Dette indlæg er medforfattet af Daryl Martis, produktdirektør, Salesforce Einstein AI.
Dette er det tredje indlæg i en serie, der diskuterer integrationen af Salesforce Data Cloud og Amazon SageMaker.
In del 1 , del 2, viser vi, hvordan integrationen af Salesforce Data Cloud og Einstein Studio med SageMaker giver virksomheder mulighed for at få adgang til deres Salesforce-data sikkert ved hjælp af SageMaker og bruge dets værktøjer til at bygge, træne og implementere modeller til slutpunkter, der hostes på SageMaker. SageMaker-slutpunkter kan registreres til Salesforce Data Cloud for at aktivere forudsigelser i Salesforce.
I dette indlæg demonstrerer vi, hvordan forretningsanalytikere og borgerdataforskere kan skabe maskinlæringsmodeller (ML) uden nogen kode i Amazon SageMaker lærred og implementer trænede modeller til integration med Salesforce Einstein Studio for at skabe kraftfulde forretningsapplikationer. SageMaker Canvas giver en kodefri oplevelse for at få adgang til data fra Salesforce Data Cloud og bygge, teste og implementere modeller med blot et par klik. SageMaker Canvas giver dig også mulighed for at forstå dine forudsigelser ved hjælp af funktionsvigtighed og SHAP-værdier, hvilket gør det nemt for dig at forklare forudsigelser lavet af ML-modeller.
SageMaker lærred
SageMaker Canvas gør det muligt for forretningsanalytikere og datavidenskabsteams at bygge og bruge ML og generative AI-modeller uden at skulle skrive en enkelt linje kode. SageMaker Canvas giver en visuel peg-og-klik-grænseflade til at generere nøjagtige ML-forudsigelser til klassificering, regression, prognoser, naturlig sprogbehandling (NLP) og computersyn (CV). Derudover kan du tilgå og vurdere funderingsmodeller (FM'er) fra Amazonas grundfjeld eller offentlige FM'er fra Amazon SageMaker JumpStart til indholdsgenerering, tekstudtrækning og tekstresumé for at understøtte generative AI-løsninger. SageMaker Canvas giver dig mulighed for bringe ML-modeller bygget overalt og generere forudsigelser direkte i SageMaker Canvas.
Salesforce Data Cloud og Einstein Studio
Salesforce Data Cloud er en dataplatform, der giver virksomheder opdateringer i realtid af deres kundedata fra ethvert berøringspunkt.
Einstein Studio er en gateway til AI-værktøjer på Salesforce Data Cloud. Med Einstein Studio kan administratorer og dataforskere uden besvær skabe modeller med et par klik eller ved hjælp af kode. Einstein Studios oplevelse med bring your own model (BYOM) giver mulighed for at forbinde brugerdefinerede eller generative AI-modeller fra eksterne platforme såsom SageMaker til Salesforce Data Cloud.
Løsningsoversigt
For at demonstrere, hvordan du kan bygge ML-modeller ved hjælp af data i Salesforce Data Cloud ved hjælp af SageMaker Canvas, opretter vi en prædiktiv model til at anbefale et produkt. Denne model bruger de funktioner, der er gemt i Salesforce Data Cloud, såsom kundedemografi, marketingengagementer og købshistorik. Produktanbefalingsmodellen er bygget og implementeret ved hjælp af SageMaker Canvas-brugergrænsefladen uden kode ved hjælp af data i Salesforce Data Cloud.
Vi bruger følgende eksempeldatasæt gemt i Amazon Simple Storage Service (Amazon S3). For at bruge dette datasæt i Salesforce Data Cloud, se Opret Amazon S3 Data Stream i Data Cloud. Følgende attributter er nødvendige for at skabe modellen:
- Klubmedlem – Hvis kunden er klubmedlem
- Kampagne – Kampagnen kunden er en del af
- Tilstand – Den stat eller provins kunden er bosat i
- Måned – Købsmåneden
- Sagstælling – Antallet af sager rejst af kunden
- Sagstype Retur – Om kunden har returneret noget produkt inden for det seneste år
- Sagstype Forsendelse beskadiget – Om kunden har haft nogle forsendelser beskadiget det sidste år
- Engagement Score – Det niveau af engagement kunden har (svar på mailkampagner, logins til onlinebutikken osv.)
