bruger koden Start TransskriptionJob asynkron metode til Amazon Transcrib for at transskribere den indkommende lyd til tekst, og indsætte en unik identifikator som
TranscriptionJobName
. Koden antager, at lydsproget er engelsk (US), men du kan ændre det, så det knytter sig til informationen, der kommer fra Veeva Vault. Koden kalder Få TranscriptionJob metode, der sender den samme unikke identifikator somTranscriptionJobName
i en løkke, indtil jobbet er færdigt. Amazon Transcribe leverer outputfilen på en S3-bøtte, som læses af koden og slettes. Koden kalder tekstbehandlingsarbejdsgangen (som diskuteret tidligere) for at udtrække entiteter fra transskriberet lyd. - Scannede dokumenter (PDF'er) - En stor procentdel af biovidenskabernes aktiver er repræsenteret i PDF'er - disse kan være alt fra videnskabelige tidsskrifter og forskningsartikler til lægemiddeletiketter. amazontekst er en tjeneste, der automatisk udtrækker tekst og data fra scannede dokumenter. Koden bruger StartDocumentTextDetection metode til at starte et asynkront job for at detektere tekst i dokumentet. Koden bruger
JobId
vendte tilbage i svaret på opkaldet GetDocumentTextDetection i en løkke, indtil jobbet er færdigt. Output-JSON-strukturen indeholder linjer og ord med registreret tekst sammen med konfidensscore for hvert element, det identificerer, så du kan træffe informerede beslutninger om, hvordan du bruger resultaterne. Koden behandler JSON-strukturen for at genskabe tekst-blurb og kalder tekstbehandlings-workflowet for at udtrække entiteter fra teksten.
En DynamoDB-tabel gemmer alle de behandlede data. Løsningen bruger DynamoDB Streams og Lambda triggere (AVAIPopulateES
) for at udfylde data i en OpenSearch Kibana-klynge. AVAIPopulateES-funktionen kører for hver opdatering, indsættelse og sletning, der sker i DynamoDB-tabellen, og indsætter en tilsvarende post i OpenSearch-indekset. Du kan visualisere disse optegnelser ved hjælp af Kibana.
For at lukke feedback-sløjfen skal AVAICustomFieldPopulator
Lambda-funktionen er blevet oprettet. Det udløses af hændelser i DynamoDB-strømmen i metadata-DynamoDB-tabellen. For hver DocumentID
i DynamoDB-posterne forsøger funktionen at ophæve tagoplysninger i en foruddefineret brugerdefineret feltegenskab for aktivet med det tilsvarende ID i Veeva ved hjælp af Veeva API. For at undgå at indsætte støj i det brugerdefinerede felt filtrerer Lambda-funktionen alle tags, der er blevet identificeret med en konfidensscore lavere end 0.9. Mislykkede anmodninger videresendes til en dødbogstavkø (DLQ) til manuel inspektion eller automatisk genforsøg.
Denne løsning tilbyder en serverløs, pay-as-you-go tilgang til at behandle, tagge og muliggøre omfattende søgninger på dine digitale aktiver. Derudover har hver administreret komponent høj tilgængelighed indbygget ved automatisk implementering på tværs af flere tilgængelighedszoner. Til Amazon OpenSearch Service (efterfølger til Amazon Elasticsearch Service), kan du vælge tre-AZ mulighed for at give bedre tilgængelighed for dine domæner.
Forudsætninger
For denne gennemgang skal du have følgende forudsætninger:
- An AWS-konto med passende AWS identitets- og adgangsstyring (IAM) tilladelser til at starte CloudFormation-skabelonen
- Passende adgangsoplysninger til et Veeva Vault PromoMats-domæne (domæne-URL, brugernavn og adgangskode)
- Et brugerdefineret indholdstag defineret i Veeva for de digitale aktiver, som du ønsker at blive tagget (som et eksempel oprettede vi
AutoTags
tilpasset indholdstag) - Digitale aktiver i PromoMats Vault tilgængelige for de foregående legitimationsoplysninger
Implementer din løsning
Du bruger en CloudFormation-stak til at implementere løsningen. Stakken opretter alle de nødvendige ressourcer, herunder:
- En S3-spand til at opbevare de indgående aktiver.
