IDP veldesignet brugerdefineret linse er beregnet til alle AWS-kunder, der bruger AWS til at køre intelligente dokumentbehandlingsløsninger (IDP) og søger efter vejledning i, hvordan man bygger en sikker, effektiv og pålidelig IDP-løsning på AWS.
Opbygning af en produktionsklar løsning i skyen involverer en række afvejninger mellem ressourcer, tid, kundeforventning og forretningsresultat. Det AWS velstruktureret rammeværk hjælper dig med at forstå fordelene og risiciene ved beslutninger, du træffer, mens du opbygger arbejdsbelastninger på AWS. Ved at bruge rammen lærer du operationelle og arkitektoniske bedste praksisser til at designe og drive pålidelige, sikre, effektive, omkostningseffektive og bæredygtige arbejdsbelastninger i skyen.
Et IDP-projekt kombinerer normalt optisk tegngenkendelse (OCR) og naturlig sprogbehandling (NLP) for at læse og forstå et dokument og uddrage specifikke termer eller ord. IDP Well-Architected Custom Lens skitserer trinene til at udføre en AWS Well-Architected-gennemgang, der giver dig mulighed for at vurdere og identificere tekniske risici ved dine IDP-arbejdsbelastninger. Det giver vejledning til at tackle de fælles udfordringer, vi ser i feltet, og hjælper dig med at opbygge dine IDP-arbejdsbelastninger i overensstemmelse med bedste praksis.
Dette indlæg fokuserer på pålidelighedssøjlen i IDP-løsningen. Med udgangspunkt i introduktionen af pålidelighedssøjlen og designprincipper, dykker vi derefter dybt ned i løsningsdesign og implementering med tre fokusområder: fundamenter, forandringsledelse og fejlhåndtering. Ved at læse dette indlæg vil du lære om pålidelighedssøjlen i Well-Architected Framework med IDP-casestudiet.
Designprincipper
Pålidelighedssøjlen omfatter en IDP-løsnings evne til at udføre dokumentbehandling korrekt og konsekvent, når det forventes og i overensstemmelse med de definerede forretningsregler. Dette inkluderer evnen til at betjene og teste hele IDP-workflowet og dets samlede livscyklus.
Der er en række principper, der kan hjælpe dig med at øge pålideligheden. Husk disse, når vi diskuterer bedste praksis:
- Gendan automatisk efter fejl – Ved at overvåge dit IDP-workflow for key performance indicators (KPI'er), kan du køre automatisering, når en tærskel overskrides. Dette giver dig mulighed for at spore og få besked automatisk, hvis der opstår en fejl og udløse automatiske gendannelsesprocesser, der omgår eller reparerer fejlen. Baseret på KPI-mål kan du også forudse fejl og anvende afhjælpende handlinger, før de opstår.
- Test gendannelsesprocedurer – Test, hvordan din IDP-arbejdsgang fejler, og valider gendannelsesprocedurer. Brug automatisering til at simulere forskellige scenarier eller genskabe scenarier, der førte til fejl.
- Skaler og juster servicekapacitet – Overvåg efterspørgsel og brug af IDP-workflow, og juster automatisk AWS-servicekapaciteten for at opretholde det optimale niveau for at tilfredsstille efterspørgslen uden over- eller underforsyning. Kontroller og vær opmærksom på servicekvoter, grænser og begrænsninger for dine IDP-komponenttjenester, som f.eks. amazontekst , Amazon Comprehend.
- Automatiser ændringer – Brug automatisering, når du anvender ændringer til din IDP-workflowinfrastruktur. Administrer ændringer gennem automatisering, som derefter kan spores og gennemgås.
Fokusområder
Designprincipperne og bedste praksis for pålidelighedssøjlen er baseret på indsigt indsamlet fra vores kunder og vores IDP tekniske specialistmiljøer. Brug dem som vejledning og støtte til dine designbeslutninger og afstem dem med dine forretningskrav til din IDP-løsning. Anvendelse af IDP Well-Architected Lens hjælper dig med at validere modstandsdygtigheden og effektiviteten af dit IDP-løsningsdesign og giver anbefalinger til at løse eventuelle huller, du måtte identificere.