- Ejerforholdet – Varigheden af kundeforholdet med virksomheden
- Klik – Det gennemsnitlige antal klik, kunden har foretaget inden for en uge før købet
- Besøgte sider – Det gennemsnitlige antal sider, kunden besøgte inden for en uge før købet
- Produkt købt – Det faktiske købte produkt
De følgende trin giver et overblik over, hvordan du bruger Salesforce Data Cloud-forbindelsen, der er lanceret i SageMaker Canvas, til at få adgang til dine virksomhedsdata og bygge en forudsigelig model:
- Konfigurer den Salesforce-forbundne app til at registrere SageMaker Canvas-domænet.
- Konfigurer OAuth til Salesforce Data Cloud i SageMaker Canvas.
- Opret forbindelse til Salesforce Data Cloud-data ved hjælp af den indbyggede SageMaker Canvas Salesforce Data Cloud-connector, og importer datasættet.
- Byg og træne modeller i SageMaker Canvas.
- Implementer modellen i SageMaker Canvas og lav forudsigelser.
- Indsæt en Amazon API Gateway endepunkt som en front-end-forbindelse til SageMaker-slutningsendepunktet.
- Registrer API Gateway-endepunktet i Einstein Studio. For instruktioner, se Bring dine egne AI-modeller til Data Cloud.
Følgende diagram illustrerer løsningsarkitekturen.
Forudsætninger
Før du går i gang, skal du udføre følgende forudsætningstrin for at oprette et SageMaker-domæne og aktivere SageMaker Canvas:
- Opret en Amazon SageMaker Studio domæne. For instruktioner, se Ombord på Amazon SageMaker Domain.
- Notér domæne-id'et og den udførelsesrolle, der er oprettet og vil blive brugt af din brugerprofil. Du tilføjer tilladelser til denne rolle i de efterfølgende trin.
Følgende skærmbillede viser det domæne, vi oprettede til dette indlæg.
- Gå derefter til brugerprofilen og vælg Redigere.
- Naviger til Amazon SageMaker Canvas-indstillinger sektion og vælg Aktiver Canvas-basetilladelser.
- Type Aktiver direkte implementeringer af Canvas-modeller , Aktiver modelregistreringstilladelser for alle brugere.
Dette giver SageMaker Canvas mulighed for at implementere modeller til slutpunkter på SageMaker-konsollen. Disse indstillinger kan konfigureres på domæne- eller brugerprofilniveau. Brugerprofilindstillinger har forrang over domæneindstillinger.
Opret eller opdater den Salesforce-forbundne app
Dernæst opretter vi en Salesforce-forbundet app for at aktivere OAuth-flowet fra SageMaker Canvas til Salesforce Data Cloud. Udfør følgende trin:
- Log ind på Salesforce og naviger til Opsætning.
- Søg efter App manager og opret en ny tilsluttet app.
- Angiv følgende input:
- Til Navn på tilsluttet app, indtast et navn.
- Til API-navn, forlad som standard (det udfyldes automatisk).
- Til Kontakt Email, skal du indtaste din kontakt-e-mailadresse.
- Type Aktiver OAuth-indstillinger.
- Til Tilbagekalds-URL, gå ind
https://<domain-id>.studio.<region>.sagemaker.aws/canvas/default/lab
, og angiv domæne-id'et og regionen fra dit SageMaker-domæne.
