Dette indlæg er skrevet sammen med Chaoyang He, Al Nevarez og Salman Avestimehr fra FedML.
Mange organisationer implementerer maskinlæring (ML) for at forbedre deres forretningsmæssige beslutningstagning gennem automatisering og brug af store distribuerede datasæt. Med øget adgang til data har ML potentialet til at give uovertruffen forretningsindsigt og muligheder. Imidlertid udgør deling af rå, ikke-sanitiseret følsom information på tværs af forskellige lokationer betydelige sikkerheds- og privatlivsrisici, især i regulerede industrier såsom sundhedspleje.
For at løse dette problem er federated learning (FL) en decentraliseret og kollaborativ ML-træningsteknik, der tilbyder databeskyttelse, samtidig med at nøjagtighed og pålidelighed bevares. I modsætning til traditionel ML-træning foregår FL-træning inden for et isoleret klientsted ved hjælp af en uafhængig sikker session. Klienten deler kun sine outputmodelparametre med en centraliseret server, kendt som træningskoordinatoren eller aggregeringsserveren, og ikke de faktiske data, der bruges til at træne modellen. Denne tilgang afhjælper mange bekymringer om databeskyttelse, samtidig med at den muliggør effektivt samarbejde om modeltræning.
Selvom FL er et skridt i retning af at opnå bedre databeskyttelse og sikkerhed, er det ikke en garanteret løsning. Usikre netværk, der mangler adgangskontrol og kryptering, kan stadig afsløre følsomme oplysninger for angribere. Derudover kan lokalt trænet information afsløre private data, hvis de rekonstrueres gennem et slutningsangreb. For at afbøde disse risici bruger FL-modellen personlige træningsalgoritmer og effektiv maskering og parameterisering, før den deler information med træningskoordinatoren. Stærk netværkskontrol på lokale og centraliserede lokationer kan yderligere reducere slutnings- og eksfiltrationsrisici.
I dette indlæg deler vi en FL-tilgang ved hjælp af FedML, Amazon Elastic Kubernetes Service (Amazon EKS), og Amazon SageMaker at forbedre patientresultater, samtidig med at der tages højde for bekymringer om databeskyttelse og sikkerhed.
Behovet for fødereret læring i sundhedsvæsenet
Sundhedsvæsenet er stærkt afhængigt af distribuerede datakilder til at foretage nøjagtige forudsigelser og vurderinger om patientbehandling. Begrænsning af de tilgængelige datakilder for at beskytte privatlivets fred påvirker resultaternes nøjagtighed og i sidste ende kvaliteten af patientbehandling negativt. Derfor skaber ML udfordringer for AWS-kunder, der skal sikre privatliv og sikkerhed på tværs af distribuerede enheder uden at kompromittere patientresultater.
Sundhedsorganisationer skal navigere i strenge overholdelsesregler, såsom Health Insurance Portability and Accountability Act (HIPAA) i USA, mens de implementerer FL-løsninger. At sikre databeskyttelse, sikkerhed og overholdelse bliver endnu mere kritisk i sundhedsvæsenet, hvilket kræver robust kryptering, adgangskontrol, revisionsmekanismer og sikre kommunikationsprotokoller. Derudover indeholder sundhedsdatasæt ofte komplekse og heterogene datatyper, hvilket gør datastandardisering og interoperabilitet til en udfordring i FL-indstillinger.
Brug case oversigt
Den use case, der er skitseret i dette indlæg, er hjertesygdomsdata i forskellige organisationer, hvorpå en ML-model vil køre klassifikationsalgoritmer til at forudsige hjertesygdomme hos patienten. Fordi disse data er på tværs af organisationer, bruger vi fødereret læring til at samle resultaterne.
Datasæt om hjertesygdomme fra University of California Irvines Machine Learning Repository er et meget brugt datasæt til kardiovaskulær forskning og prædiktiv modellering. Den består af 303 prøver, der hver repræsenterer en patient, og indeholder en kombination af kliniske og demografiske egenskaber samt tilstedeværelse eller fravær af hjertesygdom.