- Et Amazon AppFlow-flow til automatisk at importere aktiver til S3-bøtten.
- En EventBridge-regel og Lambda-funktion til at reagere på hændelser genereret af Amazon AppFlow (
AVAIAppFlowListener
). - En SQS FIFO-kø til at fungere som en løs kobling mellem lytterfunktionen (
AVAIAppFlowListener
) og pollerfunktionen (AVAIQueuePoller
). - En DynamoDB-tabel til at gemme output fra Amazon AI-tjenester.
- En Amazon OpenSearch Kibana (ELK)-klynge til at visualisere de analyserede tags.
- En Lambda-funktion til at skubbe identificerede tags tilbage i Veeva (
AVAICustomFieldPopulator
), med en tilsvarende DLQ. - Nødvendige Lambda-funktioner:
- AVAIAppFlowListener – Udløst af hændelser skubbet af Amazon AppFlow til EventBridge. Bruges til validering af flowkørsel og til at skubbe en besked til SQS-køen.
- AVAIQueuePoller – Udløses hvert 1. minut. Bruges til at polle SQS-køen, behandle aktiverne ved hjælp af Amazon AI-tjenester og udfylde DynamoDB-tabellen.
- LEGER BefolkerES – Udløses, når der er en opdatering, indsættelse eller sletning på DynamoDB-tabellen. Bruges til at fange ændringer fra DynamoDB og udfylde ELK-klyngen.
- AVAICustomFieldPopulator – Udløses, når der er en opdatering, indsættelse eller sletning på DynamoDB-tabellen. Bruges til tilbageføring af tag-information til Veeva.
- Amazon CloudWatch-begivenheder regler, der udløser
AVAIQueuePoller
fungere. Disse udløsere er iDISABLED
tilstand som standard. - Nødvendige IAM-roller og -politikker for at interagere med EventBridge og AI-tjenesterne på en nedskæret måde.
For at komme i gang skal du udføre følgende trin:
- Log ind på AWS Management Console med en konto, der har de nødvendige IAM-tilladelser.
- Vælg Start Stack og åbn den på en ny fane:
- På Opret stak side, vælg Næste.
- På Angiv stakdetaljer side, skal du indtaste et navn til stakken.
- Indtast værdier for parametrene.
- Vælg Næste.
- På Konfigurer stakindstillinger side, lad alt være standard og vælg Næste.
- På anmeldelse side, i Evner og transformationer skal du markere de tre afkrydsningsfelter.
- Vælg Opret stak.
- Vent på, at stakken er færdig. Du kan undersøge forskellige begivenheder fra stackoprettelsesprocessen på Events fane.
- Efter oprettelsen af stakken er færdig, kan du se på Ressourcer fanen for at se alle de ressourcer, som CloudFormation-skabelonen oprettede.
- På Udgange fanen, kopier værdien af
ESDomainAccessPrincipal
.
Dette er ARN for IAM-rollen, som AVAIPopulateES
funktion antager. Du bruger det senere til at konfigurere adgang til Amazon OpenSearch Service-domænet.
Konfigurer Amazon OpenSearch Service og Kibana
Dette afsnit leder dig gennem sikring af din Amazon OpenSearch Service-klynge og installation af en lokal proxy for at få sikker adgang til Kibana.
- På Amazon OpenSearch Service-konsollen skal du vælge det domæne, der blev oprettet af skabelonen.
- På handlinger menu, vælg Rediger adgangspolitik.
- Til Domæneadgangspolitik, vælg Tilpasset adgangspolitik.
- I Adgangspolitik vil blive ryddet pop op-vindue, vælg Ryd og fortsæt.
- På næste side skal du konfigurere følgende udsagn for at låse adgangen til Amazon OpenSearch Service-domænet:
- Tillad IPv4-adresse – Din IP-adresse.
