AI's voksende indflydelse i store organisationer bringer afgørende udfordringer med at administrere AI-platforme. Disse omfatter udvikling af en skalerbar og operationelt effektiv platform, der overholder organisatoriske compliance- og sikkerhedsstandarder. Amazon SageMaker Studio tilbyder et omfattende sæt af muligheder for maskinlæring (ML) praktikere og data videnskabsmænd. Disse omfatter et fuldt administreret AI-udviklingsmiljø med et integreret udviklingsmiljø (IDE), der forenkler end-to-end ML-workflowet. Dens samarbejdsevner såsom realtids-samredigering og deling af notesbøger inden for teamet sikrer glat teamwork, mens skalerbarheden og højtydende træning henvender sig til store datasæt. Med indbygget sikkerhed, omkostningseffektivitet og en række præbyggede værktøjer som f.eks Amazon SageMaker Autopilot, Amazon SageMaker JumpStartog Amazon SageMaker Feature butikSageMaker Studio er en kraftfuld platform til at accelerere AI-projekter og styrke datavidenskabsfolk på alle niveauer af ekspertise.
Deutsche Bahn er en førende transportorganisation i Tyskland med en omsætning på 56.3 milliarder EUR (i 2022), en arbejdsstyrke på 336,884 ansatte (inklusive 221,343 ansatte i Tyskland) og aktiviteter, der spænder over 130 lande. De tilbyder en bred vifte af tjenester, herunder offentlig og regional transport, godstjenester og jernbaneinfrastruktur. Gennem integreret drift af trafik- og jernbaneinfrastruktur, samt økonomisk og økologisk intelligent forbindelse af alle transportformer, flytter Deutsche Bahn mennesker og varer. Deutsche Bahn har været på forkant med at adoptere AI ved at bruge SageMaker Studio som en vigtig AI-platform. Hos Deutsche Bahn administrerer og driver et dedikeret AI-platformsteam SageMaker Studio-platformen, og flere dataanalyseteams i organisationen bruger platformen til at udvikle, træne og drive forskellige analyse- og ML-aktiviteter.
AI-platformteamets hovedmål er at sikre problemfri adgang til Workbench-tjenester og SageMaker Studio for alle Deutsche Bahn-teams og -projekter, med primært fokus på datavidenskabsfolk og ML-ingeniører. Denne platform hjælper Deutsche Bahn med at realisere et spektrum af use cases, lige fra jernbanevedligeholdelse, prognoser og fremtidige applikationer inden for generativ AI.
Den AI-platformsadministrerede service, bygget på SageMaker Studio, passer problemfrit med Deutsche Bahns koncerndækkende platformstrategi. Det opfylder virksomhedens overholdelseskrav, muliggør en hurtig projektinitiering for teamet ved at levere et SageMaker-domæne og reducerer vedligeholdelsesomkostninger på grund af en overordnet driftsmodel. Store fordele omfatter høj skalerbarhed af tjenesten, i høj grad på grund af automatisering og en selvbetjeningsmodel, og en attraktiv prismodel, der primært er baseret på ressourceforbrug.
“SageMaker Studio gav os en fælles platform, der er skalerbar, sikkerhedskompatibel og adresserer udviklingsbehovene hos dataforskere fra flere dataanalyseteams i DB-organisationen. Før dette styrede og drev hvert team deres egne JupyterLab-notesbøger, hvilket ikke var effektivt eller omkostningseffektivt. Inden for 8 uger indsatte vi over 120 udviklere, klargjorde 25 SageMaker-domæner og kom hurtigt i gang med at bruge denne platform."
– Emmanuel Drosos, produktejer hos DB Systel.
I dette indlæg udforsker vi, hvordan Deutsche Bahn skalerede og drev deres AI-platform ved hjælp af SageMaker Studio til flere teams, samtidig med at de sikrede robust sikkerhed og tilsyn.
Løsningsoversigt
Arkitekturen hos Deutsche Bahn består af en central platformskonto, der administreres af et platformsteam, der er ansvarligt for styring af infrastruktur og drift for SageMaker Studio. SageMaker Studio-ressourcer er grupperet efter SageMaker domæner, der hver består af en tilknyttet Amazon Elastic File System (Amazon EFS) volumen, en liste over autoriserede brugere og en række sikkerheds-, applikations-, politik- og Amazon Virtual Private Cloud (Amazon VPC) konfigurationer. Hos Deutsche Bahn bruger dataforskere fra forskellige teams SageMaker-domæner til deres ML-aktiviteter; hvert team har et dedikeret SageMaker-domæne, som de bruger til at udvikle og teste ML-modeller og samarbejde ved hjælp af funktioner som f.eks. notebook-deling.