Følgende er områder for bedste praksis for pålidelighed af en IDP-løsning i skyen:
- Fonde – AWS AI-tjenester som Amazon Textract og Amazon Comprehend giver et sæt bløde og hårde grænser for forskellige anvendelsesdimensioner. Det er vigtigt at gennemgå disse grænser og sikre, at din IDP-løsning overholder eventuelle bløde grænser, mens den ikke overskrider nogen hårde grænser.
- Forandringsledelse – Behandl din IDP-løsning som infrastruktur som kode (IaC), så du kan automatisere overvågning og ændringsstyring. Brug versionskontrol på tværs af komponenter såsom infrastruktur og Amazon Comprehend tilpassede modeller, og spor ændringer tilbage til tidspunktet for udgivelsen.
- Fejlhåndtering – Fordi et IDP-workflow er en hændelsesdrevet løsning, skal din applikation være modstandsdygtig til at håndtere kendte og ukendte fejl. En velkonstrueret IDP-løsning har evnen til at forhindre fejl og modstå fejl, når de opstår ved at bruge lognings- og genforsøgsmekanismer. Det er vigtigt at designe modstandsdygtighed i din IDP-workflowarkitektur og planlægge katastrofeoprettelse.
Fonde
AWS AI-tjenester leverer færdiglavet intelligens, såsom automatiseret dataudtræk og analyse, ved hjælp af Amazon Textract, Amazon Comprehend og Amazon Augmented AI (Amazon A2I), til dine IDP-arbejdsgange. Der er servicegrænser (eller kvoter) for disse tjenester for at undgå overprovisionering og for at begrænse anmodningsrater på API-operationer, hvilket beskytter tjenesterne mod misbrug.
Når du planlægger og designer din IDP-løsningsarkitektur, skal du overveje følgende bedste praksis:
- Vær opmærksom på uforanderlige Amazon Textract og Amazon Comprehend servicekvoter, grænser og begrænsninger – Accepterede filformater, størrelse og sideantal, sprog, dokumentrotationer og billedstørrelse er nogle eksempler på disse hårde grænser for Amazon Textract, som ikke kan ændres.
- Accepterede filformater omfatter JPEG-, PNG-, PDF- og TIFF-filer. (JPEG 2000-kodede billeder i PDF-filer understøttes). Dokumentforbehandling er påkrævet, før du bruger Amazon Textract, hvis filformatet ikke understøttes (f.eks. Microsoft Word eller Excel). I dette tilfælde skal du konvertere ikke-understøttede dokumentformater til PDF- eller billedformat.
- Amazon Comprehend har forskellige kvoter for indbyggede modeller, brugerdefinerede modeller og svinghjul. Sørg for, at din use case er tilpasset Amazon Comprehend-kvoter.
- Juster Amazon Textract og Amazon Comprehend servicekvoter for at imødekomme dine behov – Amazon Textract Service Quotas Calculator kan hjælpe dig med at estimere de kvoteværdier, der dækker din brugssituation. Du bør administrere dine servicekvoter på tværs af konti eller regioner, hvis du planlægger en disaster recovery failover mellem konti eller regioner for din løsning. Når du anmoder om en forhøjelse af Amazon Textract-kvoter, skal du sørge for at følge disse anbefalinger:
- Brug Amazon Textract Service Quotas Calculator til at estimere din optimale kvoteværdi.
- Ændringer i anmodninger kan forårsage spids netværkstrafik, hvilket påvirker gennemløbet. Brug en kø-serverløs arkitektur eller anden mekanisme til at udjævne trafik og få mest muligt ud af dine tildelte transaktioner pr. sekund (TPS).
- Implementer genforsøgslogik for at håndtere begrænsede opkald og afbrudte forbindelser.