- Konfigurer følgende omfang på din tilsluttede app:
- Administrer brugerdata via API'er (
api
). - Udfør anmodninger til enhver tid (
refresh_token
,offline_access
). - Udfør ANSI SQL-forespørgsler på Salesforce Data Cloud-data (Data
Cloud_query_api
). - Administrer Data Cloud-profildata (
Data Cloud_profile_api
). - Få adgang til identitets-URL-tjenesten (
id
,profile
,email
,address
,phone
). - Få adgang til unikke bruger-id'er (
openid
).
- Administrer brugerdata via API'er (
- Indstil din tilsluttede app IP afslapning indstilling til Slap af IP-begrænsninger.
Konfigurer OAuth-indstillinger for Salesforce Data Cloud-connectoren
SageMaker Canvas bruger AWS Secrets Manager for sikkert at gemme forbindelsesoplysninger fra den Salesforce-tilsluttede app. SageMaker Canvas giver administratorer mulighed for at konfigurere OAuth-indstillinger for en individuel brugerprofil eller på domæneniveau. Bemærk, at du kan tilføje en hemmelighed til både et domæne og brugerprofil, men SageMaker Canvas leder efter hemmeligheder i brugerprofilen først.
For at konfigurere dine OAuth-indstillinger skal du udføre følgende trin:
- Naviger for at redigere domæne- eller brugerprofilindstillinger i SageMaker Console.
- Vælg Lærredsindstillinger i navigationsruden.
- Under OAuth-indstillinger, For Datakilde, vælg Salesforce Data Cloud.
- Til Hemmelig opsætning, kan du oprette en ny hemmelighed eller bruge en eksisterende hemmelighed. I dette eksempel opretter vi en ny hemmelighed og indtaster klient-id'et og klienthemmeligheden fra den Salesforce-forbundne app.
For flere detaljer om aktivering af OAuth i SageMaker Canvas, se Konfigurer OAuth til Salesforce Data Cloud.
Dette fuldender opsætningen for at muliggøre dataadgang fra Salesforce Data Cloud til SageMaker Canvas for at bygge AI- og ML-modeller.
Importer data fra Salesforce Data Cloud
For at importere dine data skal du udføre følgende trin:
- Fra den brugerprofil, du oprettede med dit SageMaker-domæne, skal du vælge Launch og vælg Lærred.
Første gang du åbner din Canvas-app, vil det tage omkring 10 minutter at oprette.
- Vælg Data Wrangler i navigationsruden.
- På Opret menu, vælg tabular at oprette et tabeldatasæt.
- Navngiv datasættet og vælg Opret.
- Til Datakilde, vælg Salesforce Data Cloud , Tilføj forbindelse for at importere datasø-objektet.
Hvis du tidligere har konfigureret en forbindelse til Salesforce Data Cloud, vil du se en mulighed for at bruge denne forbindelse i stedet for at oprette en ny.
- Angiv et navn til en ny Salesforce Data Cloud-forbindelse, og vælg Tilføj forbindelse.
Det vil tage et par minutter at fuldføre.
- Du bliver omdirigeret til Salesforce login side for at godkende forbindelsen.
Når login er vellykket, vil anmodningen blive omdirigeret tilbage til SageMaker Canvas med data Lake-objektlisten.
- Vælg det datasæt, der indeholder funktionerne til modeltræning, som blev uploadet via Amazon S3.
- Træk og slip filen, og vælg derefter Rediger i SQL.
Salesforce tilføjer en “__c
“ til alle Data Cloud-objektfelterne. I henhold til SageMaker Canvas navnekonvention, ”__“
er ikke tilladt i feltnavnene.
- Rediger SQL'en for at omdøbe kolonnerne og slippe metadata, der ikke er relevante for modeltræning. Erstat tabelnavnet med dit objektnavn.
- Vælg Kør SQL og så Opret datasæt.
- Vælg datasættet og vælg Lav en model.
- For at oprette en model til at forudsige en produktanbefaling skal du angive et modelnavn, vælge Forudsigende analyse forum Problektype, og vælg Opret.
