Strukturerede data, defineret som data, der følger et fast mønster, såsom information gemt i kolonner i databaser, og ustrukturerede data, som mangler en bestemt form eller et bestemt mønster som tekst, billeder eller opslag på sociale medier, fortsætter begge med at vokse, efterhånden som de produceres og forbruges af forskellige organisationer. For eksempel, ifølge International Data Corporation (IDC), forventes verdens datavolumen at stige tidoblet i 2025, hvor ustrukturerede data udgør en betydelig del. Virksomheder ønsker måske at tilføje brugerdefinerede metadata som dokumenttyper (W-2-formularer eller lønsedler), forskellige enhedstyper såsom navne, organisation og adresse, ud over standardmetadata som filtype, oprettelsesdato eller størrelse for at udvide den intelligente søge, mens du indtager dokumenterne. De tilpassede metadata hjælper organisationer og virksomheder med at kategorisere information på deres foretrukne måde. Metadata kan fx bruges til filtrering og søgning. Kunder kan oprette de tilpassede metadata vha Amazon Comprehend, en NLP-tjeneste (natural-language processing) administreret af AWS for at udtrække indsigt om indholdet af dokumenter og indlæse det i Amazon Kendra sammen med deres data ind i indekset. Amazon Kendra er en meget nøjagtig og letanvendelig virksomhedssøgningstjeneste drevet af Machine Learning (AWS). De tilpassede metadata kan derefter bruges til at berige indholdet til det bedre filtrering og facet kapaciteter. I Amazon Kendra er facetter omfangsrige visninger af et sæt søgeresultater. For eksempel kan du give søgeresultater for byer over hele verden, hvor dokumenter er filtreret efter en bestemt by, som de er knyttet til. Du kan også oprette facetter for at vise resultater af en bestemt forfatter.
Forsikringsselskaber er belastet med et stigende antal skader, som de skal behandle. Derudover er kompleksiteten af skadebehandlingen også stigende på grund af de forskellige typer af forsikringsdokumenter, der er involveret, og tilpassede enheder i hvert af disse dokumenter. I dette indlæg beskriver vi en use case for berigelse af tilpasset indhold for forsikringsudbydere. Forsikringsudbyderen modtager udbetalingskrav fra modtagerens advokat for forskellige forsikringstyper, såsom bolig-, bil- og livsforsikring. I dette tilfælde indeholder de dokumenter, som forsikringsudbyderen modtager, ingen metadata, der tillader søgning i indholdet baseret på bestemte enheder og klasser. Forsikringsudbyderen ønsker at filtrere Kendra-indhold baseret på tilpassede enheder og klasser, der er specifikke for deres forretningsdomæne. Dette indlæg illustrerer, hvordan du kan automatisere og forenkle metadatagenerering ved hjælp af tilpassede modeller fra Amazon Comprehend. De genererede metadata kan tilpasses under indtagelsesprocessen med Amazon Kendra Custom Document Enrichment (CDE) tilpasset logik.
Lad os se på et par eksempler på Amazon Kendra-søgning med eller uden filtrerings- og facetterfunktioner.
I det følgende skærmbillede giver Amazon Kendra et søgeresultat, men der er ingen mulighed for at indsnævre søgeresultaterne yderligere ved at bruge nogen filtre.
Følgende skærmbillede viser, at Amazon Kendra-søgeresultater kan filtreres ved at bruge forskellige facetter som Law Firm, Policy Numbers, skabt af tilpassede metadata for at indsnævre søgeresultaterne.
Løsningen diskuteret i dette indlæg kan nemt også anvendes til andre virksomheder/brugssager, såsom sundhedspleje, fremstilling og forskning.
Løsningsoversigt
I denne foreslåede løsning vil vi 1) klassificere indsendelser af forsikringsskader i forskellige klasser og 2) hente forsikringsspecifikke enheder fra disse dokumenter. Når dette er afsluttet, kan dokumentet dirigeres til den relevante afdeling eller downstream-proces.
Følgende diagram skitserer den foreslåede løsningsarkitektur.