- Konfigurer eksponentiel backoff og jitter for at forbedre gennemløbet.
Forandringsledelse
Ændringer i dit IDP-workflow eller dets miljø, såsom stigninger i efterspørgslen eller en beskadiget dokumentfil, skal forudses og tilpasses for at opnå en højere pålidelighed af løsningen. Nogle af disse ændringer er dækket af grundlagets bedste praksis beskrevet i det foregående afsnit, men de alene er ikke nok til at imødekomme ændringer. Følgende bedste praksis skal også overvejes:
- Brug amazoncloudwatch at overvåge dine IDP-workflowkomponenter, såsom Amazon Textract og Amazon Comprehend. Indsaml metrics fra IDP-workflowet, automatiser svar på alarmer, og send meddelelser efter behov til dine arbejdsgange og forretningsmål.
- Implementer din IDP-workflowløsning og alle infrastrukturændringer med automatisering ved hjælp af IaC, såsom AWS Cloud Development Kit (AWS CDK) og præbyggede IDP AWS CDK-konstruktioner. Dette fjerner potentialet for at introducere menneskelige fejl og giver dig mulighed for at teste, før du skifter til dit produktionsmiljø.
- Hvis din use case kræver en tilpasset Amazon Comprehend-model, kan du overveje at bruge et svinghjul for at forenkle processen med at forbedre den tilpassede model over tid. Et svinghjul orkestrerer opgaverne i forbindelse med træning og evaluering af en ny brugerdefineret modelversion.
- Hvis din use case kræver det, kan du tilpasse outputtet af Amazon Textract præ-trænede Queries funktion ved at træne og bruge en adapter til Amazon Textract basismodellen. Overvej følgende bedste praksis, når du opretter forespørgsler til dine adaptere:
- Adapterkvoter definerer de foregående grænser for adaptertræning. Overvej disse grænser, og rejs en anmodning om forhøjelse af servicekvoten, hvis det kræves:
- Maksimalt antal adaptere – Antal tilladte adaptere (du kan have flere adapterversioner under en enkelt adapter).
- Maksimal adapterversioner oprettet pr. måned – Antal vellykkede adapterversioner, der kan oprettes pr. AWS-konto pr. måned.
- Maksimal igangværende adapterversioner – Antal igangværende adapterversioner (adaptertræning) pr. konto.
- Sørg for at bruge et sæt dokumenter, der er repræsentative for din use case (minimum fem træningsdokumenter og fem testdokumenter).
- Giv så mange dokumenter til træning som muligt (op til 2,500 sider træningsdokumenter og 1,000 til testdokumenter).
- Annoter forespørgsler ved hjælp af en række forskellige svar. For eksempel, hvis svaret på en forespørgsel er "Ja" eller "Nej", skal de kommenterede eksempler have forekomster af både "Ja" og "Nej".
- Oprethold ensartethed i annoteringsstil og mens du annoterer felter med mellemrum.
- Brug den nøjagtige forespørgsel, der bruges i træningen til slutninger.
- Efter hver runde med adaptertræning skal du gennemgå præstationsmålingerne for at afgøre, om du skal forbedre din adapter yderligere for at nå dine mål. Upload et nyt dokumentsæt til træning, eller gennemgå dokumentanmærkninger, der har lave nøjagtighedsscore, før du starter en ny træning for at skabe en forbedret version af adapteren.
- Brug
AutoUpdate
funktion til brugerdefinerede adaptere. Denne funktion forsøger automatisk genoptræning, hvisAutoUpdate
flag er aktiveret på en adapter.
- Adapterkvoter definerer de foregående grænser for adaptertræning. Overvej disse grænser, og rejs en anmodning om forhøjelse af servicekvoten, hvis det kræves:
Fejlhåndtering
Når man designer en IDP-løsning, er et vigtigt aspekt at overveje dens robusthed, hvordan man håndterer kendte og ukendte fejl, der kan opstå. IDP-løsningen bør have evnerne til at logge fejl og prøve mislykkede operationer igen under de forskellige stadier af IDP-arbejdsgangen. I dette afsnit diskuterer vi detaljerne om, hvordan du designer din IDP-arbejdsgang til at håndtere fejl.