Dette multivariate datasæt har 76 attributter i patientinformationen, hvoraf 14 attributter er mest almindeligt brugt til at udvikle og evaluere ML-algoritmer til at forudsige tilstedeværelsen af hjertesygdom baseret på de givne attributter.
FedML-ramme
Der er et bredt udvalg af FL frameworks, men vi besluttede at bruge FedML-ramme til denne use case, fordi den er open source og understøtter flere FL-paradigmer. FedML leverer et populært open source-bibliotek, MLOps-platform og applikationsøkosystem til FL. Disse letter udviklingen og implementeringen af FL-løsninger. Det giver en omfattende pakke af værktøjer, biblioteker og algoritmer, der gør det muligt for forskere og praktikere at implementere og eksperimentere med FL-algoritmer i et distribueret miljø. FedML løser udfordringerne med databeskyttelse, kommunikation og modelaggregering i FL, og tilbyder en brugervenlig grænseflade og brugerdefinerbare komponenter. Med sit fokus på samarbejde og videndeling sigter FedML mod at fremskynde indførelsen af FL og drive innovation på dette nye område. FedML-rammen er modelagnostisk, inklusive nyligt tilføjet understøttelse af store sprogmodeller (LLM'er). For mere information, se Frigivelse af FedLLM: Byg dine egne store sprogmodeller på proprietære data ved hjælp af FedML-platformen.
FedML blæksprutte
Systemhierarki og heterogenitet er en nøgleudfordring i virkelige FL-brugssager, hvor forskellige datasiloer kan have forskellig infrastruktur med CPU og GPU'er. I sådanne scenarier kan du bruge FedML blæksprutte.
FedML Octopus er den industrielle platform for cross-silo FL til træning på tværs af organisation og på tværs af konti. Sammen med FedML MLOps gør det udviklere eller organisationer i stand til at udføre åbent samarbejde fra hvor som helst i enhver skala på en sikker måde. FedML Octopus kører et distribueret træningsparadigme inde i hver datasilo og bruger synkrone eller asynkrone træninger.
FedML MLOps
FedML MLOps muliggør lokal udvikling af kode, der senere kan implementeres hvor som helst ved hjælp af FedML-frameworks. Før du påbegynder træning, skal du oprette en FedML-konto, samt oprette og uploade server- og klientpakkerne i FedML Octopus. For flere detaljer, se trin , Introduktion af FedML Octopus: skalering af fødereret læring til produktion med forenklede MLOps.
Løsningsoversigt
Vi implementerer FedML i flere EKS-klynger integreret med SageMaker til eksperimentsporing. Vi bruger Amazon EKS Blueprints for Terraform at implementere den nødvendige infrastruktur. EKS Blueprints hjælper med at sammensætte komplette EKS-klynger, der er fuldt bootstrappede med den operationelle software, der er nødvendig for at implementere og betjene arbejdsbelastninger. Med EKS Blueprints beskrives konfigurationen for den ønskede tilstand af EKS-miljøet, såsom kontrolplanet, arbejdernoder og Kubernetes-tilføjelser, som en infrastruktur som kode (IaC) blueprint. Når en blueprint er konfigureret, kan den bruges til at skabe ensartede miljøer på tværs af flere AWS-konti og regioner ved hjælp af kontinuerlig implementeringsautomatisering.
Indholdet, der deles i dette indlæg, afspejler virkelige situationer og oplevelser, men det er vigtigt at bemærke, at udbredelsen af disse situationer på forskellige steder kan variere. Selvom vi bruger en enkelt AWS-konto med separate VPC'er, er det afgørende at forstå, at individuelle omstændigheder og konfigurationer kan variere. Derfor bør den angivne information bruges som en generel vejledning og kan kræve tilpasning baseret på specifikke krav og lokale forhold.
Følgende diagram illustrerer vores løsningsarkitektur.
Ud over den tracking, der leveres af FedML MLOps for hver træningskørsel, bruger vi Amazon SageMaker-eksperimenter at spore ydeevnen af hver klientmodel og den centraliserede (aggregator)model.
