I nutidens landskab af en-til-en kundeinteraktioner for at afgive ordrer, er den fremherskende praksis fortsat afhængig af menneskelige ledsagere, selv i omgivelser som drive-thru-caféer og fastfood-virksomheder. Denne traditionelle tilgang giver flere udfordringer: den er stærkt afhængig af manuelle processer, kæmper for effektivt at skalere med stigende kundekrav, introducerer potentialet for menneskelige fejl og opererer inden for bestemte timer efter tilgængelighed. På konkurrenceprægede markeder kan virksomheder, der udelukkende følger manuelle processer, finde det udfordrende at levere effektiv og konkurrencedygtig service. På trods af teknologiske fremskridt forbliver den menneskecentrerede model dybt forankret i ordrebehandling, hvilket fører til disse begrænsninger.
Udsigten til at bruge teknologi til en-til-en ordrebehandlingsassistance har været tilgængelig i nogen tid. Imidlertid kan eksisterende løsninger ofte falde i to kategorier: regelbaserede systemer, der kræver betydelig tid og kræfter til opsætning og vedligeholdelse, eller stive systemer, der mangler den fleksibilitet, der kræves til menneskelignende interaktioner med kunder. Som følge heraf står virksomheder og organisationer over for udfordringer med at implementere sådanne løsninger hurtigt og effektivt. Heldigvis med fremkomsten af generativ AI , store sprogmodeller (LLM'er), er det nu muligt at skabe automatiserede systemer, der kan håndtere naturligt sprog effektivt og med en accelereret tidslinje.
Amazonas grundfjeld er en fuldt administreret tjeneste, der tilbyder et udvalg af højtydende fundamentmodeller (FM'er) fra førende AI-virksomheder som AI21 Labs, Anthropic, Cohere, Meta, Stability AI og Amazon via en enkelt API, sammen med et bredt sæt af muligheder, du behov for at bygge generative AI-applikationer med sikkerhed, privatliv og ansvarlig AI. Ud over Amazon Bedrock kan du bruge andre AWS-tjenester som f.eks Amazon SageMaker JumpStart , Amazon Lex at skabe fuldt automatiserede og let tilpasningsdygtige generative AI-ordrebehandlingsagenter.
I dette indlæg viser vi dig, hvordan du opbygger en talekompatibel ordrebehandlingsagent ved hjælp af Amazon Lex, Amazon Bedrock og AWS Lambda.
Løsningsoversigt
Følgende diagram illustrerer vores løsningsarkitektur.
Arbejdsgangen består af følgende trin:
- En kunde afgiver ordren ved hjælp af Amazon Lex.
- Amazon Lex bot fortolker kundens hensigter og udløser en
DialogCodeHook
. - En Lambda-funktion trækker den relevante promptskabelon fra Lambda-laget og formaterer modelprompter ved at tilføje kundens input i den tilknyttede promptskabelon.
-
RequestValidation
prompt bekræfter ordren med menupunktet og lader kunden vide via Amazon Lex, hvis der er noget, de vil bestille, som ikke er en del af menuen og vil give anbefalinger. Prompten udfører også en foreløbig validering for ordrefuldstændighed. -
ObjectCreator
prompt konverterer de naturlige sproganmodninger til en datastruktur (JSON-format). - Lambda-funktionen for kundevalidering verificerer de nødvendige attributter for ordren og bekræfter, om alle nødvendige oplysninger er til stede for at behandle ordren.
- En kunde Lambda-funktion tager datastrukturen som input til behandling af ordren og sender ordretotalen tilbage til den orkestrerende Lambda-funktion.
- Den orkestrerende Lambda-funktion kalder Amazon Bedrock LLM-slutpunktet for at generere en endelig ordreoversigt inklusive ordretotalen fra kundedatabasesystemet (f.eks. Amazon DynamoDB).
- Ordreoversigten kommunikeres tilbage til kunden via Amazon Lex. Efter kunden har bekræftet ordren, vil ordren blive behandlet.
Forudsætninger
Dette indlæg forudsætter, at du har en aktiv AWS-konto og kendskab til følgende koncepter og tjenester:
For at få adgang til Amazon Bedrock fra Lambda-funktionerne skal du også sørge for, at Lambda-runtiden har følgende biblioteker:
- boto3>=1.28.57
- awscli>=1.29.57
- botocore>=1.31.57
Dette kan gøres med en Lambda lag eller ved at bruge en specifik AMI med de nødvendige biblioteker.
