Dette indlæg er skrevet af Shirsha Ray Chaudhuri, Harpreet Singh Baath, Rashmi B Pawar og Palvika Bansal fra Thomson Reuters.
Thomson Reuters (TR), en global indholds- og teknologidrevet virksomhed, har brugt kunstig intelligens (AI) og maskinlæring (ML) i sine professionelle informationsprodukter i årtier. Thomson Reuters Labs, virksomhedens dedikerede innovationsteam, har været en integreret del af dets banebrydende arbejde inden for kunstig intelligens og naturlig sprogbehandling (NLP). En vigtig milepæl var lanceringen af Westlaw Is Natural (WIN) i 1992. Denne teknologi var en af de første af sin slags, der brugte NLP til mere effektiv og naturlig juridisk forskning. Spol frem til 2023 og Thomson Reuters fortsætter med at definere fremtiden for professionelle gennem hurtig innovation, kreative løsninger og kraftfuld teknologi.
Introduktionen af generativ kunstig intelligens giver Thomson Reuters endnu en mulighed for at arbejde med kunder og igen fremme, hvordan de udfører deres arbejde, og hjælper fagfolk med at få indsigt og automatisere arbejdsgange, så de kan fokusere deres tid, hvor det betyder mest. Mens Thomson Reuters flytter grænserne for, hvad generativ kunstig intelligens og andre teknologier kunne gøre for den moderne professionelle, hvordan bruger den kraften fra denne teknologi til sine egne teams?
Thomson Reuters er stærkt fokuseret på at skabe opmærksomhed og forståelse for AI blandt kolleger i alle teams og forretningsområder. Med udgangspunkt i de grundlæggende principper for, hvad der er AI, og hvordan fungerer ML, leverer det et rullende program af virksomhedsdækkende AI-bevidsthedssessioner, herunder webinarer, træningsmaterialer og paneldiskussioner. I løbet af disse sessioner begyndte ideer til, hvordan AI kunne bruges, at dukke op, da kolleger overvejede, hvordan de kunne bruge værktøjer, der hjalp dem med at bruge AI til deres daglige opgaver samt betjene deres kunder.
I dette indlæg diskuterer vi, hvordan Thomson Reuters Labs skabte Open Arena, Thomson Reuters's enterprise-wide large language model (LLM) legeplads, der blev udviklet i samarbejde med AWS. Det originale koncept kom ud af et AI/ML Hackathon understøttet af Simone Zucchet (AWS Solutions Architect) og Tim Precious (AWS Account Manager) og blev udviklet til produktion ved hjælp af AWS-tjenester på under 6 uger med støtte fra AWS. AWS-administrerede tjenester som f.eks AWS Lambda, Amazon DynamoDBog Amazon SageMaker, samt de forudbyggede Hugging Face Deep Learning Containers (DLC'er), bidrog til innovationstempoet. Open Arena har hjulpet med at låse op for hele virksomhedens eksperimenter med generativ AI i et sikkert og kontrolleret miljø.
Dykker dybere, Open Arena er en webbaseret legeplads, der giver brugerne mulighed for at eksperimentere med et voksende sæt værktøjer aktiveret med LLM'er. Dette giver ikke-programmatisk adgang til Thomson Reuters-medarbejdere, der ikke har en baggrund i kodning, men som ønsker at udforske det muliges kunst med generativ AI hos TR. Open Arena er udviklet til at få hurtige svar fra flere sæt af korpus, såsom for kundesupportagenter, løsninger til at få hurtige svar fra hjemmesider, løsninger til at opsummere og verificere punkter i et dokument og meget mere. Kapaciteterne i Open Arena fortsætter med at vokse, efterhånden som erfaringerne fra medarbejdere på tværs af Thomson Reuters ansporer til nye ideer, og efterhånden som nye tendenser dukker op inden for generativ AI. Dette er alt sammen lettet af den modulære serverløse AWS-arkitektur, der understøtter løsningen.