- Tillad IAM ARN – Værdien af
ESDomainAccessPrincipal
du kopierede tidligere.
- Vælg Indsend.
Dette skaber en adgangspolitik, der giver adgang til AVAIPopulateES-funktionen og Kibana-adgang fra din IP-adresse. For flere oplysninger om at begrænse din adgangspolitik, se Konfiguration af adgangspolitikker.
- Vent på, at domænestatus vises som
Active
. - På Amazon EventBridge-konsollen, under Events, vælg Regler. Du kan se to regler, som CloudFormation-skabelonen oprettede.
- Vælg
AVAIQueuePollerSchedule
regel og aktiver den ved at klikke Aktiver.
Om 5-8 minutter skulle dataene begynde at strømme ind, og enheder oprettes i Amazon OpenSearch Service-klyngen. Du kan nu visualisere disse entiteter i Kibana. For at gøre dette bruger du en open source proxy kaldet aws-es-kibana. Indtast følgende kode for at installere proxyen på din computer:
aws-es-kibana your_OpenSearch_domain_endpoint
Du kan finde domæneslutpunktet på Udgange fanen i CloudFormation-stakken under ESDomainEndPoint
. Du bør se følgende output:
Opret visualiseringer og analyser tagget indhold
Se venligst originalen blogpost.
Ryd op
For at undgå fremtidige gebyrer skal du slette ressourcerne, når de ikke er i brug. Du kan nemt slette alle ressourcer ved at slette den tilknyttede CloudFormation-stak. Bemærk, at du skal tømme de oprettede S3-bøtter for indhold, for at sletningen af stakken kan lykkes.
Konklusion
I dette indlæg demonstrerede vi, hvordan du kan bruge Amazon AI-tjenester i kombination med Amazon AppFlow til at udvide funktionaliteten af Veeva Vault PromoMats og udtrække værdifuld information hurtigt og nemt. Den indbyggede loop-back-mekanisme giver dig mulighed for at opdatere tags tilbage i Veeva Vault og aktivere automatisk tagging af dine aktiver. Dette gør det nemmere for dit team at finde og lokalisere aktiver hurtigt.
Selvom intet ML-output er perfekt, kan det komme meget tæt på menneskelig præstation og hjælpe med at opveje en væsentlig del af dit teams indsats. Du kan bruge denne ekstra kapacitet til værdiskabende opgaver, mens du dedikerer en lille kapacitet til at kontrollere output fra ML-løsningen. Denne løsning kan også hjælpe med at optimere omkostningerne, opnå ensartet tagging og muliggøre hurtig opdagelse af eksisterende aktiver.
Endelig kan du bevare ejerskabet af dine data og vælge, hvilke AWS-tjenester der kan behandle, gemme og hoste indholdet. AWS har ikke adgang til eller bruger dit indhold til noget formål uden dit samtykke, og bruger aldrig kundedata til at udlede information til markedsføring eller reklame. For mere information, se Ofte stillede spørgsmål om databeskyttelse.
Du kan også udvide funktionaliteten af denne løsning yderligere med yderligere forbedringer. For eksempel, udover AI- og ML-tjenesterne i dette indlæg, kan du nemt tilføje enhver af dine brugerdefinerede ML-modeller bygget vha. Amazon SageMaker til arkitekturen.
Hvis du er interesseret i at udforske yderligere use cases for Veeva og AWS, bedes du kontakte dit AWS-kontoteam.
Veeva Systems har gennemgået og godkendt dette indhold. For yderligere Veeva Vault-relaterede spørgsmål, kontakt venligst Veeva support.
