OpenSearch er en skalerbar, fleksibel og udvidelsesbar open source-softwarepakke til søgning, analyse, sikkerhedsovervågning og observerbarhedsapplikationer, licenseret under Apache 2.0-licensen. Amazon OpenSearch Service er en fuldt administreret tjeneste, der gør det nemt at implementere, skalere og betjene OpenSearch i AWS Cloud.
OpenSearch bruger en probabilistisk rangeringsramme kaldet BM-25 til at beregne relevansscore. Hvis et karakteristisk nøgleord forekommer hyppigere i et dokument, tildeler BM-25 en højere relevansscore til det pågældende dokument. Denne ramme tager dog ikke brugeradfærd som klik- eller købsdata i betragtning, hvilket yderligere kan forbedre relevansen for individuelle brugere.
Forbedring af funktionaliteten af søgning er et integreret aspekt af at forbedre den overordnede brugeroplevelse og engagement på et websted eller en applikation. Søgetrafik anses for høj hensigt, fordi brugere aktivt søger efter en bestemt vare, og de har vist sig at konvertere op til to gange mere end besøgende, der ikke søger på webstedet i gennemsnit. Ved at bruge brugerinteraktionsdata såsom klik, likes og køb, kan virksomheder forbedre søgerelevansen for at udnytte denne trafik og reducere tilfælde af brugere, der forlader deres sessioner på grund af vanskeligheder med at finde de ønskede varer. Ved at forfine kvaliteten af søgeresultaterne kan virksomheder forbedre deres kundeengagement, tilfredshed og loyalitet betydeligt, samt øge deres konverteringsrater, hvilket i sidste ende fører til større rentabilitet og succes.
Amazon Tilpas giver dig mulighed for at tilføje sofistikerede personaliseringsfunktioner til dine applikationer ved at bruge den samme maskinlæringsteknologi (ML) som bruges på Amazon.com i over 20 år. Der kræves ingen ML-ekspertise.
Amazon Personalize understøtter den automatiske justering af anbefalinger baseret på kontekstuelle oplysninger om din bruger, såsom enhedstype, placering, tidspunkt på dagen eller andre oplysninger, du giver. Du forsyner Amazon Personalize med historiske data om dine brugere og deres interaktioner i din applikation, såsom købshistorik, vurderinger og likes. Du kan tilføje data til Amazon Personalize i bulk ved at importere store historiske datasæt på én gang fra en Amazon Simple Storage Service (Amazon S3) CSV-fil med et format, der kræves af Amazon Personalize. Du kan også tilføje data trinvist ved at importere poster ved hjælp af Amazon Personalize-konsollen eller API. Når dine historiske data er importeret, kan du fortsætte med at levere nye data i realtid ved at sende brugerinteraktionsbegivenheder. Baseret på den use case, du ønsker at tage fat på, såsom produktanbefalinger, vælger du en præbygget opskrift, der er optimeret til det mål. Amazon Personalize analyserer dine data og træner en tilpasset ML-model baseret på parametrene i opskriften for at generere personlige anbefalinger, der er optimeret til dine brugere og applikation. Efter at modellen er trænet, kan du generere personlige anbefalinger i realtid til dine brugere.
Med den nyligt lancerede Amazon Personalized Search Plugin til Amazon OpenSearch Service, kan du bruge brugerinteraktionshistorier og -interesser til at forbedre deres søgeresultater. Ved at bruge en Amazon Personlig opskrift såsom Personlig rangering, kan du hjælpe med at booste søgeresultater for relevante elementer baseret på brugerinteresser på det tidspunkt, hvor du får søgeresultater fra OpenSearch Service.
Dette indlæg forklarer, hvordan man integrerer Amazon Personalize Search Ranking-plugin med OpenSearch Service for at aktivere personlige søgeoplevelser. For at bygge Amazon Personalize-artefakter i dette indlæg bruger vi et datasæt fra IMDb, verdens mest autoritative kilde til film-, tv- og berømthedsindhold, tilgængelig på AWS Marketplace, samt MovieLens datasæt udarbejdet af GroupLens research ved University of Minnesota, bestående af brugerrangeringer til forskellige film.
Løsningsoversigt
Følgende diagram illustrerer løsningsarkitekturen.