Desuden er disse biblioteker påkrævet, når du kalder Amazon Bedrock API fra Amazon SageMaker Studio. Dette kan gøres ved at køre en celle med følgende kode:
Til sidst opretter du følgende politik og vedhæfter den senere til enhver rolle, der får adgang til Amazon Bedrock:
Opret en DynamoDB-tabel
I vores specifikke scenarie har vi oprettet en DynamoDB-tabel som vores kundedatabasesystem, men du kan også bruge Amazon Relationel Database Service (Amazon RDS). Fuldfør følgende trin for at klargøre din DynamoDB-tabel (eller tilpas indstillingerne efter behov for din brugssituation):
- På DynamoDB-konsollen skal du vælge tabeller i navigationsruden.
- Vælg Opret tabel.
- Til Tabelnavn, indtast et navn (f.eks.
ItemDetails
). - Til Partitionsnøgle, indtast en nøgle (til dette indlæg bruger vi
Item
). - Til Sorteringstast, indtast en nøgle (til dette indlæg bruger vi
Size
). - Vælg Opret tabel.
Nu kan du indlæse dataene i DynamoDB-tabellen. Til dette indlæg bruger vi en CSV-fil. Du kan indlæse dataene til DynamoDB-tabellen ved hjælp af Python-kode i en SageMaker-notesbog.
Først skal vi oprette en profil ved navn dev.
- Åbn en ny terminal i SageMaker Studio og kør følgende kommando:
Denne kommando vil bede dig om at indtaste dit AWS-adgangsnøgle-id, hemmelige adgangsnøgle, standard AWS-region og outputformat.
- Vend tilbage til SageMaker-notesbogen og skriv en Python-kode for at oprette en forbindelse til DynamoDB ved hjælp af Boto3-biblioteket i Python. Dette kodestykke opretter en session ved hjælp af en specifik AWS-profil ved navn dev og opretter derefter en DynamoDB-klient ved hjælp af denne session. Følgende er kodeeksemplet til at indlæse dataene:
Alternativt kan du bruge NoSQL Workbench eller andre værktøjer til hurtigt at indlæse dataene til din DynamoDB-tabel.
Det følgende er et skærmbillede, efter at eksempeldataene er indsat i tabellen.
Opret skabeloner i en SageMaker notesbog ved hjælp af Amazon Bedrock invocation API
For at oprette vores promptskabelon til denne brugssag bruger vi Amazon Bedrock. Du kan få adgang til Amazon Bedrock fra AWS Management Console og via API-indkaldelser. I vores tilfælde får vi adgang til Amazon Bedrock via API fra bekvemmeligheden af en SageMaker Studio notesbog for at skabe ikke kun vores promptskabelon, men vores komplette API-indkaldelseskode, som vi senere kan bruge på vores Lambda-funktion.
- På SageMaker-konsollen skal du få adgang til et eksisterende SageMaker Studio-domæne eller oprette et nyt for at få adgang til Amazon Bedrock fra en SageMaker-notesbog.
- Når du har oprettet SageMaker-domænet og -brugeren, skal du vælge brugeren og vælge Launch , studie. Dette åbner et JupyterLab-miljø.
- Når JupyterLab-miljøet er klar, skal du åbne en ny notesbog og begynde at importere de nødvendige biblioteker.
Der er mange FM'er tilgængelige via Amazon Bedrock Python SDK. I dette tilfælde bruger vi Claude V2, en kraftfuld grundmodel udviklet af Anthropic.
Ordrebehandleren har brug for et par forskellige skabeloner. Dette kan ændre sig afhængigt af brugssituationen, men vi har designet en generel arbejdsgang, der kan gælde for flere indstillinger. I dette tilfælde vil Amazon Bedrock LLM-skabelonen opnå følgende:
- Godkend kundens hensigt
- Bekræft anmodningen
- Opret ordredatastrukturen
- Send en oversigt over ordren til kunden
- For at fremkalde modellen skal du oprette et fundament-runtime-objekt fra Boto3.
Lad os starte med at arbejde på skabelonen til hensigtsvalideringsprompt. Dette er en iterativ proces, men takket være Anthropics hurtige ingeniørvejledning kan du hurtigt oprette en prompt, der kan udføre opgaven.
