Dieser Beitrag wurde von Daryl Martis, Director of Product, Salesforce Einstein AI, mitverfasst.
Dies ist der dritte Beitrag in einer Reihe, in der die Integration von Salesforce Data Cloud und diskutiert wird Amazon Sage Maker.
In Teil 1 und Teil 2zeigen wir, wie die Integration von Salesforce Data Cloud und Einstein Studio mit SageMaker es Unternehmen ermöglicht, mit SageMaker sicher auf ihre Salesforce-Daten zuzugreifen und seine Tools zum Erstellen, Trainieren und Bereitstellen von Modellen auf auf SageMaker gehosteten Endpunkten zu verwenden. SageMaker-Endpunkte können in der Salesforce Data Cloud registriert werden, um Vorhersagen in Salesforce zu aktivieren.
In diesem Beitrag zeigen wir, wie Geschäftsanalysten und Citizen Data Scientists Modelle für maschinelles Lernen (ML) ohne Code erstellen können Amazon SageMaker-Leinwand und stellen Sie trainierte Modelle für die Integration mit Salesforce Einstein Studio bereit, um leistungsstarke Geschäftsanwendungen zu erstellen. SageMaker Canvas bietet ein No-Code-Erlebnis für den Zugriff auf Daten aus der Salesforce Data Cloud und das Erstellen, Testen und Bereitstellen von Modellen mit nur wenigen Klicks. Mit SageMaker Canvas können Sie Ihre Vorhersagen auch anhand der Feature-Wichtigkeit und SHAP-Werte verstehen, sodass Sie die von ML-Modellen getroffenen Vorhersagen ganz einfach erklären können.
SageMaker-Leinwand
SageMaker Canvas ermöglicht es Geschäftsanalysten und Data-Science-Teams, ML- und generative KI-Modelle zu erstellen und zu nutzen, ohne eine einzige Codezeile schreiben zu müssen. SageMaker Canvas bietet eine visuelle Point-and-Click-Schnittstelle zum Generieren genauer ML-Vorhersagen für Klassifizierung, Regression, Prognose, Verarbeitung natürlicher Sprache (NLP) und Computer Vision (CV). Darüber hinaus können Sie auf Fundamentmodelle (FMs) zugreifen und diese auswerten Amazonas Grundgestein oder öffentliche FMs von Amazon SageMaker-JumpStart zur Inhaltsgenerierung, Textextraktion und Textzusammenfassung zur Unterstützung generativer KI-Lösungen. SageMaker Canvas ermöglicht es Ihnen Bringen Sie überall gebaute ML-Modelle mit und generieren Sie Vorhersagen direkt in SageMaker Canvas.
Salesforce Data Cloud und Einstein Studio
Salesforce Data Cloud ist eine Datenplattform, die Unternehmen von jedem Berührungspunkt aus Echtzeitaktualisierungen ihrer Kundendaten bietet.
Einstein Studio ist ein Gateway zu KI-Tools in der Salesforce Data Cloud. Mit Einstein Studio können Administratoren und Datenwissenschaftler mühelos Modelle mit wenigen Klicks oder mithilfe von Code erstellen. Die Bring-Your-Own-Model-Erfahrung (BYOM) von Einstein Studio bietet die Möglichkeit, benutzerdefinierte oder generative KI-Modelle von externen Plattformen wie SageMaker mit der Salesforce Data Cloud zu verbinden.
Lösungsüberblick
Um zu demonstrieren, wie Sie mithilfe von SageMaker Canvas ML-Modelle mithilfe von Daten in der Salesforce Data Cloud erstellen können, erstellen wir ein Vorhersagemodell zur Empfehlung eines Produkts. Dieses Modell nutzt die in Salesforce Data Cloud gespeicherten Funktionen wie Kundendemografie, Marketing-Engagements und Kaufhistorie. Das Produktempfehlungsmodell wird mithilfe der No-Code-Benutzeroberfläche SageMaker Canvas unter Verwendung von Daten in der Salesforce Data Cloud erstellt und bereitgestellt.
