For moderne virksomheder, der beskæftiger sig med enorme mængder af dokumenter, såsom kontrakter, fakturaer, CV'er og rapporter, er effektiv behandling og hentning af relevante data afgørende for at bevare en konkurrencefordel. Traditionelle metoder til lagring og søgning efter dokumenter kan dog være tidskrævende og ofte resultere i en stor indsats for at finde et specifikt dokument, især når de omfatter håndskrift. Hvad hvis der var en måde at behandle dokumenter intelligent og gøre dem søgbare med høj nøjagtighed?
Dette er gjort muligt med amazontekst, AWS's Intelligent Document Processing-tjeneste, kombineret med de hurtige søgefunktioner fra OpenSearch. I dette indlæg tager vi dig med på en rejse for hurtigt at bygge og implementere en dokumentsøgningsindekseringsløsning, der hjælper din organisation med bedre at udnytte og udtrække indsigt fra dokumenter.
Uanset om du er i Human Resources på udkig efter specifikke klausuler i medarbejderkontrakter, eller en finansanalytiker, der søger gennem et bjerg af fakturaer for at udtrække betalingsdata, er denne løsning skræddersyet til at give dig adgang til de oplysninger, du har brug for, med hidtil uset hastighed og nøjagtighed.
Med den foreslåede løsning indlæses dine dokumenter automatisk, deres indhold parses og indekseres efterfølgende til et meget responsivt og skalerbart OpenSearch-indeks.
Vi vil dække, hvordan teknologier som Amazon Textract, AWS Lambda, Amazon Simple Storage Service (Amazon S3), og Amazon OpenSearch Service kan integreres i en arbejdsgang, der problemfrit behandler dokumenter. Derefter dykker vi ned i at indeksere disse data i OpenSearch og demonstrerer de søgefunktioner, der bliver tilgængelige lige ved hånden.
Uanset om din organisation tager de første skridt ind i den digitale transformationsæra eller er en etableret gigant, der søger at sætte gang i informationssøgning, er denne guide dit kompas til at navigere i de muligheder, som AWS Intelligent Document Processing og OpenSearch tilbyder.
implementering brugt i dette indlæg bruger Amazon Textract IDP CDK konstruerer – AWS Cloud Development Kit (CDK) komponenter til at definere infrastruktur til Intelligent Document Processing (IDP) workflows – som giver dig mulighed for at opbygge use case specifikke tilpasselige IDP workflows. IDP CDK-konstruktionerne og -eksemplerne er en samling af komponenter for at muliggøre definition af IDP-processer på AWS og publiceret til GitHub. De vigtigste begreber, der anvendes, er AWS Cloud Development Kit (CDK) konstruerer, den faktiske CDK stakke , AWS-trinfunktioner. Værkstedet Brug maskinlæring til at automatisere og behandle dokumenter i stor skala er et godt udgangspunkt for at lære mere om at tilpasse arbejdsgange og bruge de andre eksempler på arbejdsgange som udgangspunkt for dine egne.
Løsningsoversigt
I denne løsning fokuserer vi på at indeksere dokumenter til et OpenSearch-indeks for hurtig søgning og genfinding af information og dokumenter. Dokumenter i PDF-, TIFF-, JPEG- eller PNG-format lægges i en Amazon Simple Storage Service (Amazon S3) bucket og efterfølgende indekseret i OpenSearch ved hjælp af denne Step Functions-arbejdsgang.
OpenSearchWorkflow-Decider ser på dokumentet og verificerer, at dokumentet er en af de understøttede mime-typer (PDF, TIFF, PNG eller JPEG). Den består af en AWS Lambda funktion.
DocumentSplitter genererer maksimalt 2500 siders bidder fra dokumenter. Det betyder, at selvom Amazon Textract understøtter dokumenter på op til 3000 sider, kan du sende dokumenter ind med mange flere sider, og processen fungerer stadig fint og lægger siderne ind i OpenSearch og opretter korrekte sidetal. Det DocumentSplitter er implementeret som en AWS Lambda funktion.