Fra et infrastrukturperspektiv er VPC klargjort i AI-platformskontoen som vist i følgende figur har ingen udgående internetforbindelse for at sikre sikkerhed og overholdelse. For høj tilgængelighed er flere identiske private isolerede undernet klargjort. SageMaker Studio-domænerne er implementeret i kun VPC-tilstand, hvilket skaber en elastisk netværksgrænseflade til kommunikation mellem SageMaker-tjenestekontoen (AWS-tjenestekontoen) og platformkontoens VPC. Slutpunkterne som SageMaker API, SageMaker Studio og SageMaker notebook muliggør sikker og pålidelig kommunikation mellem platformkontoens VPC og SageMaker-domænet, der administreres af AWS i SageMaker-tjenestekontoen.
Hvert dataanalyseteam er i stand til at anmode om et eller flere SageMaker-domæner gennem virksomhedens interne selvbetjeningsportal. Denne proces med at bestille et SageMaker-domæne er orkestreret gennem en separat workflow-proces (via AWS-trinfunktioner). Under dette orkestreringsflow leveres en Azure Active Directory (AD)-gruppe til dataanalyseteamet med AD-gruppenavnet, der svarer til domænenavnet. Orkestreringen fører til en kontinuerlig integration og kontinuerlig implementering (CI/CD) pipeline, der implementerer en AWS Cloud Development Kit (AWS CDK) app bestående af et SageMaker domæne til det respektive team.
Ud over SageMaker-domænet, et tilpasset AWS identitets- og adgangsstyring (IAM) rolle (SageMaker-execution-rolle), Amazon Simple Storage Service (Amazon S3) bucket (data-bucket), kundeadministreret nøgle (CMK) og andre AWS-ressourcer leveres under implementeringsprocessen af AWS CDK-appen, som illustreret i følgende figur. AD-gruppen indeholder forskere, der har brug for adgang til deres teams SageMaker-domæne. AD-gruppenavnet svarer til SageMaker-domænets navn og bruges primært under godkendelsesprocessen.
Klientadskillelse er implementeret på niveau med SageMaker-domæner ved at bruge IAM-godkendelsestilstand. En domænespecifik IAM-rolle (SageMaker-execution-role) er knyttet til hvert domæne, der følger princippet om mindste privilegium og påtages af dataanalyseteamet under login-processen. Denne rolle giver datavidenskabsfolk i teamet evnen til at udføre forskellige aktiviteter, såsom at køre behandlingsjob, hyperparameterjusteringsjob, transformationsjob og eksperimenter samt skabe modeller. Disse ML-aktiviteter køres på vegne af brugeren af SageMaker ved hjælp af IAM pass-rolletilladelsen. Visse handlinger såsom oprettelse af S3-buckets, ændring af IAM-roller, opdatering af SageMaker-domæner og klargøring af store forekomster er dog begrænset af sikkerheds-, compliance- og omkostningskontrolårsager. Den tilknyttede IAM-politik sikrer, at dataanalyseteamet kun har adgang til den relevante S3-bucket og CMK for deres autoriserede domæne, som vist i den følgende figur. Derudover giver rollen SageMaker-execution-rolle teammedlemmerne mulighed for at påtage sig roller på andre konti i Deutsche Bahn-organisationen fra SageMaker Studio, hvilket giver dem fleksibilitet til at få adgang til ressourcer som f.eks. Amazon Relationel Database Service (Amazon S3), andre S3 spande og Amazonas Athena. IAM-politikken bruger aws:RequestTag og aws:ResourceTag til finmasket adgangskontrol under SageMaker-aktiviteter, såsom behandling af job, træningsjob og skabelse af modeller. Disse tags hjælper også med at spore tilknyttede omkostninger for domænet. For mere information, se Handlinger, ressourcer og betingelsesnøgler til Amazon SageMaker.