SageMaker Experiments er en funktion i SageMaker, der lader dig oprette, administrere, analysere og sammenligne dine ML-eksperimenter. Ved at registrere eksperimentdetaljer, parametre og resultater kan forskere nøjagtigt reproducere og validere deres arbejde. Det giver mulighed for effektiv sammenligning og analyse af forskellige tilgange, hvilket fører til informeret beslutningstagning. Derudover letter sporingseksperimenter iterativ forbedring ved at give indsigt i udviklingen af modeller og gøre det muligt for forskere at lære af tidligere iterationer, hvilket i sidste ende fremskynder udviklingen af mere effektive løsninger.
Vi sender følgende til SageMaker Experiments for hver kørsel:
- Modelevalueringsmålinger – Træningstab og AUC (Area Under the Curve)
- Hyperparametre – Epoke, indlæringshastighed, batchstørrelse, optimering og vægtforfald
Forudsætninger
For at følge med i dette indlæg skal du have følgende forudsætninger:
Implementer løsningen
For at begynde skal du klone depotet, der er vært for eksempelkoden lokalt:
Implementer derefter use case-infrastrukturen ved hjælp af følgende kommandoer:
Terraform-skabelonen kan tage 20-30 minutter at implementere fuldt ud. Når det er implementeret, skal du følge trinene i de næste afsnit for at køre FL-applikationen.
Opret en MLOps-implementeringspakke
Som en del af FedML-dokumentationen skal vi oprette klient- og serverpakkerne, som MLOps-platformen vil distribuere til serveren og klienterne for at begynde træningen.
For at oprette disse pakker skal du køre følgende script, der findes i rodmappen:
Dette vil oprette de respektive pakker i følgende mappe i projektets rodmappe:
Upload pakkerne til FedML MLOps-platformen
Udfør følgende trin for at uploade pakkerne:
- Vælg på FedML UI Mine applikationer i navigationsruden.
- Vælg Nyt program.
- Upload klient- og serverpakkerne fra din arbejdsstation.
- Du kan også justere hyperparametrene eller oprette nye.
Udløs forbundstræning
For at køre fødereret træning skal du udføre følgende trin:
- Vælg på FedML UI Projektliste i navigationsruden.
- Vælg Opret et nyt projekt.
- Indtast et gruppenavn og et projektnavn, og vælg derefter OK.
- Vælg det nyoprettede projekt og vælg Opret nyt løb at udløse et træningsløb.
- Vælg edge-klientenhederne og den centrale aggregatorserver til denne træningskørsel.
- Vælg det program, du oprettede i de foregående trin.
- Opdater enhver af hyperparametrene, eller brug standardindstillingerne.
- Vælg Starten at begynde at træne.
- Vælg den træningsstatus fanen og vent på, at træningskørslen er fuldført. Du kan også navigere til de tilgængelige faner.
- Når træningen er færdig, skal du vælge Systemkrav fanen for at se træningstidens varigheder på dine edge-servere og aggregeringsbegivenheder.
Se resultater og eksperimentdetaljer
Når træningen er afsluttet, kan du se resultaterne ved hjælp af FedML og SageMaker.
På FedML UI, på Modeller fanen, kan du se aggregator- og klientmodellen. Du kan også downloade disse modeller fra hjemmesiden.
Du kan også logge ind på Amazon SageMaker Studio Og vælg Eksperimenter i navigationsruden.
Følgende skærmbillede viser de loggede eksperimenter.
Eksperimentsporingskode
I dette afsnit udforsker vi koden, der integrerer SageMaker-eksperimentsporing med FL-rammetræningen.
I en editor efter eget valg skal du åbne følgende mappe for at se redigeringerne af koden for at injicere SageMaker eksperimentsporingskode som en del af træningen:
Til sporing af træningen har vi oprette et SageMaker-eksperiment med parametre og metrikker logget ved hjælp af log_parameter
, log_metric
kommando som beskrevet i følgende kodeeksempel.
En indgang i config/fedml_config.yaml
fil erklærer eksperimentpræfikset, som der henvises til i koden for at skabe unikke eksperimentnavne: sm_experiment_name: "fed-heart-disease"
. Du kan opdatere denne til enhver værdi efter eget valg.