Byg og træne modellen
Udfør følgende trin for at bygge og træne din model:
- Når modellen er lanceret, skal du indstille målkolonnen til
product_purchased
.
SageMaker Canvas viser nøglestatistikker og korrelationer for hver kolonne til målkolonnen. SageMaker Canvas giver dig værktøjer til at forhåndsvise din model og validere data, før du begynder at bygge.
- Brug funktionen til forhåndsvisning af modellen til at se nøjagtigheden af din model og valider dit datasæt for at forhindre problemer, mens du bygger modellen.
- Efter at have gennemgået dine data og foretaget eventuelle ændringer i dit datasæt, skal du vælge din byggetype. Det Hurtig opbygning muligheden kan være hurtigere, men den vil kun bruge en delmængde af dine data til at bygge en model. Til formålet med dette indlæg valgte vi Standard opbygning valgmulighed.
En standard build kan tage 2-4 timer at gennemføre.
SageMaker Canvas håndterer automatisk manglende værdier i dit datasæt, mens det bygger modellen. Det vil også anvende andre dataforberedende transformationer, så du kan gøre dataene klar til ML.
- Når din model er begyndt at bygge, kan du forlade siden.
Når modellen viser som Ready på den Mine modeller side, er den klar til analyse og forudsigelser.
- Når modellen er bygget, skal du navigere til My modeller, vælg Specifikation for at se den model, du har oprettet, og vælg den seneste version.
- Gå til Analyser fanen for at se virkningen af hver funktion på forudsigelsen.
- For yderligere information om modellens forudsigelser, naviger til Scoring fane.
- Vælg Forudsige at starte en produktforudsigelse.
Implementer modellen og lav forudsigelser
Udfør følgende trin for at implementere din model og begynde at lave forudsigelser:
- Du kan vælge at lave enten batch- eller enkeltforudsigelser. Til formålet med dette indlæg vælger vi Enkelt forudsigelse.
Når du vælger Enkelt forudsigelse, SageMaker Canvas viser de funktioner, som du kan give input til.
- Du kan ændre værdierne ved at vælge Opdatering og se forudsigelsen i realtid.
Nøjagtigheden af modellen samt virkningen af hver funktion for den specifikke forudsigelse vil blive vist.
- For at implementere modellen skal du angive et implementeringsnavn, vælge en instanstype og instansantal og vælge Implementer.
Modelimplementeringen vil tage et par minutter.
Modelstatus opdateres til I brug efter implementeringen er vellykket.
SageMaker Canvas giver mulighed for at teste implementeringen.
- Vælg Se detaljer.
Detaljer fanen giver modellens slutpunktsdetaljer. Forekomsttype, antal, inputformat, svarindhold og slutpunkt er nogle af de vigtigste detaljer, der vises.
- Vælg Test implementering for at teste det implementerede slutpunkt.
I lighed med en enkelt forudsigelse viser visningen inputfunktionerne og giver mulighed for at opdatere og teste slutpunktet i realtid.
Den nye forudsigelse sammen med resultatet af slutpunktsankaldelsen returneres til brugeren.
Opret API for at afsløre SageMaker Endpoint
For at generere forudsigelser, der driver forretningsapplikationer i Salesforce, skal du afsløre SageMaker-slutningsendepunktet, der er oprettet af din SageMaker Canvas-implementering via API Gateway og registrere det i Salesforce Einstein.
Forespørgsels- og svarformaterne varierer mellem Salesforce Einstein og SageMaker-slutpunktet. Du kan enten bruge API Gateway til at udføre transformationen eller bruge AWS Lambda at transformere anmodningen og kortlægge svaret. Henvise til Kald et Amazon SageMaker-modelslutpunkt ved hjælp af Amazon API Gateway og AWS Lambda at eksponere et SageMaker-slutpunkt via Lambda og API Gateway.
Følgende kodestykke er en Lambda-funktion til at transformere anmodningen og svaret
Opdatér endpoint
, prediction_label
værdier i Lambda-funktionen baseret på din konfiguration.