- Opret den første promptskabelon sammen med en hjælpefunktion, der hjælper med at forberede kroppen til API-påkaldelser.
Følgende er koden til prompt_template_intent_validator.txt:
- Gem denne skabelon i en fil for at uploade til Amazon S3 og ringe fra Lambda-funktionen, når det er nødvendigt. Gem skabelonerne som JSON-serialiserede strenge i en tekstfil. Det forrige skærmbillede viser kodeeksemplet for også at opnå dette.
- Gentag de samme trin med de andre skabeloner.
Følgende er nogle skærmbilleder af de andre skabeloner og resultaterne, når du kalder Amazon Bedrock med nogle af dem.
Følgende er koden til prompt_template_request_validator.txt:
Følgende er vores svar fra Amazon Bedrock ved hjælp af denne skabelon.
Følgende er koden til prompt_template_object_creator.txt
:
Følgende er koden for prompt_template_order_summary.txt:
Som du kan se, har vi brugt vores promptskabeloner til at validere menupunkter, identificere manglende nødvendige oplysninger, oprette en datastruktur og opsummere ordren. De grundlæggende modeller, der er tilgængelige på Amazon Bedrock, er meget kraftfulde, så du kan udføre endnu flere opgaver via disse skabeloner.
Du har færdiggjort konstruktionen af prompterne og gemt skabelonerne i tekstfiler. Du kan nu begynde at oprette Amazon Lex-bot og de tilhørende Lambda-funktioner.
Opret et Lambda-lag med promptskabelonerne
Udfør følgende trin for at oprette dit Lambda-lag:
- I SageMaker Studio skal du oprette en ny mappe med en undermappe ved navn
python
. - Kopier dine promptfiler til
python
mappe.
- Du kan tilføje ZIP-biblioteket til din notebook-forekomst ved at køre følgende kommando.
- Kør nu følgende kommando for at oprette ZIP-filen til upload til Lambda-laget.
- Når du har oprettet ZIP-filen, kan du downloade filen. Gå til Lambda, opret et nyt lag ved at uploade filen direkte eller ved at uploade til Amazon S3 først.
- Vedhæft derefter dette nye lag til orkestreringslamdafunktionen.
Nu er dine promptskabelonfiler gemt lokalt i dit Lambda-runtime-miljø. Dette vil fremskynde processen, mens din bot kører.
Opret et Lambda-lag med de nødvendige biblioteker
Udfør følgende trin for at oprette dit Lambda-lag med de nødvendige biblioteker:
- Åbn en AWS Cloud9 instansmiljø, skal du oprette en mappe med en undermappe kaldet
python
. - Åbn en terminal inde i
python
mappe. - Kør følgende kommandoer fra terminalen:
- Kør
cd ..
og placer dig selv inde i din nye mappe, hvor du også harpython
undermappe. - Kør følgende kommando:
- Når du har oprettet ZIP-filen, kan du downloade filen. Gå til Lambda, opret et nyt lag ved at uploade filen direkte eller ved at uploade til Amazon S3 først.
- Vedhæft derefter dette nye lag til orkestreringslamdafunktionen.
Opret botten i Amazon Lex v2
Til denne brugssag bygger vi en Amazon Lex-bot, der kan give en input/output-grænseflade til arkitekturen for at kalde Amazon Bedrock ved hjælp af stemme eller tekst fra enhver grænseflade. Fordi LLM'en vil håndtere samtaledelen af denne ordrebehandler, og Lambda vil orkestrere arbejdsgangen, kan du oprette en bot med tre hensigter og ingen slots.
- På Amazon Lex-konsollen skal du oprette en ny bot med metoden Opret en tom bot.
Nu kan du tilføje en hensigt med enhver passende indledende ytring, så slutbrugerne kan starte samtalen med botten. Vi bruger enkle hilsner og tilføjer et indledende bot-svar, så slutbrugere kan give deres anmodninger. Når du opretter botten, skal du sørge for at bruge en Lambda-kodekrog med hensigterne; dette vil udløse en Lambda-funktion, der vil orkestrere arbejdsgangen mellem kunden, Amazon Lex og LLM.
- Tilføj din første hensigt, som udløser arbejdsgangen og bruger skabelonen til hensigtsvalidering til at ringe til Amazon Bedrock og identificere, hvad kunden forsøger at opnå. Tilføj et par enkle ytringer til slutbrugere for at starte samtalen.