Om forfatterne
Mayank Thakkar er leder af AI/ML Business Development, Global Healthcare og Life Sciences hos AWS. Han har mere end 18 års erfaring i forskellige brancher som sundhedspleje, biovidenskab, forsikring og detailhandel, med speciale i at bygge serverløse, kunstig intelligens og maskinlæringsbaserede løsninger til løsning af problemer i den virkelige verden. Hos AWS arbejder han tæt sammen med store medicinalvirksomheder rundt om i verden for at bygge banebrydende løsninger og hjælpe dem på deres cloudrejse. Udover arbejdet har Mayank sammen med sin kone travlt med at opdrage to energiske og drilske drenge, Aaryan (6) og Kiaan (4), mens de forsøger at forhindre, at huset brænder ned eller bliver oversvømmet!
Anamaria Todor er en Senior Solutions Architect med base i København, Danmark. Hun så sin første computer, da hun var 4 år gammel og lod aldrig datalogi og teknik gå siden. Hun har arbejdet i forskellige tekniske roller fra full-stack udvikler, til dataingeniør, teknisk leder og CTO hos forskellige danske virksomheder. Anamaria har en bachelorgrad i anvendt teknik og datalogi, en mastergrad i datalogi og over 10 års praktisk AWS-erfaring. Hos AWS arbejder hun tæt sammen med sundheds- og life science-virksomheder i enterprise-segmentet. Når hun ikke arbejder eller spiller videospil, coacher hun piger og kvindelige professionelle i at forstå og finde deres vej gennem teknologi.
- Coinsmart. Europas bedste Bitcoin og Crypto Exchange.
- Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. FRI ADGANG.
- CryptoHawk. Altcoin radar. Gratis prøveversion.
- Kilde: https://aws.amazon.com/blogs/machine-learning/analyze-and-tag-assets-stored-in-veeva-vault-promomats-using-amazon-appflow-and-amazon-ai-services/
- "
- 10
- 100
- 7
- 9
- a
- Om
- ABSTRACT
- adgang
- tilgængelig
- imødekomme
- Konto
- opnå
- tværs
- Lov
- Desuden
- Yderligere
- adresse
- Reklame
- AI
- AI-tjenester
- Alle
- tillader
- Amazon
- beløb
- analyse
- analytics
- analysere
- fra hinanden
- api
- API'er
- Anvendelse
- applikationer
- anvendt
- tilgang
- passende
- arkitektur
- omkring
- kunstig
- kunstig intelligens
- kunstværk
- aktiv
- Aktiver
- forbundet
- lyd
- Automatisk Ur
- automatisk
- tilgængelighed
- AWS
- før
- være
- Bedre
- mellem
- grænse
- bygge
- Bygning
- indbygget
- virksomhed
- ringe
- kapaciteter
- Kapacitet
- tilfælde
- tilfælde
- afgifter
- Vælg
- klassificering
- kliniske forsøg
- Cloud
- coaching
- kode
- kombination
- Kom
- kommer
- kommerciel
- Virksomheder
- fuldføre
- komponent
- omfattende
- computer
- Datalogi
- Konceptet
- betingelser
- tillid
- Konfiguration
- Tilslut
- tilslutning
- samtykke
- Konsol
- kontakt
- indeholder
- indhold
- Tilsvarende
- Omkostninger
- kunne
- land
- skabe
- oprettet
- skaber
- skabelse
- Legitimationsoplysninger
- CTO
- skik
- kunde
- banebrydende
- instrumentbræt
- data
- databehandling
- afgørelser
- leverer
- Efterspørgsel
- demonstreret
- Danmark
- indsætte
- implementering
- destination
- destinationer
- detaljer
- opdaget
- Detektion
- Udvikler
- Udvikling
- digital
- Digitale aktiver
- opdagelse
- dokumenter
- Er ikke
- domæne
- Domæner
- ned
- medicin
- hver
- nemt
- nem at bruge
- økosystem
- Effektiv
- indsats
- muliggøre
- muliggør
- Endpoint
- ingeniør
