Im erster Beitrag In dieser dreiteiligen Serie haben wir eine Lösung vorgestellt, die zeigt, wie Sie die Erkennung von Dokumentenmanipulationen und Betrug mithilfe von AWS-KI und maschinellen Lerndiensten (ML) für einen Anwendungsfall bei der Hypothekenübernahme automatisieren können.
Im zweiter Beitrag, diskutierten wir einen Ansatz zur Entwicklung eines Deep-Learning-basierten Computer-Vision-Modells zur Erkennung und Hervorhebung gefälschter Bilder bei der Hypothekenabsicherung.
In diesem Beitrag stellen wir eine Lösung zur Automatisierung der Betrugserkennung bei Hypothekendokumenten mithilfe eines ML-Modells und geschäftsdefinierter Regeln vor Amazon Fraud Detector.
Lösungsüberblick
Wir nutzen Amazon Fraud Detector, einen vollständig verwalteten Betrugserkennungsdienst, um die Erkennung betrügerischer Aktivitäten zu automatisieren. Mit dem Ziel, die Genauigkeit der Betrugsvorhersage durch die proaktive Identifizierung von Dokumentenbetrug zu verbessern und gleichzeitig die Genauigkeit des Underwritings zu verbessern, hilft Ihnen Amazon Fraud Detector dabei, individuelle Betrugserkennungsmodelle mithilfe eines historischen Datensatzes zu erstellen, individuelle Entscheidungslogik mithilfe der integrierten Regel-Engine zu konfigurieren und Risikoentscheidungen zu orchestrieren Arbeitsabläufe per Knopfdruck.
Das folgende Diagramm stellt jede Phase in einer Pipeline zur Erkennung von Hypothekendokumentbetrug dar.
Wir werden uns nun mit der dritten Komponente der Pipeline zur Erkennung von Hypothekendokumentbetrug befassen. Die Schritte zum Bereitstellen dieser Komponente lauten wie folgt:
- Laden Sie historische Daten hoch Amazon Simple Storage-Service (Amazon S3).
- Wählen Sie Ihre Optionen aus und trainieren Sie das Modell.
- Erstellen Sie das Modell.
- Überprüfen Sie die Modellleistung.
- Stellen Sie das Modell bereit.
- Erstellen Sie einen Detektor.
- Fügen Sie Regeln hinzu, um Modellbewertungen zu interpretieren.
- Stellen Sie die API bereit, um Vorhersagen zu treffen.
Voraussetzungen:
Die folgenden Schritte sind für diese Lösung erforderlich:
- Registrieren Sie sich für ein AWS-Konto.
- Richten Sie Berechtigungen ein, die Ihrem AWS-Konto den Zugriff auf Amazon Fraud Detector ermöglichen.
- Sammeln Sie die historischen Betrugsdaten, die zum Trainieren des Betrugserkennungsmodells verwendet werden sollen, mit den folgenden Anforderungen:
- Die Daten müssen im CSV-Format vorliegen und über Header verfügen.
- Es sind zwei Header erforderlich:
EVENT_TIMESTAMP
undEVENT_LABEL
. - Die Daten müssen sich in Amazon S3 in einer vom Service unterstützten AWS-Region befinden.
- Es wird dringend empfohlen, vor dem Training ein Datenprofil auszuführen (verwenden Sie eine automatisierter Datenprofiler für Amazon Fraud Detector).
- Es wird empfohlen, Daten von mindestens 3–6 Monaten zu verwenden.
- Es braucht Zeit, bis Betrug reif wird; Empfohlen werden Daten, die 1–3 Monate alt sind (nicht zu aktuell).
- Einige NULL-Werte und fehlende Werte sind akzeptabel (aber zu viele und die Variable wird ignoriert, wie in beschrieben Fehlender oder falscher Variablentyp).