Arbejdsgangen omfatter følgende trin:
- En bruger udsteder en søgeanmodning via deres websted eller portal. Denne søgeanmodning sendes til OpenSearch Service.
- De øverste N søgeresultater returneres fra OpenSearch Service-indekset og sendes til plugin'et for at forbehandle og forberede input til en Amazon Personalize-kampagne.
- Anmodningen sendes til Amazon Personalize for at få de omrangerede søgeresultater.
- Amazon Personalize returnerer den personlige rangering af søgeresultaterne med den relevante score for hvert resultat.
- De omrangerede hits returneres af pluginnet til OpenSearch Service, med en vægtning mellem OpenSearch Service-relevansscore og Amazon Personalize-personaliserede rangeringsscore. Du angiver en vægtparameter (mellem 0.0-1.0), der styrer balancen mellem OpenSearch Service og Amazon Personalize, når resultaterne omrangeres. En højere vægt betyder mere indflydelse fra Amazon Personalize-rangeringsresultaterne i forhold til OpenSearch Service-resultaterne. Dette giver dig mulighed for at tilpasse, hvor meget de personlige anbefalinger påvirker den endelige rangering af søgeresultater, der returneres til brugeren.
- Brugeren får personlige søgeresultater baseret på deres præferencer og interaktioner.
Forudsætninger
Du skal have følgende forudsætninger:
- An AWS-konto.
- An AWS identitets- og adgangsstyring (IAM) rolle med passende adgangstilladelser. Vi sørger for AWS CloudFormation skabeloner og Jupyter-notesbøger for at hjælpe med at opsætte den nødvendige IAM-rolle og adgang.
- For at aktivere personalisering i OpenSearch Service skal du konfigurere de nødvendige Amazon Personalize-ressourcer, herunder en datasætgruppe, løsningsversion og kampagne. Vi har leveret en Jupyter notesbog der skaber alle Amazon Personalize-ressourcerne og udnytter de fuldt administrerede Jupyter notebook-forekomstfunktioner i Amazon SageMaker.
Implementer CloudFormation-stakken
CloudFormation-stakken automatiserer implementeringen af OpenSearch Service-domænet og SageMaker Notebook-instansen. Udfør følgende trin for at implementere stakken:
- Log ind på AWS Management Console med dine legitimationsoplysninger på den konto, hvor du vil implementere CloudFormation-stakken.
- Start CloudFormation-stakken direkte.
- På Angiv detaljer side, angive eventuelle parametre, der kræves af skabelonen, såsom OpenSearch Service og SageMaker-forekomststørrelser.
- På Konfigurer stakindstillinger side, skal du angive et staknavn og eventuelle andre indstillinger, du vil indstille.
- Fuldfør oprettelsen af stakken, og overvåg status på stakkens detaljerside.
- Når stakken er oprettet, skal du åbne SageMaker notebook-forekomsten fra konsollen.
Notebook-forekomsten vil allerede være forudindlæst med de påkrævede notesbøger.
Konfigurer og fuldfør Amazon Personalize-arbejdsgangen
Åbne 1.Configure_Amazon_Personalize.ipynb notesbog til at opsætte Amazon Personalize-artefakter. Denne notesbog fører dig gennem følgende trin:
- Download datasættet og forbehandle dataene for at oprette de nødvendige inputfiler til oprettelse af datasættene.
- Opret en datasætgruppe.
- Opret datasæt og skemaer.
- Forbered og importer data.
- Opret en løsning og en løsningsversion.
- Opret en kampagne for løsningsversionen.
Installer Amazon Personalize Search Ranking plugin ved hjælp af en Jupyter notesbog
Åbne 2.Configure_Amazon_OpenSearch.ipynb notesbog og gennemgå instruktionerne. Denne notesbog fører dig gennem følgende trin:
- Indtag eksempelindeksdata i OpenSearch Service-forekomsten. At fylde indekset med repræsentative data letter grundig test og validering af plugin'et.
- Installer plugin-pakken i OpenSearch Service-domænet. Dette integrerer personaliseringsmulighederne i OpenSearch-miljøet.