Ser for sig den åbne arena
Thomson Reuters' mål var klart: at bygge en sikker, sikker og brugervenlig platform - en "åben arena" - som en virksomhedsdækkende legeplads. Her kunne interne teams ikke kun udforske og teste de forskellige LLM'er, der er udviklet internt og dem fra open source-fællesskabet, såsom med AWS og Hugging Face-partnerskabet, men også opdage unikke use cases ved at fusionere LLM'ernes muligheder med Thomson Reuters's omfattende virksomhedsdata. Denne form for platform ville forbedre teams evne til at generere innovative løsninger, forbedre de produkter og tjenester, som Thomson Reuters kunne tilbyde sine kunder.
Den planlagte Open Arena-platform vil tjene de forskellige teams inden for Thomson Reuters globalt og give dem en legeplads til frit at interagere med LLM'er. Evnen til at have denne interaktion i et kontrolleret miljø ville give teams mulighed for at afdække nye applikationer og metoder, som måske ikke var tydelige i et mindre direkte engagement med disse komplekse modeller.
Opbygning af den åbne arena
Opbygningen af Open Arena var en mangesidet proces. Vi havde til formål at udnytte mulighederne i AWS's serverløse og ML-tjenester til at skabe en løsning, der problemfrit ville gøre det muligt for Thomson Reuters-medarbejdere at eksperimentere med de nyeste LLM'er. Vi så potentialet i disse tjenester, ikke kun for at give skalerbarhed og håndterbarhed, men også for at sikre omkostningseffektivitet.
Løsningsoversigt
Fra at skabe et robust miljø til modelimplementering og finjustering til at sikre omhyggelig datastyring og give en problemfri brugeroplevelse, havde TR brug for, at hvert aspekt kunne integreres med flere AWS-tjenester. Open Arenas arkitektur er designet til at være omfattende, men alligevel intuitiv, og balancerer kompleksitet med brugervenlighed. Følgende diagram illustrerer denne arkitektur.
SageMaker fungerede som rygraden, hvilket lettede modelimplementering som SageMaker-slutpunkter og gav et robust miljø til finjustering af modellerne. Vi udnyttede Hugging Face på SageMaker DLC, som AWS tilbyder for at forbedre vores implementeringsproces. Derudover brugte vi SageMaker Hugging Face Inference Toolkit og Accelerate-biblioteket til at accelerere slutningsprocessen og effektivt håndtere kravene til at køre komplekse og ressourcekrævende modeller. Disse omfattende værktøjer var medvirkende til at sikre en hurtig og problemfri implementering af vores LLM'er. Lambda-funktioner, udløst af Amazon API Gateway, administrerede API'erne, hvilket sikrede omhyggelig forbehandling og efterbehandling af dataene.
I vores søgen efter at levere en problemfri brugeroplevelse, har vi vedtaget en sikker API-gateway til at forbinde frontend hostet i Amazon Simple Storage Service (Amazon S3) til Lambda-backend. Vi implementerede frontend som et statisk websted på en S3-bøtte, hvilket sikrede brugergodkendelse ved hjælp af Amazon CloudFront og vores virksomheds single sign-on mekanisme.
Open Arena er designet til at integrere problemfrit med flere LLM'er gennem REST API'er. Dette sikrede, at platformen var fleksibel nok til at reagere og integrere hurtigt, da nye avancerede modeller blev udviklet og frigivet i det hurtige generative AI-rum. Fra starten blev Open Arena designet til at give en sikker og sikker virksomheds AI/ML-legeplads, så Thomson Reuters-medarbejdere kan eksperimentere med ethvert avanceret LLM lige så hurtigt, som de frigives. Brugen af Hugging Face-modeller på SageMaker gjorde det muligt for teamet at finjustere modeller i et sikkert miljø, fordi alle data er krypteret og ikke forlader den virtuelle private sky (VPC), hvilket sikrer, at data forbliver private og fortrolige.
DynamoDB, vores valgte NoSQL-databasetjeneste, lagrede og administrerede effektivt en lang række data, herunder brugerforespørgsler, svar, svartider og brugerdata. For at strømline udviklings- og implementeringsprocessen har vi ansat AWS CodeBuild , AWS CodePipeline til kontinuerlig integration og kontinuerlig levering (CI/CD). Overvågning af infrastrukturen og sikring af dens optimale funktion blev muliggjort med amazoncloudwatch, som gav brugerdefinerede dashboards og omfattende logningsfunktioner.