Du behøver ikke bruge nogen slots eller indledende læsning i nogen af bot-hensigterne. Faktisk behøver du ikke tilføje ytringer til den anden eller tredje hensigt. Det er fordi LLM vil guide Lambda gennem hele processen.
- Tilføj en bekræftelsesprompt. Du kan tilpasse denne besked i Lambda-funktionen senere.
- Under Kode kroge, Vælg Brug en Lambda-funktion til initialisering og validering.
- Opret en anden hensigt uden ytring og uden indledende svar. Dette er
PlaceOrder
hensigt.
Når LLM identificerer, at kunden forsøger at afgive en ordre, vil Lambda-funktionen udløse denne hensigt og validere kundeanmodningen mod menuen og sørge for, at der ikke mangler nogen påkrævet information. Husk, at alt dette er på promptskabelonerne, så du kan tilpasse denne arbejdsgang til enhver brugssituation ved at ændre promptskabelonerne.
- Tilføj ikke nogen slots, men tilføj en bekræftelsesprompt og afvis svar.
- Type Brug en Lambda-funktion til initialisering og validering.
- Opret en tredje hensigt med navnet
ProcessOrder
uden eksempler på ytringer og uden slots. - Tilføj et indledende svar, en bekræftelsesprompt og et afvisningssvar.
Efter at LLM har valideret kundeanmodningen, udløser Lambda-funktionen den tredje og sidste hensigt med at behandle ordren. Her vil Lambda bruge objektskaberskabelonen til at generere ordre-JSON-datastrukturen til at forespørge i DynamoDB-tabellen og derefter bruge ordreoversigtsskabelonen til at opsummere hele ordren sammen med totalen, så Amazon Lex kan videregive den til kunden.
- Type Brug en Lambda-funktion til initialisering og validering. Denne kan bruge enhver Lambda-funktion til at behandle ordren efter kunden har givet den endelige bekræftelse.
- Når du har oprettet alle tre hensigter, skal du gå til Visual Builder for
ValidateIntent
, tilføj et gå-til hensigtstrin, og tilslut outputtet fra den positive bekræftelse til det trin. - Når du har tilføjet gå-til-hensigten, skal du redigere den og vælge PlaceOrder-hensigten som hensigtsnavn.
- Tilsvarende, for at gå til Visual Builder for
PlaceOrder
hensigt og forbind udgangen af den positive bekræftelse tilProcessOrder
gå til hensigt. Der kræves ingen redigering forProcessOrder
hensigt. - Du skal nu oprette Lambda-funktionen, der orkestrerer Amazon Lex og kalder DynamoDB-tabellen, som beskrevet i det følgende afsnit.
Opret en Lambda-funktion til at orkestrere Amazon Lex-bot
Du kan nu bygge Lambda-funktionen, der orkestrerer Amazon Lex-bot og workflow. Udfør følgende trin:
- Opret en Lambda-funktion med standardudførelsespolitikken, og lad Lambda skabe en rolle for dig.
- Tilføj nogle få hjælpefunktioner i kodevinduet for din funktion: formatere prompterne ved at tilføje lex-konteksten til skabelonen, kald Amazon Bedrock LLM API, udtræk den ønskede tekst fra svarene og mere. Se følgende kode:
- Vedhæft Lambda-laget, du oprettede tidligere, til denne funktion.
- Derudover skal du vedhæfte laget til de promptskabeloner, du har oprettet.
- I Lambda-udførelsesrollen skal du vedhæfte politikken for at få adgang til Amazon Bedrock, som blev oprettet tidligere.
Lambda-udførelsesrollen skal have følgende tilladelser.
Tilslut Orchestration Lambda-funktionen til Amazon Lex-bot
- Når du har oprettet funktionen i det foregående afsnit, skal du vende tilbage til Amazon Lex-konsollen og navigere til din bot.
- Under Sprog i navigationsruden skal du vælge Engelsk.
- Til Kilde, vælg din ordrebehandlingsbot.
- Til Lambda funktion version eller alias, vælg $SENESTE.
- Vælg Gem.
Opret assisterende Lambda-funktioner
Udfør følgende trin for at oprette yderligere Lambda-funktioner:
- Opret en Lambda-funktion for at forespørge i DynamoDB-tabellen, som du oprettede tidligere:
- Naviger til Konfiguration fanen i Lambda-funktionen og vælg Tilladelser.