Se for eksempel følgende kode for heart_disease_trainer.py
, som bruges af hver klient til at træne modellen på deres eget datasæt:
For hver klientkørsel spores eksperimentdetaljerne ved hjælp af følgende kode i heart_disease_trainer.py:
På samme måde kan du bruge koden i heart_disease_aggregator.py
at køre en test på lokale data efter opdatering af modelvægtene. Detaljerne logges efter hver kommunikationskørsel med klienterne.
Ryd op
Når du er færdig med løsningen, så sørg for at rydde op i de anvendte ressourcer for at sikre effektiv ressourceudnyttelse og omkostningsstyring, og undgå unødvendige udgifter og ressourcespild. Aktiv oprydning i miljøet, såsom sletning af ubrugte forekomster, standsning af unødvendige tjenester og fjernelse af midlertidige data, bidrager til en ren og organiseret infrastruktur. Du kan bruge følgende kode til at rydde op i dine ressourcer:
Resumé
Ved at bruge Amazon EKS som infrastrukturen og FedML som rammen for FL, er vi i stand til at levere et skalerbart og administreret miljø til træning og implementering af delte modeller, mens vi respekterer databeskyttelse. Med den decentraliserede karakter af FL kan organisationer samarbejde sikkert, låse op for potentialet i distribuerede data og forbedre ML-modeller uden at kompromittere databeskyttelse.
Som altid modtager AWS gerne din feedback. Efterlad venligst dine tanker og spørgsmål i kommentarfeltet.
Om forfatterne
Randy DeFauw er Senior Principal Solutions Architect hos AWS. Han har en MSEE fra University of Michigan, hvor han arbejdede med computersyn til autonome køretøjer. Han har også en MBA fra Colorado State University. Randy har haft en række forskellige stillinger inden for teknologiområdet, lige fra softwareudvikling til produktstyring. Han trådte ind i big data-området i 2013 og fortsætter med at udforske dette område. Han arbejder aktivt på projekter i ML-området og har præsenteret på adskillige konferencer, herunder Strata og GlueCon.
Arnab Sinha er en Senior Solutions Architect for AWS, der fungerer som Field CTO for at hjælpe organisationer med at designe og bygge skalerbare løsninger, der understøtter forretningsresultater på tværs af datacentermigreringer, digital transformation og applikationsmodernisering, big data og machine learning. Han har støttet kunder på tværs af en række brancher, herunder energi, detailhandel, fremstilling, sundhedspleje og biovidenskab. Arnab har alle AWS-certificeringer, inklusive ML Specialty Certification. Før han kom til AWS, var Arnab teknologileder og havde tidligere arkitekt- og ingeniørlederroller.
Prachi Kulkarni er Senior Solutions Architect hos AWS. Hendes specialisering er machine learning, og hun arbejder aktivt på at designe løsninger ved hjælp af forskellige AWS ML-, big data- og analysetilbud. Prachi har erfaring inden for flere domæner, herunder sundhedspleje, fordele, detailhandel og uddannelse, og har arbejdet i en række stillinger inden for produktteknik og arkitektur, ledelse og kundesucces.
Tamer Sherif er en Principal Solutions Architect hos AWS, med en mangfoldig baggrund inden for teknologi og virksomhedskonsulenttjenester, og spænder over 17 år som Solutions Architect. Med fokus på infrastruktur dækker Tamers ekspertise et bredt spektrum af industrivertikaler, herunder kommerciel, sundhedspleje, bilindustrien, den offentlige sektor, fremstilling, olie og gas, medietjenester og mere. Hans færdigheder strækker sig til forskellige domæner, såsom cloud-arkitektur, edge computing, netværk, storage, virtualisering, forretningsproduktivitet og teknisk lederskab.
Hans Nesbitt er en Senior Solutions Architect hos AWS baseret i det sydlige Californien. Han arbejder med kunder i hele det vestlige USA for at skabe meget skalerbare, fleksible og modstandsdygtige skyarkitekturer. I sin fritid nyder han at bruge tid med sin familie, lave mad og spille guitar.
Chaoyang He er medstifter og CTO af FedML, Inc., en startup, der kører for et samfund, der bygger åben og kollaborativ AI fra hvor som helst i enhver skala. Hans forskning fokuserer på distribuerede og fødererede maskinlæringsalgoritmer, systemer og applikationer. Han modtog sin ph.d. i datalogi fra University of Southern California.