CMK krypterer både SageMaker-domænets filsystemindhold, der er gemt i Amazon EFS, og indholdet af S3-bøtten (data-bucket), der er klargjort til at gemme data til SageMaker-behandlings- og transformationsjob. Derudover giver ressourcebaserede politikker, såsom bucket-politikken og CMK-politikken, et ekstra lag af sikkerhed, der begrænser både adgang til kun autoriserede AI-teammedlemmer og tilladte handlinger på disse ressourcer.
AI-teamet har ikke AWS Management Console adgang til AI-platformsteamets konto. For at få adgang til SageMaker Studio, som illustreret i den følgende figur, bruger dataforskerne fra dataanalyseteamet en genereret foruddefineret URL ved at godkende gennem en Amazon Cognito baseret brugerdefineret login-applikation. Når brugeren logger ind på denne brugerdefinerede applikation, modtager de et OAuth-adgangstoken, der indeholder oplysninger såsom AD-gruppenavn. Efter at de logger ind på den brugerdefinerede applikation, anmoder brugeren om SageMaker-domæneadgang via brugergrænsefladen ved at udløse en Amazon API Gateway opkald for at generere en foruddefineret URL. API Gateway kalder PreSignUrlGenerator AWS Lambda funktion og bruger en Amazon Cognito-autorisator for at validere OAuth-adgangstokenet i anmodningsheaderen. PreSignUrlGenerator-funktionen validerer brugeradgangstilladelser for det anmodede SageMaker-domæne ved at sammenligne AD-navnet i adgangstokenet med det anmodede SageMaker-domæne. Efter vellykket godkendelse opretter PreSignUrlGenerator-funktionen en SageMaker-brugerprofil ved første login og genererer et foruddefineret URL-svar. Den brugerdefinerede login-applikation omdirigerer derefter brugerne til det anmodede SageMaker-domæne.
AWS CDK
Løsningen hos Deutsche Bahn bruger AWS CDK som infrastruktur som kode (IaC) til at levere et SageMaker-domæne sammen med ressourcer som S3-buckets og en CMK. Følgende figur illustrerer de stakke og tilknyttede ressourcer, der bruges til SageMaker-implementering. Infrastrukturstakken sørger for opsætning af væsentlige ressourcer som VPC, undernet og flere SageMaker-endepunkter. Ressourcerne såsom VPC, undernet og servicekontrolpolitikker (SCP'er) administreres af et centralt cloud-team gennem en anden stak (men er vist her for nemheds skyld). SageMakerStudioStack er primært ansvarlig for at klargøre et SageMaker-domæne, en dedikeret databøtte, en CMK og den dedikerede IAM-rolle SageMaker-execution-rolle. Navnlig er hvert SageMaker-domæne klargjort gennem dets individuelle SageMakerStudioStack.
Løsningen bruger en specialbygget L3-konstruktion (SageMaker Studio-domæne), som vist i den følgende figur, til SageMaker-domæneressourcen. SageMaker Studio har en livscykluskonfiguration funktion, der muliggør specifikke initialiseringer under opstart af JupyterLab- eller KernelGateway-apps.
Deutsch Bahn bruger livscykluskonfigurationen som vist i den følgende figur til automatisk at detektere og lukke inaktive forekomster i SageMaker-domænet, hvilket reducerer unødvendige omkostninger. På grund af begrænset udgående forbindelse bruger dataanalyseteamet internt hostede billeder og tredjepartsbiblioteker fra virksomhedens interne artifactory. Livscykluskonfigurationsscriptet for KernelGateway konfigurerer pip- og conda-pakkeadministratorer til at omdirigere downloads til den internt hostede artifactory placering. Når dette skrives, er der ingen AWS CDK-konstruktion for livscykluskonfigurationsressourcen; derfor bruger de en tilpasset CDK-ressource til at klargøre og administrere LifeCycleConfig-scriptet. Tilpassede ressourcer i AWS CDK giver mulighed for at levere og administrere ressourcer, der ikke direkte understøttes af AWS CloudFormation eller AWS CDK-konstruktioner.