- Tilføj en miljøvariabel
SAGEMAKER_ENDPOINT_NAME
for at fange SageMaker-slutpunktet. - Indstil forudsigelsesetiketten til at matche modeloutput JSON-nøgle, der er registreret i Einstein Studio.
Standard timeout for en Lambda-funktion er 3 sekunder. Afhængigt af inputstørrelsen for forudsigelsesanmodningen kan SageMaker real-time inference API tage mere end 3 sekunder at svare.
- Forøg Lambda-funktionens timeout, men hold den under API Gateway standard integration timeout, hvilket er 29 sekunder.
Registrer modellen i Salesforce Einstein Studio
For at registrere API Gateway-endepunktet i Einstein Studio, se Bring dine egne AI-modeller til Data Cloud.
Konklusion
I dette indlæg forklarede vi, hvordan du kan bruge SageMaker Canvas til at oprette forbindelse til Salesforce Data Cloud og generere forudsigelser gennem automatiserede ML-funktioner uden at skrive en enkelt linje kode. Vi demonstrerede SageMaker Canvas modelbyggeevne til at udføre en tidlig forhåndsvisning af din modelydeevne, før du kører standardbygningen, der træner modellen med det fulde datasæt. Vi fremviste også aktiviteter efter modeloprettelse som f.eks. at bruge den enkelte forudsigelsesgrænseflade i SageMaker Canvas og at forstå dine forudsigelser ved at bruge funktionernes betydning. Dernæst brugte vi SageMaker-slutpunktet oprettet i SageMaker Canvas og gjorde det tilgængeligt som en API, så du kan integrere det med Salesforce Einstein Studio og skabe kraftfulde Salesforce-applikationer.
I et kommende indlæg vil vi vise dig, hvordan du bruger data fra Salesforce Data Cloud i SageMaker Canvas til at gøre dataindsigt og forberedelse endnu mere ligetil ved at bruge en visuel grænseflade og enkle naturlige sprogprompter.
For at komme i gang med SageMaker Canvas, se SageMaker Canvas fordybelsesdag og henvise til Kom godt i gang med Amazon SageMaker Canvas.
Om forfatterne
Daryl Martis er produktdirektør for Einstein Studio hos Salesforce Data Cloud. Han har over 10 års erfaring med at planlægge, bygge, lancere og administrere løsninger i verdensklasse til virksomhedskunder, herunder AI/ML og cloud-løsninger. Han har tidligere arbejdet i finanssektoren i New York City. Følg ham videre Linkedin.
Rachna Chadha er Principal Solutions Architect AI/ML i Strategic Accounts hos AWS. Rachna er en optimist, der mener, at etisk og ansvarlig brug af kunstig intelligens kan forbedre samfundet i fremtiden og bringe økonomisk og social velstand. I sin fritid kan Rachna godt lide at bruge tid med sin familie, vandreture og lytte til musik.
Ife Stewart er Principal Solutions Architect i det strategiske ISV-segment hos AWS. Hun har været engageret i Salesforce Data Cloud i løbet af de sidste 2 år for at hjælpe med at opbygge integrerede kundeoplevelser på tværs af Salesforce og AWS. Ife har over 10 års erfaring inden for teknologi. Hun er fortaler for mangfoldighed og inklusion på teknologiområdet.
Ravi Bhattiprolu er Sr. Partner Solutions Architect hos AWS. Ravi samarbejder med strategiske partnere, Salesforce og Tableau, for at levere innovative og veldesignede produkter og løsninger, der hjælper fælles kunder med at realisere deres forretningsmål.
Miriam Lebowitz er Solutions Architect i det strategiske ISV-segment hos AWS. Hun er engageret i teams på tværs af Salesforce, herunder Salesforce Data Cloud, og har specialiseret sig i dataanalyse. Uden for arbejdet nyder hun at bage, rejse og tilbringe kvalitetstid med venner og familie.