Al Nevarez er Director of Product Management hos FedML. Før FedML var han gruppeproduktchef hos Google og seniorchef for datavidenskab hos LinkedIn. Han har adskillige dataproduktrelaterede patenter, og han studerede ingeniør ved Stanford University.
Salman Avestimehr er medstifter og administrerende direktør for FedML. Han har været dekanprofessor ved USC, direktør for USC-Amazon Center for Trustworthy AI og Amazon Scholar i Alexa AI. Han er ekspert i fødereret og decentraliseret maskinlæring, informationsteori, sikkerhed og privatliv. Han er Fellow of IEEE og modtog sin PhD i EECS fra UC Berkeley.
Samir Lad er en dygtig virksomhedsteknolog hos AWS, som arbejder tæt sammen med kundernes C-level executives. Som en tidligere C-suite-direktør, der har drevet transformationer på tværs af flere Fortune 100-virksomheder, deler Samir sine uvurderlige erfaringer for at hjælpe sine kunder med at få succes med deres egen transformationsrejse.
Stephen Kraemer er bestyrelses- og CxO-rådgiver og tidligere executive hos AWS. Stephen går ind for kultur og ledelse som grundlaget for succes. Han bekender sig til sikkerhed og innovation som driverne bag cloud-transformation, hvilket muliggør yderst konkurrencedygtige, datadrevne organisationer.
- 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/federated-learning-on-aws-using-fedml-amazon-eks-and-amazon-sagemaker/
- :har
- :er
- :ikke
- :hvor
- $OP
- 10
- 100
- 14
- 154
- 17
- 20
- 2013
- 247
- 300
- 7
- a
- I stand
- Om
- fravær
- fremskynde
- accelererende
- adgang
- Adgang til data
- gennemført
- Konto
- ansvarlighed
- Konti
- nøjagtighed
- præcis
- præcist
- opnå
- tværs
- Lov
- handler
- aktiv
- aktivt
- faktiske
- tilpasning
- tilføje
- tilføjet
- Desuden
- Derudover
- adresse
- adresser
- adressering
- justere
- Vedtagelse
- rådgiver
- fortalere
- Efter
- aggregering
- aggregator
- AI
- målsætninger
- AL
- Alexa
- algoritmer
- Alle
- tillader
- sammen
- også
- Skønt
- altid
- Amazon
- Amazon SageMaker
- Amazon Web Services
- an
- analyse
- analytics
- analysere
- ,
- enhver
- overalt
- Anvendelse
- applikationer
- tilgang
- tilgange
- arkitektur
- arkitekturer
- ER
- OMRÅDE
- AS
- vurderinger
- At
- angribe
- attributter
- AUC
- revision
- Automation
- automotive
- autonom
- autonome køretøjer
- til rådighed
- undgå
- AWS
- baggrund
- baseret
- BE
- fordi
- bliver
- været
- før
- begynde
- fordele
- Berkeley
- Bedre
- Big
- Big data
- blueprint
- board
- bred
- bygge
- Bygning
- virksomhed
- men
- by
- C-suite
- california
- CAN
- kapacitet
- hvilken
- tilfælde
- tilfælde
- center
- central
- centraliseret
- Direktør
- Certificering
- certificeringer
- udfordre
- udfordringer
- valg
- Vælg
- omstændigheder
- klassificering
- ren
- kunde
- kunder
- Klinisk
- nøje
- Cloud
- Medstifter
- kode
- samarbejde
- samarbejde
- kollaborativ
- Colorado
- kombination
- kommentarer
- kommerciel
- almindeligt
- Kommunikation
- samfund
- samfund bygning
- Virksomheder
- sammenligne
- sammenligning
- konkurrencedygtig
- fuldføre