Installation
Eksempel AWS CDK-applikationen viser, hvordan forskellige komponenter, herunder SageMaker-domænet, livscykluskonfiguration, Amazon Cognito og IAM-rolle med de mindste privilegier, fungerer sammen. Inden for applikationen håndterer SagemakerStudioStack-klassen leveringen af et SageMaker-domæne, IAM-rolle (sagemaker-execution-rolle), som brugerne påtager sig, CMK, livscykluskonfiguration, SageMaker-brugerprofil, S3-bøtte til databehandling og Amazon Cognito-brugergruppe. Demo AWS CDK-applikationen giver et kortfattet overblik over nøglekomponenter, såsom SageMaker-domænet, livscykluskonfiguration, autentificering gennem Amazon Cognito og IAM-rolle med mindst privilegier. SagemakerLoginStack er på den anden side ansvarlig for at implementere Amazon Cognito-brugerpuljen, Lambda-funktionen og API Gateway til at generere foruddefinerede URL'er. CognitoUserStack fokuserer primært på at implementere en bruger i Amazon Cognito-brugerpuljen.
Du kan køre følgende kommandoer for at kompilere, syntetisere og implementere programmet. Du bør justere kontoen, brugeren og adgangskoden i eksempelkoden til din applikation. Adgangskoden skal være på mindst 8 tegn, med store bogstaver og tal. Brugerparameteren er SageMaker-domænebrugeren, der vil blive godkendt af Amazon Cognito.
- Download kildekoden fra GitHub repo.
- Bootstrap AWS-kontoen. I følgende kode skal du justere kontonummer og region efter behov:
- Installer pakkerne og kompiler koden:
- Syntetiser AWS CDK-applikationen:
- Implementer applikationen med alle stakke på kontoen og regionen efter eget valg:
- Download Postman-appen for at foretage et API-kald.
Hvis du ikke har en Postman-konto, skal du oprette en gratis konto med din e-mail. Hvis du allerede har en konto, skal du logge ind på din konto.
- På File (Felt) menu, vælg Importere og importer Postman-miljøets JSON-fil inkluderet i GitHub-repoen.
- På miljøer fanen i Postman, skal du finde miljøet kaldet SageMaker.
- Tilføj følgende miljøvariabler, som du ser som en del af stakimplementeringsoutputtet fra
SagemakerLoginStack
:
Brug følgende parametre (hent værdierne fra outputtet under cdk-implementering):
-
- domænenavn – Domænenavnsparameteren, du sendte i cdk deploy, for eksempel team1
- klient-id – Amazon Cognito-klient-id'et
- klient-hemmelighed – Amazon Cognito-klienthemmeligheden.
- SageMaker-presigned-api – URL'en til API-gatewayen oprettet af AWS CDK, som genererer den foruddefinerede URL
- kognito-signin-endepunkt – Slutpunkts-URL'en for Amazon Cognito-domænet, hvor klientappen (i dette tilfælde Postman) godkendes ved at give brugerens legitimationsoplysninger (demobruger)
Det næste trin er at generere et OAuth2-token.
-
- På Tilladelse fanen, vælg SageMaker-miljøet og vælg Generer nyt adgangstoken.
Alle værdier på denne fane skal være forududfyldt.
-
- Opdater miljøvariablerne og vælg Få nyt adgangstoken.
- I pop op-vinduet, der åbnes, skal du logge ind på Amazon Cognito med det brugernavn (demobruger) og adgangskoden, du brugte tidligere.
Efter vellykket godkendelse genereres et nyt adgangstoken.
- Vælg Brug token.
- Vælg
GeneratePresignedUrlDemo
i Postman SageMaker-kollektionerne og vælg Send. - Sørg for, at du har valgt det rigtige miljø (SageMaker) på rullelisten.
Dette foretager et REST API-kald til API Gateway og genererer en foruddefineret URL for at få adgang til SageMaker-domænet. Du kan se denne URL i svarteksten.
- Kopier denne URL og indtast den i browservinduet.
Et nyt SageMaker-domæne vil blive lanceret med din brugerprofil.
Denne demoapplikation understøtter SageMaker-funktioner som træningsjob, behandlingsjob og modelslutpunkter. Bemærk at funktioner som f.eks Amazon SageMaker lærred, SageMaker JumpStart og SageMaker Feature Store er ikke aktiveret.
Ryd op
Udfør følgende trin for at rydde op i dine ressourcer:
- Vælg på SageMaker-konsollen i navigationsruden Domæne, Bruger Profilog Apps.
- Slet alle kørende apps (KernelGateway eller JupyterLab) fra denne løsning.