- 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/democratize-ml-on-salesforce-data-cloud-with-no-code-amazon-sagemaker-canvas/
- :har
- :er
- :ikke
- $OP
- 1
- 10
- 100
- 29
- 7
- 8
- a
- Om
- adgang
- Konti
- nøjagtighed
- præcis
- tværs
- aktiviteter
- faktiske
- tilføje
- Desuden
- Yderligere
- yderligere information
- adresse
- Tilføjer
- administratorer
- fortaler
- Efter
- AI
- AI modeller
- AI / ML
- Alle
- tilladt
- tillader
- sammen
- også
- Amazon
- Amazon API Gateway
- Amazon SageMaker
- Amazon SageMaker lærred
- Amazon Web Services
- an
- analyse
- Analytikere
- analytics
- ,
- enhver
- api
- API'er
- app
- applikationer
- Indløs
- arkitektur
- ER
- AS
- At
- attributter
- bemyndige
- Automatiseret
- automatisk
- til rådighed
- gennemsnit
- AWS
- tilbage
- bund
- baseret
- BE
- været
- før
- begynde
- mener
- jf. nedenstående
- mellem
- krop
- både
- bringe
- bygge
- Bygning
- bygger
- bygget
- indbygget
- virksomhed
- Business Applications
- virksomheder
- men
- by
- california
- Kampagne
- Kampagner
- CAN
- canvas
- kapacitet
- fange
- tilfælde
- lave om
- Ændringer
- Vælg
- vælge
- borger
- By
- klassificering
- kunde
- Cloud
- klub
- kode
- Kolonne
- Kolonner
- fuldføre
- Fuldender
- computer
- Computer Vision
- Adfærd
- Konfiguration
- konfigureret
- Tilslut
- tilsluttet
- tilslutning
- Konsol
- kontakt
- indeholder
- indhold
- Indholdsgenerering
- sammenhæng
- Konventionen
- korrelationer
- kunne
- skabe
- oprettet
- Oprettelse af
- skabelse
- skik
- kunde
- kundedata
- Kunder
- data
- dataadgang
- Dataanalyse
- Data Lake
- Dataplatform
- datalogi
- Standard
- levere
- demokratisere
- Demografi
- demonstrere
- demonstreret
- Afhængigt
- indsætte
- indsat
- implementering
- implementeringer
- detaljer
- direkte
- direkte
- Direktør
- diskuterer
- vises
- displays
- Mangfoldighed
- Mangfoldighed og inkludering
- domæne
- ned
- Drop
- hver
- Tidligt
- Økonomisk
- ubesværet
- Einstein
- enten
- muliggøre
- muliggør
- muliggør
- Endpoint
- beskæftiget
- engagement
- engagementer
- Indtast
- Enterprise
- Miljø
- etisk
- evaluere
- Endog
- begivenhed
- eksempel
- udførelse
- eksisterende
- erfaring
- Oplevelser
- Forklar
- forklarede
- ekstern
- udvinding
- familie
- hurtigere
- Feature
- Funktionalitet
- få
- felt
- Fields
- File (Felt)
- finansielle
- finansielle tjenesteydelser
- Fornavn
- første gang
- flow
- følger
- efter
- Til
- format
- Foundation
- venner
- fra
- fuld
- funktion
- fremtiden
- gateway
- generere
- generation
- generative
- Generativ AI
- få
- Giv
- Go
- havde
- Håndterer
- have
- he
- hjælpe
- hende
- ham
- historie
- hostede
- HOURS
- Hvordan
- How To
- HTML
- http
- HTTPS
- ID
- identifikatorer
- Identity
- if
- illustrerer
- nedsænkning
- KIMOs Succeshistorier
- importere
- betydning
- Forbedre
- in
- Herunder
- inklusion
- individuel
- industrien
- oplysninger
- indlede
- innovativ
- indgang
- indgange
- indsigt
- instans
- i stedet
- anvisninger
- integrere
- integreret
- integration
- grænseflade
- IP
- spørgsmål
- ISV
- IT
- ITS
- fælles
- jpg
- json
- lige
- Holde
- Nøgle
- etiket
- sø
- Sprog
- Efternavn
- lanceret
- lancering
- læring
- Forlade
- Niveau
- ligesom
- synes godt om
- Line (linje)
- Lytte
- notering
- Logge på
- UDSEENDE
- maskine
- machine learning
- lavet
- mailing
- lave
- Making
- styring
- kort
- Marketing
- Match
- Kan..