Laden Sie historische Daten auf Amazon S3 hoch
Nachdem Sie über die benutzerdefinierten historischen Datendateien zum Trainieren eines Betrugserkennungsmodells verfügen, erstellen Sie einen S3-Bucket und laden die Daten in den Bucket hoch.
Wählen Sie Optionen aus und trainieren Sie das Modell
Der nächste Schritt beim Aufbau und Training eines Betrugserkennungsmodells besteht darin, die Geschäftsaktivität (Ereignis) zu definieren, die auf Betrug ausgewertet werden soll. Das Definieren eines Ereignisses umfasst das Festlegen der Variablen in Ihrem Datensatz, einer Entität, die das Ereignis initiiert, und der Bezeichnungen, die das Ereignis klassifizieren.
Führen Sie die folgenden Schritte aus, um ein Dokumentenbetrugsereignis zur Erkennung von Dokumentenbetrug zu definieren, das von der juristischen Person, die eine Hypothek beantragt, initiiert wird und sich auf einen neuen Hypothekenantrag bezieht:
- Wählen Sie in der Amazon Fraud Detector-Konsole aus Events im Navigationsbereich.
- Auswählen Erstellen.
- Der Details zum Ereignistyp, eingeben
docfraud
Geben Sie als Ereignistypnamen ein und geben Sie optional eine Beschreibung des Ereignisses ein. - Auswählen Entität erstellen.
- Auf dem Entität erstellen Seite, geben Sie ein
applicant_mortgage
als Namen des Entitätstyps und geben Sie optional eine Beschreibung des Entitätstyps ein. - Auswählen Entität erstellen.
- Der EreignisvariablenZ. Wählen Sie aus, wie die Variablen dieses Ereignisses definiert werden sollen, wählen Wählen Sie Variablen aus einem Trainingsdatensatz aus.
- Aussichten für IAM-Rolle, wählen Erstellen Sie eine IAM-Rolle.
- Auf dem Erstellen Sie eine IAM-Rolle Geben Sie auf der Seite den Namen des S3-Buckets mit Ihren Beispieldaten ein und wählen Sie Rolle erstellen.
- Aussichten für DatenortGeben Sie den Pfad zu Ihren historischen Daten ein. Dies ist der S3-URI-Pfad, den Sie nach dem Hochladen der historischen Daten gespeichert haben. Der Weg ist ähnlich
S3://your-bucket-name/example dataset filename.csv
. - Auswählen Hochladen.
Variablen stellen Datenelemente dar, die Sie in einer Betrugsvorhersage verwenden möchten. Diese Variablen können aus dem Ereignisdatensatz entnommen werden, den Sie für das Training Ihres Modells vorbereitet haben, aus den Risikobewertungsausgaben Ihres Amazon Fraud Detector-Modells oder aus Amazon Sage Maker Modelle. Weitere Informationen zu Variablen aus dem Ereignisdatensatz finden Sie unter Rufen Sie die Anforderungen für Ereignisdatensätze mit dem Datenmodell-Explorer ab.
- Der Etiketten – optionalZ. Etiketten, wählen Erstellen Sie neue Etiketten.
- Auf dem Etikett erstellen Seite, geben Sie ein
fraud
als der Name. Diese Bezeichnung entspricht dem Wert, der den betrügerischen Hypothekenantrag im Beispieldatensatz darstellt. - Auswählen Etikett erstellen.
- Erstellen Sie ein zweites Etikett mit dem Namen
legit
. Diese Bezeichnung entspricht dem Wert, der den legitimen Hypothekenantrag im Beispieldatensatz darstellt. - Auswählen Ereignistyp erstellen.
Der folgende Screenshot zeigt unsere Veranstaltungstypdetails.
Der folgende Screenshot zeigt unsere Variablen.
Der folgende Screenshot zeigt unsere Etiketten.
