I dette indlæg diskuterer vi en maskinlæringsløsning (ML) til komplekse billedsøgninger ved hjælp af Amazon Kendra , Amazon-anerkendelse. Specifikt bruger vi eksemplet med arkitekturdiagrammer til komplekse billeder på grund af deres inkorporering af adskillige forskellige visuelle ikoner og tekst.
Med internettet har det aldrig været nemmere at søge og få et billede. Det meste af tiden kan du nøjagtigt finde dine ønskede billeder, såsom at søge efter din næste feriedestination. Simple søgninger er ofte vellykkede, fordi de ikke er forbundet med mange egenskaber. Ud over de ønskede billedkarakteristika kræver søgekriterierne typisk ikke væsentlige detaljer for at finde det ønskede resultat. For eksempel, hvis en bruger forsøgte at søge efter en bestemt type blå flaske, vil resultaterne af mange forskellige typer blå flasker blive vist. Den ønskede blå flaske er dog muligvis ikke let at finde på grund af generiske søgetermer.
Fortolkning af søgekontekst bidrager også til forenkling af resultater. Når brugere har et ønsket billede i tankerne, forsøger de at indramme dette til en tekstbaseret søgeforespørgsel. Det er vigtigt at forstå nuancerne mellem søgeforespørgsler for lignende emner for at give relevante resultater og minimere den indsats, der kræves af brugeren for manuelt at sortere resultaterne. For eksempel søger søgeforespørgslen "Hundeejer spiller apport" at returnere billedresultater, der viser en hundeejer, der leger et spil apport med en hund. Men de faktiske resultater, der genereres, kan i stedet fokusere på en hund, der henter en genstand uden at vise ejerens involvering. Brugere skal muligvis manuelt filtrere uegnede billedresultater fra, når de håndterer komplekse søgninger.
For at løse problemerne forbundet med komplekse søgninger, beskriver dette indlæg i detaljer, hvordan du kan opnå en søgemaskine, der er i stand til at søge efter komplekse billeder ved at integrere Amazon Kendra og Amazon Rekognition. Amazon Kendra er en intelligent søgetjeneste drevet af ML, og Amazon Rekognition er en ML-tjeneste, der kan identificere objekter, personer, tekst, scener og aktiviteter fra billeder eller videoer.
Hvilke billeder kan være for komplekse til at være søgbare? Et eksempel er arkitekturdiagrammer, som kan associeres med mange søgekriterier afhængigt af use case-kompleksiteten og antallet af nødvendige tekniske tjenester, hvilket resulterer i en betydelig manuel søgeindsats for brugeren. Hvis brugere f.eks. ønsker at finde en arkitekturløsning til kundebekræftelse, vil de typisk bruge en søgeforespørgsel, der ligner "Arkitekturdiagrammer til kundeverifikation." Generiske søgeforespørgsler vil dog spænde over en bred vifte af tjenester og på tværs af forskellige datoer for indholdsoprettelse. Brugere skal manuelt udvælge egnede arkitekturkandidater baseret på specifikke tjenester og overveje relevansen af arkitekturdesignvalgene i henhold til indholdets oprettelsesdato og forespørgselsdato.
Følgende figur viser et eksempeldiagram, der illustrerer en orkestreret ekstraktions-, transformations- og belastningsarkitekturløsning (ETL).
For brugere, der ikke er bekendt med de servicetilbud, der tilbydes på cloud-platformen, kan de give forskellige generiske måder og beskrivelser, når de søger efter et sådant diagram. Følgende er nogle eksempler på, hvordan det kan søges:
- "Orchestrere ETL workflow"
- "Sådan automatiseres massedatabehandling"
- "Metoder til at skabe en pipeline til transformation af data"
Løsningsoversigt
Vi leder dig gennem følgende trin for at implementere løsningen:
- Træn en Tilpassede etiketter til Amazon-genkendelse model til at genkende symboler i arkitekturdiagrammer.
- Inkorporer Amazon Rekognition-tekstgenkendelse for at validere arkitekturdiagramsymboler.
- Brug Amazon Rekognition i en webcrawler til at bygge et lager til søgning
- Brug Amazon Kendra til at søge i depotet.