Forbered dit IDP-workflow til at håndtere og modstå fejl
"Alt fejler, hele tiden," er et berømt citat fra AWS CTO Werner Vogels. Din IDP-løsning vil, ligesom alt andet, til sidst mislykkes. Spørgsmålet er, hvordan det kan modstå fejl uden at påvirke dine IDP-løsningsbrugere. Dit IDP-arkitekturdesign skal være opmærksom på fejl, efterhånden som de opstår, og handle for at undgå indvirkning på tilgængeligheden. Dette skal ske automatisk og uden brugerpåvirkning. Overvej følgende bedste praksis:
- Brug Amazon Simple Storage Service (Amazon S3) som dit skalerbare datalager for IDP-workflow-dokumenter til at behandle. Amazon S3 giver en meget holdbar lagerinfrastruktur designet til missionskritisk og primær datalagring.
- Sikkerhedskopier alle dine IDP-workflowdata i henhold til dine forretningskrav. Implementer en strategi for at gendanne eller reproducere data i tilfælde af datatab. Juster denne strategi med et defineret Recovery Point Objective (RPO) og Recovery Time Objective (RTO), der opfylder dine forretningskrav.
- Hvis det er nødvendigt, planlæg og implementer en disaster recovery failover-strategi for din IDP-løsning på tværs af AWS-konti og regioner.
- Brug Amazon Textract
OutputConfig
feature og Amazon ComprehendOutputDataConfig
funktion til at gemme resultaterne af asynkron behandling fra Amazon Textract eller Amazon Comprehend til en udpeget S3-spand. Dette gør det muligt for arbejdsgangen at fortsætte fra det tidspunkt i stedet for at gentage Amazon Textract- eller Amazon Comprehend-påkaldelsen. Følgende kode viser, hvordan man starter et Amazon Textract asynkront API-job for at analysere et dokument og gemme krypteret inferensoutput i en defineret S3-bøtte. For yderligere information henvises til Amazon Textract-klientdokumentation.
Design din IDP-arbejdsgang for at forhindre fejl
Pålideligheden af en arbejdsbyrde starter med forudgående designbeslutninger. Arkitekturvalg vil påvirke din arbejdsbelastningsadfærd og dens modstandskraft. Følg disse bedste fremgangsmåder for at forbedre pålideligheden af din IDP-løsning.
For det første skal du designe din arkitektur efter IDP-workflowet. Selvom stadierne i en IDP-workflow kan variere og være påvirket af use case og forretningskrav, er stadierne med datafangst, dokumentklassificering, tekstudtræk, indholdsberigelse, gennemgang og validering og forbrug typisk dele af IDP-workflow. Disse veldefinerede trin kan bruges til at adskille funktionaliteter og isolere dem i tilfælde af fejl.
Du kan bruge Amazon Simple Queue Service (Amazon SQS) for at afkoble IDP-arbejdsgangsstadier. Et afkoblingsmønster hjælper med at isolere opførsel af arkitekturkomponenter fra andre komponenter, der er afhængige af det, hvilket øger robusthed og smidighed.
For det andet skal du kontrollere og begrænse genopkald. AWS-tjenester såsom Amazon Textract kan mislykkes, hvis det maksimale antal tildelte TPS overskrides, hvilket får tjenesten til at drosle din applikation eller afbryde din forbindelse.
Du bør administrere drosling og mistede forbindelser ved automatisk at prøve operationen igen (både synkrone og asynkrone operationer). Du bør dog også angive et begrænset antal genforsøg, hvorefter operationen mislykkes og afgiver en undtagelse. Hvis du foretager for mange opkald til Amazon Textract i løbet af kort tid, dæmper den dine opkald og sender en ProvisionedThroughputExceededExceptionerror
i operationssvaret.