Modeludvikling og integration
Hjertet i Open Arena er dets mangfoldige sortiment af LLM'er, som omfatter både open source og egenudviklede modeller. Disse modeller er blevet finjusteret til at give svar efter specifikke brugerbeskeder.
Vi har eksperimenteret med forskellige LLM'er til forskellige use cases i Open Arena, herunder Flan-T5-XL, Open Assistant, MPT, Falcon og finjusteret Flan-T5-XL på tilgængelige open source-datasæt ved hjælp af parameteren effektiv finjustering teknik. Vi brugte bitsandbytes integration fra Hugging Face til at eksperimentere med forskellige kvantiseringsteknikker. Dette gjorde det muligt for os at optimere vores LLM'er for forbedret ydeevne og effektivitet, hvilket banede vejen for endnu større innovation. Mens vi valgte en model som backend bag disse use cases, overvejede vi forskellige aspekter, f.eks. hvordan ser ydeevnen af disse modeller ud på NLP-opgaver, der er relevante for Thomson Reuters. Desuden var vi nødt til at overveje tekniske aspekter, såsom følgende:
- Øget effektivitet, når du bygger applikationer med LLM'er – Hurtig integration og implementering af avancerede LLM'er i vores applikationer og arbejdsbelastninger, der kører på AWS, ved hjælp af velkendte kontroller og integrationer med dybden og bredden af AWS
- Sikker tilpasning – Sikring af, at alle data, der bruges til at finjustere LLM'er, forbliver krypteret og ikke forlader VPC'en
- Fleksibilitet - Muligheden for at vælge mellem et bredt udvalg af AWS native og open source LLM'er for at finde den rigtige model til vores forskellige brugssager
Vi har stillet spørgsmål som f.eks. er de højere omkostninger ved større modeller berettiget af betydelige præstationsgevinster? Kan disse modeller håndtere lange dokumenter?
Følgende diagram illustrerer vores modelarkitektur.
Vi har evalueret disse modeller på de foregående aspekter af open source-lovlige datasæt og Thomson Reuters interne datasæt for at vurdere dem til specifikke brugssager.
Til indholdsbaserede use cases (oplevelser, der kalder på svar fra specifikke korpus), har vi en genfinding augmented generation (RAG) pipeline på plads, som vil hente det mest relevante indhold mod forespørgslen. I sådanne pipelines opdeles dokumenter i bidder, og derefter oprettes og gemmes indlejringer i OpenSearch. For at få de bedste matchende dokumenter eller bidder, bruger vi genfinding/re-ranker-tilgangen baseret på bi-encoder- og cross-encoder-modeller. Det hentede bedste match sendes derefter som input til LLM sammen med forespørgslen for at generere det bedste svar.
Integrationen af Thomson Reuters' interne indhold med LLM-oplevelsen har været medvirkende til at gøre det muligt for brugere at udtrække mere relevante og indsigtsfulde resultater fra disse modeller. Endnu vigtigere er det, at det førte til, at alle teams fik ideer til muligheder for at indføre AI-aktiverede løsninger i deres forretningsprocesser.
Åbne Arena-brikker: Facilitering af brugerinteraktion
Open Arena anvender en brugervenlig grænseflade, designet med forudindstillede aktiveringsbrikker for hver oplevelse, som vist på det følgende skærmbillede. Disse fliser fungerer som forudindstillede interaktioner, der imødekommer brugernes specifikke krav.
For eksempel åbner feltet Eksperiment med Open Source LLM en chatlignende interaktionskanal med open source LLM'er.
Spørg dit dokument-flisen giver brugerne mulighed for at uploade dokumenter og stille specifikke spørgsmål relateret til indholdet fra LLM'erne. Flisen Eksperiment med opsummering gør det muligt for brugere at destillere store mængder tekst til kortfattede oversigter, som vist på det følgende skærmbillede.