Kort tilstand behandler hver del parallelt.
TextractAsync opgave kalder Amazon Textract ved hjælp af den asynkrone Application Programming Interface (API) følger bedste praksis med Amazon Simple Notification Service (Amazon SNS) meddelelser og OutputConfig at gemme Amazon Textract JSON-output til en kundes Amazon S3-spand. Den består af to Amazon Lambda-funktioner: en til at indsende dokumentet til behandling og en, der udløses på Amazon SNS-meddelelsen.
Fordi TextractAsync-opgaven kan producere flere paginerede outputfiler, den TextractAsyncToJSON2 processen kombinerer dem til én JSON-fil.
Step Functions-konteksten er beriget med information, der også bør være søgbar i OpenSearch-indekset i Indstil MetaData trin. Eksempelimplementeringen tilføjer ORIGIN_FILE_NAME
, START_PAGE_NUMBER
og ORIGIN_FILE_URI
. Du kan tilføje enhver information for at berige søgeoplevelsen, f.eks. information fra andre backend-systemer, specifikke ID'er eller klassifikationsoplysninger.
GenererOpenSearchBatch tager det genererede Amazon Textract-output JSON, kombinerer det med informationen fra konteksten sat af SetMetaData og forbereder en fil, der er optimeret til batchimport til OpenSearch.
I OpenSearchPushInvoke, sendes denne batchimportfil til OpenSearch-indekset og er tilgængelig for søgning. Denne AWS Lambda-funktion er forbundet med aws-lambda-opensearch konstruere fra AWS løsninger bibliotek ved hjælp af m6g.large.search-forekomsterne, OpenSearch version 2.7 og konfigureret Amazon Elastic Block Service (Amazon EBS) volumenstørrelse til General Purpose 2 (GP2) med 200 GB. Du kan ændre OpenSearch-konfigurationen i henhold til dine krav.
Finalen TaskOpenSearchMapping trin rydder konteksten, som ellers kunne overskride Trinfunktioner Kvote of Maksimal input- eller outputstørrelse for en opgave, tilstand eller udførelse.
Forudsætninger
For at implementere prøverne skal du have en AWS-konto , den AWS Cloud Development Kit (AWS CDK), en aktuel Python-version og Docker er påkrævet. Du skal bruge tilladelser til at implementere AWS CloudFormation-skabeloner, tryk til Amazon Elastic Container Registry (Amazon ECR), opret Amazon Identity and Access Management (AWS IAM) roller, Amazon Lambda funktioner, Amazon S3 buckets, Amazon Step Functions, Amazon OpenSearch klynge og en Amazon Cognito brugerpulje. Sørg for, at din AWS CLI-miljø er sat op med de tilhørende tilladelser.
Du kan også spinne op en AWS Cloud9 instans med AWS CDK, Python og Docker forudinstalleret for at starte implementeringen.
Går igennem
Deployment
- Når du har konfigureret forudsætningerne, skal du først klone depotet:
- Derefter cd ind i depotmappen og installer afhængighederne:
- Implementer OpenSearchWorkflow-stakken:
Implementeringen tager omkring 25 minutter med standardkonfigurationsindstillingerne fra GitHub-eksemplerne og skaber et Step Functions workflow, som påkaldes, når et dokument placeres i en Amazon S3-bucket/præfiks og efterfølgende behandles, indtil indholdet af dokumentet er indekseret. i en OpenSearch-klynge.
Det følgende er et eksempel på output inklusive nyttige links og information genereret fracdk deploy OpenSearchWorkflow
kommando:
Disse oplysninger er også tilgængelige i AWS CloudFormation Console.
Når et nyt dokument er placeret under OpenSearchWorkflow.DocumentUploadLocation, startes et nyt Step Functions-arbejdsforløb for dette dokument.