Desuden brug eksponentiel backoff og jitter for genforsøg for at forbedre gennemløbet. Brug for eksempel Amazon Textract til at angive antallet af genforsøg ved at inkludere config
parameter, når du opretter Amazon Textract-klienten. Vi anbefaler, at du tæller fem igen. I følgende eksempelkode bruger vi config
parameter for automatisk at prøve en handling igen ved hjælp af adaptiv tilstand og maksimalt fem genforsøg:
Udnyt AWS SDK'er, såsom AWS SDK til Python (Boto3), at hjælpe med genforsøger klientopkald til AWS-tjenester som Amazon Textract og Amazon Comprehend. Der er tre genforsøgstilstande tilgængelige:
- Ældre tilstand – Genforsøg kræver et begrænset antal fejl og undtagelser og inkluderer en eksponentiel backoff med en basisfaktor på 2.
- Standard tilstand – Standardiserer genforsøgslogikken og adfærden i overensstemmelse med andre AWS SDK'er og udvider funktionaliteten af genforsøg i forhold til den, der findes i ældre tilstand. Ethvert genforsøg vil inkludere en eksponentiel backoff med en basisfaktor på 2 i en maksimal backoff-tid på 20 sekunder.
- Adaptiv tilstand – Indeholder alle funktionerne i standardtilstanden, og den introducerer en hastighedsbegrænsning på klientsiden gennem brug af en token-bøtte og hastighedsgrænsevariabler, der opdateres dynamisk med hvert genforsøg. Det giver fleksibilitet i genforsøg på klientsiden, der tilpasser sig fejl- eller undtagelsestilstandssvaret fra en AWS-tjeneste. Med hvert nyt genforsøg ændrer adaptiv tilstand hastighedsgrænsevariablerne baseret på fejlen, undtagelsen eller HTTP-statuskoden præsenteret i svaret fra AWS-tjenesten. Disse takstgrænsevariabler bruges derefter til at beregne en ny opkaldstakst for kunden. Hver undtagelse, fejl eller ikke-succes HTTP-svar fra en AWS-tjeneste opdaterer hastighedsgrænsevariablerne, efterhånden som genforsøg forekommer, indtil en succes er nået, token-bøtten er opbrugt, eller den konfigurerede maksimale forsøgsværdi er nået. Eksempler på undtagelser, fejl eller manglende HTTP-svar:
Konklusion
I dette indlæg delte vi designprincipper, fokusområder, grundlag og bedste praksis for pålidelighed i din IDP-løsning.
AWS er forpligtet til IDP Well-Architected Lens som et levende værktøj. Efterhånden som IDP-løsningerne og relaterede AWS AI-tjenester udvikler sig, og nye AWS-tjenester bliver tilgængelige, vil vi opdatere IDP-objektivet velarchiterede i overensstemmelse hermed.
Hvis du ønsker at lære mere om AWS Well-Architected Framework, se AWS velbygget.
Hvis du har brug for yderligere ekspertvejledning, skal du kontakte dit AWS-kontoteam for at ansætte en IDP Specialist Solutions Architect.
Om forfatterne
Rui Cardoso er partnerløsningsarkitekt hos Amazon Web Services (AWS). Han fokuserer på AI/ML og IoT. Han arbejder med AWS Partnere og støtter dem i at udvikle løsninger i AWS. Når han ikke arbejder, nyder han at cykle, vandre og lære nye ting.
Brijesh Pati er Enterprise Solutions Architect hos AWS. Hans primære fokus er at hjælpe virksomhedskunder med at anvende cloud-teknologier til deres arbejdsbelastninger. Han har en baggrund inden for applikationsudvikling og virksomhedsarkitektur og har arbejdet med kunder fra forskellige brancher som sport, finans, energi og professionel service. Hans interesser omfatter serverløse arkitekturer og AI/ML.