For nemt at give brugerne et stort lager af relevante resultater, bør løsningen give en automatiseret måde at søge gennem pålidelige kilder. Ved at bruge arkitekturdiagrammer som eksempel skal løsningen søge gennem referencelinks og tekniske dokumenter for arkitekturdiagrammer og identificere de tilstedeværende tjenester. Identifikation af søgeord såsom use cases og branchevertikaler i disse kilder gør det også muligt at fange informationen og få vist mere relevante søgeresultater til brugeren.
I betragtning af formålet med, hvordan relevante diagrammer skal søges, skal billedsøgningsløsningen opfylde tre kriterier:
- Aktiver simpel søgeordssøgning
- Fortolk søgeforespørgsler baseret på use cases, som brugerne angiver
- Sorter og bestil søgeresultater
Søgeordssøgning er simpelthen at søge efter "Amazon Rekognition" og få vist arkitekturdiagrammer over, hvordan tjenesten bruges i forskellige use cases. Alternativt kan søgetermerne linkes indirekte til diagrammet gennem use cases og branchevertikaler, der kan være forbundet med arkitekturen. Hvis du f.eks. søger efter termerne "Sådan orkestreres ETL-pipeline", returneres resultater af arkitekturdiagrammer bygget med AWS Lim , AWS-trinfunktioner. Sortering og rækkefølge af søgeresultater baseret på attributter såsom oprettelsesdato ville sikre, at arkitekturdiagrammerne stadig er relevante på trods af serviceopdateringer og udgivelser. Følgende figur viser arkitekturdiagrammet til billedsøgningsløsningen.
Som illustreret i det foregående diagram og i løsningsoversigten er der to hovedaspekter af løsningen. Det første aspekt udføres af Amazon Rekognition, som kan identificere objekter, personer, tekst, scener og aktiviteter fra billeder eller videoer. Den består af præ-trænede modeller, der kan anvendes til at analysere billeder og videoer i skala. Med sin brugerdefinerede labelfunktion giver Amazon Rekognition dig mulighed for at skræddersy ML-tjenesten til dine specifikke forretningsbehov ved at mærke billeder, der er samlet fra indkøb gennem arkitekturdiagrammer i pålidelige referencelinks og tekniske dokumenter. Ved at uploade et lille sæt træningsbilleder indlæser og inspicerer Amazon Rekognition automatisk træningsdataene, vælger de rigtige ML-algoritmer, træner en model og leverer modelpræstationsmålinger. Derfor kan brugere uden ML-ekspertise nyde fordelene ved en tilpasset etiketmodel gennem et API-kald, fordi en betydelig mængde overhead reduceres. Løsningen anvender Amazon Rekognition Custom Labels til at registrere AWS-tjenestelogoer på arkitekturdiagrammer for at tillade, at arkitekturdiagrammerne kan søges med tjenestenavne. Efter modellering bliver detekterede tjenester for hvert arkitekturdiagrambillede og dets metadata, såsom URL-oprindelse og billedtitel, indekseret til fremtidige søgeformål og gemt i Amazon DynamoDB, en fuldt administreret, serverløs, nøgleværdi NoSQL-database designet til at køre højtydende applikationer.
Det andet aspekt understøttes af Amazon Kendra, en intelligent virksomhedssøgningstjeneste drevet af ML, der giver dig mulighed for at søge på tværs af forskellige indholdslagre. Med Amazon Kendra kan du søge efter resultater, såsom billeder eller dokumenter, der er blevet indekseret. Disse resultater kan også gemmes på tværs af forskellige arkiver, fordi søgetjenesten anvender indbyggede forbindelser. Nøgleord, sætninger og beskrivelser kunne bruges til at søge, hvilket giver dig mulighed for nøjagtigt at søge efter diagrammer, der er relateret til en bestemt brugssag. Derfor kan du nemt bygge en intelligent søgetjeneste med minimale udviklingsomkostninger.
Med en forståelse af problemet og løsningen dykker de efterfølgende sektioner ned i, hvordan man automatiserer datakilden gennem gennemsøgning af arkitekturdiagrammer fra troværdige kilder. Efter dette gennemgår vi processen med at generere en brugerdefineret label ML-model med en fuldt administreret service. Til sidst dækker vi dataindtagelsen af en intelligent søgetjeneste, drevet af ML.