- Metadata
- minutter
- mangler
- ML
- model
- modeller
- Måned
- mere
- mest
- Musik
- navn
- navne
- navngivning
- Natural
- Natural Language Processing
- Naviger
- Navigation
- Behov
- behov
- Ny
- New York
- New York
- næste
- NLP
- Bemærk
- nummer
- oauth
- objekt
- målsætninger
- of
- on
- ONE
- online
- kun
- Option
- or
- OS
- Andet
- output
- uden for
- i løbet af
- oversigt
- egen
- side
- sider
- brød
- del
- partner
- partnere
- per
- Udfør
- ydeevne
- Tilladelser
- planlægning
- perron
- Platforme
- plato
- Platon Data Intelligence
- PlatoData
- Punkt
- befolkede
- Indlæg
- magt
- vigtigste
- forudsige
- forudsigelse
- Forudsigelser
- forberedelse
- forhindre
- Eksempel
- tidligere
- Main
- Forud
- forarbejdning
- Produkt
- Produkter
- Profil
- prompter
- velstand
- give
- giver
- offentlige
- køb
- formål
- kvalitet
- forespørgsler
- hævet
- klar
- ægte
- realtid
- indse
- nylige
- anbefaler
- Anbefaling
- henvise
- region
- register
- registreret
- register
- forhold
- relevant
- erstatte
- anmode
- anmodninger
- Svar
- svar
- ansvarlige
- restriktioner
- resultere
- afkast
- gennemgå
- roller
- kører
- runtime
- sagemaker
- SageMaker Inference
- salgsstyrke
- Videnskab
- forskere
- sekunder
- Secret
- hemmeligheder
- Sektion
- sikkert
- se
- segment
- Vælg
- valgt
- Series
- tjeneste
- Tjenester
- sæt
- indstilling
- indstillinger
- setup
- hun
- Vis
- fremvist
- Shows
- Simpelt
- enkelt
- Størrelse
- uddrag
- So
- Social
- Samfund
- løsninger
- Løsninger
- nogle
- specialiseret
- specifikke
- udgifterne
- standard
- starte
- påbegyndt
- Tilstand
- statistik
- Status
- Steps
- stewart
- opbevaring
- butik
- opbevaret
- ligetil
- Strategisk
- strategiske partnere
- strøm
- Studio
- efterfølgende
- vellykket
- sådan
- support
- bord
- Tableau
- Tag
- mål
- hold
- Teknologier
- prøve
- tekst
- end
- at
- Fremtiden
- Staten
- deres
- derefter
- Disse
- Tredje
- denne
- Gennem
- tid
- til
- værktøjer
- Tog
- uddannet
- Kurser
- tog
- Transform
- Transformation
- transformationer
- Traveling
- typen
- forstå
- forståelse
- enestående
- kommende
- Opdatering
- opdateret
- opdateringer
- uploadet
- URL
- brug
- anvendte
- Bruger
- Brugergrænseflade
- bruger
- ved brug af
- VALIDATE
- Værdier
- variabel
- udgave
- via
- Specifikation
- vision
- besøgte
- visuel
- var
- washington
- we
- web
- webservices
- uge
- GODT
- hvorvidt
- som
- mens
- WHO
- vilje
- med
- inden for
- uden
- Arbejde
- arbejdede
- virker
- workshops
- verdens klasse
- skriver
- skrivning
- år
- york
- Du
- Din
- zephyrnet