Mia Chang er en ML Specialist Solutions Architect for Amazon Web Services. Hun arbejder med kunder i EMEA og deler bedste praksis for at køre AI/ML-arbejdsbelastninger i skyen med sin baggrund i anvendt matematik, datalogi og AI/ML. Hun fokuserer på NLP-specifikke arbejdsbelastninger og deler sin erfaring som konferencetaler og bogforfatter. I sin fritid nyder hun at vandre, brætspil og brygge kaffe.
Tim Condello er en senior arkitekt inden for kunstig intelligens (AI) og maskinlæring (ML) specialistløsninger hos Amazon Web Services (AWS). Hans fokus er naturlig sprogbehandling og computersyn. Tim nyder at tage kundeideer og omsætte dem til skalerbare løsninger.
Sherry Ding er en senior arkitekt inden for kunstig intelligens (AI) og maskinlæring (ML) specialistløsninger hos Amazon Web Services (AWS). Hun har stor erfaring med maskinlæring med en ph.d.-grad i datalogi. Hun arbejder hovedsageligt med kunder i den offentlige sektor om forskellige AI/ML-relaterede forretningsudfordringer og hjælper dem med at accelerere deres maskinlæringsrejse på AWS Cloud. Når hun ikke hjælper kunder, nyder hun udendørsaktiviteter.
Suyin Wang er AI/ML Specialist Solutions Architect hos AWS. Hun har en tværfaglig uddannelsesbaggrund i Machine Learning, Financial Information Service og Economics, sammen med mange års erfaring med at bygge Data Science og Machine Learning-applikationer, der løste forretningsproblemer i den virkelige verden. Hun nyder at hjælpe kunder med at identificere de rigtige forretningsspørgsmål og bygge de rigtige AI/ML-løsninger. I sin fritid elsker hun at synge og lave mad.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/build-well-architected-idp-solutions-with-a-custom-lens-part-3-reliability/
- :har
- :er
- :ikke
- $OP
- 000
- 1
- 100
- 15 %
- 17
- 20
- 500
- 7
- a
- evne
- Om
- misbrug
- fremskynde
- accepteret
- imødekomme
- Ifølge
- derfor
- Konto
- Konti
- nøjagtighed
- opnå
- tværs
- Handling
- aktioner
- aktiviteter
- adaptive
- tilpasser
- Desuden
- Yderligere
- yderligere information
- adresse
- vedtage
- Fordel
- påvirker
- Efter
- AI
- AI-tjenester
- AI / ML
- tilpasse
- justeret
- Alle
- allokeret
- tilladt
- tillade
- tillader
- alene
- sammen
- også
- Skønt
- Amazon
- Amazon Comprehend
- amazontekst
- Amazon Web Services
- Amazon Web Services (AWS)
- blandt
- an
- analyse
- analysere
- ,
- besvare
- svar
- foregribe
- Forventet
- enhver
- api
- Anvendelse
- Application Development
- applikationer
- anvendt
- Indløs
- Anvendelse
- arkitektonisk
- arkitektur
- ER
- områder
- omkring
- kunstig
- kunstig intelligens
- Kunstig intelligens (AI)
- AS
- udseende
- vurdere
- hjælpe
- forbundet
- At
- forsøg
- Forsøg på
- augmented
- forfatter
- automatisere
- Automatiseret
- automatisk
- Automation
- tilgængelighed
- til rådighed
- undgå
- opmærksom på
- AWS
- tilbage
- baggrund
- bund
- baseret
- BE
- fordi
- bliver
- før
- adfærd
- fordele
- BEDSTE
- bedste praksis
- mellem
- board
- Brætspil
- bog
- både
- bygge
- Bygning
- indbygget
- virksomhed
- men