Opret en Amazon-genkendelsesmodel med brugerdefinerede etiketter
Før vi opnår arkitekturdiagrammer, har vi brug for et værktøj til at vurdere, om et billede kan identificeres som et arkitekturdiagram. Amazon Rekognition Custom Labels giver en strømlinet proces til at skabe en billedgenkendelsesmodel, der identificerer objekter og scener i billeder, der er specifikke for et forretningsbehov. I dette tilfælde bruger vi Amazon Rekognition Custom Labels til at identificere AWS-tjenesteikoner, hvorefter billederne indekseres med tjenesterne for en mere relevant søgning ved hjælp af Amazon Kendra. Denne model skelner ikke mellem, om et billede er et arkitekturdiagram eller ej; den identificerer blot serviceikoner, hvis nogen. Som sådan kan der være tilfælde, hvor billeder, der ikke er arkitekturdiagrammer, ender i søgeresultaterne. Sådanne resultater er dog minimale.
Følgende figur viser de trin, som denne løsning tager for at skabe en Amazon Rekognition Custom Labels-model.
Denne proces involverer upload af datasæt, generering af en manifestfil, der refererer til de uploadede datasæt, efterfulgt af upload af denne manifestfil til Amazon Rekognition. Et Python-script bruges til at hjælpe i processen med at uploade datasættene og generere manifestfilen. Efter succesfuld generering af manifestfilen, uploades den til Amazon Rekognition for at begynde modeltræningsprocessen. For detaljer om Python-scriptet og hvordan man kører det, se GitHub repo.
For at træne modellen skal du i Amazon Rekognition-projektet vælge Tog model, vælg det projekt, du vil træne, tilføj derefter eventuelle relevante tags og vælg Tog model. For instruktioner om at starte et Amazon Rekognition Custom Labels-projekt, se den tilgængelige video tutorials. Modellen kan tage op til 8 timer at træne med dette datasæt.
Når uddannelsen er afsluttet, kan du vælge den trænede model for at se evalueringsresultaterne. For flere detaljer om de forskellige målinger såsom præcision, genkaldelse og F1, se Metrics til evaluering af din model. For at bruge modellen skal du navigere til Brug model fanen, lad antallet af slutningsenheder være 1, og start modellen. Så kan vi bruge en AWS Lambda funktion til at sende billeder til modellen i base64, og modellen returnerer en liste over etiketter og konfidensscore.
Efter at have trænet en Amazon Rekognition-model med Amazon Rekognition Custom Labels, kan vi bruge den til at identificere serviceikoner i arkitekturdiagrammerne, der er blevet gennemgået. For at øge nøjagtigheden af at identificere tjenester i arkitekturdiagrammet bruger vi en anden Amazon Rekognition-funktion kaldet tekstgenkendelse. For at bruge denne funktion sender vi det samme billede ind i base64, og Amazon Rekognition returnerer listen over tekst identificeret på billedet. I de følgende figurer sammenligner vi det originale billede, og hvordan det ser ud, efter at tjenesterne på billedet er identificeret. Den første figur viser det originale billede.
Følgende figur viser det originale billede med detekterede tjenester.
For at sikre skalerbarhed bruger vi en Lambda-funktion, som vil blive eksponeret gennem et API-endepunkt oprettet vha Amazon API Gateway. Lambda er en serverløs, hændelsesdrevet beregningstjeneste, der lader dig køre kode til stort set enhver type applikation eller backend-tjeneste uden at klargøre eller administrere servere. Brug af en Lambda-funktion eliminerer en fælles bekymring om opskalering, når der sendes store mængder anmodninger til API-endepunktet. Lambda kører automatisk funktionen for det specifikke API-kald, som stopper, når opkaldet er afsluttet, og derved reducerer omkostningerne for brugeren. Fordi anmodningen vil blive rettet til Amazon Rekognition-slutpunktet, er det ikke tilstrækkeligt, at kun Lambda-funktionen er skalerbar. For at Amazon Rekognition-endepunktet kan skaleres, kan du øge slutpunktets slutningsenhed. For flere detaljer om konfiguration af inferensenheden, se Inferensenheder.