Modell erstellen
Nachdem Sie die historischen Daten geladen und die erforderlichen Optionen zum Trainieren eines Modells ausgewählt haben, führen Sie die folgenden Schritte aus, um ein Modell zu erstellen:
- Wählen Sie in der Amazon Fraud Detector-Konsole aus Modelle im Navigationsbereich.
- Auswählen Modell hinzufügenund dann wählen Modell erstellen.
- Auf dem Modelldetails definieren Seite, geben Sie ein
mortgage_fraud_detection_model
B. den Namen des Modells und eine optionale Beschreibung des Modells. - Aussichten für Modelltyp, wählen Sie das Einblicke in Online-Betrug Modell.
- Aussichten für Ereignistyp, wählen
docfraud
. Dies ist der Ereignistyp, den Sie zuvor erstellt haben. - Im Historische Ereignisdaten Abschnitt, geben Sie die folgenden Informationen an:
- Aussichten für Ereignisdatenquelle, wählen Ereignisdaten werden gespeichert und auf S3 (oder AFD) hochgeladen..
- Aussichten für IAM-Rolle, wählen Sie die Rolle aus, die Sie zuvor erstellt haben.
- Aussichten für Ort der TrainingsdatenGeben Sie den S3-URI-Pfad zu Ihrer Beispieldatendatei ein.
- Auswählen Weiter.
- Im Modelleingaben Lassen Sie im Abschnitt alle Kontrollkästchen aktiviert. Standardmäßig verwendet Amazon Fraud Detector alle Variablen aus Ihrem historischen Ereignisdatensatz als Modelleingaben.
- Im Label-Klassifizierung Abschnitt, für Betrugsetiketten, wählen
fraud
, was dem Wert entspricht, der betrügerische Ereignisse im Beispieldatensatz darstellt. - Aussichten für Legitime Etiketten, wählen
legit
, was dem Wert entspricht, der legitime Ereignisse im Beispieldatensatz darstellt. - Aussichten für Unbeschriftete Ereignisse, behalten Sie die Standardauswahl bei Unbeschriftete Ereignisse ignorieren für diesen Beispieldatensatz.
- Auswählen Weiter.
- Überprüfen Sie Ihre Einstellungen und wählen Sie dann aus Modell erstellen und trainieren.
Amazon Fraud Detector erstellt ein Modell und beginnt mit dem Training einer neuen Version des Modells.
Auf dem Modellversionen Seite, die Status Die Spalte zeigt den Status des Modelltrainings an. Das Modelltraining mit dem Beispieldatensatz dauert etwa 45 Minuten. Der Status ändert sich zu Bereit zur Bereitstellung nachdem das Modelltraining abgeschlossen ist.
Überprüfen Sie die Modellleistung
Nachdem das Modelltraining abgeschlossen ist, validiert Amazon Fraud Detector die Modellleistung anhand von 15 % Ihrer Daten, die nicht zum Trainieren des Modells verwendet wurden, und stellt verschiedene Tools, einschließlich eines Punkteverteilungsdiagramms und einer Verwirrungsmatrix, zur Bewertung der Modellleistung bereit.
Um die Leistung des Modells anzuzeigen, führen Sie die folgenden Schritte aus:
- Wählen Sie in der Amazon Fraud Detector-Konsole aus Modelle im Navigationsbereich.
- Wählen Sie das Modell aus, das Sie gerade trainiert haben (
sample_fraud_detection_model
), dann wähle 1.0. Dies ist die Version, die Amazon Fraud Detector von Ihrem Modell erstellt hat. - Überprüfen Sie die Modellleistung Gesamtpunktzahl und alle anderen Metriken, die Amazon Fraud Detector für dieses Modell generiert hat.
Stellen Sie das Modell bereit
Nachdem Sie die Leistungsmetriken Ihres trainierten Modells überprüft haben und bereit sind, damit Betrugsvorhersagen zu erstellen, können Sie das Modell bereitstellen:
- Wählen Sie in der Amazon Fraud Detector-Konsole aus Modelle im Navigationsbereich.