Disse fliser forenkler brugerforbruget af AI-aktiverede arbejdsløsninger og navigationsprocessen på platformen, tænder kreativiteten og fremmer opdagelsen af innovative use cases.
Indvirkningen af Open Arena
Lanceringen af Open Arena markerede en væsentlig milepæl i Thomson Reuters' rejse mod at fremme en kultur af innovation og samarbejde. Platformens succes var ubestridelig, og dens fordele blev hurtigt tydelige i hele virksomheden.
Open Arenas intuitive, chat-baserede design krævede ingen væsentlig teknisk viden, hvilket gør den tilgængelig for forskellige teams og forskellige jobroller over hele kloden. Denne brugervenlighed øgede engagementsniveauerne, tilskyndede flere brugere til at udforske platformen og afslørede innovative use cases.
På under en måned tog Open Arena hensyn til over 1,000 månedlige interne brugere fra TRs globale fodaftryk, med en gennemsnitlig interaktionstid på 5 minutter pr. bruger. Med et mål om at fremme interne TR LLM-eksperimenter og crowdsource-skabelse af LLM-brugscases førte Open Arenas lancering til en tilstrømning af nye use cases, der effektivt udnyttede kraften fra LLM'er kombineret med Thomson Reuters' enorme dataressourcer.
Her er, hvad nogle af vores brugere havde at sige om Open Arena:
"Open Arena giver medarbejdere fra alle dele af virksomheden en chance for at eksperimentere med LLM'er på en praktisk, praktisk måde. Det er én ting at læse om AI-værktøjer, og noget andet er at bruge dem selv. Denne platform sætter turbo på vores AI-læringsindsats på tværs af Thomson Reuters."
– Abby Pinto, Talent Development Solutions Lead, People Function
"OA (Open Arena) har gjort mig i stand til at eksperimentere med vanskelige nyhedsoversættelsesproblemer for Reuters tyske sprogtjeneste, som konventionel oversættelsessoftware ikke kan håndtere, og at gøre det i et sikkert miljø, hvor jeg kan bruge vores faktiske historier uden frygt for datalæk. Holdet bag OA har været utroligt lydhøre over for forslag til nye funktioner, som er den slags service, du kun kan drømme om med anden software."
– Scot W. Stevenson, Senior Breaking News Correspondent for German Language Service, Berlin, Tyskland
“Da jeg brugte Open Arena, fik jeg ideen til at bygge en lignende grænseflade til vores teams af kundesupportagenter. Denne legeplads hjalp os med at genskabe mulighederne med GenAI."
– Marcel Batista, Gerente de Servicos, Operations Customer Service & Support
"Open Arena drevet af AWS-serverløse tjenester, Amazon SageMaker og Hugging Face hjalp os med hurtigt at afsløre banebrydende LLM'er og generativ AI-værktøj for vores kolleger, hvilket hjalp med at drive innovation på hele virksomheden."
– Shirsha Ray Chaudhuri, direktør, forskningsingeniør, Thomson Reuters Labs
I en bredere skala havde introduktionen af Open Arena en dyb indvirkning på virksomheden. Det øgede ikke kun AI-bevidstheden blandt medarbejderne, men stimulerede også en ånd af innovation og samarbejde. Platformen bragte teams sammen for at udforske, eksperimentere og generere ideer og skabe et miljø, hvor banebrydende koncepter kunne omsættes til virkelighed.
Desuden har Open Arena haft en positiv indflydelse på Thomson Reuters AI-tjenester og -produkter. Platformen har fungeret som en sandkasse for AI, der giver teams mulighed for at identificere og forfine AI-applikationer, før de inkorporerer dem i vores tilbud. Som følge heraf har dette accelereret udviklingen og forbedringen af Thomson Reuters AI-tjenester, hvilket giver kunderne løsninger, der konstant udvikler sig og er på forkant med teknologiske fremskridt.