- komplekse
- Compliance
- komponenter
- omfattende
- at gå på kompromis
- computer
- Datalogi
- Computer Vision
- computing
- Bekymringer
- betingelser
- Adfærd
- konferencer
- Konfiguration
- konfigureret
- konsekvent
- består
- rådgivning
- indeholder
- indeholder
- indhold
- fortsætter
- kontinuerlig
- bidrager
- kontrol
- kontrol
- Koordinator
- Koste
- Omkostningsstyring
- koblede
- Dækker
- håndværk
- skabe
- oprettet
- skaber
- kritisk
- afgørende
- CTO
- Medarbejder kultur
- skøger
- kunde
- Kundesucces
- Kunder
- tilpasses
- CXO
- data
- Data Center
- databeskyttelse
- Databeskyttelse og sikkerhed
- datalogi
- datastyret
- datasæt
- decentral
- besluttede
- Beslutningstagning
- erklærer
- Standard
- demografiske
- indsætte
- indsat
- implementering
- implementering
- beskrevet
- Design
- designe
- ønskes
- ødelægge
- detaljer
- dev
- udviklere
- udvikling
- Udvikling
- enhed
- Enheder
- diagram
- afvige
- forskellige
- digital
- Digital Transformation
- Direktør
- Vejviser
- Sygdom
- distribuere
- distribueret
- distribueret træning
- forskelligartede
- dokumentation
- Domæner
- færdig
- downloade
- køre
- drevet
- drivere
- hver
- økosystem
- Edge
- kant computing
- editor
- Uddannelse
- Effektiv
- effektiv
- smergel
- muliggøre
- muliggør
- muliggør
- kryptering
- energi
- Engineering
- forbedre
- sikre
- sikring
- indtastet
- Enterprise
- enheder
- indrejse
- Miljø
- miljøer
- epoke
- epoker
- især
- evaluere
- evaluering
- Endog
- begivenheder
- eksempel
- udøvende
- ledere
- eksfiltration
- udgifter
- erfaring
- Oplevelser
- eksperiment
- eksperimenter
- ekspert
- ekspertise
- udforske
- udvider
- lette
- letter
- familie
- fødereret
- tilbagemeldinger
- fyr
- troskab
- felt
- File (Felt)
- fund
- fleksibel
- Fokus
- fokuserer
- følger
- efter
- Til
- Tidligere
- rigdom
- fundet
- Fonde
- Framework
- rammer
- fra
- fuldt ud
- funktion
- yderligere
- GAS
- Generelt
- GitHub
- given
- GPU'er
- gruppe
- garanteret
- vejlede
- Have
- he
- Helse
- sygesikring
- sundhedspleje
- Hjerte
- Hjerte sygdom
- stærkt
- Held
- hjælpe
- hjælper
- hende
- hierarki
- stærkt
- hans
- besidder
- Hosting
- Men
- HTML
- HTTPS
- i
- IEEE
- if
- illustrerer
- gennemføre
- gennemføre
- vigtigt
- Forbedre
- in
- Inc.
- Herunder
- øget
- uafhængig
- individuel
- industrier
- industrien
- oplysninger
- informeret
- Infrastruktur
- injicerbar
- Innovation
- usikker
- indvendig
- indsigt
- forsikring
- integreret
- Integrerer
- grænseflade
- Interoperabilitet
- ind
- uvurderlig
- isolerede
- spørgsmål
- IT
- iterationer
- ITS
- sammenføjning
- rejse
- jpeg
- jpg
- Nøgle
- viden
- kendt
- mangler
- Sprog
- stor
- senere
- leder
- Leadership" (virkelig menneskelig ledelse)
- førende
- LÆR
- læring
- Forlade
- Lets
- biblioteker
- Bibliotek
- Livet
- Life Sciences
- begrænsende
- lokale
- lokalt
- placering
- placeringer
- log
- logget
- off
- maskine
- machine learning
- Vedligeholdelse
- lave
- Making
- administrere
- lykkedes
- ledelse
- leder
- måde
- Produktion
- mange
- Kan..