Følgende er et kodestykke af Lambda-funktionen til billedgenkendelsesprocessen:
Efter at have oprettet Lambda-funktionen, kan vi fortsætte med at eksponere den som en API ved hjælp af API Gateway. For instruktioner om oprettelse af en API med Lambda proxy-integration, se Selvstudium: Byg en Hello World REST API med Lambda proxy-integration.
Gennemgå arkitekturdiagrammerne
For at søgefunktionen kan fungere, har vi brug for et lager af arkitekturdiagrammer. Disse diagrammer skal dog stamme fra troværdige kilder som f.eks AWS blog , AWS præskriptiv vejledning. Etablering af troværdighed af datakilder sikrer, at den underliggende implementering og formålet med use cases er nøjagtige og velovervejede. Det næste trin er at konfigurere en crawler, der kan hjælpe med at samle mange arkitekturdiagrammer, der skal føres ind i vores repository. Vi oprettede en webcrawler til at udtrække arkitekturdiagrammer og information såsom en beskrivelse af implementeringen fra de relevante kilder. Der er flere måder, hvorpå du kan opnå at bygge en sådan mekanisme; til dette eksempel bruger vi et program, der kører på Amazon Elastic Compute Cloud (Amazon EC2). Programmet henter først links til blogindlæg fra en AWS Blog API. Svaret, der returneres fra API'en, indeholder oplysninger om indlægget, såsom titel, URL, dato og links til billeder fundet i indlægget.
Følgende er et kodestykke af JavaScript-funktionen til webcrawlingsprocessen:
Med denne mekanisme kan vi nemt crawle hundreder og tusinder af billeder fra forskellige blogs. Vi har dog brug for et filter, der kun accepterer billeder, der indeholder indhold af et arkitekturdiagram, som i vores tilfælde er ikoner for AWS-tjenester, for at frafiltrere billeder, der ikke er arkitekturdiagrammer.
Dette er formålet med vores Amazon-genkendelsesmodel. Diagrammerne gennemgår billedgenkendelsesprocessen, som identificerer tjenesteikoner og afgør, om det kan betragtes som et gyldigt arkitekturdiagram.
Følgende er et kodestykke af den funktion, der sender billeder til Amazon Rekognition-modellen:
Efter at have bestået billedgenkendelseskontrollen, samles resultaterne fra Amazon Rekognition-modellen og de relevante oplysninger i deres egne metadata. Metadataene gemmes derefter i en DynamoDB-tabel, hvor posten vil blive brugt til at indlæse i Amazon Kendra.
Følgende er et kodestykke af den funktion, der gemmer metadataene for diagrammet i DynamoDB:
Indtag metadata i Amazon Kendra
Efter at arkitekturdiagrammerne har gennemgået billedgenkendelsesprocessen, og metadataene er gemt i DynamoDB, har vi brug for en måde, hvorpå diagrammerne kan søges, mens de refererer til indholdet i metadataene. Tilgangen til dette er at have en søgemaskine, der kan integreres med applikationen og kan håndtere en stor mængde søgeforespørgsler. Derfor bruger vi Amazon Kendra, en intelligent virksomhedssøgningstjeneste.
Vi bruger Amazon Kendra, da den interaktive komponent i løsningen er på grund af dens kraftfulde søgefunktioner, især med brugen af naturligt sprog. Dette tilføjer et ekstra lag af enkelhed, når brugere søger efter diagrammer, der er tættest på det, de leder efter. Amazon Kendra tilbyder en række datakildeforbindelser til at indtage og forbinde indhold. Denne løsning bruger en brugerdefineret forbindelse til at indlæse arkitekturdiagrammers oplysninger fra DynamoDB. For at konfigurere en datakilde til et Amazon Kendra-indeks kan du bruge et eksisterende indeks eller oprette et nyt indeks.
De gennemsøgte diagrammer skal derefter indsættes i Amazon Kendra-indekset, der er blevet oprettet. Følgende figur viser forløbet af, hvordan diagrammerne er indekseret.