- Slet alle de SageMaker-brugerprofiler, du oprettede under login-trinnet.
- På Amazon EFS-konsollen, slet EFS-filsystemet oprettet til dette indlæg.
- Kør følgende kommando for at slette de ressourcer, der er oprettet med AWS CDK:
Konklusion
Indlægget fremhævede, hvordan Deutsche Bahn effektivt brugte SageMaker Studio til at forny sin AI-platform, hvilket resulterede i en skalerbar, automatiseret og håndterbar løsning til at understøtte sine forskellige dataanalyseteams. Denne arkitektur byder på en central platformskonto, en selvbetjent domænebestillingsproces og infrastrukturforsyning ved hjælp af AWS CDK. Implementeringsprocessen inkorporerer en CI/CD-pipeline, der sikrer en jævn levering af SageMaker-domæner.
Samlet set har transformationen skabt af SageMaker Studio bemyndiget Deutsche Bahn til at konstruere en robust platform for deres AI-initiativer, der henvender sig til over 100 udviklere og administrerer 20 SageMaker-domæner inden for en enkelt AWS-konto.
Til sidst vil vi udtrykke vores oprigtige påskønnelse til Nico Seegert (d-fine) og Philipp Vollmer (Deutsche Bahn), hvis uvurderlige bidrag var medvirkende til at forme denne arkitektur.
For yderligere læsning henvises til følgende ressourcer:
___________________________________________________________________________________________
Om forfatterne
Prasanna Tuladhar er en Cloud Infrastructure Architect hos AWS Professional Services i München, Tyskland. Med speciale i cloud-infrastruktur, arbejdsbelastningsmigrering og DevOps på AWS-platformen giver han kunderne mulighed for at nå deres forretningsmål. Uden for arbejdet nyder han jogging, vandreture og kvalitetstid med sin familie.
Emmanuel Drosos er produktejer for AI-platformen hos DBSystel, et datterselskab af Deutsche Bahn (DB) Tyskland. Med en passion for innovation og teknologi står Emmanuel i spidsen for initiativer, der sigter mod at udnytte skyens kraft til at drive AI-platformen hos DB (Deutsche Bahn). AI.Platformen er en af DB's koncerndækkende udviklingsplatforme. Det omfatter AI-tjenester og værktøjer til udvikling af AI-modeller (machine learning) og direkte anvendelige AI-tjenester. Enkel, integreret og skalerbar. Han arbejder tæt sammen med andre DB-kunder for at frigøre AI-platformens fulde potentiale, så de kan nå deres forretningsmål effektivt og effektivt. Uden for sine professionelle aktiviteter nyder Emmanuel at rejse og er en entusiastisk natur- og vandreelsker.
Vishwanath Bhat er DevOps Architect hos AWS Professional Services med base i Tyskland. Han hjælper kunder med at få det fulde udbytte af skyen og nå deres forretningsmål med AWS cloud. Når han ikke arbejder, kan han godt lide at svømme i alpine søer, vandre, læse eller spille fodbold.
Kumudhan Cherarajan er DevOps-konsulent hos AWS Professional Services med base i Schweiz. Han brænder for at hjælpe kunder med at vedtage processer og tjenester, der øger deres effektivitet i cloud-rejsen. Når han ikke arbejder, kan han lide at spille cricket og musik.