For at kontrollere status for dette dokument skal du OpenSearchWorkflow.StepFunctionFlowLink giver et link til listen over StepFunction-udførelser i AWS Management Console, der viser status for dokumentbehandlingen for hvert dokument, der er uploadet til Amazon S3. Selvstudiet Visning og fejlretning af udførelser på Step Functions-konsollen giver et overblik over komponenterne og visningerne i AWS-konsollen.
Test
- Første test ved hjælp af en prøvefil.
- Efter at have valgt linket til StepFunction-arbejdsgangen eller åbnet AWS Management Console og gået til Trinfunktions-servicesiden, kan du se på de forskellige arbejdsgangkaldelser.
- Tag et kig på den aktuelt kørende eksempeldokumentudførelse, hvor du kan følge udførelsen af de enkelte workflow-opgaver.
Søg
Når processen er afsluttet, kan vi validere, at dokumentet er indekseret i OpenSearch-indekset.
- For at gøre det skal vi først oprette en Amazon Cognito-bruger. Amazon Cognito bruges til godkendelse af brugere i forhold til OpenSearch-indekset. Vælg linket i outputtet fra cdk deploy (eller se på AWS CloudFormation output i AWS Management Console) navngivet OpenSearchWorkflow.CognitoUserPoolLink.
- Vælg derefter Opret bruger knappen, som leder dig til en side for at indtaste et brugernavn og en adgangskode for at få adgang til OpenSearch Dashboard.
- Efter at have valgt Opret bruger, kan du fortsætte til OpenSearch Dashboard ved at klikke på OpenSearchWorkflow.OpenSearchDashboard fra CDK-implementeringsoutput. Log ind med det tidligere oprettede brugernavn og password. Første gang du logger ind, skal du ændre adgangskoden.
- Når du er logget ind på OpenSearch Dashboard, skal du vælge Stakstyring afsnit, efterfulgt af Indeks mønsters for at oprette et søgeindeks.
- Standardnavnet for indekset er papir-indeks og et indeksmønsternavn på papir-indeks* vil matche det.
- Efter at have klikket Næste skridt, Vælg tidsstempel som Tidsfelt , Opret indeksmønster.
- Vælg nu fra menuen Opdag.
I de fleste tilfælde skal du ændre tidsperioden i henhold til dit sidste indtag. Standard er 15 minutter, og ofte har der ikke været nogen aktivitet i de sidste 15 minutter. I dette eksempel blev det ændret til 15 dage for at visualisere indtagelsen.
- Nu kan du begynde at søge. En roman blev indekseret, du kan søge efter alle termer som kald mig Ismael og se resultaterne.
I dette tilfælde udtrykket kald mig Ismael vises på side 6 i dokumentet ved den givne Uniform Resource Identifier (URI), som peger på filens Amazon S3-placering. Dette gør det hurtigere at identificere dokumenter og finde information på tværs af et stort korpus af PDF-, TIFF- eller billeddokumenter sammenlignet med at springe igennem dem manuelt.
Kører i skala
For at estimere omfanget og varigheden af en indekseringsproces blev implementeringen testet med 93,997 dokumenter og en samlet sum på 1,583,197 sider (gennemsnit 16.84 sider/dokument og den største fil med 3755 sider), som alle blev indekseret i OpenSearch. Behandling af alle filer og indeksering af dem til OpenSearch tog 5.5 timer i den østlige del af USA (N. Virginia – us-east-1) ved brug af standard Amazon Textract servicekvoter. Grafen nedenfor viser en indledende test kl. 18:00 efterfulgt af hovedindtagelsen kl. 21:00 og alt udført kl. 2:30.
Til forarbejdningen tcdk.SFExecutionsStartThrottle blev sat til en executions_concurrency_threshold
=550, hvilket betyder, at samtidige dokumentbehandlingsarbejdsgange er begrænset til 550, og overskydende anmodninger sættes i kø til en Amazon SQS Fist-In-First-Out (FIFO)-kø, som efterfølgende drænes, når de nuværende arbejdsgange afsluttes. Tærsklen på 550 er baseret på Textract Service-kvoten på 600 i us-east-1-regionen. Derfor er kødybden og alderen for den ældste besked målinger, der er værd at overvåge.