Først opretter diagrammerne, der er indsat i DynamoDB, en Put-begivenhed via Amazon DynamoDB-streams. Hændelsen udløser Lambda-funktionen, der fungerer som en tilpasset datakilde for Amazon Kendra og indlæser diagrammerne i indekset. For instruktioner om oprettelse af en DynamoDB Streams-trigger til en Lambda-funktion, se Tutorial: Brug af AWS Lambda med Amazon DynamoDB Streams
Efter at vi har integreret Lambda-funktionen med DynamoDB, skal vi indlæse registreringerne af de diagrammer, der er sendt til funktionen, i Amazon Kendra-indekset. Indekset accepterer data fra forskellige typer kilder, og indtagelse af elementer i indekset fra Lambda-funktionen betyder, at det skal bruge den tilpassede datakildekonfiguration. For instruktioner om oprettelse af en tilpasset datakilde til dit indeks, se Tilpasset datakildestik.
Det følgende er et kodestykke af Lambda-funktionen for, hvordan et diagram kan indekseres på en brugerdefineret måde:
Den vigtige faktor, der gør det muligt at søge i diagrammer, er Blob-nøglen i et dokument. Dette er, hvad Amazon Kendra kigger på, når brugere giver deres søgeinput. I denne eksempelkode indeholder Blob-nøglen en opsummeret version af diagrammets brugstilfælde sammenkædet med de oplysninger, der er fundet fra billedgenkendelsesprocessen. Dette giver brugerne mulighed for at søge efter arkitekturdiagrammer baseret på brugstilfælde såsom "Fraud Detection" eller efter tjenestenavne som "Amazon Kendra."
For at illustrere et eksempel på, hvordan Blob-nøglen ser ud, henviser følgende uddrag til det indledende ETL-diagram, som vi introducerede tidligere i dette indlæg. Den indeholder en beskrivelse af diagrammet, der blev opnået, da det blev crawlet, samt de tjenester, der blev identificeret af Amazon Rekognition-modellen.
Søg med Amazon Kendra
Når vi har sat alle komponenterne sammen, ser resultaterne af en eksempelsøgning på "realtidsanalyse" ud som følgende skærmbillede.
Ved at søge efter denne use case producerer den forskellige arkitekturdiagrammer. Brugerne får disse forskellige metoder til den specifikke arbejdsbyrde, som de forsøger at implementere.
Ryd op
Fuldfør trinene i dette afsnit for at rydde op i de ressourcer, du oprettede som en del af dette indlæg:
- Slet API:
- På API Gateway-konsollen skal du vælge den API, der skal slettes.
- På handlinger menu, vælg Slette.
- Vælg Slette at bekræfte.
- Slet DynamoDB-tabellen:
- På DynamoDB-konsollen skal du vælge tabeller i navigationsruden.
- Vælg den tabel, du har oprettet, og vælg Slette.
- Indtast slet, når du bliver bedt om bekræftelse.
- Vælg Slet tabel at bekræfte.
- Slet Amazon Kendra-indekset:
- Vælg på Amazon Kendra-konsollen Indexes i navigationsruden.
- Vælg det indeks, du har oprettet, og vælg Slette
- Indtast en årsag, når du bliver bedt om bekræftelse.
- Vælg Slette at bekræfte.
- Slet Amazon Rekognition-projektet:
- På Amazon Rekognition-konsollen skal du vælge Brug tilpassede etiketter i navigationsruden, og vælg derefter Projekter.
- Vælg det projekt, du har oprettet, og vælg Slette.
- Indtast Slet, når du bliver bedt om bekræftelse.
- Vælg Slet tilknyttede datasæt og modeller at bekræfte.
- Slet Lambda-funktionen:
- På Lambda-konsollen skal du vælge den funktion, der skal slettes.
- På handlinger menu, vælg Slette.
- Indtast Slet, når du bliver bedt om bekræftelse.
- Vælg Slette at bekræfte.