- 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/supercharge-your-ai-team-with-amazon-sagemaker-studio-a-comprehensive-view-of-deutsche-bahns-ai-platform-transformation/
- :har
- :er
- :ikke
- :hvor
- $OP
- 10
- 100
- 11
- 12
- 120
- 13
- 130
- 16
- 20
- 2022
- 237
- 25
- 350
- 7
- 8
- a
- evne
- I stand
- Om
- accelererende
- adgang
- Konto
- Konti
- opnå
- aktioner
- aktiv
- aktiviteter
- Ad
- Desuden
- Derudover
- adresser
- vedtage
- Vedtagelsen
- Efter
- mod
- AI
- AI platform
- AI-tjenester
- Rettet
- Justerer
- Alle
- tillader
- sammen
- allerede
- også
- Amazon
- Amazon Cognito
- Amazon SageMaker
- Amazon SageMaker Studio
- Amazon Web Services
- an
- analytics
- ,
- og infrastruktur
- api
- app
- Anvendelse
- applikationer
- påskønnelse
- apps
- arkitektur
- ER
- AS
- forbundet
- antage
- antaget
- At
- attraktivt
- Auth
- autentificeret
- godkender
- Godkendelse
- tilladelse
- autoriseret
- Automatiseret
- automatisk
- Automation
- tilgængelighed
- AWS
- AWS Professional Services
- Azure
- baseret
- BE
- været
- vegne
- gavner det dig
- fordele
- mellem
- Billion
- krop
- Bootstrap
- både
- Bringer
- bragte
- browser
- bygget
- indbygget
- virksomhed
- men
- by
- ringe
- kaldet
- CAN
- kapaciteter
- hvilken
- tilfælde
- tilfælde
- catering
- gearet
- central
- vis
- udfordringer
- tegn
- valg
- Vælg
- klasse
- ren
- kunde
- nøje
- Cloud
- sky infrastruktur
- kode
- samarbejde
- kollaborativ
- samlinger
- Fælles
- Kommunikation
- Selskabs
- sammenligne
- Compliance
- kompatibel
- komponenter
- omfattende
- kortfattet
- betingelse
- Konfiguration
- tilslutning
- Connectivity
- Bestående
- består
- Konsol
- konstruere
- konstruktioner
- konsulent
- forbrug
- indeholder
- indhold
- kontinuerlig
- bidrag
- kontrol
- Tilsvarende
- svarer
- Koste
- omkostningseffektiv
- Omkostninger
- lande
- skabe
- oprettet
- skaber
- Oprettelse af
- Legitimationsoplysninger
- cricket
- afgørende
- skik
- kunde
- Kunder
- tilpassede
- data
- Dataanalyse
- databehandling
- Database
- datasæt
- dedikeret
- levering
- demo
- demonstrerer
- afbildet
- indsætte
- indsat
- implementering
- implementering
- ødelægge
- opdage
- udvikle
- udviklere
- udvikling
- Udvikling
- forskellige
- direkte
- Vejviser
- forskelligartede
- gør
- domæne
- Domain Name
- Domæner
- Dont
- ned
- downloads
- køre
- grund
- i løbet af
- hver
- tidligere
- effektivt
- effektivitet
- effektiv
- effektivt
- medarbejdere
- bemyndiget
- bemyndigelse
- bemyndiger
- muliggør
- muliggør
- ende til ende
- Endpoint
- Ingeniører
- sikre
- sikrer
- sikring
- Indtast
- entusiastiske
- Miljø
- væsentlig
- EUR
- Hver
- eksempel
- eksperimenter
- ekspertise
- udforske
- udvide
- ekstra
- lette
- familie
- Feature
- Funktionalitet
- Figur
- File (Felt)
- Fornavn
- Fleksibilitet
- flow
- Fokus
- fokuserer
- efter
- følger
- fodbold
- Til
- forkant
- Gratis
- fra
- fuld
- fuldt ud
- funktion
- yderligere
- fremtiden
- gateway
- generere
- genereret
- genererer
- generere
- generative
- Generativ AI
- Tyskland
- få
- GitHub
- Go
- Mål
- varer
- fik
- tilskud
- gruppe
- Dyrkning
- hånd
- Håndterer
- Have
- he
- hjælpe
- hjælpe
- hjælper
- link.