- Opsæt søgepipelines for at aktivere plugin's funktionalitet. Søgepipelines indeholder anmodningsforbehandlere og svarpostbehandlere, der transformerer forespørgsler og resultater. Når du konstruerer en pipeline, skal du angive Amazon Personalize-kampagnen ARN oprettet tidligere i en
personalized_search_ranking
postprocessor for at muliggøre personlig omrangering. Dette konfigurerer plugin'et til at hente personaliseringsresultater i realtid fra Amazon Personalize til anvendelse under resultatbehandling. Ved at definere pipelines kan plugin'et øge søgerelevansen baseret på brugerpræferencer.
Installer Amazon Personalize Search Ranking-pluginnet ved hjælp af konsollen
Du kan også konfigurere Amazon Personalize søgeplugin fra konsollen. Du behøver kun at gøre dette, hvis du ikke har installeret plugin'et ved hjælp af Jupyter notebook fra tidligere.
For at installere Amazon Personalize Search Ranking-pluginnet på OpenSearch Service skal du udføre følgende trin:
- På OpenSearch Service-konsollen skal du navigere til dit domæne.
- På Pakker fanebladet, vælg Associeret pakke at knytte Amazon Personalize Search Ranking-plugin'et til dit OpenSearch Service-domæne. Plugin-versionen skal matche OpenSearch Service-domæneversionen.
Amazon Personalize Search Ranking plugin kan installeres på OpenSearch Service versioner 2.9 og nyere.
- Find Amazon Personalize Search Ranking-plugin'et på listen over tilgængelige plugins.
- Vælg Associate ved siden af pluginnet for at installere det og knytte det til dit eksisterende OpenSearch Service-domæne.
Når du har tilsluttet plugin'et, vises det på listen over pakker som en plugin-type. Med plugin'et installeret er installationsprocessen nu afsluttet.
Aktiver Amazon Personalize Search Ranking plugin
Amazon Personalize Search Ranking plugin bruger search-pipeline
funktion af OpenSearch Service, udgivet fra version 2.9. Pluginnet afhænger af search-pipeline
funktion til at anvende Amazon Personalized ranking på søgeresultater leveret af OpenSearch Service og skal også konfigureres som en search-pipeline
svarprocessor. Denne pipeline-definition vil indeholde konfigurationen for Amazon Personalize-plugin'et, som inkluderer Amazon Personalize-kampagnen for at opfordre til at få Amazon Personalize-rangering, IAM-rollen for at få adgang til Amazon Personalize-ressourcer, samt parametrene defineret i følgende tabel.
Indstillinger | påkrævet | Standard | Beskrivelse |
campaign |
Ja | Ingen | Angiv ARN for Amazon Personalize-kampagnen, der skal bruges til at tilpasse resultater. |
recipe |
Ja | Ingen | Angiv navnet på Amazon Personalize-opskriften, der skal bruges. Når dette skrives, aws-personalized-ranking er den eneste understøttede værdi. |
item_id_field |
Ingen | "_id" | Hvis _id felt for et indekseret dokument i OpenSearch svarer ikke til din Amazon Personalize itemId , angiv navnet på det felt, der gør det. |
weight |
Ja | Ingen | Angiv den vægt, som svarprocessoren lægger på personalisering, når den omrangerer resultater. Angiv en værdi inden for et område på 0.0-1.0. Jo tættere på 1.0 det er, jo mere sandsynligt er det, at resultater fra Amazon Personalize rangerer højere. Hvis du angiver 0.0, sker der ingen personalisering, og OpenSearch Service har forrang. |
tag |
Ingen | Ingen | Angiv en identifikator for processoren. |
iam_role_arn |
Ja | Ingen | Angiv IAM-rollen for at få adgang til Amazon Personalize-ressourcer. Dette er påkrævet for OpenSearch Service og valgfrit for open source OpenSearch. |
aws_region |
Ja | Ingen | Angiv den AWS-region, hvor du oprettede din Amazon Personalize-kampagne. |
ignore_failure |
Ingen | Ingen | Angiv, om plugin'et ignorerer eventuelle processorfejl. Angiv for værdier true or false . For dine produktionsmiljøer anbefaler vi, at du angiver true for at undgå afbrydelser for forespørgselssvar. For testmiljøer kan du angive false for at se eventuelle fejl, som plugin'et genererer. |
external_account_iam_role_arn |
Ingen | Ingen | Hvis du bruger OpenSearch Service, og dine Amazon Personalize- og OpenSearch Service-ressourcer findes på forskellige konti, skal du angive ARN for den rolle, der har tilladelse til at få adgang til Amazon Personalize. |
Følgende Python-kodestykke opretter en søgepipeline med en personalized_search_ranking
svarprocessor på et OpenSearch Service-domæne. Du kører dette trin én gang som en del af den notesbog, der ledsager dette indlæg:
Definer søgepipeline for personlig rangering
Du kan bruge følgende Python-kode til at oprette en søgepipeline med en personalized_search_ranking
svarprocessor på et OpenSearch Service-domæne. Erstat domæneslutpunktet med dit domæneendepunkts URL. For eksempel: https://<domain name>.<AWS region>.es.amazonaws.com
.