Resumé
I dette indlæg viste vi et eksempel på, hvordan du intelligent kan søge information fra billeder. Dette inkluderer processen med at træne en Amazon Rekognition ML-model, der fungerer som et filter for billeder, automatisering af billedcrawling, som sikrer troværdighed og effektivitet, og forespørgsel efter diagrammer ved at vedhæfte en tilpasset datakilde, der muliggør en mere fleksibel måde at indeksere elementer på . For at dykke dybere ned i implementeringen af koderne henvises til GitHub repo.
Nu hvor du forstår, hvordan du leverer rygraden i et centraliseret søgelager til komplekse søgninger, kan du prøve at oprette din egen billedsøgemaskine. For mere information om kernefunktionerne, se Kom godt i gang med Amazon Rekognition Custom Labels, Moderere indhold, og Amazon Kendra Developer Guide. Hvis du er ny til Amazon Rekognition Custom Labels, så prøv det ved at bruge vores gratis niveau, som varer 3 måneder og inkluderer 10 gratis træningstimer om måneden og 4 gratis inferenstimer om måneden.
Om forfatterne
Ryan Se er Solutions Architect hos AWS. Med base i Singapore arbejder han sammen med kunder om at bygge løsninger til at løse deres forretningsproblemer samt skræddersy en teknisk vision for at hjælpe med at køre mere skalerbare og effektive arbejdsbelastninger i skyen.
James Ong Jia Xiang er Customer Solutions Manager hos AWS. Han har specialiseret sig i Migration Acceleration Program (MAP), hvor han hjælper kunder og partnere med at implementere store migrationsprogrammer til AWS. Baseret i Singapore fokuserer han også på at drive modernisering og virksomhedstransformationsinitiativer på tværs af APJ gennem skalerbare mekanismer. Til fritiden nyder han naturaktiviteter som trekking og surfing.
Hæng Duong er Solutions Architect hos AWS. Baseret i Hanoi, Vietnam, fokuserer hun på at drive cloud-adoption i hele sit land ved at levere højt tilgængelige, sikre og skalerbare cloud-løsninger til sine kunder. Derudover nyder hun at bygge og er involveret i forskellige prototyping-projekter. Hun brænder også for maskinlæringsområdet.
Trinh Vo er Solutions Architect hos AWS med base i Ho Chi Minh City, Vietnam. Hun fokuserer på at arbejde med kunder på tværs af forskellige industrier og partnere i Vietnam for at lave arkitekturer og demonstrationer af AWS-platformen, der arbejder baglæns fra kundens forretningsbehov og fremskynder adoptionen af passende AWS-teknologi. Hun nyder hulevandring og trekking i fritiden.
Wai Kin Tham er Cloud Architect hos AWS. Med base i Singapore involverer hans daglige job at hjælpe kunder med at migrere til skyen og modernisere deres teknologistak i skyen. I sin fritid deltager han i Muay Thai og brasiliansk Jiu Jitsu.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoAiStream. Web3 Data Intelligence. Viden forstærket. Adgang her.
- Udmøntning af fremtiden med Adryenn Ashley. Adgang her.
- Køb og sælg aktier i PRE-IPO-virksomheder med PREIPO®. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/build-an-image-search-engine-with-amazon-kendra-and-amazon-rekognition/
- :har
- :er
- :ikke
- :hvor
- $OP
- 1
- 10
- 100
- 12
- 200
- 40
- 7
- 8
- a
- Om
- fremskynde
- accepterer
- Ifølge
- nøjagtighed
- præcis
- præcist
- opnå
- tværs
- aktiviteter
- handlinger
- tilføje
- Yderligere
- Derudover
- adresse
- Tilføjer
- Vedtagelse
- Efter
- Støtte
- algoritmer
- Alle
- tillade
- tillader
- også
- Amazon
- Amazonas Athena
- Amazon EC2
- Amazon Kendra
- Amazon-anerkendelse