- Engineering
- Engelsk
- Indtast
- Enterprise
- enheder
- Miljø
- begivenhed
- begivenheder
- at alt
- eksempel
- eksempler
- eksisterende
- erfaring
- udforske
- udvide
- Uddrag
- ansigter
- Feature
- Funktionalitet
- tilbagemeldinger
- kvinde
- Fields
- Filtre
- finde
- Fornavn
- flow
- fokuserer
- efter
- format
- fundet
- fra
- fuld
- funktion
- funktionalitet
- funktioner
- yderligere
- fremtiden
- Spil
- generelt
- genereret
- få
- piger
- Global
- tilskud
- hands-on
- hoved
- sundhedspleje
- hjælpe
- Høj
- hus
- Hvordan
- How To
- HTTPS
- menneskelig
- identifikator
- identificere
- Identity
- billede
- billeder
- importere
- omfatter
- medtaget
- Herunder
- indeks
- individuel
- industrier
- industrien
- oplysninger
- informeret
- indgang
- Indsætter
- indsigt
- indsigt
- installere
- forsikring
- integreret
- integration
- Intelligens
- interaktion
- interesseret
- grænseflade
- IP
- IP-adresse
- IT
- Job
- rejse
- Holde
- Nøgle
- mærkning
- Etiketter
- Sprog
- Sprog
- stor
- seneste
- lancere
- føre
- Forlade
- Life Sciences
- linjer
- LINK
- lokale
- Se
- maskine
- vedligeholde
- lave
- maerker
- administrere
- lykkedes
- ledelse
- måde
- manuel
- Produktion
- kortlægning
- Marketing
- herres
- materialer
- mekanisme
- medicinsk
- nævnte
- Metrics
- ML
- modeller
- mere
- mest
- bevæge sig
- flere
- Natural
- nødvendig
- behov
- næste
- Støj
- Tilbud
- offset
- åbent
- drift
- drift
- Optimer
- Indstillinger
- ordrer
- original
- Andet
- samlet
- egen
- ejerskab
- del
- Passing
- Adgangskode
- patient
- procentdel
- perfekt
- ydeevne
- Pharma
- spiller
- Vær venlig
- politikker
- politik
- afstemning
- pop-up
- præsentere
- tidligere
- Beskyttelse af personlige oplysninger
- problemer
- behandle
- Processer
- forarbejdning
- Processor
- producent
- Produkter
- professionelle partnere
- bevis
- Bevis for koncept
- ejendom
- protokoller
- give
- giver
- proxy
- offentlige
- offentliggøre
- formål
- formål
- skubbet
- Hurtig
- hurtigt
- hæve
- spænder
- nå
- Reagerer
- reaktion
- optage
- optegnelser
- lovgivningsmæssige
- relevant
- resterende
- repræsenteret
- anmodninger
- forskning
- Ressourcer
- svar
- resulterer
- Resultater
- detail
- roller
- regler
- Kør
- samme
- Skalerbarhed
- Scale
- planlagt
- Videnskab
- VIDENSKABER
- sikkert
- segment
- Serverless
- tjeneste
- Tjenester
- sæt
- indstilling
- Del
- Vis
- Simpelt
- siden
- websted
- Situationen
- lille
- So
- Software
- software som en tjeneste
- solid
- løsninger
- Løsninger
- SOLVE
- nogle
- speciale
- specifikke
- specifikationer
- stable
- standard
- starte
- påbegyndt
- Tilstand
- udsagn
- Status
- opbevaring
- butik
- forhandler
- strøm
- struktureret
- Studere
- væsentlig
- vellykket
- Succesfuld
- support
- Understøttet
- Støtte
- Understøtter
- systemet
- Systemer
- opgaver
- hold
- hold
- Teknisk
- Teknologier
- skabeloner
- vilkår
- The Source
- verdenen
- tre
- Gennem
- TIE
- tid
- tidskrævende
- værktøj
- mod
- spor
- Sporing
- overførsel
- overførsler
- Oversættelse
- udløst
- under
- forståelse
- enestående
- ubegrænset
- Opdatering
- opdateringer
- us
- brug
- validering
- værdi
- forskellige
- Vault
- udgave
- video
- videospil
- websites
- mens
- uden
- ord
- Arbejde
- arbejdede
- arbejder
- virker
- world
- år
- Din