I denne test blev alle dokumenter uploadet til Amazon S3 på én gang, derfor Omtrentligt antal synlige beskeder har en stejl stigning og derefter et langsomt fald, da der ikke indtages nye dokumenter. Det Omtrentlig alder af ældste besked stiger, indtil alle meddelelser er behandlet. Amazon SQS MessageRetentionPeriod er sat til 14 dage. For meget langvarig efterslæbsbehandling, der kan overstige 14 dages behandling, skal du starte med at behandle en mindre delmængde af repræsentative dokumenter og overvåge varigheden af udførelsen for at estimere, hvor mange dokumenter du kan sende ind, før du overskrider 14 dage. Amazon SQS CloudWatch-metrikken ser ens ud for et brugstilfælde med behandling af et stort efterslæb af dokumenter, som indtages på én gang og derefter behandles fuldt ud. Hvis din use case er en konstant strøm af dokumenter, er begge målinger, den Omtrentligt antal synlige beskeder og Omtrentlig alder af ældste besked vil være mere lineær. Du kan også bruge tærskelparameteren til at blande en konstant belastning med backlog-behandling og allokere kapacitet i overensstemmelse med dine behandlingsbehov.
En anden metrik, der skal overvåges, er OpenSearch-klyngens helbred, som du skal konfigurere i henhold til Operanational bedste praksis for Amazon OpenSearch Service. Standardinstallationen bruger m6g.large.search-forekomster.
Her er et øjebliksbillede af Key Performance Indicators (KPI) for OpenSearch-klyngen. Ingen fejl, konstant indekseringsdatahastighed og latens.
Trinfunktioner-arbejdsgangene viser behandlingstilstanden for hvert enkelt dokument. Hvis du ser henrettelser i mislykkedes tilstand, og vælg derefter detaljerne. En god metrik at overvåge er AWS CloudWatch Automatisk Dashboard for Trinfunktioner, som afslører nogle af de Trin Funktioner CloudWatch-metrics.
I denne AWS CloudWatch Dashboard-graf ser du de vellykkede Step Functions-udførelser over tid.
Og denne viser de mislykkede henrettelser. Disse er værd at undersøge gennem oversigten over AWS-konsoltrinfunktioner.
Følgende skærmbillede viser et eksempel på en mislykket udførelse på grund af, at originalfilen har en størrelse på 0, hvilket giver mening, fordi filen ikke har noget indhold og ikke kunne behandles. Det er vigtigt at filtrere fejlede processer og visualisere fejl, for at du kan gå tilbage til kildedokumentet og validere årsagen.
Andre fejl kan omfatte dokumenter, der ikke er af mime-type: application/pdf, image/png, image/jpeg eller image/tiff, fordi andre dokumenttyper ikke understøttes af Amazon Textract.
Koste
De samlede omkostninger ved at indtage 1,583,278 sider blev delt på tværs af AWS-tjenester, der blev brugt til implementeringen. Den følgende liste fungerer som omtrentlige tal, fordi dine faktiske omkostninger og behandlingsvarighed varierer afhængigt af størrelsen af dokumenter, antallet af sider pr. dokument, tætheden af informationer i dokumenterne og AWS-regionen. Amazon DynamoDB forbrugte $0.55, Amazon S3 $3.33, OpenSearch Service $14.71, Step Functions $17.92, AWS Lambda $28.95 og Amazon Textract $1,849.97. Husk også, at den installerede Amazon OpenSearch Service-klynge faktureres pr. time og vil akkumulere højere omkostninger, når den køres over en periode.