Anvend en søgepipeline på en individuel forespørgsel
Når du har konfigureret en søgepipeline med en personalized_search_ranking
svarprocessor, kan du anvende Amazon Personalize Search Ranking-plugin til dine OpenSearch-forespørgsler og se de omrangerede resultater. Opdater koden for at angive dit domæneslutpunkt, dit OpenSearch Service-indeks, navnet på din pipeline (du konfigurerede ovenfor) og din forespørgsel (vi bruger "Tom Cruise" til forespørgsel). Til user_id
, angiv ID'et for den bruger, som du får søgeresultater for. Denne bruger skal være i de data, du brugte til at oprette din Amazon Personalize-løsningsversion.
Evaluer resultaterne
Åbne 3.Testing.ipynb notebook og gå gennem trinene for at teste og sammenligne resultaterne for forespørgsler, der bruger personalisering, og dem, der ikke gør. Amazon Personalize Search Ranking-pluginnet omrangerer søgeresultaterne i OpenSearch Service-forespørgselssvaret. Det tager både rangeringen fra Amazon Personalize og rangeringen fra OpenSearch Service i betragtning. Denne notesbog fører dig gennem følgende trin:
- Definer de nødvendige forbindelsesparametre for at etablere en forbindelse med dit OpenSearch Service-domæne. Dette involverer specificering af domæneslutpunktet, godkendelsesoplysninger og eventuelle yderligere konfigurationsindstillinger, der kræves til din specifikke OpenSearch Service-opsætning.
- Opret et sæt eksempelforespørgsler, herunder forespørgsler med personaliseringsparametre og forespørgsler uden personaliseringsparametre. Disse forespørgsler vil blive brugt til at evaluere effekten af personalisering på søgeresultaterne.
- Kør og sammenlign resultaterne for forespørgsler, der bruger personalisering, og dem, der ikke gør.
For vores eksempel brugte vi en forespørgsel til "Tom Cruise", og til personaliseringsparameteren brugte vi en bruger med en nyere historie med at se drama- og romantikfilmgenrer. De efterfølgende søgeresultater viser, hvordan plugin'et skræddersy og prioriterer anbefalinger baseret på brugerens observerede visningsadfærd. Dette eksemplificerer plugin's evne til at levere en tilpasset, kurateret oplevelse ved at overveje individuelle brugerpræferencer og engagementsmønstre. Evnen til at forfine og justere søgeresultater baseret på slutninger om en brugers præferencer gør det muligt at levere øget relevans og nytte.
Personlige vs. ikke-tilpassede resultater
Lad os overveje at tilpasse resultater for en bruger med ID 12. Først kontrollerer vi denne brugers seneste interaktioner ved at køre koden i 3.Testing.ipynb notesbog for at hente deres interaktionshistorik. Dette giver os mulighed for at se, hvilke typer film denne bruger har anmeldt for nylig, hvilket kan informere om, hvordan vi tilpasser anbefalinger til dem.
I dette eksempel ser vi, at brugeren har udtrykt interesse for drama-, romantik- og thrillerfilmgenrer. For at give personlige anbefalinger kører vi først forespørgsler med personaliseringsparametre aktiveret ved at bruge brugerens genrepræferencer. Vi kører derefter de samme forespørgsler uden personalisering aktiveret til sammenligning. Følgende resultater viser forskellen mellem de ikke-personaliserede og personaliserede anbefalingsoutput.