Amazon Comprehend tilpasset klassificering API bruges til at organisere dine dokumenter i kategorier (klasser), som du definerer. Brugerdefineret klassificering er en to-trins proces. Først træner du en tilpasset klassificeringsmodel (også kaldet en klassificeringsmaskine) til at genkende de klasser, der er af interesse for dig. Derefter bruger du din model til at klassificere et vilkårligt antal dokumentsæt.
Amazon Comprehend tilpasset enhedsgenkendelse funktion bruges til at identificere specifikke enhedstyper (navne på forsikringsselskab, navne på forsikringsselskabet, policenummer) ud over, hvad der er tilgængeligt i generiske enhedstyper som standard. Opbygning af en tilpasset enhedsgenkendelsesmodel er en mere effektiv tilgang end at bruge strengmatchning eller regulære udtryk til at udtrække enheder fra dokumenter. En tilpasset enhedsgenkendelsesmodel kan lære konteksten, hvor disse navne sandsynligvis vil blive vist. Derudover vil strengmatchning ikke registrere enheder, der har slåfejl eller følger nye navnekonventioner, mens dette er muligt ved hjælp af en brugerdefineret model.
Før vi dykker dybere, lad os tage et øjeblik på at udforske Amazon Kendra. Amazon Kendra er en meget nøjagtig og letanvendelig virksomhedssøgningstjeneste drevet af maskinlæring. Det giver brugerne mulighed for at finde den information, de har brug for, inden for den store mængde indhold, der er spredt ud over deres organisation, lige fra hjemmesider og databaser til intranetsider. Vi vil først oprette et Amazon Kendra-indeks for at indlæse dokumenterne. Mens du indtager dataene, er det vigtigt at overveje konceptet Custom Data Enrichment (CDE). CDE giver dig mulighed for at forbedre søgekapaciteten ved at inkorporere ekstern viden i søgeindekset. For mere information, se Berige dine dokumenter under indtagelse. I dette indlæg påberåber CDE-logikken de tilpassede API'er fra Amazon Comprehend for at berige dokumenterne med identificerede klasser og entiteter. Til sidst bruger vi Amazon Kendra-søgesiden til at vise, hvordan metadataene forbedrede søgeevnen ved at tilføje facetterings- og filtreringsmuligheder.
Trinene på højt niveau for at implementere denne løsning er som følger:
- Træn den tilpassede Amazon Comprehend-klassificering ved hjælp af træningsdata
- Træn Amazon Comprehend tilpasset enhedsgenkendelse ved hjælp af træningsdata
- Opret Amazon Comprehend brugerdefinerede klassificerings- og brugerdefinerede enhedsgenkendelsesslutpunkter
- Opret og implementer en Lambda-funktion til berigelse efter ekstraktion
- Opret og udfyld Amazon Kendra-indekset
- Brug de udpakkede enheder til at filtrere søgninger i Amazon Kendra
Vi har også leveret en prøveansøgning i GitHub repo til reference.
Datasikkerhed og IAM-overvejelser
Med sikkerhed som topprioritet følger denne løsning princippet om mindst privilegerede tilladelser for de anvendte tjenester og funktioner. IAM-rollen brugt af Amazon Comprehend tilpasset klassificering og tilpasset enhedsgenkendelse har kun tilladelser til at få adgang til datasættet fra testbøtten. Amazon Kendra-tjenesten har adgang til en specifik S3-bøtte og Lambda-funktion, der bruges til at kalde forstå API'er. Lambda-funktionen har kun tilladelse til at kalde Amazon Comprehend API'er. For mere information, se afsnit 1.2 og 1.3 i notesbogen.
Vi anbefaler, at du gør følgende i et ikke-produktionsmiljø, før du implementerer løsningen i produktionsmiljøet.
Træn den brugerdefinerede Comprehend-klassifikator ved hjælp af træningsdata
Amazon Comprehend Custom Classification understøtter to dataformattyper til annotationsfiler:
Da vores data allerede er mærket og gemt i CSV-filer, vil vi bruge CSV-filformatet til annotationsfilen som et eksempel. Vi skal levere de mærkede træningsdata som UTF-8-kodet tekst i en CSV-fil. Medtag ikke en overskriftsrække i CSV-filen. Tilføjelse af en overskriftsrække i din fil kan forårsage runtime fejl. Et eksempel på træningsdata-CSV-filen er som følger:
For at forberede klassificeringstræningsdata, se Forberedelse af klassificeringstræningsdata. For hver række i CSV-filen indeholder den første kolonne en eller flere klasseetiketter. En klasseetiket kan være en hvilken som helst gyldig UTF-8-streng. Vi anbefaler at bruge klare klassenavne, der ikke overlapper hinanden i betydning. Navnet kan indeholde mellemrum og kan bestå af flere ord forbundet med understregninger eller bindestreger. Efterlad ikke mellemrumstegn før eller efter kommaerne, der adskiller værdierne i en række.