Modifikationer
Det er højst sandsynligt, at du vil ændre implementeringen og tilpasse til din brugssag og dine dokumenter. Værkstedet Brug maskinlæring til at automatisere og behandle dokumenter i stor skala præsenterer et godt overblik over, hvordan man manipulerer de faktiske arbejdsgange, ændrer flowet og tilføjer nye komponenter. For at tilføje brugerdefinerede felter til OpenSearch-indekset, se på Indstil MetaData opgave i arbejdsgangen ved hjælp af set-manifest-meta-data-opensearch AWS Lambda-funktion til at tilføje metadata til konteksten, som vil blive tilføjet som et felt til OpenSearch-indekset. Alle metadataoplysninger bliver en del af indekset.
Gøre rent
Slet eksempelressourcerne, hvis du ikke længere har brug for dem, for at undgå fremtidige omkostninger ved at bruge følgende kommando:
i samme miljø som cdk deploy
kommando. Pas på, at dette fjerner alt, inklusive OpenSearch-klyngen og alle dokumenter og Amazon S3-bøtten. Hvis du vil bevare disse oplysninger, skal du tage backup af din Amazon S3-bøtte og opret et indeksbillede fra din OpenSearch-klynge. Hvis du har behandlet mange filer, skal du muligvis tømme Amazon S3-bøtten først ved hjælp af AWS Management Console (dvs. efter du har taget en sikkerhedskopi eller synkroniseret dem til en anden bucket, hvis du vil beholde oplysningerne), fordi oprydningsfunktionen kan timeout og derefter ødelægge AWS CloudFormation-stakken.
Konklusion
I dette indlæg viste vi dig, hvordan du implementerer en fuld stack-løsning til at indlæse et stort antal dokumenter i et OpenSearch-indeks, som er klar til at blive brugt til søgninger. De enkelte komponenter i implementeringen blev diskuteret samt skaleringsovervejelser, omkostninger og modifikationsmuligheder. Al kode er tilgængelig som OpenSource på GitHub as IDP CDK prøver og som IDP CDK konstruktioner at bygge dine egne løsninger fra bunden. Som et næste trin kan du begynde at ændre arbejdsgangen, tilføje oplysninger til dokumenterne i søgeindekset og udforske IDP workshop. Kommenter venligst nedenfor om dine erfaringer og ideer for at udvide den nuværende løsning.
Om forfatteren
Martin Schade er en Senior ML Product SA med Amazon Textract-teamet. Han har over 20 års erfaring med internet-relaterede teknologier, ingeniør- og arkitektløsninger. Han kom til AWS i 2014, hvor han først vejledte nogle af de største AWS-kunder i den mest effektive og skalerbare brug af AWS-tjenester, og senere fokuserede han på AI/ML med fokus på computervision. I øjeblikket er han besat af at udtrække information fra dokumenter.
- 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. Automotive/elbiler, Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- ChartPrime. Løft dit handelsspil med ChartPrime. Adgang her.
- BlockOffsets. Modernisering af miljømæssig offset-ejerskab. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/implement-smart-document-search-index-with-amazon-textract-and-amazon-opensearch/
- :har
- :er
- :ikke
- :hvor
- $3
- $OP
- 1
- 10
- 100
- 11
- 12
- 13
- 14
- 15 %
- 16
- 17
- 20
- 20 år
- 200
- 2014
- 216
- 220
- 25
- 30
- 3000
- 32
- 33
- 7
- 700
- 8
- 820
- 84
- 9
- a
- Om
- adgang
- tilgængelig
- Adgang
- Ifølge
- Konto
- Ophobe
- nøjagtighed
- tværs
- aktivitet
- faktiske
- tilføje
- tilføjet
- tilføje
- Tilføjer
- Efter
- mod
- alder
- AI / ML
- Alle
- tildele
- tillade
- også
- Amazon
- Amazon Cognito
- Amazon OpenSearch Service
- amazontekst
- Amazon Web Services
- an
- analytiker
- ,
- enhver
- api
- kommer til syne
- omtrentlig
- ER
- omkring
- AS
- At
- Godkendelse
- automatisere
- Automatisk Ur
- automatisk
- til rådighed
- gennemsnit
- undgå
- AWS
- AWS CloudFormation
- AWS Lambda
- AWS Management Console
- tilbage
- Bagende
- backup
- bund
- baseret
- BE
- fordi
- bliver
- før
- være
- jf. nedenstående
- BEDSTE
- bedste praksis
- Bedre
- Pas
- Bloker
- både
- bygge
- .