- Wählen Sie das Modell
sample_fraud_detection_model
und wählen Sie dann die spezifische Modellversion aus, die Sie bereitstellen möchten. Wählen Sie für diesen Beitrag 1.0. - Auf dem Modellversion Seite, auf der Aktionen Menü, wählen Sie Modellversion bereitstellen.
Auf dem Modellversionen Seite, die Status Zeigt den Status der Bereitstellung an. Der Status ändert sich zu Aktives wenn die Bereitstellung abgeschlossen ist. Dies zeigt an, dass die Modellversion aktiviert und zum Generieren von Betrugsvorhersagen verfügbar ist.
Erstellen Sie einen Detektor
Nachdem Sie das Modell bereitgestellt haben, erstellen Sie einen Detektor dafür docfraud
Ereignistyp und fügen Sie das bereitgestellte Modell hinzu. Führen Sie die folgenden Schritte aus:
- Wählen Sie in der Amazon Fraud Detector-Konsole aus Detektoren im Navigationsbereich.
- Auswählen Detektor erstellen.
- Auf dem Definieren Sie Detektordetails Seite, geben Sie ein
fraud_detector
für den Detektornamen und geben Sie optional eine Beschreibung für den Detektor ein, z. B. „Mein Musterbetrugsdetektor“. - Aussichten für Ereignistyp, wählen
docfraud
. Dies ist das Ereignis, das Sie zuvor erstellt haben. - Auswählen Weiter.
Fügen Sie Regeln zur Interpretation hinzu
Nachdem Sie das Amazon Fraud Detector-Modell erstellt haben, können Sie die Amazon Fraud Detector-Konsole oder die Anwendungsprogrammierschnittstelle (API) verwenden, um geschäftsgesteuerte Regeln zu definieren (Bedingungen, die Amazon Fraud Detector mitteilen, wie die Modellleistungsbewertung bei der Auswertung zur Betrugsvorhersage zu interpretieren ist). . Zur Abstimmung mit dem Hypotheken-Zeichnungsprozess können Sie Regeln erstellen, um Hypothekenanträge entsprechend der damit verbundenen Risikostufen zu kennzeichnen und als Betrug, legitim oder wenn eine Überprüfung erforderlich ist, zuzuordnen.
Beispielsweise möchten Sie möglicherweise Hypothekenanträge mit hohem Betrugsrisiko automatisch ablehnen und dabei Parameter wie manipulierte Bilder der erforderlichen Dokumente, fehlende Dokumente wie Gehaltsabrechnungen oder Einkommensanforderungen usw. berücksichtigen. Andererseits benötigen bestimmte Anwendungen möglicherweise einen Menschen, der auf dem Laufenden ist, um effektive Entscheidungen zu treffen.
Amazon Fraud Detector verwendet den aggregierten Wert (berechnet durch Kombination einer Reihe von Rohvariablen) und den Rohwert (den für die Variable bereitgestellten Wert), um die Modellbewertungen zu generieren. Die Modellwerte können zwischen 0 und 1000 liegen, wobei 0 ein geringes Betrugsrisiko und 1000 ein hohes Betrugsrisiko anzeigt.
Führen Sie die folgenden Schritte aus, um die entsprechenden geschäftsgesteuerten Regeln hinzuzufügen:
- Wählen Sie in der Amazon Fraud Detector-Konsole aus Regeln im Navigationsbereich.
- Auswählen Regel hinzufügen.
- Im Definieren Sie eine Regel Geben Sie im Abschnitt „Betrug“ als Regelnamen ein und geben Sie optional eine Beschreibung ein.
- Aussichten für AusdruckGeben Sie den Regelausdruck mit der vereinfachten Regelausdruckssprache von Amazon Fraud Detector ein
$docdraud_insightscore >= 900
- Aussichten für Outcomes, wählen Erstellen Sie ein neues Ergebnis (Ein Ergebnis ist das Ergebnis einer Betrugsvorhersage und wird zurückgegeben, wenn die Regel während einer Auswertung übereinstimmt.)