Dernæst vil du træne enten vha Multi-klasse tilstand or Multi-label tilstand. Specifikt i multi-class-tilstand tildeler klassifikation én klasse for hvert dokument, mens individuelle klasser i multi-label-tilstand repræsenterer forskellige kategorier, der ikke udelukker hinanden. I vores tilfælde vil vi bruge Multi-Class-tilstanden til almindelig tekst-modeller.
Du kan forberede separate trænings- og testdatasæt til Amazon Comprehend tilpasset klassificeringstræning og modelevaluering. Eller giv kun ét datasæt til både træning og test. Comprehend vil automatisk vælge 10 % af dit leverede datasæt til brug som testdata. I dette eksempel leverer vi separate trænings- og testdatasæt.
Følgende eksempel viser en CSV-fil, der indeholder de klassenavne, der er knyttet til de forskellige dokumenter.
Når den tilpassede klassificeringsmodel er trænet, kan den fange forskellige forsikringsklasser på dokumenterne (hus-, bil- eller livsforsikring).
Træn Amazon Comprehend Custom Entity Recencer (NER) ved hjælp af træningsdata
Træningsdatasættet til Amazon Comprehend Custom Entity Recognition (NER) kan forberedes på en af to forskellige måder:
- Annotationer – Giver et datasæt, der indeholder de kommenterede enheder til modetræning
- Enhedslister (kun almindelig tekst) – Giver en liste over enheder og deres etikettype (såsom "forsikringsselskabers navne") og et sæt uannoterede dokumenter, der indeholder disse enheder til modeltræning
For mere information henvises til Forberedelse af træningsdata for enhedsgenkendelse.
Når vi træner en model ved hjælp af entitetsliste, skal vi give to stykker information: en liste over enhedsnavne med deres tilknyttede brugerdefinerede enhedstyper og en samling af uannoterede dokumenter, hvori enhederne optræder.
Automatisk træning kræver at have to typer information: eksempeldokumenter og enhedslisten eller anmærkninger. Når genkenderen er uddannet, kan du bruge den til at registrere brugerdefinerede enheder i dine dokumenter. Du kan hurtigt analysere en lille tekstdel i realtid, eller du kan analysere et stort sæt dokumenter med et asynkront job.
Du kan forberede separate trænings- og testdatasæt til Amazon Comprehend tilpasset enhedsgenkendelsestræning og modelevaluering. Eller giv kun ét datasæt til både træning og test. Amazon Comprehend vil automatisk vælge 10 % af dit leverede datasæt til brug som testdata. I eksemplet nedenfor specificerede vi træningsdatasættet som Documents.S3Uri
under InputDataConfig
.
Følgende eksempel viser en CSV-fil, der indeholder enheder:
Når først den tilpassede enhed (NER)-modellen er trænet, vil den være i stand til at udtrække de forskellige enheder som "PAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
".
Opret Amazon Comprehend brugerdefinerede klassificerings- og brugerdefinerede entiteter (NER)-endepunkter
Amazon Comprehends endepunkter gør dine tilpassede modeller tilgængelige for klassificering i realtid. Når du har oprettet et slutpunkt, kan du foretage ændringer i det, efterhånden som dine forretningsbehov udvikler sig. Du kan f.eks. overvåge din slutpunktsudnyttelse og anvende automatisk skalering for automatisk at indstille endpoint provisioning, så den passer til dine kapacitetsbehov. Du kan administrere alle dine endepunkter fra en enkelt visning, og når du ikke længere har brug for et endepunkt, kan du slette det for at spare omkostninger. Amazon Comprehend understøtter både synkrone og asynkrone muligheder, hvis realtidsklassificering ikke er påkrævet til dit brugstilfælde, kan du indsende et batchjob til Amazon Comprehend for asynkron dataklassificering.