- by
- Opkald
- CAN
- kapaciteter
- Kapacitet
- tilfælde
- tilfælde
- Årsag
- CD
- lave om
- ændret
- skiftende
- kontrollere
- vælge
- klassificering
- Cloud
- Cluster
- kode
- samling
- kombinerer
- KOMMENTAR
- Virksomheder
- sammenlignet
- Compass
- konkurrencedygtig
- komponenter
- computer
- Computer Vision
- begreber
- konkurrent
- Konfiguration
- konfigureret
- tilsluttet
- overvejelser
- består
- Konsol
- konstant
- konstruere
- Container
- indhold
- sammenhæng
- fortsæt
- kontrakter
- korrigere
- Koste
- Omkostninger
- kunne
- koblede
- dæksel
- skabe
- oprettet
- skaber
- kritisk
- Nuværende
- For øjeblikket
- skik
- kunde
- Kunder
- tilpasses
- tilpasse
- instrumentbræt
- dashboards
- data
- Dage
- deal
- Afvis
- Standard
- definere
- definition
- demonstrere
- afhængigheder
- Afhængigt
- indsætte
- indsat
- implementering
- dybde
- ødelægge
- detaljer
- Udvikling
- dialog
- forskellige
- digital
- Digital Transformation
- opdage
- drøftet
- visning
- dyk
- do
- Docker
- dokumentet
- dokumenter
- færdig
- drænet
- grund
- varighed
- e
- hver
- Øst
- Edge
- effektiv
- effektivt
- indsats
- Medarbejder
- bemyndige
- muliggøre
- Engineering
- enorm
- berige
- beriget
- Indtast
- Miljø
- Era
- fejl
- især
- etableret
- skøn
- Endog
- at alt
- eksempel
- overstige
- overstiger
- overskydende
- udførelse
- Udvid
- erfaring
- udforske
- ekstrakt
- mislykkedes
- FAST
- hurtigere
- felt
- Fields
- Figur
- File (Felt)
- Filer
- filtrere
- endelige
- finansielle
- Finde
- ende
- fingerspidser
- slut
- Fornavn
- første skridt
- første gang
- flow
- Fokus
- fokuserede
- følger
- efterfulgt
- efter
- Til
- format
- fra
- fuld
- Fuld stak
- fuldt ud
- funktion
- funktioner
- fremtiden
- Generelt
- genereret
- genererer
- få
- kæmpe
- GitHub
- given
- Go
- gå
- godt
- graf
- vejlede
- seletøj
- Have
- have
- he
- Helse
- hjælper
- Høj
- højere
- stærkt
- time
- HOURS
- Hvordan
- How To
- Men
- HTML
- HTTPS
- menneskelig
- Human Resources
- i
- ideer
- identifikator
- identificere
- Identity
- id'er
- if
- billede
- gennemføre
- implementering
- implementeret
- importere
- vigtigt
- in
- omfatter
- Herunder
- Forøg
- Stigninger
- indeks
- indekseret
- Indikatorer
- individuel
- oplysninger
- Infrastruktur
- initial
- indlede
- indgang
- indsigt
- installere
- instans
- integreret
- Intelligent
- Intelligent dokumentbehandling
- ind
- undersøge
- påberåbes
- IT
- sluttede
- rejse
- jpg
- json
- Holde
- Nøgle
- stor
- største
- Efternavn
- Latency
- senere
- LÆR
- læring
- Bibliotek
- ligesom
- Sandsynlig
- LINK
- links
- Liste
- belastning
- placering
- logget
- Logge på
- Lang
- længere
- Se
- leder
- UDSEENDE
- maskine
- machine learning
- lavet
- Main
- vedligeholde
- Vedligeholdelse
- lave
- maerker
- ledelse
- manuelt
- mange
- Match
- maksimal
- Kan..