- Høj
- Høj ydeevne
- Fremhævet
- hans
- hostede
- Hvordan
- Men
- HTML
- http
- HTTPS
- Tuning af hyperparameter
- identisk
- Identity
- tomgang
- if
- illustrerer
- billeder
- implementeret
- importere
- in
- I andre
- omfatter
- medtaget
- omfatter
- Herunder
- inkorporerer
- Forøg
- individuel
- indflydelse
- oplysninger
- Infrastruktur
- indledning
- initiativer
- Innovation
- installere
- medvirkende
- integreret
- integration
- Intelligent
- grænseflade
- interne
- internt
- Internet
- ind
- uvurderlig
- påberåber sig
- isolerede
- IT
- ITS
- Karriere
- rejse
- jpg
- json
- Nøgle
- nøgler
- søer
- stor
- lanceret
- lag
- førende
- Leads
- læring
- mindst
- Niveau
- løftestang
- biblioteker
- livscyklus
- ligesom
- synes godt om
- Liste
- placering
- log
- Logge på
- maskine
- machine learning
- vedligeholdelse
- større
- lave
- maerker
- administrere
- håndterbar
- lykkedes
- ledelse
- Ledere
- administrerer
- styring
- opfylder
- Medlemmer
- migration
- ML
- tilstand
- model
- modeller
- modes
- mere
- bevæger sig
- flere
- Musik
- navn
- Natur
- Navigation
- behov
- behov
- netværk
- Ny
- Ny adgang
- næste
- ingen
- især
- Bemærk
- notesbog
- nummer
- numre
- oauth
- objektiv
- målsætninger
- of
- tilbyde
- Tilbud
- on
- ONE
- kun
- åbner
- betjenes
- opererer
- drift
- drift
- Produktion
- or
- orkestreret
- orkestrering
- organisation
- organisatorisk
- organisationer
- Andet
- vores
- output
- uden for
- i løbet af
- overordnet
- overliggende
- Tilsyn
- oversigt
- egen
- ejer
- pakke
- pakker
- brød
- parameter
- parametre
- del
- passerer
- Bestået
- lidenskab
- lidenskabelige
- Adgangskode
- Mennesker
- Udfør
- tilladelse
- Tilladelser
- perspektiv
- pipeline
- perron
- Platforme
- plato
- Platon Data Intelligence
- PlatoData
- Leg
- politikker
- politik
- pool
- pop-up
- Portal
- Indlæg
- potentiale
- magt
- vigtigste
- prissætning
- prisfastsættelsesmodel
- primært
- primære
- princippet
- private
- privilegium
- privilegier
- behandle
- forarbejdning
- Produkt
- professionel
- Profil
- Profiler
- projekt
- projekter
- give
- forudsat
- giver
- leverer
- bestemmelse
- offentlige
- kvalitet
- hurtigt
- jernbane
- Jernbane
- rækkevidde
- spænder
- Læsning
- realtid
- indse
- årsager
- modtage
- omdirigere
- reducerer
- reducere
- henvise
- region
- regional
- relevant
- pålidelig
- anmode
- anmodninger
- Krav
- ressource
- Ressourcer
- dem
- svar
- ansvarlige
- REST
- begrænset
- begrænser
- resulterer
- indtægter
- højre
- robust
- roller
- roller
- Kør
- kører
- sagemaker
- prøve
- Skalerbarhed
- skalerbar
- skaleret
- forskere
- script
- sømløs
- problemfrit
- Secret
- sikker
- sikkerhed
- se
- valgt
- Selvbetjening
- adskille
- tjeneste
- Tjenester
- sæt
- indstilling
- forme
- deling
- bør
- vist
- lukke
- Luk ned
- underskrive
- Simpelt
- enkelhed
- forenkle
- enkelt
- udjævne
- løsninger
- Kilde
- kildekode
- spænding
- speciale
- specifikke
- Spectrum
- stable
- Stakke
- standarder
- påbegyndt
- opstart
- Trin
- Steps
- opbevaring
- butik
- opbevaret
- Strategi
- Studio
- undernet
- datterselskabet
- vellykket
- sådan
- Tillæg
- support
- Understøttet
- Understøtter
- sikker
- SWIFT
- Schweiz
- syntetisere
- systemet
- tager
- hold
- Holdkammerater
- hold
- samarbejde
- Teknologier
- Test
- at
- The Source
- deres
- Them
- derefter
- Der.
- derfor
- Disse
- de
- tredjepart
- denne
- Gennem
- tid
- til
- sammen
- token
- værktøjer
- spor
- Trafik
- Tog
- Kurser
- Transformation
- transportere
- transport
- Traveling
- udløsning
- tuning
- ui
- låse
- unødvendig
- opdatering
- på
- URL
- us
- brugbar
- brug
- anvendte
- Bruger
- brugere
- bruger
- ved brug af
- VALIDATE
- Værdier
- række
- forskellige
- via
- Specifikation
- Virtual
- bind
- var
- we
- web
- webservices
- uger
- GODT
- var
- hvornår
- som
- mens
- WHO
- hvis
- bred
- Bred rækkevidde
- vilje
- vindue
- med
- inden for
- Arbejde
- workflow
- Workforce
- arbejder
- virker
- skrivning
- Du
- Din
- zephyrnet