- by
- beregne
- ringe
- Opkald
- CAN
- kapaciteter
- Kapacitet
- fange
- tilfælde
- casestudie
- Årsag
- forårsager
- udfordringer
- lave om
- ændret
- Ændringer
- skiftende
- karakter
- karaktergenkendelse
- valg
- klassificering
- kunde
- Cloud
- kode
- koder
- Kaffe
- indsamler
- kombinerer
- engageret
- Fælles
- Fællesskaber
- komponenter
- forstå
- computer
- Datalogi
- Computer Vision
- Konference
- konfigureret
- tilslutning
- Tilslutninger
- Overvej
- betragtes
- konsekvent
- konsekvent
- begrænsninger
- konstruktioner
- forbrug
- kontakt
- indhold
- fortsæt
- kontrol
- konvertere
- korrekt
- beskadiget
- omkostningseffektiv
- dæksel
- dækket
- skabe
- oprettet
- Oprettelse af
- CTO
- skik
- kunde
- Kunder
- tilpasse
- data
- datatab
- datalogi
- data opbevaring
- afgørelser
- dyb
- definere
- definerede
- Degree
- Efterspørgsel
- afhænge
- beskrevet
- Design
- design principper
- udpeget
- konstrueret
- designe
- detaljer
- Bestem
- udvikling
- Udvikling
- forskellige
- størrelse
- katastrofe
- diskutere
- dyk
- dokumentet
- dokumenter
- færdig
- Drop
- droppet
- i løbet af
- dynamisk
- hver
- Økonomi
- Uddannelse
- effektivitet
- effektiv
- andet
- EMEA
- aktiveret
- muliggør
- vedrører generelt
- krypteret
- energi
- engagere
- nok
- berigelse
- sikre
- Enterprise
- Miljø
- fejl
- fejl
- skøn
- evaluere
- til sidst
- at alt
- udvikle sig
- eksempel
- eksempler
- overskredet
- overstiger
- Excel
- undtagelse
- forventning
- forventet
- erfaring
- ekspert
- eksponentiel
- udvider
- omfattende
- Omfattende oplevelse
- ekstrakt
- udvinding
- faktor
- FAIL
- mislykkedes
- mislykkes
- Manglende
- fejl
- berømt
- Feature
- Funktionalitet
- felt
- Fields
- File (Felt)
- Filer
- finansiere
- finansielle
- økonomisk information
- fem
- Fleksibilitet
- Fokus
- fokuserer
- fokusering
- følger
- efter
- Til
- format
- formularer
- fundet
- Fonde
- Framework
- Gratis
- fra
- fuld
- funktionaliteter
- funktionalitet
- yderligere
- Spil
- huller
- indsamlede
- få
- Mål
- vejledning
- håndtere
- Håndtering
- Hård Ost
- Have
- he
- hjælpe
- hjælpe
- hjælper
- hende
- højere
- stærkt
- hans
- Hvordan
- How To
- Men
- HTML
- http
- HTTPS
- menneskelig
- ideer
- identificere
- if
- billede
- billeder
- KIMOs Succeshistorier
- påvirker
- gennemføre
- implementering
- importere
- vigtigt
- vigtigt aspekt
- Forbedre
- forbedret
- forbedring
- in
- omfatter
- omfatter
- Herunder
- Forøg
- stigende
- Indikatorer
- industrier
- påvirket
- oplysninger
- Infrastruktur
- indsigt
- Intelligens
- Intelligent
- Intelligent dokumentbehandling
- beregnet
- interesser
- ind
- Introducerer
- indføre
- Introduktion
- tingenes internet
- IT
- ITS
- Job
- rejse
- jpg
- Holde
- Nøgle
- kendt
- Sprog
- Sprog
- Layout
- LÆR
- læring
- Led
- Legacy
- Niveau
- livscyklus
- ligesom
- GRÆNSE
- Limited
- begrænsende
- grænser
- levende
- logning
- logik
- off
- elsker
- Lav
- maskine
- machine learning
- hovedsageligt
- vedligeholde
- lave
- administrere
- ledelse
- mange
- matematik
- maksimal
- Kan..