De første to kolonner viser standard OpenSearch Service-resultaterne for forespørgslen "Tom Cruise" på et filmindeks, der viser en række Tom Cruise-film på tværs af forskellige genrer. De næste to kolonner viser personlige OpenSearch Service-resultater for den samme "Tom Cruise"-forespørgsel, men tilpasset til en bruger, der er interesseret i drama-, romantik- og thrillergenrer. Sammenlignet med de generiske resultater viser de personlige resultater fremtrædende Tom Cruise-film i brugerens foretrukne drama-, romantik- og thrillergenrer. Deltaet fremhæver, hvordan de personlige resultater er blevet omplaceret i forhold til de ikke-personlige resultater, og prioriterer film, der matcher brugerens genrepræferencer. Dette viser, hvordan personalisering kan skræddersy resultater fra OpenSearch Service til individuelle brugeres smag og interesser.
Denne sammenligning viser, hvordan Amazon Personalize kan tilpasse filmresultater fra OpenSearch Service, så de matcher den enkelte brugers interesser. Selvom standard OpenSearch-tjenesten har til formål at levere relevante filmresultater universelt for Tom Cruise, skræddersyer Amazon Personalize resultaterne til at fokusere på Tom Cruise-film, som den forudsiger, at denne bruger vil nyde baseret på deres unikke visningshistorik og præferencer.
Resultaterne side om side illustrerer, hvordan Amazon Personalize giver en mere målrettet, brugercentreret søgeoplevelse ved at tilpasse filmresultaterne til den enkelte.
Ryd op
Udfør følgende trin for at rydde op i dine ressourcer:
- Følg trinene i 4.Oprydning.ipynb notesbog for at rydde op i de ressourcer, der er oprettet gennem notesbogen.
- På AWS CloudFormation-konsollen skal du slette den stak, du har oprettet.
Konklusion
Amazon Personalize Search Ranking-plugin'et integreres problemfrit med OpenSearch Service for at muliggøre personlige søgeoplevelser. Ved at bruge brugeradfærdsdata og ML-kapaciteterne i Amazon Personalize kan plugin omarrangere OpenSearch Service-resultatrangeringer for at øge relevansen for hver unik bruger. Dette skaber en skræddersyet søgeoplevelse, der viser det mest relevante indhold højere i resultaterne. Pluginnet kan konfigureres til at balancere personalisering med OpenSearch Service native scoring for at passe til forskellige brugssager. Overordnet set er Amazon Personalize Search Ranking-plugin en effektiv måde at forbedre OpenSearch Service-søgningsrelevansen og -engagementet ved at tage hensyn til dine brugeres individuelle interesser og præferencer. Med blot et par konfigurationstrin kan du begynde at vise hyperrelevante resultater, der giver stor genklang hos dine brugere.
Yderligere ressourcer
Om forfatterne
James Jory er en Principal Solutions Architect i Applied AI med AWS. Han har en særlig interesse i personalisering og anbefalingssystemer og en baggrund i e-handel, marketingteknologi og kundedataanalyse. I sin fritid nyder han camping og autoracer-simuleringer.
Reagan Rosario er Solutions Architect hos AWS, med speciale i at bygge skalerbare, højst tilgængelige og sikre cloud-løsninger til uddannelsesteknologivirksomheder. Med over 10 års erfaring i softwareingeniør- og arkitekturroller elsker Reagan at bruge sin tekniske viden til at hjælpe AWS-kunder med at bygge robuste cloud-løsninger, der udnytter bredden og dybden af AWS.