Til denne use case opretter du et slutpunkt for at gøre din brugerdefinerede model tilgængelig for realtidsanalyse.
For at opfylde dine tekstbehandlingsbehov tildeler du slutningsenheder til slutpunktet, og hver enhed tillader en gennemstrømning på 100 tegn pr. sekund. Du kan derefter justere gennemløbet op eller ned.
Opret og implementer en Lambda-funktion til berigelse efter ekstraktion
Lambda-funktionen efter ekstraktion giver dig mulighed for at implementere logikken til at behandle teksten udtrukket af Amazon Kendra fra det indtagne dokument. Den post-ekstraktionsfunktion, vi konfigurerede, implementerer koden til at påkalde Amazon Comprehend for at detektere brugerdefinerede enheder og tilpasset klassificering af dokumenterne fra teksten udtrukket af Amazon Kendra, og bruger dem til at opdatere dokumentmetadataene, som præsenteres som facetter i en Amazon Kendra-søgning . Funktionskoden er indlejret i notesbogen. Det PostExtractionLambda
kode fungerer som følger:
- Opdeler sideteksten i sektioner, der ikke overskrider den maksimale byte-længdegrænse for forstå
detect_entities
API. (Se Grænser ).
BEMÆRK scriptet bruger en naiv karakterlængdeopdelingsalgoritme for enkelhedens skyld – produktionsbrugstilfælde bør implementere overlappende eller sætningsgrænseopdelinger baseret på UTF8-byte-længde. - For hver sektion af teksten kalder forstå-realtidsslutpunkterne for brugerdefinerede enheder og brugerdefineret klassificering for at detektere følgende enhedstyper: ["
PAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
","INSURANCE_TYPE
"]. - Filtrerer registrerede enheder, der er under konfidensscoretærsklen. Vi bruger en tærskel på 0.50, hvilket betyder, at kun enheder med en tillid på 50 % og mere vil blive brugt. Dette kan justeres ud fra brugssituationen og kravene.
- Sporer frekvensantallet for hver enhed.
- Vælger kun de øverste N (10) unikke enheder for hver side, baseret på hyppigheden af forekomst.
- Til dokumentklassificering tildeler multi-class klassifikationen kun én klasse for hvert dokument. I denne Lambda-funktion vil dokumenterne blive klassificeret som Bilforsikring, Husforsikring eller Livsforsikring.
Bemærk, at når dette skrives, understøtter CDE kun synkrone opkald, eller hvis det skal være asynkront, er det nødvendigt med en eksplicit venteløkke. Til efterudvinding af Lambda max udførelsestid er 1 min. Lambdas brugerdefinerede logik kan ændres baseret på de krav, der passer til din brugssituation.
Opret og udfyld Amazon Kendra-indekset
I dette trin vil vi indlæse dataene til Amazon Kendra-indekset og gøre det søgbart for brugerne. Under indtagelsen vil vi bruge Lambda-funktionen, der blev oprettet i det foregående trin, som et post-ekstraktionstrin, og Lambda-funktionen vil kalde NER-slutpunkterne for den tilpassede klassificering og brugerdefinerede enhedsgenkendelse for at oprette de tilpassede metadatafelter.
Trinene på højt niveau for at implementere denne løsning er som følger:
- Opret Amazon Kendra-indeks.
- Opret Amazon Kendra Datakilde – Der er forskellige datakilder, som kan bruges til at indtage datasæt. I dette indlæg bruger vi en S3 spand.
- Opret facetter
Law_Firm
,Payout
,Insurance_Company
,Policy_Number
,Policy_Holder_Name
,Insurance_Type
med strengtype som 'STRING_LIST_VALUE
'. - Opret Kendra CDE og peg den på den tidligere oprettede Lambda-funktion efter ekstraktion.
- Udfør synkroniseringsprocessen for at indlæse datasættet.
Når det er afsluttet, kan du udfylde indekset med forsikringsdata, ved at bruge Kendra CDE med lambda efter ekstraktion, kan du filtrere søgninger baseret på de tilpassede enhedstyper og tilpasset klassificering som brugerdefinerede metadatafelter.