- Im Erstellen Sie ein neues Ergebnis Geben Sie im Abschnitt „Ablehnen“ als Ergebnisnamen und optional eine Beschreibung ein.
- Auswählen Ergebnis speichern
- Auswählen Regel hinzufügen um die Regelüberprüfungsprüfung auszuführen und die Regel zu speichern.
- Nach der Erstellung führt Amazon Fraud Detector Folgendes aus
high_risk
Regel zur Verwendung in Ihrem Detektor verfügbar.- Regelname:
fraud
- Ergebnis:
decline
- Expression:
$docdraud_insightscore >= 900
- Regelname:
- Auswählen Fügen Sie eine weitere Regel hinzuund wählen Sie dann die Regel erstellen Klicken Sie auf die Registerkarte, um zwei weitere Regeln wie folgt hinzuzufügen:
- Erstellen Sie
low_risk
Regel mit folgenden Angaben:- Regelname:
legit
- Ergebnis:
approve
- Expression:
$docdraud_insightscore <= 500
- Regelname:
- Erstellen Sie
medium_risk
Regel mit folgenden Angaben:- Regelname:
review needed
- Ergebnis:
review
- Expression:
$docdraud_insightscore <= 900 and docdraud_insightscore >=500
- Regelname:
Bei diesen Werten handelt es sich um Beispiele, die für diesen Beitrag verwendet werden. Wenn Sie Regeln für Ihren eigenen Detektor erstellen, verwenden Sie Werte, die für Ihr Modell und Ihren Anwendungsfall geeignet sind.
- Nachdem Sie alle drei Regeln erstellt haben, wählen Sie Weiter.
Stellen Sie die API bereit, um Vorhersagen zu treffen
Nachdem die regelbasierten Aktionen ausgelöst wurden, können Sie eine Amazon Fraud Detector-API bereitstellen, um die Kreditanträge zu bewerten und potenziellen Betrug vorherzusagen. Die Vorhersagen können stapelweise oder in Echtzeit durchgeführt werden.
Integrieren Sie Ihr SageMaker-Modell (optional)
Wenn Sie bereits über ein Betrugserkennungsmodell in SageMaker verfügen, können Sie es für Ihre bevorzugten Ergebnisse in Amazon Fraud Detector integrieren.
Dies bedeutet, dass Sie in Ihrer Anwendung sowohl SageMaker- als auch Amazon Fraud Detector-Modelle verwenden können, um verschiedene Arten von Betrug zu erkennen. Beispielsweise kann Ihre Anwendung das Amazon Fraud Detector-Modell verwenden, um das Betrugsrisiko von Kundenkonten zu bewerten, und gleichzeitig Ihr PageMaker-Modell verwenden, um das Risiko einer Kontokompromittierung zu prüfen.
Aufräumen
Um künftige Kosten zu vermeiden, löschen Sie die für die Lösung erstellten Ressourcen, einschließlich der folgenden:
- S3-Eimer
- Amazon Fraud Detector-Endpunkt
Zusammenfassung
Dieser Beitrag führte Sie durch eine automatisierte und maßgeschneiderte Lösung zur Erkennung von Betrug im Hypothekenzeichnungsprozess. Mit dieser Lösung können Sie betrügerische Versuche näher am Zeitpunkt des Betrugsereignisses erkennen und Underwritern einen effektiven Entscheidungsprozess ermöglichen. Darüber hinaus ermöglicht Ihnen die Flexibilität der Implementierung die Definition geschäftsorientierter Regeln zur Klassifizierung und Erfassung betrügerischer Versuche, die auf spezifische Geschäftsanforderungen zugeschnitten sind.
Weitere Informationen zum Aufbau einer umfassenden Betrugserkennungslösung für Hypothekendokumente finden Sie unter Teil 1 und Teil 2 in dieser Serie.