- 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/unlock-personalized-experiences-powered-by-ai-using-amazon-personalize-and-amazon-opensearch-service/
- :har
- :er
- :ikke
- :hvor
- $OP
- 1
- 10
- 100
- 12
- 13
- 20
- 20 år
- 7
- 8
- 9
- a
- evne
- Om
- over
- adgang
- Konto
- Konti
- tværs
- aktivere
- aktivt
- tilføje
- Yderligere
- adresse
- Justering
- Fordel
- påvirke
- Efter
- AI
- målsætninger
- Alle
- tillader
- allerede
- også
- Skønt
- Amazon
- Amazon OpenSearch Service
- Amazon Tilpas
- Amazon Web Services
- an
- analytics
- analyser
- ,
- enhver
- Apache
- api
- vises
- kommer til syne
- Anvendelse
- applikationer
- anvendt
- Anvendt AI
- Indløs
- passende
- arkitektur
- ER
- AS
- udseende
- Associate
- At
- forøge
- Auth
- Godkendelse
- auto
- automater
- Automatisk Ur
- til rådighed
- gennemsnit
- undgå
- AWS
- AWS CloudFormation
- AWS Marketplace
- baggrund
- Balance
- baseret
- BE
- fordi
- været
- adfærd
- mellem
- krop
- boost
- både
- bredde
- bygge
- Bygning
- virksomheder
- men
- by
- beregne
- ringe
- kaldet
- Kampagne
- CAN
- kapaciteter
- kapacitet
- kapitalisere
- tilfælde
- tilfælde
- Celebrity
- kontrollere
- Vælg
- ren
- tættere
- Cloud
- kode
- Kolonner
- KOM
- Virksomheder
- sammenligne
- sammenlignet
- sammenligning
- fuldføre
- Konfiguration
- konfigureret
- tilsluttet
- tilslutning
- Overvej
- betragtes
- Overvejer
- anser
- Bestående
- Konsol
- konstruere
- indeholder
- indhold
- kontekstuelle
- fortsæt
- kontrol
- Konvertering
- konvertere
- skabe
- oprettet
- skaber
- Oprettelse af
- Legitimationsoplysninger
- krydstogt
- kurateret
- skik
- kunde
- kundedata
- Kundeforlovelse
- Kunder
- tilpasse
- tilpassede
- data
- Dataanalyse
- datasæt
- dag
- Standard
- definerede
- definere
- definition
- levere
- leverer
- Delta
- demonstrerer
- afhænger
- indsætte
- implementering
- dybde
- beskrivelse
- ønskes
- detaljer
- enhed
- diagram
- forskel
- forskellige
- vanskeligheder
- direkte
- Skærm
- karakteristisk
- forskelligartede
- do
- dokumentet
- gør
- Er ikke
- domæne
- Dont
- Drama
- grund
- i løbet af
- e
- hver
- tidligere
- ecommerce
- Uddannelse
- vægt
- muliggøre
- aktiveret
- muliggør
- Endpoint
- engagement
- Engineering
- forbedre
- forbedret
- styrke
- nyde
- Miljø
- miljøer
- fejl
- fejl
- etablere
- evaluere
- begivenheder
- eksempel
- Undtagen
- undtagelse
- eksemplificerer
- udstille
- eksisterer
- eksisterende
- erfaring
- Oplevelser
- ekspertise
- Forklarer
- udtrykt
- ext
- letter
- factoring
- fejl
- Feature
- få
- felt
- Fields
- File (Felt)
- Filer
- Film
- film
- endelige
- finde
- Fornavn
- passer
- fleksibel
- Fokus
- efter
- Til
- format
- fundet
- Framework
- hyppigt
- fra
- fuldt ud
- funktionalitet
- yderligere
- generere
- genererer
- genre
- genrer
- få
- får
- få
- mål
- større
- gruppe
- Have
- he
- headers
- hjælpe
- Høj
- højere
- højdepunkter
- stærkt
- hans
- historisk
- historier
- historie
- Hits
- Hvordan
- How To
- Men
- HTML
- http
- HTTPS
- ID
- identifikator
- Identity
- if
- illustrere
- illustrerer
- KIMOs Succeshistorier
- importere
- importere
- Forbedre
- in
- omfatter
- Herunder
- Forøg
- indeks
- indekseret
- individuel
- indflydelse
- informere
- oplysninger
- indgang
- installere
- installation
- installeret
- instans
- anvisninger
- integral
- integrere
- Integrerer
- hensigt