- Vedhæft en ressourcebaseret politikerklæring, der gør det muligt for ordrebehandlende Lambda-funktion at aktivere denne funktion.
- Naviger til IAM-udførelsesrollen for denne Lambda-funktion, og tilføj en politik for at få adgang til DynamoDB-tabellen.
- Opret en anden Lambda-funktion for at validere, om alle påkrævede attributter blev videregivet fra kunden. I det følgende eksempel validerer vi, om størrelsesattributten er fanget for en ordre:
- Naviger til Konfiguration fanen i Lambda-funktionen og vælg Tilladelser.
- Vedhæft en ressourcebaseret politikerklæring, der gør det muligt for ordrebehandlende Lambda-funktion at aktivere denne funktion.
Test løsningen
Nu kan vi teste løsningen med eksempelordrer, som kunder afgiver via Amazon Lex.
For vores første eksempel bad kunden om en frappuccino, som ikke er på menuen. Modellen validerer ved hjælp af ordrevalideringsskabelon og foreslår nogle anbefalinger baseret på menuen. Efter at kunden har bekræftet sin ordre, får de besked om ordresummen og ordreoversigten. Ordren vil blive behandlet baseret på kundens endelige bekræftelse.
I vores næste eksempel bestiller kunden en stor cappuccino og ændrer derefter størrelsen fra stor til medium. Modellen fanger alle nødvendige ændringer og anmoder kunden om at bekræfte ordren. Modellen præsenterer ordretotal og ordreoversigt, og behandler ordren ud fra kundens endelige bekræftelse.
For vores sidste eksempel afgav kunden en ordre på flere varer, og størrelsen mangler for et par varer. Modellen og Lambda-funktionen vil verificere, om alle nødvendige attributter er til stede for at behandle ordren, og beder derefter kunden om at give de manglende oplysninger. Når kunden har givet de manglende oplysninger (i dette tilfælde størrelsen på kaffen), får de vist den samlede ordre og ordreoversigten. Ordren vil blive behandlet baseret på kundens endelige bekræftelse.
LLM begrænsninger
LLM-output er stokastisk af natur, hvilket betyder, at resultaterne fra vores LLM kan variere i format, eller endda i form af usandfærdigt indhold (hallucinationer). Derfor skal udviklere stole på en god fejlhåndteringslogik i hele deres kode for at håndtere disse scenarier og undgå en forringet slutbrugeroplevelse.
Ryd op
Hvis du ikke længere har brug for denne løsning, kan du slette følgende ressourcer:
- Lambda funktioner
- Amazon Lex æske
- DynamoDB bord
- S3 spand
Derudover skal du lukke SageMaker Studio-instansen ned, hvis applikationen ikke længere er påkrævet.
Omkostningsvurdering
For prisoplysninger for de vigtigste tjenester, der bruges af denne løsning, se følgende:
Bemærk, at du kan bruge Claude v2 uden behov for provisionering, så de samlede omkostninger forbliver på et minimum. For yderligere at reducere omkostningerne kan du konfigurere DynamoDB-tabellen med on-demand-indstillingen.
Konklusion
Dette indlæg demonstrerede, hvordan man bygger en taleaktiveret AI-ordrebehandlingsagent ved hjælp af Amazon Lex, Amazon Bedrock og andre AWS-tjenester. Vi viste, hvordan hurtig konstruktion med en kraftfuld generativ AI-model som Claude kan muliggøre robust naturlig sprogforståelse og samtalestrømme til ordrebehandling uden behov for omfattende træningsdata.
Løsningsarkitekturen bruger serverløse komponenter som Lambda, Amazon S3 og DynamoDB for at muliggøre en fleksibel og skalerbar implementering. Lagring af prompt-skabelonerne i Amazon S3 giver dig mulighed for at tilpasse løsningen til forskellige brugssituationer.
Næste trin kunne omfatte udvidelse af agentens muligheder til at håndtere en bredere vifte af kundeforespørgsler og edge-sager. Promptskabelonerne giver mulighed for iterativt at forbedre agentens færdigheder. Yderligere tilpasninger kunne involvere integration af ordredata med backend-systemer som lager, CRM eller POS. Endelig kunne agenten gøres tilgængelig på tværs af forskellige kundekontaktpunkter som mobilapps, drive-thru, kiosker og mere ved at bruge Amazon Lex' multi-channel-funktioner.