- me
- midler
- Menu
- besked
- beskeder
- metoder
- metrisk
- Metrics
- måske
- tankerne
- minutter
- blande
- ML
- Moderne
- ændre
- Overvåg
- overvågning
- mere
- mest
- Bjerg
- flere
- navn
- Som hedder
- navigering
- Behov
- behov
- Ny
- næste
- ingen
- underretning
- meddelelser
- roman
- nummer
- numre
- of
- tilbyde
- tit
- ældste
- on
- engang
- ONE
- åbent
- opensource
- Muligheder
- optimeret
- Indstillinger
- or
- ordrer
- organisation
- oprindelse
- Andet
- Ellers
- ud
- output
- i løbet af
- oversigt
- egen
- side
- sider
- Parallel
- parameter
- del
- passerer
- Adgangskode
- Mønster
- mønstre
- betaling
- per
- ydeevne
- periode
- Tilladelser
- plato
- Platon Data Intelligence
- PlatoData
- Vær venlig
- Punkt
- punkter
- pool
- mulig
- Indlæg
- praksis
- Forbereder
- forudsætninger
- gaver
- tidligere
- behandle
- Behandlet
- Processer
- forarbejdning
- producere
- Produkt
- Programmering
- foreslog
- giver
- offentliggjort
- formål
- Skub ud
- sætte
- sætter
- Python
- Hurtig
- hurtigt
- Sats
- klar
- region
- Rapporter
- Repository
- repræsentativt
- anmodninger
- påkrævet
- Krav
- ressource
- Ressourcer
- lydhør
- resultere
- Resultater
- tilbageholde
- roller
- rod
- Kør
- kører
- SA
- samme
- skalerbar
- Scale
- skalering
- ridse
- problemfrit
- Søg
- søgning
- Sektion
- se
- søger
- udvælgelse
- senior
- forstand
- sendt
- tjener
- tjeneste
- Tjenester
- sæt
- indstillinger
- setup
- bør
- Vis
- viste
- Shows
- lignende
- Simpelt
- Størrelse
- langsom
- mindre
- Smart
- Snapshot
- So
- løsninger
- Løsninger
- nogle
- Kilde
- specifikke
- hastighed
- Spin
- delt
- stable
- starte
- påbegyndt
- Starter
- Tilstand
- Stater
- Status
- steady
- Trin
- Steps
- Stadig
- opbevaring
- butik
- lagring
- indsende
- Efterfølgende
- vellykket
- sådan
- Understøttet
- Understøtter
- sikker
- Systemer
- skræddersyet
- Tag
- tager
- tager
- Opgaver
- opgaver
- hold
- Teknologier
- skabeloner
- semester
- vilkår
- prøve
- afprøvet
- tekst
- at
- Grafen
- oplysninger
- The Source
- Staten
- deres
- Them
- derefter
- Der.
- derfor
- Disse
- de
- denne
- selvom?
- tærskel
- Gennem
- til
- tid
- tidskrævende
- til
- tog
- I alt
- traditionelle
- Transformation
- udløst
- tutorial
- to
- typen
- typer
- under
- uden fortilfælde
- indtil
- uploadet
- us
- brug
- brug tilfælde
- anvendte
- Bruger
- brugere
- bruger
- ved brug af
- udnytter
- VALIDATE
- værdi
- udgave
- meget
- visninger
- Virginia
- vision
- Visualiser
- bind
- mængder
- ønsker
- var
- Vej..
- we
- web
- webservices
- GODT
- var
- Hvad
- hvornår
- som
- vilje
- med
- workflow
- arbejdsgange
- virker
- værksted
- workshops
- værd
- år
- Du
- Din
- zephyrnet