- interaktion
- interaktioner
- interesse
- interesseret
- interesser
- ind
- involverer
- spørgsmål
- IT
- Varer
- jpg
- lige
- viden
- stor
- lanceret
- førende
- læring
- Leverage
- Licens
- Licenseret
- ligesom
- Sandsynlig
- synes godt om
- Liste
- placering
- elsker
- Loyalitet
- maskine
- machine learning
- maerker
- lykkedes
- ledelse
- Marketing
- markedsplads
- Match
- midler
- ML
- model
- Overvåg
- overvågning
- mere
- mest
- film
- Film
- meget
- skal
- navn
- indfødte
- Naviger
- nødvendig
- Behov
- behov
- Ny
- nyligt
- næste
- ingen
- notesbog
- nu
- of
- on
- engang
- ONE
- kun
- åbent
- open source
- betjene
- optimeret
- Indstillinger
- or
- Andet
- vores
- udfald
- udgange
- i løbet af
- samlet
- pakke
- pakker
- side
- parameter
- parametre
- del
- særlig
- mønstre
- tilladelse
- Tilladelser
- Personalisering
- Tilpas
- Personlig
- pipeline
- plato
- Platon Data Intelligence
- PlatoData
- grund
- plugin
- Plugins
- Portal
- Indlæg
- strøm
- vigtigste
- forudser
- præferencer
- foretrækkes
- Forbered
- forberedt
- forudsætninger
- Main
- prioriterer
- prioritering
- behandle
- forarbejdning
- Processor
- Produkt
- produktion
- rentabilitet
- give
- forudsat
- giver
- køb
- indkøb
- sætter
- Python
- kvalitet
- forespørgsler
- query
- Racing
- rækkevidde
- rangerer
- Ranking
- priser
- ratings
- ægte
- realtid
- nylige
- for nylig
- opskrift
- anbefaler
- Anbefaling
- anbefalinger
- optegnelser
- reducere
- raffinere
- raffinering
- region
- relative
- frigivet
- relevans
- relevant
- erstatte
- repræsentativt
- anmode
- anmodninger
- påkrævet
- forskning
- Resonator
- Ressourcer
- svar
- reaktioner
- resultere
- Resultater
- afkast
- revideret
- robust
- roller
- roller
- romantik
- Kør
- kører
- sagemaker
- samme
- prøve
- tilfredshed
- skalerbar
- Scale
- score
- scoring
- problemfrit
- Søg
- sikker
- sikkerhed
- se
- søger
- Vælg
- afsendelse
- sendt
- tjener
- tjeneste
- Tjenester
- servering
- sessioner
- sæt
- indstillinger
- setup
- bør
- Vis
- udstillingsvindue
- viser
- betydeligt
- Simpelt
- simuleringer
- størrelser
- uddrag
- Software
- software Engineering
- løsninger
- Løsninger
- sofistikeret
- Kilde
- særligt
- speciale
- specifikke
- angiver
- stable
- standard
- starte
- Starter
- Status
- Trin
- Steps
- opbevaring
- ligetil
- kraftigt
- efterfølgende
- succes
- sådan
- suite
- forsyne
- Understøttet
- Understøtter
- Systemer
- bord
- TAG
- skrædder
- tager
- tager
- målrettet
- smag
- Teknisk
- Teknologier
- teknologiselskaber
- skabelon
- skabeloner
- prøve
- Test
- tekst
- end
- at
- deres
- Them
- derefter
- Disse
- de
- denne
- grundig
- dem
- Gennem
- tid
- gange
- Titel
- til
- tome
- top
- Trafik
- uddannet
- tog
- Transform
- sand
- prøv
- tv
- to
- typen
- typer
- Ultimativt
- under
- enestående
- universelt
- universitet
- låse
- Opdatering
- URL
- us
- brug
- brug tilfælde
- anvendte
- Bruger
- Brugererfaring
- brugercentreret
- brugere
- bruger
- ved brug af
- nytte
- Ved hjælp af
- validering
- værdi
- Værdier
- række
- forskellige
- udgave
- versioner
- Specifikation
- visning
- besøgende
- vs
- gå
- gåture
- ønsker
- Vej..
- we
- web
- webservices
- Hjemmeside
- vægt
- GODT
- Hvad
- hvornår
- hvorvidt
- som
- vilje
- med
- inden for
- uden
- workflow
- Verdens
- skrivning
- yaml
- år
- Du
- Din
- zephyrnet