- mekanismer
- Medier
- Metrics
- Michigan
- minutter
- afbøde
- ML
- MLOps
- model
- modellering
- modeller
- Moduler
- mere
- mest
- flere
- skal
- navn
- navne
- Natur
- Naviger
- Navigation
- Behov
- behov
- negativt
- netværk
- netværk
- net
- Ny
- nyligt
- næste
- noder
- Bemærk
- talrige
- of
- tilbyde
- tilbud
- Tilbud
- tit
- Olie
- Olie og gas
- on
- dem
- kun
- åbent
- open source
- betjene
- operationelle
- Muligheder
- or
- organisationer
- Organiseret
- vores
- ud
- udfald
- skitseret
- output
- i løbet af
- egen
- pakker
- brød
- paradigme
- paradigmer
- parametre
- del
- Passing
- Patenter
- patient
- ydeevne
- Personlig
- phd
- fly
- perron
- plato
- Platon Data Intelligence
- PlatoData
- spiller
- Vær venlig
- Populær
- bærbarhed
- udgør
- positioner
- Indlæg
- potentiale
- forudsige
- Forudsigelser
- forudsætninger
- tilstedeværelse
- forelagt
- tidligere
- tidligere
- Main
- Forud
- Beskyttelse af personlige oplysninger
- Privatliv og sikkerhed
- private
- Produkt
- produktstyring
- produktchef
- produktion
- produktivitet
- Professor
- progression
- projekt
- projekter
- proprietære
- beskytte
- protokoller
- give
- forudsat
- giver
- leverer
- offentlige
- kvalitet
- Spørgsmål
- rækkevidde
- spænder
- rangerer
- Sats
- Raw
- rige
- modtaget
- for nylig
- optagelse
- reducere
- henvise
- refereres
- afspejler
- regioner
- reguleret
- regulerede brancher
- regler
- afhængig
- fjernelse
- Repository
- repræsenterer
- kræver
- påkrævet
- Krav
- forskning
- forskere
- elastisk
- ressource
- Ressourcer
- respektere
- dem
- resultere
- Resultater
- detail
- risici
- robust
- roller
- rod
- rundt
- Kør
- kører
- løber
- sagemaker
- salman
- prøve
- skalerbar
- Scale
- skalering
- scenarier
- Scholar
- Videnskab
- VIDENSKABER
- script
- Sektion
- sektioner
- sektor
- sikker
- sikkert
- sikkerhed
- se
- valg
- send
- senior
- følsom
- adskille
- server
- Servere
- Tjenester
- Session
- indstillinger
- flere
- Del
- delt
- Aktier
- deling
- hun
- bør
- Shows
- signifikant
- siloer
- forenklet
- enkelt
- situationer
- Størrelse
- Software
- software Engineering
- løsninger
- Løsninger
- Kilde
- Kilder
- Syd
- Space
- spænding
- Specialty
- specifikke
- Spectrum
- udgifterne
- standardisering
- Stanford
- Stanford University
- starte
- opstart
- Tilstand
- Stater
- Trin
- Stephen
- Steps
- Stadig
- standsning
- opbevaring
- Streng
- stærk
- studeret
- lykkes
- succes
- sådan
- suite
- support
- Understøttet
- Støtte
- Understøtter
- sikker
- Systemer
- Tag
- Teknisk
- teknik
- teknolog
- Teknologier
- skabelon
- midlertidig
- terraform
- prøve
- at
- oplysninger
- deres
- derefter
- teori
- derfor
- Disse
- denne
- Gennem
- tid
- til
- værktøjer
- mod
- spor
- Sporing
- traditionelle
- Tog
- uddannet
- Kurser
- træninger
- Transformation
- transformationer
- udløse
- troværdig
- typer
- ui
- Ultimativt
- under
- forstå
- enestående
- Forenet
- Forenede Stater
- universitet
- University of California
- I modsætning til
- låse
- unødvendig
- uden sidestykke
- ubrugt
- Opdatering
- opdatering
- us
- brug
- brug tilfælde
- anvendte
- brugervenlig
- bruger
- ved brug af
- udnytte
- VALIDATE
- validering
- værdi
- række
- forskellige
- variere
- Køretøjer
- vertikaler
- Specifikation
- vision
- vente
- var
- we
- web
- webservices
- Hjemmeside
- vægt
- Hilser velkommen
- GODT
- Western
- som
- mens
- WHO
- bred
- bredt
- vilje
- med
- inden for
- uden
- Arbejde
- arbejdede
- arbejdstager
- arbejder
- virker
- arbejdsstation
- år
- Du
- Din
- zephyrnet