Konklusion
I den hurtige verden af kunstig intelligens er det afgørende at fortsætte med at udvikle sig, og Thomson Reuters er forpligtet til at gøre netop det. Holdet bag Open Arena arbejder konstant på at tilføje flere funktioner og forbedre platformens muligheder ved at bruge AWS-tjenester som f.eks. Amazonas grundfjeld , Amazon SageMaker Jumpstart, hvilket sikrer, at det forbliver en værdifuld ressource for vores teams. Når vi bevæger os fremad, sigter vi efter at holde trit med det hurtigt udviklende landskab af generative AI og LLM'er. AWS leverer de tjenester, der er nødvendige for, at TR kan holde trit med det konstant udviklende generative AI-felt.
Udover den løbende udvikling af Open Arena platformen, arbejder vi aktivt på at producere de mange use cases, som platformen genererer. Dette vil give os mulighed for at give vores kunder endnu mere avancerede og effektive AI-løsninger, skræddersyet til deres specifikke behov. Desuden vil vi fortsætte med at fremme en kultur af innovation og samarbejde, så vores teams kan udforske nye ideer og applikationer til AI-teknologi.
Når vi begiver os ud på denne spændende rejse, er vi overbeviste om, at Open Arena vil spille en central rolle i at drive innovation og samarbejde på tværs af Thomson Reuters. Ved at forblive på forkant med AI-fremskridt vil vi sikre, at vores produkter og tjenester fortsætter med at udvikle sig og opfylder vores kunders stadigt skiftende krav.
Om forfatterne
Shirsha Ray Chaudhuri (Director, Research Engineering) leder ML Engineering-teamet i Bangalore for Thomson Reuters Labs, hvor hun leder udviklingen og implementeringen af veldesignede løsninger i AWS og andre cloud-platforme til ML-projekter, der driver effektivitet og værdi for AI-drevne funktioner i Thomson Reuters produkter, platforme og forretningssystemer. Hun arbejder med fællesskaber om AI for gode, samfundsmæssige effektprojekter og i teknologien til D&I-rum. Hun elsker at netværke med mennesker, der bruger kunstig intelligens og moderne teknologi til at bygge en bedre verden, der er mere inkluderende, mere digital og sammen en bedre fremtid.
Harpreet Singh Baath er Senior Cloud and DevOps Engineer hos Thomson Reuters Labs, hvor han hjælper forskningsingeniører og videnskabsmænd med at udvikle maskinlæringsløsninger på cloud-platforme. Med over 6 års erfaring spænder Harpreets ekspertise på tværs af cloud-arkitekturer, automatisering, containerisering, muliggørende DevOps-praksis og omkostningsoptimering. Han brænder for effektivitet og omkostningseffektivitet, der sikrer, at cloud-ressourcer udnyttes optimalt.
Rashmi B Pawar er Machine Learning Engineer hos Thomson Reuters. Hun har stor erfaring med at producere modeller, etablere slutninger og skabe træningspipelines, der er skræddersyet til forskellige maskinlæringsapplikationer. Ydermere har hun betydelig ekspertise i at inkorporere maskinlæringsarbejdsgange i eksisterende systemer og produkter.
Palvika Bansal er Associate Applied Research Scientist hos Thomson Reuters. Hun har arbejdet på projekter på tværs af forskellige sektorer for at løse forretningsproblemer for kunder, der bruger AI/ML. Hun brænder meget for sit arbejde og entusiastisk over at tage nye udfordringer op. Uden for arbejdet nyder hun at rejse, lave mad og læse.
Simone Zucchet er Senior Solutions Architect hos AWS. Med tæt på et årtis erfaring som Cloud-arkitekt nyder Simone at arbejde på innovative projekter, der hjælper med at transformere den måde, organisationer griber forretningsproblemer an på. Han hjælper med at støtte store virksomhedskunder hos AWS og er en del af Machine Learning TFC. Uden for sit professionelle liv nyder han at arbejde med biler og fotografering.
Heiko Hotz er en Senior Solutions Architect for AI & Machine Learning med særligt fokus på naturlig sprogbehandling, store sprogmodeller og generativ AI. Før denne rolle var han chef for datavidenskab for Amazons EU-kundeservice. Heiko hjælper vores kunder med at få succes i deres AI/ML-rejse på AWS og har arbejdet med organisationer i mange brancher, herunder forsikring, finansielle tjenester, medier og underholdning, sundhedspleje, forsyningsselskaber og fremstilling. I sin fritid rejser Heiko så meget som muligt.