Wir verwenden Folgendes Beispieldatensatz gespeichert in Amazon Simple Storage-Service (Amazon S3). Informationen zur Verwendung dieses Datensatzes in Salesforce Data Cloud finden Sie unter Erstellen Sie einen Amazon S3-Datenstream in der Data Cloud. Zur Erstellung des Modells werden folgende Attribute benötigt:
- Clubmitglied – Wenn der Kunde Clubmitglied ist
- Kampagnen (Campaign) – Die Kampagne, an der der Kunde teilnimmt
- Bundesstaat – Der Staat oder die Provinz, in der der Kunde seinen Wohnsitz hat
- Monat – Der Monat des Kaufs
- Fallzahl – Die Anzahl der vom Kunden angesprochenen Fälle
- Fallart Rückgabe – Ob der Kunde innerhalb des letzten Jahres ein Produkt zurückgegeben hat
- Versandart: Beschädigt – Ob der Kunde im letzten Jahr Sendungen beschädigt hat
- Engagement-Bewertung – Der Grad des Engagements des Kunden (Reaktion auf Mailing-Kampagnen, Anmeldungen im Online-Shop usw.)
- Tenure – Die Dauer der Kundenbeziehung mit dem Unternehmen
- Klicks (Clicks) – Die durchschnittliche Anzahl der Klicks, die der Kunde innerhalb einer Woche vor dem Kauf getätigt hat
- Besuchte Seiten – Die durchschnittliche Anzahl der Seiten, die der Kunde innerhalb einer Woche vor dem Kauf besucht hat
- Produkt gekauft – Das tatsächlich gekaufte Produkt
Die folgenden Schritte geben einen Überblick darüber, wie Sie den in SageMaker Canvas gestarteten Salesforce Data Cloud-Connector verwenden, um auf Ihre Unternehmensdaten zuzugreifen und ein Vorhersagemodell zu erstellen:
- Konfigurieren Sie die mit Salesforce verbundene Anwendung, um die SageMaker Canvas-Domäne zu registrieren.
- Richten Sie OAuth für Salesforce Data Cloud in SageMaker Canvas ein.
- Stellen Sie über den integrierten SageMaker Canvas Salesforce Data Cloud-Connector eine Verbindung zu Salesforce Data Cloud-Daten her und importieren Sie den Datensatz.
- Erstellen und trainieren Sie Modelle in SageMaker Canvas.
- Stellen Sie das Modell in SageMaker Canvas bereit und treffen Sie Vorhersagen.
- Stellen Sie eine bereit Amazon API-Gateway Endpunkt als Front-End-Verbindung zum SageMaker-Inferenzendpunkt.
- Registrieren Sie den API Gateway-Endpunkt in Einstein Studio. Anweisungen finden Sie unter Bringen Sie Ihre eigenen KI-Modelle in die Data Cloud.
Das folgende Diagramm zeigt die Lösungsarchitektur.
Voraussetzungen:
Bevor Sie beginnen, führen Sie die folgenden erforderlichen Schritte aus, um eine SageMaker-Domäne zu erstellen und SageMaker Canvas zu aktivieren:
- Erstellen Sie ein Amazon SageMaker-Studio Domain. Anweisungen finden Sie unter Integrieren in die Amazon SageMaker-Domäne.
- Notieren Sie sich die Domänen-ID und die Ausführungsrolle, die erstellt und von Ihrem Benutzerprofil verwendet werden. In den folgenden Schritten fügen Sie dieser Rolle Berechtigungen hinzu.
Der folgende Screenshot zeigt die Domain, die wir für diesen Beitrag erstellt haben.
- Gehen Sie als Nächstes zum Benutzerprofil und wählen Sie Bearbeiten.
- Navigieren Sie zu der Amazon SageMaker Canvas-Einstellungen Abschnitt und wählen Sie Aktivieren Sie Canvas-Basisberechtigungen.