- beløb
- an
- analysere
- ,
- En anden
- enhver
- api
- Anvendelse
- applikationer
- anvendt
- tilgang
- passende
- arkitektonisk
- arkitektur
- ER
- Array
- AS
- udseende
- aspekter
- forbundet
- At
- attributter
- automatisere
- Automatiseret
- automatisk
- Automation
- til rådighed
- vente
- AWS
- AWS Lim
- AWS Lambda
- AWS-trinfunktioner
- Axios
- Backbone
- Bagende
- baseret
- BE
- fordi
- været
- begynde
- være
- fordele
- mellem
- Beyond
- Blog
- Blogindlæg
- blogs
- Blå
- krop
- Brasiliansk
- Pause
- browser
- buffer
- bygge
- Bygning
- bygget
- indbygget
- bundtet
- virksomhed
- by
- ringe
- kaldet
- Opkald
- CAN
- kandidater
- kapaciteter
- stand
- tilfælde
- tilfælde
- katalog
- centraliseret
- karakteristika
- kontrollere
- Kontrol
- valg
- Vælg
- By
- klasser
- Cloud
- cloud adoption
- Cloud platform
- kode
- Fælles
- sammenligne
- fuldføre
- Afsluttet
- komplekse
- kompleksitet
- komponent
- komponenter
- Compute
- Bekymring
- tillid
- sikker
- Konfiguration
- Bekræfte
- bekræftelse
- Tilslutning
- Overvej
- betragtes
- Konsol
- indeholder
- indeholder
- indhold
- indholdsskabelse
- indhold
- sammenhæng
- Core
- Koste
- Omkostninger
- kunne
- land
- dæksel
- håndværk
- crawler
- skabe
- oprettet
- Oprettelse af
- skabelse
- Troværdighed
- troværdig
- kriterier
- skik
- kunde
- Kundeløsninger
- Kunder
- data
- Database
- datasæt
- Dato
- Datoer
- dag
- beskæftiger
- dybere
- levere
- Afhængigt
- beskrivelse
- Design
- konstrueret
- ønskes
- destination
- detail
- detaljer
- opdaget
- Detektion
- bestemmer
- Udvikler
- Udvikling
- diagrammer
- forskellige
- differentiere
- diskutere
- visning
- dokumentet
- dokumentation
- dokumenter
- Er ikke
- Dog
- kørsel
- grund
- e
- hver
- tidligere
- lettere
- nemt
- effektivitet
- effektiv
- indsats
- element
- eliminerer
- beskæftiger
- muliggør
- ende
- Endpoint
- Engine (Motor)
- nyde
- sikre
- sikrer
- Enterprise
- fejl
- oprettelse
- evaluere
- evaluering
- begivenhed
- eksempel
- eksempler
- eksisterende
- ekspertise
- eksport
- udsat
- ekstrakt
- f1
- faktor
- bekendt
- Feature
- Funktionalitet
- felt
- Figur
- tal
- File (Felt)
- filtrere
- Finde
- Fornavn
- fleksibel
- flow
- Fokus
- fokuserer
- efterfulgt
- efter
- Til
- fundet
- FRAME
- Gratis
- fra
- fuldt ud
- funktion
- funktioner
- fremtiden
- spil
- gateway
- samle
- genereret
- generere
- få
- Global
- Go
- håndtere
- Have
- have
- he
- headers
- hjælpe
- hjælpe
- hjælper
- hende
- Høj ydeevne
- højeste
- stærkt
- hans
- Ferie
- HOURS
- Hvordan
- How To
- Men
- HTML
- http
- HTTPS
- Hundreder
- i
- ID
- identificeret
- identificerer
- identificere
- identificere
- if
- illustrerer
- billede
- Billedgenkendelse
- Billedsøgning
- billeder
- gennemføre
- implementering
- importere
- vigtigt
- in
- omfatter
- Forøg
- indeks
- indirekte
- individuel
- industrier
- industrien
- oplysninger
- initial
- initiativer
- indgang
- i stedet
- anvisninger
- integrere
- integreret
- Integration
- integration
- Intelligent
- interaktiv
- Internet
- ind
- introduceret
- involverede
- involvering
- IT
- Varer
- ITS
- JavaScript
- Job
- jpg
- json
- Nøgle
- Kin
- etiket
- mærkning
- Etiketter
- Sprog
- stor
- storstilet
- lag
- læring
- mindst
- Forlade
- Længde
- lad
- Lets
- ligesom
- LINK
- forbundet
- links
- Liste
- belastning
- belastninger
- Se
- ligner
- leder
- UDSEENDE
- maskine
- machine learning
- lavet
- Main
- lykkedes
- leder
- styring
- måde
- manuel
- manuelt
- mange
- kort
- Kan..