João Moura er AI/ML Specialist Solutions Architect hos AWS, baseret i Spanien. Han hjælper kunder med dyb læringsmodeltræning og inferensoptimering og mere bredt opbygning af store ML-platforme på AWS. Han er også en aktiv fortaler for ML-specialiseret hardware og lavkode ML-løsninger.
Georgios Schinas er en Specialist Solutions Architect for AI/ML i EMEA-regionen. Han er baseret i London og arbejder tæt sammen med kunder i Storbritannien og Irland. Georgios hjælper kunder med at designe og implementere maskinlæringsapplikationer i produktion på AWS, med en særlig interesse i MLOps-praksis og gør det muligt for kunder at udføre maskinlæring i stor skala. I sin fritid nyder han at rejse, lave mad og tilbringe tid med venner og familie.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. 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/how-thomson-reuters-developed-open-arena-an-enterprise-grade-large-language-model-playground-in-under-6-weeks/
- :har
- :er
- :ikke
- :hvor
- 000
- 1
- 100
- 2023
- 7
- a
- evne
- Om
- fremskynde
- accelereret
- adgang
- tilgængelig
- Konto
- tværs
- aktiv
- aktivt
- faktiske
- tilføje
- Desuden
- vedtaget
- Vedtagelsen
- fremme
- fremskreden
- fremgang
- fremskridt
- fremrykkende
- igen
- mod
- midler
- AI
- AI og maskinindlæring
- AI-tjenester
- AI / ML
- sigte
- Rettet
- Alle
- tillade
- tilladt
- tillade
- tillader
- sammen
- også
- Amazon
- Amazon SageMaker
- Amazon Web Services
- blandt
- blandt
- an
- ,
- En anden
- svar
- enhver
- api
- API'er
- tilsyneladende
- applikationer
- anvendt
- tilgang
- arkitektur
- ER
- OMRÅDE
- Arena
- Kunst
- kunstig
- kunstig intelligens
- Kunstig intelligens (AI)
- AS
- udseende
- aspekter
- vurdere
- Assistant
- Associate
- sortiment
- At
- augmented
- Godkendelse
- automatisere
- Automation
- til rådighed
- gennemsnit
- bevidsthed
- AWS
- Backbone
- Bagende
- baggrund
- afbalancering
- baseret
- BE
- fordi
- blive
- været
- før
- bag
- fordele
- Berlin
- BEDSTE
- Bedre
- Hjulpet
- både
- grænser
- bredde
- Breaking
- breaking news
- bredere
- bredt
- bragte
- bygge
- Bygning
- virksomhed
- men
- by
- ringe
- kom
- CAN
- kapaciteter
- kapitaliserede
- biler
- tilfælde
- imødekomme
- udfordringer
- chance
- Kanal
- Vælg
- valgt
- klar
- kunder
- Luk
- nøje
- Cloud
- Kodning
- samarbejde
- kolleger
- kombineret
- engageret
- Fællesskaber
- samfund
- selskab
- Selskabs
- komplekse
- kompleksitet
- omfattende
- Konceptet
- begreber
- kortfattet
- sikker
- Tilslut
- følgelig
- Overvej
- betydelig
- betragtes
- konstant
- forbrug
- Beholdere
- indhold
- fortsæt
- fortsætter
- kontinuerlig
- bidrog
- kontrolleret
- kontrol
- konventionelle
- Koste
- kunne
- håndværk
- oprettet
- Oprettelse af
- skabelse
- Kreativ
- kreativitet
- afgørende
- Medarbejder kultur
- skik
- kunde
- Kundeservice
- Kunde support
- Kunder
- tilpasning
- banebrydende
- dashboards
- data
- datastyring
- datalogi
- Database
- datasæt
- dag til dag
- årtier
- dedikeret
- dyb
- dyb læring
- dybere
- definere
- levere
- leverer
- levering
- krav
- indsætte
- indsat