- Auswählen Ermöglichen Sie die direkte Bereitstellung von Canvas-Modellen und Aktivieren Sie Modellregistrierungsberechtigungen für alle Benutzer.
Dadurch kann SageMaker Canvas Modelle auf Endpunkten auf der SageMaker-Konsole bereitstellen. Diese Einstellungen können auf Domänen- oder Benutzerprofilebene konfiguriert werden. Benutzerprofileinstellungen haben Vorrang vor Domäneneinstellungen.
Erstellen oder aktualisieren Sie die mit Salesforce verbundene Anwendung
Als Nächstes erstellen wir eine mit Salesforce verbundene Anwendung, um den OAuth-Fluss von SageMaker Canvas zur Salesforce Data Cloud zu ermöglichen. Führen Sie die folgenden Schritte aus:
- Melden Sie sich bei Salesforce an und navigieren Sie zu Einrichtung.
- Suchen Sie nach HEIF-Bilderweiterungen. App Manager und erstellen Sie eine neue verbundene App.
- Stellen Sie die folgenden Eingaben bereit:
- Aussichten für Name der verbundenen App, Geben Sie einen Namen ein.
- Aussichten für API-Name, belassen Sie es als Standard (es wird automatisch ausgefüllt).
- Aussichten für Kontakt E-MailGeben Sie Ihre Kontakt-E-Mail-Adresse ein.
- Auswählen OAuth-Einstellungen aktivieren.
- Aussichten für Rückruf-URL, eingeben
https://<domain-id>.studio.<region>.sagemaker.aws/canvas/default/lab
und geben Sie die Domänen-ID und die Region Ihrer SageMaker-Domäne an.
- Konfigurieren Sie die folgenden Bereiche in Ihrer verbundenen App:
- Benutzerdaten über APIs verwalten (
api
). - Anfragen jederzeit ausführen (
refresh_token
,offline_access
). - Führen Sie ANSI-SQL-Abfragen für Salesforce Data Cloud-Daten durch (Data
Cloud_query_api
). - Data Cloud-Profildaten verwalten (
Data Cloud_profile_api
). - Greifen Sie auf den Identitäts-URL-Dienst zu (
id
,profile
,email
,address
,phone
). - Greifen Sie auf eindeutige Benutzerkennungen zu (
openid
).
- Benutzerdaten über APIs verwalten (
- Richten Sie Ihre verbundene App ein IP-Entspannung Einstellung IP-Beschränkungen lockern.
Konfigurieren Sie OAuth-Einstellungen für den Salesforce Data Cloud-Connector
SageMaker Canvas verwendet AWS Secrets Manager um Verbindungsinformationen aus der mit Salesforce verbundenen Anwendung sicher zu speichern. Mit SageMaker Canvas können Administratoren OAuth-Einstellungen für ein einzelnes Benutzerprofil oder auf Domänenebene konfigurieren. Beachten Sie, dass Sie ein Geheimnis sowohl zu einer Domäne als auch zu einem Benutzerprofil hinzufügen können, SageMaker Canvas jedoch zuerst im Benutzerprofil nach Geheimnissen sucht.
Führen Sie die folgenden Schritte aus, um Ihre OAuth-Einstellungen zu konfigurieren:
- Navigieren Sie zum Bearbeiten der Domänen- oder Benutzerprofileinstellungen in der SageMaker-Konsole.
- Auswählen Canvas-Einstellungen im Navigationsbereich.
- Der OAuth-EinstellungenZ. Datenquelle, wählen Salesforce-Daten-Cloud.
- Aussichten für Geheimes Setupkönnen Sie ein neues Geheimnis erstellen oder ein vorhandenes Geheimnis verwenden. Für dieses Beispiel erstellen wir ein neues Geheimnis und geben die Kunden-ID und das Kundengeheimnis aus der mit Salesforce verbundenen Anwendung ein.
Weitere Informationen zum Aktivieren von OAuth in SageMaker Canvas finden Sie unter Richten Sie OAuth für Salesforce Data Cloud ein.