- midler
- mekanisme
- mekanismer
- Metadata
- metoder
- Metrics
- migrere
- migration
- tankerne
- mindste
- ML
- model
- modeller
- modernisere
- Måned
- måned
- mere
- mest
- flere
- skal
- navn
- navne
- Natural
- Natur
- Naviger
- Navigation
- Behov
- behov
- aldrig
- Ny
- næste
- nummer
- talrige
- objekt
- objektiv
- objekter
- opnået
- opnå
- opnår
- of
- tilbud
- Tilbud
- tit
- on
- ONE
- kun
- or
- orkestreret
- ordrer
- original
- OS
- vores
- ud
- oversigt
- egen
- ejer
- side
- brød
- del
- særlig
- især
- partnere
- passerer
- Passing
- lidenskabelige
- Mønster
- Mennesker
- ydeevne
- sætninger
- billede
- pipeline
- perron
- plato
- Platon Data Intelligence
- PlatoData
- spiller
- spiller
- Indlæg
- Indlæg
- strøm
- vigtigste
- Precision
- præsentere
- Problem
- problemer
- behandle
- Program
- Programmer
- projekt
- projekter
- løfte
- prototyping
- give
- forudsat
- giver
- leverer
- proxy
- offentlige
- formål
- formål
- sætte
- sætter
- Python
- forespørgsler
- rækkevidde
- grund
- anerkendelse
- genkende
- optage
- optegnelser
- Reduceret
- reducere
- referencer
- region
- relaterede
- Udgivelser
- relevans
- relevant
- Fjern
- fjernet
- Repository
- anmode
- anmodninger
- kræver
- påkrævet
- Ressourcer
- svar
- REST
- resultere
- Resultater
- tilbageholde
- afkast
- afkast
- RÆKKE
- Kør
- s
- samme
- Skalerbarhed
- skalerbar
- Scale
- skalering
- scener
- Søg
- søgemaskine
- søgning
- Anden
- Sektion
- sektioner
- sikker
- søger
- valgt
- send
- sender
- Serverless
- Servere
- tjeneste
- Tjenester
- sæt
- hun
- bør
- vist
- Shows
- signifikant
- lignende
- Simpelt
- enkelhed
- ganske enkelt
- Singapore
- Størrelse
- lille
- løsninger
- Løsninger
- SOLVE
- nogle
- Kilde
- Kilder
- Sourcing
- span
- specialiseret
- specifikke
- specifikt
- Trods
- stable
- starte
- påbegyndt
- Starter
- Trin
- Steps
- Stadig
- stopper
- opbevaret
- forhandler
- strømlinet
- vandløb
- efterfølgende
- vellykket
- Succesfuld
- sådan
- tilstrækkeligt
- egnede
- Understøttet
- bord
- Tag
- tager
- Teknisk
- Teknologier
- vilkår
- thai
- at
- oplysninger
- deres
- derefter
- Der.
- derved
- derfor
- Disse
- de
- denne
- dem
- tusinder
- tre
- Gennem
- tier
- tid
- Titel
- til
- sammen
- også
- værktøj
- Emner
- Tog
- uddannet
- Kurser
- tog
- Transform
- Transformation
- omdanne
- forsøgte
- udløse
- sand
- betroet
- to
- typen
- typer
- typisk
- ude af stand
- underliggende
- forstå
- forståelse
- enhed
- enheder
- opdateringer
- uploadet
- Uploading
- på
- URL
- brug
- brug tilfælde
- anvendte
- Bruger
- brugere
- ved brug af
- VALIDATE
- værdi
- forskellige
- Verifikation
- udgave
- vertikaler
- undersøgt
- via
- Videoer
- Vietnam
- Specifikation
- næsten
- vision
- mængder
- ønsker
- var
- Vej..
- måder
- we
- web
- GODT
- var
- Hvad
- hvornår
- hvorvidt
- som
- mens
- WHO
- bred
- Bred rækkevidde
- vilje
- med
- uden
- Arbejde
- arbejder
- virker
- world
- ville
- skriver
- Du
- Din
- zephyrnet