- implementering
- implementering
- dybde
- Design
- konstrueret
- udvikle
- udviklet
- Udvikling
- forskellige
- digital
- direkte
- Direktør
- opdage
- opdagelse
- diskutere
- diskussioner
- forskelligartede
- do
- dokumentet
- dokumenter
- gør
- Er ikke
- gør
- Dont
- tegne
- drøm
- køre
- kørsel
- i løbet af
- hver
- lette
- brugervenlighed
- effektivt
- effektivitet
- effektiv
- effektivt
- indsats
- gå i gang
- EMEA
- emerge
- selvstændige
- medarbejdere
- muliggøre
- aktiveret
- muliggør
- muliggør
- tilskynde
- krypteret
- ende
- engagement
- ingeniør
- Engineering
- Ingeniører
- forbedre
- forbedret
- nok
- sikre
- sikring
- Enterprise
- enterprise-grade
- Underholdning
- entusiastiske
- Miljø
- oprettelse
- EU
- evaluere
- Endog
- NOGENSINDE
- evigt skiftende
- Hver
- indlysende
- udvikle sig
- udviklende
- spændende
- eksisterende
- erfaring
- Oplevelser
- eksperiment
- ekspertise
- udforske
- omfattende
- ekstrakt
- Ansigtet
- lettes
- faciliterende
- bekendt
- familie
- FAST
- hurtig
- frygt
- Funktionalitet
- felt
- finansielle
- finansielle tjenesteydelser
- Finde
- Fornavn
- fleksibel
- Fokus
- fokuserede
- efter
- Fodspor
- Til
- forkant
- Videresend
- Foster
- fremme
- venner
- fra
- forsiden
- forreste ende
- fungerer
- funktioner
- Endvidere
- fremtiden
- gevinster
- gateway
- generere
- genereret
- generative
- Generativ AI
- Tysk
- få
- giver
- Global
- Globalt
- kloden
- mål
- godt
- større
- banebrydende
- Grow
- Dyrkning
- hackathon
- havde
- håndtere
- hands-on
- Hardware
- seletøj
- udnyttelse
- Have
- he
- hoved
- hoveder
- sundhedspleje
- Hjerte
- hjælpe
- hjulpet
- hjælpe
- hjælper
- hende
- link.
- højere
- stærkt
- hans
- hostede
- Hvordan
- How To
- HTML
- http
- HTTPS
- i
- idé
- ideer
- identificere
- antændende
- illustrerer
- KIMOs Succeshistorier
- forbedring
- in
- starten
- Herunder
- Inklusive
- inkorporering
- øget
- utroligt
- industrier
- indflydelse
- tilgang
- oplysninger
- Infrastruktur
- Innovation
- Innovationsteam
- innovativ
- indgang
- indsigtsfuld
- indsigt
- instans
- medvirkende
- forsikring
- integral
- integrere
- Integration
- integration
- integrationer
- Intelligens
- interagere
- interaktion
- interaktioner
- interesse
- grænseflade
- interne
- ind
- Introduktion
- intuitiv
- irland
- IT
- ITS
- Job
- rejse
- jpg
- lige
- Holde
- Nøgle
- nøgle milepæl
- Venlig
- viden
- Labs
- landskab
- Sprog
- stor
- storstilet
- større
- seneste
- lancere
- føre
- førende
- Lækager
- læring
- Forlade
- Led
- Politikker
- mindre
- niveauer
- Bibliotek
- Livet
- ligesom
- LLM
- logning
- London
- Lang
- Se
- ligner
- elsker
- maskine
- machine learning
- lavet
- Making
- lykkedes
- ledelse
- leder
- Produktion
- mange
- markeret
- Match
- materialer
- Matters
- me
- mekanisme
- Medier
- Mød
- sammenlægning
- metoder
- omhyggelig
- måske
- milepæl
- minutter
- ML
- MLOps
- model
- modeller
- Moderne
- modulær
- overvågning
- Måned
- månedligt
- mere
- mere effektiv
- mest
- bevæge sig
- komme videre
- meget
- flere
- mangfoldighed
- indfødte
- Natural
- Natural Language Processing