Über die Autoren
Anup Ravindranath ist Senior Solutions Architect bei Amazon Web Services (AWS) mit Sitz in Toronto, Kanada und arbeitet mit Finanzdienstleistungsorganisationen zusammen. Er hilft Kunden dabei, ihre Unternehmen zu transformieren und Innovationen in der Cloud voranzutreiben.
Vinnie Saini ist Senior Solutions Architect bei Amazon Web Services (AWS) mit Sitz in Toronto, Kanada. Sie hat Finanzdienstleistungskunden bei der Umstellung auf die Cloud unterstützt, mit KI- und ML-gesteuerten Lösungen, die auf starken Grundpfeilern architektonischer Exzellenz basieren.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
- PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
- PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/automate-mortgage-document-fraud-detection-using-an-ml-model-and-business-defined-rules-with-amazon-fraud-detector-part-3/
- :hast
- :Ist
- :nicht
- :Wo
- $UP
- 100
- 15%
- 7
- 900
- a
- Über Uns
- akzeptabel
- Zugang
- Nach
- Konto
- Trading Konten
- Aktionen
- Aktivitäten
- Aktivität
- hinzufügen
- Zusätzliche
- zusätzlich
- Nach der
- AI
- ausrichten
- Alle
- erlaubt
- bereits
- Amazon
- Amazon Fraud Detector
- Amazon Web Services
- Amazon Web Services (AWS)
- an
- und
- Ein anderer
- jedem
- Bienen
- Anwendung
- Anwendungen
- Ansatz
- angemessen
- ca.
- architektonisch
- Architektur
- SIND
- AS
- beurteilen
- damit verbundenen
- At
- Versuche
- automatisieren
- Automatisiert
- Im Prinzip so, wie Sie es von Google Maps kennen.
- verfügbar
- vermeiden
- AWS
- basierend
- BE
- war
- Bevor
- beginnt
- unten
- zwischen
- beide
- bauen
- Building
- eingebaut
- Geschäft
- Unternehmen
- aber
- Taste im nun erscheinenden Bestätigungsfenster nun wieder los.
- by
- berechnet
- namens
- CAN
- Kanada
- Erfassung
- Häuser
- sicher
- Änderungen
- Gebühren
- Chart
- aus der Ferne überprüfen
- geprüft
- Auswählen
- Einstufung
- klassifizieren
- klicken Sie auf
- näher
- Cloud
- Kolonne
- Vereinigung
- abschließen
- Komponente
- Kompromiss
- Computer
- Computer Vision
- begrifflich
- Bedingungen
- Verwirrung
- Berücksichtigung
- Konsul (Console)
- entspricht
- Abdeckung
- erstellen
- erstellt
- schafft
- Original
- Kunde
- Kunden
- maßgeschneiderte
- technische Daten
- Entscheidung
- Decision Making
- Entscheidungen
- Ablehnen
- tief
- Standard
- definieren
- Definition
- zeigt
- einsetzen
- Einsatz
- Einsatz
- Beschreibung
- Details
- entdecken
- Entdeckung
- entwickeln
- Diagramm
- anders
- diskutiert
- Verteilung
- Dokument
- Unterlagen
- angetrieben
- im
- jeder
- Früher
- Effektiv
- Elemente
- End-to-End
- Motor
- Enter
- Einheit
- bewerten
- Auswerten
- Auswertung
- Event
- Veranstaltungen
- Beispiel
- Beispiele
- Exzellenz
- Ausdruck
- Reichen Sie das
- Mappen
- Revolution
- Finanzdienstleistungen
- Flexibilität
- Folgende
- folgt
- Aussichten für
- gefälscht
- Format
- Gründen
- Betrug
- Betrugserkennung
- betrügerisch
- für
- voll
- Zukunft
- erzeugen
- erzeugt
- Pflege
- Haben
- he
- Überschriften
- Unternehmen
- hilft
- GUTE
- Hervorheben
- hoch
- historisch
- Ultraschall
- Hilfe
- http
- HTTPS
- human
- Identifizierung
- if
- Bilder
- Implementierung
- zu unterstützen,
- Verbesserung
- in
- Einschließlich
- Einkommen
- unrichtig
- zeigt
- Information
- initiiert
- wir innovieren
- Eingänge
- integrieren
- Schnittstelle
- beinhaltet
- IT
- jpg
- nur
- Behalten
- Label
- Etiketten
- gelegt
- Sprache
- lernen
- am wenigsten
- Verlassen
- legitim
- Darlehen
- Cholesterinspiegel
- Gefällt mir
- Logik
- Sneaker
- Maschine
- Maschinelles Lernen
- um
- MACHT
- Making
- verwaltet
- viele
- Streichhölzer
- Matrix
- reifen
- Kann..