For at lære mere, se følgende relaterede ressourcer:
- Implementering og administration af multi-kanal bots:
- Hurtig ingeniørarbejde til Claude og andre modeller:
- Serverløse arkitektoniske mønstre for skalerbare AI-assistenter:
Om forfatterne
Moumita Dutta er Partner Solution Architect hos Amazon Web Services. I sin rolle arbejder hun tæt sammen med partnere for at udvikle skalerbare og genbrugelige aktiver, der strømliner cloud-implementeringer og forbedrer driftseffektiviteten. Hun er medlem af AI/ML-fællesskabet og en Generativ AI-ekspert hos AWS. I sin fritid nyder hun havearbejde og cykling.
Fernando Lammoglia er Partner Solutions Architect hos Amazon Web Services, der arbejder tæt sammen med AWS-partnere om at stå i spidsen for udviklingen og indførelse af banebrydende AI-løsninger på tværs af forretningsenheder. En strategisk leder med ekspertise inden for cloud-arkitektur, generativ AI, machine learning og dataanalyse. Han har specialiseret sig i at eksekvere go-to-market-strategier og levere slagkraftige AI-løsninger i overensstemmelse med organisationens mål. I sin fritid elsker han at tilbringe tid med sin familie og rejse til andre lande.
Mitul Patel er Senior Solution Architect hos Amazon Web Services. I sin rolle som cloud-teknologienabler arbejder han med kunder for at forstå deres mål og udfordringer og giver foreskrivende vejledning til at nå deres mål med AWS-tilbud. Han er medlem af AI/ML-fællesskabet og en Generativ AI-ambassadør hos AWS. I sin fritid nyder han at vandre og spille fodbold.
- 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/transform-one-on-one-customer-interactions-build-speech-capable-order-processing-agents-with-aws-and-generative-ai/
- :har
- :er
- :ikke
- :hvor
- $3
- $OP
- 1
- 10
- 100
- 11
- 12
- 13
- 15 %
- 173
- 200
- 24
- 250
- 28
- 29
- 31
- 320
- 385
- 40
- 400
- 500
- 7
- 75
- 8
- 9
- 900
- a
- over
- accelereret
- Acceptere
- adgang
- Adgang
- udrette
- Ifølge
- Konto
- opnå
- tværs
- Handling
- aktiv
- tilpasse
- tilføje
- tilføjet
- tilføje
- Desuden
- Yderligere
- Derudover
- klæber
- justere
- Vedtagelse
- fremskridt
- advent
- Efter
- igen
- mod
- Agent
- midler
- AI
- AI / ML
- justeret
- Alle
- tillade
- tillade
- tillader
- sammen
- også
- altid
- am
- Amazon
- Amazon Lex
- Amazon RDS
- Amazon Web Services
- Ambassadør
- an
- analytics
- ,
- En anden
- Antropisk
- enhver
- api
- Anvendelse
- applikationer
- Indløs
- tilgang
- passende
- passende
- apps
- arkitektonisk
- arkitektur
- ER
- AS
- spørg
- Aktiver
- Assistance
- Assistant
- assistenter
- bistår
- forbundet
- antager
- At
- vedhæfte
- Ledsagere
- attributter
- Automatiseret
- tilgængelighed
- til rådighed
- undgå
- AWS
- tilbage
- Bagende
- baseret
- BE
- fordi
- været
- begynde
- mellem
- krop
- Bot
- både
- bots
- bred
- bygge
- Builder
- virksomhed
- virksomheder
- men
- by
- beregne
- ringe
- kaldet
- ringer
- Opkald
- CAN
- kapaciteter
- fanget
- fanger
- tilfælde
- tilfælde
- kategorier
- celle
- udfordringer
- udfordrende
- lave om
- Ændringer
- skiftende
- tegn
- kontrollere
- valg
- Vælg
- kunde
- Luk
- nøje
- Cloud
- SKY-TEKNOLOGI
- kode
- Kaffe
- samarbejder
- indsamler
- kommunikeret
- samfund
- Virksomheder