Brug de udpakkede enheder til at filtrere søgninger i Kendra
Nu er indekset udfyldt og klar til brug. Vælg i Amazon Kendra-konsollen Søg efter indekseret indhold under Data Management og gør følgende.
Spørg følgende: Listen over forsikringer mislykkedes på grund af sen indlevering?
Resultaterne viser et svar fra politiktypen – HOME INSURANCE
og bringer text_18
, text_14
som de bedste resultater.
Vælg "Filtrer søgeresultater" til venstre. Nu vil du se alle enhedstyper og klassifikationsværdier udtrukket ved hjælp af Comprehend, og for hver enhedsværdi og klassifikation vil du se antallet af matchende dokumenter.
Under INSURANCE_TYPE
vælg “Auto-forsikring”, og så får du svar fra text_25
fil.
Bemærk, at dine resultater kan afvige lidt fra resultaterne vist på skærmbilledet.
Prøv at søge med dine egne forespørgsler, og observer, hvordan entiteterne og dokumentklassificeringen identificeret af Amazon Comprehend hurtigt giver dig mulighed for at:
- Se, hvordan dine søgeresultater er fordelt på tværs af kategorierne.
- Begræns din søgning ved at filtrere på en hvilken som helst af enheds-/klassifikationsværdierne.
Ryd op
Når du har eksperimenteret med søgningen og prøvet den notesbog, der er leveret i Github-lageret, skal du slette den infrastruktur, du har klargjort på din AWS-konto, for at undgå uønskede gebyrer. Du kan køre oprydningscellerne i notesbogen. Alternativt kan du slette ressourcerne manuelt gennem AWS-konsollen:
- Amazon Kendra-indeks
- Forstå endepunkter for tilpasset klassificering og tilpasset enhedsgenkendelse (NER).
- Forstå tilpassede klassificerings- og brugerdefinerede entitetsgenkendelsesmodeller (NER).
- Lambda funktion
- S3 spand
- IAM roller og politikker
Konklusion
I dette indlæg viste vi, hvordan Amazon Comprehend brugerdefinerede entiteter og tilpasset klassificering muliggør Amazon Kendra-søgning drevet af CDE-funktion for at hjælpe slutbrugere med at udføre bedre søgninger på de strukturerede/ustrukturerede data. De tilpassede entiteter i Amazon Comprehend og brugerdefineret klassificering gør det meget nyttigt til forskellige brugssager og forskellige domænespecifikke data. For mere information om, hvordan du bruger Amazon Comprehend, se Amazon Forstå udviklerressourcer og for Amazon Kendra, se Amazon Kendra-udviklerressourcer.
Prøv denne løsning til din brugssituation. Vi inviterer dig til at give din feedback i kommentarfeltet.
Om forfatterne
Amit Chaudhary er Senior Solutions Architect hos Amazon Web Services. Hans fokusområde er AI/ML, og han hjælper kunder med generativ AI, store sprogmodeller og hurtig ingeniørarbejde. Uden for arbejdet nyder Amit at bruge tid sammen med sin familie.
Yanyan Zhang er Senior Data Scientist i Energy Delivery-teamet med AWS Professional Services. Hun brænder for at hjælpe kunder med at løse reelle problemer med AI/ML viden. For nylig har hendes fokus været på at udforske potentialet i Generative AI og LLM. Uden for arbejdet elsker hun at rejse, træne og udforske nye ting.
Nikhil Jha er Senior Technical Account Manager hos Amazon Web Services. Hans fokusområder omfatter AI/ML og analyse. I sin fritid nyder han at spille badminton med sin datter og udforske naturen.