- Metrik
- Minuten
- Kommt demnächst...
- ML
- Modell
- für
- Monat
- mehr
- Darlehen
- sollen
- my
- Name
- Menü
- Need
- erforderlich
- Bedürfnisse
- Neu
- weiter
- jetzt an
- Ziel
- Auftreten
- of
- Alt
- on
- Optionen
- or
- Organisationen
- Andere
- UNSERE
- Ergebnis
- Ausgänge
- Gesamt-
- besitzen
- Seite
- Brot
- Parameter
- Teil
- Weg
- Leistung
- durchgeführt
- Berechtigungen
- Säulen
- Pipeline
- Plato
- Datenintelligenz von Plato
- PlatoData
- Post
- Potenzial
- vorhersagen
- Prognose
- Prognosen
- bevorzugt
- bereit
- Voraussetzung
- Gegenwart
- vorgeführt
- Prozessdefinierung
- Profil
- Programmierung
- die
- vorausgesetzt
- bietet
- Roh
- bereit
- echt
- Echtzeit
- kürzlich
- empfohlen
- siehe
- Region
- vertreten
- representiert
- falls angefordert
- Voraussetzungen:
- Downloads
- diejenigen
- Folge
- Die Ergebnisse
- Überprüfen
- bewertet
- Risiko
- Rollen
- Regel
- Ohne eine erfahrene Medienplanung zur Festlegung von Regeln und Strategien beschleunigt der programmatische Medieneinkauf einfach die Rate der verschwenderischen Ausgaben.
- Führen Sie
- sagemaker
- Sample
- Speichern
- Gerettet
- Skalieren
- Ergebnis
- Zweite
- Abschnitt
- sehen
- ausgewählt
- Auswahl
- Senior
- Modellreihe
- Lösungen
- kompensieren
- Einstellung
- Einstellungen
- sie
- Konzerte
- ähnlich
- Einfacher
- gleichzeitig
- So
- Lösung
- Lösungen
- spezifisch
- Stufe
- Status
- Schritt
- Shritte
- Lagerung
- gelagert
- stark
- so
- Unterstützte
- gemacht
- nimmt
- erzählen
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- ihr
- dann
- Diese
- Dritte
- fehlen uns die Worte.
- nach drei
- Durch
- Zeit
- zu
- auch
- Werkzeuge
- toronto
- gegenüber
- Training
- trainiert
- Ausbildung
- Transformieren
- ausgelöst
- tippe
- Typen
- Underwriting-
- hochgeladen
- Uploading
- -
- Anwendungsfall
- benutzt
- verwendet
- Verwendung von
- Bestätigung
- Wert
- Werte
- Variable
- verschiedene
- Version
- Versionen
- Anzeigen
- Seh-
- ging
- wollen
- wurde
- we
- Netz
- Web-Services
- wann
- welche
- während
- werden wir
- mit
- Workflows
- arbeiten,
- Du
- Ihr
- Zephyrnet