- konkurrencedygtig
- fuldføre
- Afsluttet
- færdiggøre
- færdiggørelse
- komponenter
- begreber
- Bekræfte
- bekræftelse
- BEKRÆFTET
- Tilslut
- tilslutning
- består
- Konsol
- indhold
- sammenhæng
- fortsætter
- bekvemmelighed
- Samtale
- konvertere
- korrigere
- Omkostninger
- kunne
- lande
- Par
- skabe
- oprettet
- skaber
- Oprettelse af
- skabelse
- skaberen
- CRM
- Nuværende
- skik
- kunde
- Kunder
- tilpasse
- banebrydende
- data
- Dataanalyse
- Datastruktur
- Database
- Afvis
- dybt
- Standard
- definere
- levere
- leverer
- Efterspørgsel
- krav
- demonstreret
- nægtet
- Afhængigt
- afhænger
- implementeringer
- konstrueret
- ønskes
- Trods
- detaljeret
- dev
- udvikle
- udviklet
- udviklere
- Udvikling
- diagram
- DID
- forskellige
- direkte
- forsendelse
- do
- gør
- domæne
- Don
- færdig
- Dont
- ned
- downloade
- i løbet af
- e
- hver
- tidligere
- nemt
- Edge
- effekt
- effektivitet
- effektiv
- effektivt
- indsats
- andet
- muliggøre
- muliggør
- Endpoint
- Engineering
- forbedre
- Indtast
- Miljø
- fejl
- fejl
- Endog
- begivenhed
- eksempel
- eksempler
- Undtagen
- undtagelse
- udførelse
- udførelse
- eksisterende
- Afslutning
- ekspanderende
- erfaring
- ekspert
- ekspertise
- omfattende
- ekstrakt
- Ansigtet
- Faktisk
- Fall
- Kendskab
- familie
- få
- File (Felt)
- Filer
- endelige
- færdiggøre
- Finde
- Fornavn
- Fleksibilitet
- fleksibel
- strømme
- efter
- Til
- formular
- format
- Heldigvis
- fundet
- Foundation
- grundlæggende
- Gratis
- fra
- fuldt ud
- funktion
- funktioner
- yderligere
- Generelt
- generere
- generative
- Generativ AI
- få
- Giv
- given
- Go
- Gå-på-marked
- Mål
- godt
- fik
- grand
- stor
- hilsen
- Hilsner
- vejledning
- vejlede
- håndtere
- Håndtering
- Have
- have
- he
- høre
- stærkt
- hjælpe
- hende
- link.
- hi
- højtydende
- hans
- Honning
- HOURS
- Hvordan
- How To
- Men
- HTML
- http
- HTTPS
- menneskelig
- i
- ID
- identificerer
- identificere
- identificere
- if
- illustrerer
- effektfuld
- implementering
- gennemføre
- importere
- importere
- Forbedre
- in
- omfatter
- Herunder
- Indgående
- stigende
- indeks
- oplysninger
- indgroet
- initial
- indgang
- indgange
- indvendig
- installere
- instans
- i stedet
- anvisninger
- Integration
- hensigt
- interaktioner
- grænseflade
- ind
- Introducerer
- opgørelse
- involvere
- IT
- Varer
- jpg
- json
- lige
- Holde
- Nøgle
- kiosker
- Kend
- Labs
- Mangel
- landskab
- Sprog
- stor
- Efternavn
- endelig
- senere
- lag
- leder
- førende
- LÆR
- læring
- lemonade
- lad
- Lets
- biblioteker
- Bibliotek
- ligesom
- begrænsninger
- Liste
- LLM
- belastning
- lokalt
- logning
- logik
- længere
- UDSEENDE
- elsker
- maskine
- machine learning
- lavet
- Main
- lave
- lykkedes
- ledelse
- styring
- manuel
- mange
- markeret
- Markeder
- me
- midler
- medium
- medlem
- Menu
- besked
- beskeder
- Meta
- metode
- måske
- Mælk
- minimum
- savnet
- mangler
- Mobil
- mobil-apps
- model
- modeller
- modificeret
- ændre
- øjeblik
- mere
- flere
- my
- navn
- Som hedder
- Natural
- Natur
- Naviger
- Navigation
- nødvendig
- Behov
- behov
- behov
- Ny
- næste
- ingen
- Ingen
- notesbog
- nu
- objekt
- objektiv
- forekom
- of
- tilbud
- Tilbud
- tit
- Okay
- on
- On-Demand