- 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/use-custom-metadata-created-by-amazon-comprehend-to-intelligently-process-insurance-claims-using-amazon-kendra/
- :har
- :er
- :ikke
- :hvor
- $OP
- 1
- 1.3
- 10
- 100
- 19
- 2025
- 33
- 50
- 500
- 7
- 9
- a
- I stand
- Om
- adgang
- Ifølge
- Konto
- Bogføring og administration
- præcis
- tværs
- tilføje
- tilføje
- Desuden
- Derudover
- adresse
- Efter
- AI
- AI / ML
- algoritme
- Alle
- tillader
- sammen
- allerede
- også
- Amazon
- Amazon Comprehend
- Amazon Kendra
- Amazon Web Services
- beløb
- an
- analyse
- analytics
- analysere
- ,
- besvare
- enhver
- api
- API'er
- vises
- Anvendelse
- anvendt
- Indløs
- tilgang
- passende
- arkitektur
- ER
- OMRÅDE
- områder
- AS
- forbundet
- At
- advokat
- forfatter
- auto
- automatisere
- automatisk
- til rådighed
- undgå
- AWS
- AWS Professional Services
- baseret
- BE
- været
- før
- jf. nedenstående
- Bedre
- Beyond
- krop
- både
- grænse
- Bringer
- Bygning
- virksomhed
- men
- by
- ringe
- kaldet
- Opkald
- CAN
- kapaciteter
- kapacitet
- Kapacitet
- fange
- tilfælde
- tilfælde
- kategorier
- Årsag
- Celler
- vis
- ændret
- Ændringer
- karakter
- tegn
- afgifter
- Vælg
- byer
- By
- fordringer
- klasse
- klasser
- klassificering
- klassificeret
- Klassificere
- klar
- kode
- samling
- Kolonne
- Kolonner
- kommentarer
- Virksomheder
- selskab
- fuldføre
- Afsluttet
- kompleksitet
- forstå
- Konceptet
- tillid
- konfigureret
- tilsluttet
- Overvej
- Konsol
- forbruges
- indeholder
- indeholder
- indhold
- sammenhæng
- fortsæt
- konventioner
- VIRKSOMHED
- Omkostninger
- kunne
- skabe
- oprettet
- skik
- Kunder
- tilpassede
- data
- data berigelse
- datastyring
- dataforsker
- datasæt
- databaser
- datasæt
- Dato
- dybere
- Standard
- definere
- definerede
- levering
- Afdeling
- indsætte
- beskrive
- opdage
- opdaget
- Udvikler
- forskellige
- forskelligt
- drøftet
- Skærm
- distribueret
- forskelligartede
- dykning
- do
- dokumentet
- dokumenter
- domæne
- Don
- Dont
- ned
- grund
- i løbet af
- e
- E&T
- hver
- nemt
- nem at bruge
- Effektiv
- enten
- el
- indlejret
- muliggør
- Endpoint
- energi
- Engineering
- forbedre
- forbedret
- berige
- berigelse
- Enterprise
- virksomheder
- enheder
- enhed
- Miljø
- fejl
- væsentlig
- evaluering
- udvikle sig
- eksempel
- eksempler
- overstige
- Undtagen
- undtagelse
- Eksklusiv
- udførelse
- Afslutning
- forventet
- udforske
- Udforskning
- udtryk
- udvide
- ekstern
- ekstrakt
- udvinding
- facetter
- mislykkedes
- familie
- Feature
- Funktionalitet
- tilbagemeldinger
- få
- Fields
- File (Felt)
- Filer
- Arkivering
- filtrere
- filtrering
- Filtre
- Endelig
- Finde
- Firm
- Fornavn
- passer
- fast
- Fokus
- følger
- efter
- følger
- Til
- formular
- format
- formularer
- Frekvens
- fra
- funktion
- yderligere
- genereret
- generation
- generative
- Generativ AI
- få
- GitHub
- Grow
- Have
- have
- he
- sundhedspleje
- hjælpe
- hjælpe
- hjælper
- hende
- højt niveau
- højere
- højeste
- stærkt
- hans
- Home
- Hvordan
- How To
- HTML
- HTTPS
- i
- IDC
- identificeret
- identificere
- if
- illustrerer
- billeder
- gennemføre
- gennemføre
- redskaber
- in
- omfatter
- inkorporering
- Forøg
- stigende
- indeks
- indekseret
- individuel
- oplysninger
- Infrastruktur
- indgang
- indsigt
- instans
- forsikring
- Intelligent
- interesse
- internationalt
- International Data Corporation (IDC)
- ind
- invitere
- påberåber sig
- involverede
- IT
- Job
- json
- viden
- etiket
- Etiketter
- Sprog
- stor
- Sent
- Lov
- advokatfirma
- LÆR
- læring
- mindst
- Forlade
- til venstre
- Længde
- Livet
- ligesom
- Sandsynlig
- GRÆNSE
- Liste
- Lister
- LLM
- logik
- længere
- Se
- elsker
- maskine
- machine learning
- lave
- maerker
- administrere
- lykkedes
- ledelse
- leder
- manuelt
- Produktion
- matchende
- max
- Kan..