Damit ist die Einrichtung abgeschlossen, um den Datenzugriff von Salesforce Data Cloud auf SageMaker Canvas zu ermöglichen, um KI- und ML-Modelle zu erstellen.
Importieren Sie Daten aus der Salesforce Data Cloud
Führen Sie die folgenden Schritte aus, um Ihre Daten zu importieren:
- Wählen Sie aus dem Benutzerprofil, das Sie mit Ihrer SageMaker-Domäne erstellt haben Einführung und wählen Sie Canvas.
Wenn Sie zum ersten Mal auf Ihre Canvas-App zugreifen, dauert die Erstellung etwa 10 Minuten.
- Auswählen
Daten-Wrangler im Navigationsbereich.
- Auf dem Erstellen Menü, wählen Sie Tabellarisch um einen tabellarischen Datensatz zu erstellen.
- Benennen Sie den Datensatz und wählen Sie aus Erstellen.
- Aussichten für Datenquelle, wählen Salesforce-Daten-Cloud und Verbindung hinzufügen um das Data Lake-Objekt zu importieren.
Wenn Sie zuvor eine Verbindung zu Salesforce Data Cloud konfiguriert haben, wird eine Option angezeigt, mit der Sie diese Verbindung verwenden können, anstatt eine neue zu erstellen.
- Geben Sie einen Namen für eine neue Salesforce Data Cloud-Verbindung ein und wählen Sie Verbindung hinzufügen.
Der Vorgang dauert einige Minuten.
- Sie werden zum. Weitergeleitet Salesforce-Anmeldung Seite, um die Verbindung zu autorisieren.
Nach erfolgreicher Anmeldung wird die Anfrage mit der Auflistung der Data Lake-Objekte zurück an SageMaker Canvas weitergeleitet.
- Wählen Sie den über Amazon S3 hochgeladenen Datensatz aus, der die Funktionen für das Modelltraining enthält.
- Ziehen Sie die Datei per Drag-and-Drop und wählen Sie dann aus In SQL bearbeiten.
Salesforce fügt eine hinzu “__c
„ auf alle Data Cloud-Objektfelder. Gemäß der SageMaker Canvas-Namenskonvention gilt: ”__“
ist in den Feldnamen nicht erlaubt.
- Bearbeiten Sie die SQL, um die Spalten umzubenennen und Metadaten zu löschen, die für das Modelltraining nicht relevant sind. Ersetzen Sie den Tabellennamen durch Ihren Objektnamen.
- Auswählen
Führen Sie SQL aus und dann Datensatz erstellen.
- Wählen Sie den Datensatz aus und wählen Sie Erstellen Sie ein Modell.
- Um ein Modell zur Vorhersage einer Produktempfehlung zu erstellen, geben Sie einen Modellnamen an und wählen Sie Vorausschauende Analyse für Problemtyp, und wähle Erstellen.
Erstellen und trainieren Sie das Modell
Führen Sie die folgenden Schritte aus, um Ihr Modell zu erstellen und zu trainieren:
- Nachdem das Modell gestartet wurde, legen Sie die Zielspalte auf fest
product_purchased
.
SageMaker Canvas zeigt wichtige Statistiken und Korrelationen jeder Spalte zur Zielspalte an. SageMaker Canvas bietet Ihnen Tools zur Vorschau Ihres Modells und zur Validierung von Daten, bevor Sie mit der Erstellung beginnen.
- Verwenden Sie die Vorschaumodellfunktion, um die Genauigkeit Ihres Modells zu sehen und Ihren Datensatz zu validieren, um Probleme beim Erstellen des Modells zu vermeiden.
- Nachdem Sie Ihre Daten überprüft und etwaige Änderungen an Ihrem Datensatz vorgenommen haben, wählen Sie Ihren Build-Typ aus. Der Schneller Aufbau Diese Option ist möglicherweise schneller, verwendet jedoch nur eine Teilmenge Ihrer Daten zum Erstellen eines Modells. Für den Zweck dieses Beitrags haben wir ausgewählt Standardaufbau .