- ONE
- kun
- åbent
- opererer
- operationelle
- Option
- Indstillinger
- or
- orkestrering
- orkestrering
- ordrer
- ordrer
- organisatorisk
- organisationer
- Andet
- vores
- output
- udgange
- samlet
- brød
- parametre
- del
- partner
- partnere
- passerer
- Bestået
- gennemløb
- sti
- mønstre
- betaling
- procent
- udfører
- måske
- Tilladelser
- stykke
- Place
- Steder
- anbringelse
- plato
- Platon Data Intelligence
- PlatoData
- spiller
- Vær venlig
- punkter
- politik
- PoS
- udgør
- position
- positiv
- mulig
- Indlæg
- potentiale
- vigtigste
- praksis
- indledende
- Forbered
- Forbereder
- forberede
- præsentere
- gaver
- tidligere
- pris
- prissætning
- Beskyttelse af personlige oplysninger
- Fortsæt
- behandle
- Behandlet
- Processer
- forarbejdning
- Profil
- prompter
- udsigten
- give
- forudsat
- udbyder
- giver
- bestemmelse
- Sweatre & trøjer
- sætte
- Python
- query
- hurtigt
- R
- rejse
- rækkevidde
- Raw
- RE
- Læs
- Læsning
- klar
- anbefaler
- anbefalinger
- reducere
- henvise
- region
- fast
- relaterede
- stole
- forblive
- resterne
- huske
- fjernelse
- udskiftning
- anmode
- anmodninger
- påkrævet
- ressource
- Ressourcer
- Svar
- svar
- reaktioner
- ansvarlige
- resultere
- Resultater
- afkast
- afkast
- genanvendelige
- stiv
- robust
- roller
- R
- RÆKKE
- Kør
- kører
- løber
- runtime
- s
- sagemaker
- samme
- prøve
- Gem
- gemt
- siger
- skalerbar
- Scale
- scenarie
- scenarier
- screenshots
- SDK
- Anden
- Secret
- Sektion
- sikkerhed
- se
- Vælg
- senior
- Serverless
- tjeneste
- Tjenester
- Session
- sæt
- indstilling
- indstillinger
- setup
- flere
- hun
- Shell
- butikker
- bør
- Vis
- viste
- vist
- Shows
- lukke
- Luk ned
- Simpelt
- enkelt
- Størrelse
- færdigheder
- slot
- spillemaskiner
- lille
- uddrag
- So
- Fodbold
- Alene
- løsninger
- Løsninger
- nogle
- Nogen
- noget
- tale
- spydspids
- særligt
- specialiseret
- specifikke
- hastighed
- tilbringe
- Stabilitet
- standard
- starte
- Starter
- Tilstand
- Statement
- Trin
- Steps
- opbevaret
- lagring
- Strategisk
- strategier
- strømline
- struktur
- kampe
- Studio
- væsentlig
- Succesfuld
- sådan
- sukker
- tyder
- foreslår
- opsummere
- RESUMÉ
- Understøttet
- sikker
- hurtigt
- systemet
- Systemer
- bord
- TAG
- tager
- Opgaver
- opgaver
- smag
- teknologisk
- Teknologier
- skabelon
- skabeloner
- terminal
- prøve
- tekst
- Tak
- at
- oplysninger
- deres
- Them
- derefter
- Der.
- derfor
- Disse
- de
- ting
- Tredje
- denne
- tre
- Gennem
- hele
- tid
- tidslinje
- til
- i dag
- nutidens
- værktøjer
- I alt
- traditionelle
- Kurser
- Transform
- rejse
- udløse
- problemer
- prøv
- forsøger
- to
- typen
- forstå
- forståelse
- enheder
- Uploading
- brug
- brug tilfælde
- anvendte
- Bruger
- bruger
- ved brug af
- nytte
- Ved hjælp af
- gyldig
- VALIDATE
- valideret
- validering
- Validator
- værdi
- Værdier
- variabel
- forskellige
- variere
- verificere
- udgave
- meget
- via
- visuel
- Voice
- ønsker
- ønsker
- var
- Vej..
- we
- web
- webservices
- GODT
- var
- Hvad
- hvornår
- som
- mens
- Hele
- bredere
- vilje
- vindue
- med
- inden for
- uden
- workflow
- arbejder
- virker
- ville
- skriver
- XML
- Ja
- Du
- Din
- dig selv
- zephyrnet
- Zip