- Navigation
- behov
- behov
- netværk
- Ny
- Nye funktioner
- nyheder
- NLP
- ingen
- objektiv
- of
- tilbyde
- tilbydes
- tilbud
- on
- engang
- ONE
- igangværende
- kun
- åbent
- open source
- åbner
- Produktion
- Opportunity
- optimal
- optimering
- Optimer
- or
- organisationer
- original
- Andet
- vores
- ud
- uden for
- i løbet af
- egen
- Tempo
- panel
- panel diskussioner
- parameter
- del
- særlig
- Partnerskab
- dele
- Bestået
- lidenskabelige
- Bane
- Mennesker
- per
- Udfør
- ydeevne
- fotografering
- Banebrydende
- pipeline
- afgørende
- Place
- perron
- Platforme
- plato
- Platon Data Intelligence
- PlatoData
- Leg
- punkter
- positiv
- muligheder
- mulig
- Indlæg
- potentiale
- magt
- strøm
- vigtigste
- Praktisk
- praksis
- Kostbar
- principper
- Forud
- private
- problemer
- behandle
- forarbejdning
- produktion
- Produkter
- professionel
- professionelle partnere
- dyb
- Program
- projekter
- fortaler
- give
- forudsat
- giver
- leverer
- skubber
- forespørgsler
- Quest
- Spørgsmål
- Hurtig
- hurtigt
- hurtige
- hurtigt
- RAY
- Reagerer
- Læs
- Læsning
- Reality
- raffinere
- region
- relaterede
- frigivet
- relevans
- relevant
- resterne
- påkrævet
- Krav
- forskning
- ressource
- ressourceintensive
- Ressourcer
- svar
- reaktioner
- lydhør
- REST
- Resultater
- Reuters
- højre
- robust
- roller
- roller
- Rullende
- Kør
- kører
- sikker
- sagemaker
- sandkasse
- så
- siger
- Skalerbarhed
- Scale
- Videnskab
- Videnskabsmand
- forskere
- sømløs
- problemfrit
- Sektorer
- sikker
- udvælgelse
- valg
- senior
- tjener
- Serverless
- tjeneste
- Tjenester
- sessioner
- sæt
- sæt
- flere
- hun
- vist
- signifikant
- lignende
- Simpelt
- forenkle
- enkelt
- websted
- So
- samfundsmæssigt
- Software
- løsninger
- Løsninger
- SOLVE
- nogle
- Kilde
- Space
- Spanien
- spændvidder
- særligt
- specialist
- specifikke
- udgifterne
- ånd
- delt
- påbegyndt
- Starter
- state-of-the-art
- opbevaring
- opbevaret
- Historier
- strømline
- succes
- vellykket
- sådan
- opsummere
- support
- Understøttet
- overflade
- Systemer
- skræddersyet
- tager
- Talent
- opgaver
- hold
- hold
- tech
- Teknisk
- teknikker
- teknologisk
- Teknologier
- Teknologier
- prøve
- at
- Fremtiden
- UK
- deres
- Them
- derefter
- Disse
- de
- ting
- denne
- Thomson Reuters
- dem
- Gennem
- Tim
- tid
- gange
- til
- sammen
- i morgen
- toolkit
- værktøjer
- mod
- Kurser
- Transform
- Oversættelse
- Traveling
- rejser
- Tendenser
- udløst
- Drejede
- Uk
- afdække
- under
- forståelse
- enestående
- låse
- afsløringen
- us
- brug
- anvendte
- Bruger
- Brugererfaring
- brugervenlig
- brugere
- ved brug af
- forsyningsselskaber
- udnyttet
- Værdifuld
- værdi
- række
- forskellige
- Vast
- verificere
- Virtual
- mængder
- W
- ønsker
- var
- Vej..
- we
- web
- webservices
- web-baseret
- Webinarer
- websites
- uger
- GODT
- var
- Hvad
- Hvad er
- hvornår
- som
- mens
- WHO
- bred
- vilje
- vinde
- med
- inden for
- uden
- Arbejde
- arbejdede
- arbejdsgange
- arbejder
- virker
- world
- ville
- år
- endnu
- Du
- Din
- dig selv
- zephyrnet