- foranstaltninger
- mekanisme
- mekanismer
- Mød
- Metrics
- microsoft
- måske
- tankerne
- minimum
- ML
- tilstand
- model
- modeller
- modes
- Overvåg
- overvågning
- Måned
- mere
- mest
- skal
- navn
- Natural
- Natural Language Processing
- Behov
- netværk
- netværkstrafik
- Ny
- NLP
- meddelelser
- nummer
- objektiv
- målsætninger
- OCR
- of
- Tilbud
- on
- ONE
- betjene
- drift
- drift
- operationelle
- Produktion
- optisk tegngenkendelse
- optimal
- or
- Andet
- vores
- ud
- Resultat
- konturer
- output
- i løbet af
- side
- sider
- parameter
- del
- partner
- partnere
- dele
- Mønster
- per
- Udfør
- ydeevne
- udfører
- periode
- phd
- Søjle
- fly
- planlægning
- plato
- Platon Data Intelligence
- PlatoData
- Punkt
- mulig
- Indlæg
- potentiale
- praksis
- praksis
- forelagt
- forhindre
- tidligere
- primære
- principper
- problemer
- procedurer
- behandle
- Processer
- forarbejdning
- produktion
- professionel
- projekt
- beskyttelse
- give
- giver
- offentlige
- Python
- forespørgsler
- spørgsmål
- Spørgsmål
- citere
- rejse
- Sats
- priser
- hellere
- nået
- Læs
- Læsning
- virkelige verden
- anerkendelse
- anbefaler
- anbefalinger
- Recover
- opsving
- henvise
- regioner
- relaterede
- frigive
- pålidelighed
- pålidelig
- fjerner
- reparere
- gentag
- repræsentativt
- anmode
- anmodninger
- kræver
- påkrævet
- Krav
- Kræver
- modstandskraft
- elastisk
- Ressourcer
- svar
- reaktioner
- Resultater
- gennemgå
- revideret
- højre
- risici
- rundt
- regler
- Kør
- kører
- skalerbar
- scenarier
- Videnskab
- SDK
- sdks
- søgning
- Anden
- sekunder
- Sektion
- sektor
- sikker
- se
- send
- sender
- senior
- adskille
- Series
- Serverless
- tjeneste
- Tjenester
- sæt
- flere
- delt
- Aktier
- hun
- Kort
- bør
- Shows
- Underskrifter
- Simpelt
- forenkle
- enkelt
- Størrelse
- Sænk farten
- udjævne
- Soft
- løsninger
- Løsninger
- nogle
- rum
- Højttaler
- specialist
- specifikke
- specifikt
- spikes
- Sport
- etaper
- standard
- starte
- Starter
- starter
- Tilstand
- Status
- Steps
- opbevaring
- butik
- Strategi
- String
- Studere
- stil
- succes
- vellykket
- sådan
- support
- Understøttet
- Støtte
- sikker
- bæredygtig
- tackle
- Tag
- tager
- opgaver
- hold
- Teknisk
- Teknologier
- vilkår
- prøve
- Test
- tekst
- end
- at
- deres
- Them
- derefter
- Der.
- Disse
- de
- ting
- denne
- dem
- tre
- tærskel
- Gennem
- kapacitet
- Tim
- tid
- til
- token
- også
- værktøj
- I alt
- TPS
- spor
- Trafik
- Kurser
- Transaktioner
- behandle
- udløse
- Drejning
- typisk
- under
- forstå
- ukendt
- indtil
- Opdatering
- opdateret
- opdateringer
- Brug
- brug
- brug tilfælde
- anvendte
- Bruger
- brugere
- ved brug af
- sædvanligvis
- VALIDATE
- validering
- værdi
- Værdier
- række
- forskellige
- udgave
- versioner
- vision
- ønsker
- we
- web
- webservices
- veldefinerede
- hvornår
- som
- mens
- WHO
- vilje
- med
- inden for
- uden
- ord
- ord
- Arbejde
- arbejdede
- workflow
- arbejdsgange
- arbejder
- virker
- år
- Du
- Din
- zephyrnet