- betyder
- midler
- Medier
- Mød
- Metadata
- minut
- tilstand
- model
- modeller
- øjeblik
- Overvåg
- mere
- mest
- flere
- skal
- gensidigt
- navn
- navne
- navngivning
- smal
- Behov
- behov
- behov
- Ny
- NLP
- ingen
- notesbog
- nu
- nummer
- numre
- objekt
- objekter
- observere
- Hændelse
- of
- on
- engang
- ONE
- kun
- Option
- Indstillinger
- or
- organisation
- organisationer
- Andet
- vores
- ud
- udendørs
- konturer
- uden for
- egen
- side
- par
- lidenskabelige
- Mønster
- per
- Udfør
- Tilladelser
- stykker
- Almindeligt
- plato
- Platon Data Intelligence
- PlatoData
- spiller
- Punkt
- politik
- befolkede
- del
- mulig
- Indlæg
- Indlæg
- potentiale
- strøm
- foretrækkes
- Forbered
- forberedt
- forelagt
- tidligere
- tidligere
- princippet
- Forud
- prioritet
- privilegium
- problemer
- behandle
- forarbejdning
- produceret
- produktion
- professionel
- foreslog
- give
- forudsat
- udbyder
- udbydere
- giver
- leverer
- forespørgsler
- hurtigt
- citater
- spænder
- Læs
- klar
- ægte
- realtid
- modtaget
- modtager
- for nylig
- anerkendelse
- genkende
- anerkendt
- anbefaler
- henvise
- henvisningen
- fast
- Repository
- repræsentere
- påkrævet
- Krav
- Kræver
- forskning
- Ressourcer
- resultere
- Resultater
- afkast
- gennemgå
- roller
- roller
- RÆKKE
- Kør
- runtime
- samme
- Gem
- skalering
- Videnskabsmand
- score
- script
- Søg
- søgninger
- søgning
- Anden
- Sektion
- sektioner
- sikkerhed
- se
- Vælg
- senior
- dømme
- adskille
- tjeneste
- Tjenester
- sæt
- sæt
- hun
- bør
- Vis
- viste
- vist
- Shows
- signifikant
- enkelhed
- forenkle
- enkelt
- Websteder
- Størrelse
- lille
- So
- Social
- sociale medier
- Indlæg på sociale medier
- løsninger
- Løsninger
- SOLVE
- Kilder
- Space
- specifikke
- specifikt
- specificeret
- udgifterne
- splits
- spredes
- standard
- Trin
- Steps
- butik
- opbevaret
- String
- Bidrag
- indsende
- sådan
- support
- Understøtter
- synkronisere.
- Tag
- hold
- Teknisk
- prøve
- Test
- tekst
- end
- at
- oplysninger
- verdenen
- deres
- Them
- derefter
- Der.
- Disse
- de
- ting
- denne
- dem
- tærskel
- Gennem
- kapacitet
- tid
- til
- top
- spor
- Tog
- uddannet
- Kurser
- Traveling
- behandle
- forsøgte
- prøv
- tunet
- to
- typen
- typer
- under
- understregninger
- enestående
- enhed
- enheder
- uønsket
- Opdatering
- brug
- brug tilfælde
- anvendte
- brugere
- bruger
- ved brug af
- gyldig
- værdi
- Værdier
- forskellige
- Vast
- meget
- Specifikation
- visninger
- bind
- vente
- ønsker
- ønsker
- Vej..
- måder
- we
- web
- webservices
- websites
- GODT
- Hvad
- Hvad er
- hvornår
- som
- mens
- hvid
- vilje
- med
- inden for
- uden
- ord
- Arbejde
- arbejder
- træner
- virker
- world
- Verdens
- skrivning
- skriftlig
- Du
- Din
- zephyrnet