Die Fertigstellung eines Standardaufbaus kann 2 bis 4 Stunden dauern.
SageMaker Canvas verarbeitet automatisch fehlende Werte in Ihrem Datensatz, während das Modell erstellt wird. Es werden auch andere Datenvorbereitungstransformationen angewendet, damit Sie die Daten für ML vorbereiten können.
- Nachdem mit der Erstellung Ihres Modells begonnen wurde, können Sie die Seite verlassen.
Wenn das Modell als angezeigt wird Bereit auf die Meine Modelle Seite, es ist bereit für Analysen und Vorhersagen.
- Nachdem das Modell erstellt wurde, navigieren Sie zu My für, wählen Anzeigen , um das von Ihnen erstellte Modell anzuzeigen, und wählen Sie die neueste Version aus.
- Gehen Sie zum Analysieren Klicken Sie auf die Registerkarte, um die Auswirkung der einzelnen Funktionen auf die Vorhersage anzuzeigen.
- Weitere Informationen zu den Vorhersagen des Modells finden Sie unter Scoring Tab.
- Auswählen
Vorhersagen um eine Produktvorhersage zu initiieren.
Stellen Sie das Modell bereit und treffen Sie Vorhersagen
Führen Sie die folgenden Schritte aus, um Ihr Modell bereitzustellen und Vorhersagen zu treffen:
- Sie können wählen, ob Sie Batch- oder Einzelvorhersagen erstellen möchten. Für den Zweck dieses Beitrags wählen wir Einzelne Vorhersage.
Wenn Sie wählen Einzelne Vorhersage, SageMaker Canvas zeigt die Funktionen an, für die Sie Eingaben machen können.
- Sie können die Werte ändern, indem Sie wählen Aktualisierung und sehen Sie sich die Echtzeitvorhersage an.
Die Genauigkeit des Modells sowie die Auswirkung jedes Features auf diese spezifische Vorhersage werden angezeigt.
- Um das Modell bereitzustellen, geben Sie einen Bereitstellungsnamen an, wählen Sie einen Instanztyp und die Instanzanzahl aus und wählen Sie Deploy.
Die Modellbereitstellung dauert einige Minuten.
Der Modellstatus wird aktualisiert auf Im Dienst nachdem die Bereitstellung erfolgreich war.
SageMaker Canvas bietet eine Option zum Testen der Bereitstellung.
- Auswählen
Details anzeigen.
Das Details Die Registerkarte enthält die Details zum Modellendpunkt. Instanztyp, Anzahl, Eingabeformat, Antwortinhalt und Endpunkt sind einige der wichtigsten angezeigten Details.
- Auswählen
Testbereitstellung um den bereitgestellten Endpunkt zu testen.
Ähnlich wie bei einer Einzelvorhersage zeigt die Ansicht die Eingabemerkmale an und bietet eine Option zum Aktualisieren und Testen des Endpunkts in Echtzeit.
Die neue Vorhersage wird zusammen mit dem Ergebnis des Endpunktaufrufs an den Benutzer zurückgegeben.
Erstellen Sie eine API, um SageMaker Endpoint verfügbar zu machen
Um Vorhersagen zu generieren, die Geschäftsanwendungen in Salesforce unterstützen, müssen Sie den von Ihrer SageMaker Canvas-Bereitstellung erstellten SageMaker-Inferenzendpunkt über API Gateway verfügbar machen und ihn in Salesforce Einstein registrieren.
Die Anfrage- und Antwortformate variieren zwischen Salesforce Einstein und dem SageMaker-Inferenzendpunkt. Sie können entweder API Gateway verwenden, um die Transformation durchzuführen, oder verwenden AWS Lambda um die Anfrage zu transformieren und die Antwort abzubilden. Beziehen auf Rufen Sie einen Amazon SageMaker-Modellendpunkt mit Amazon API Gateway und AWS Lambda auf um einen SageMaker-Endpunkt über Lambda und API Gateway verfügbar zu machen.
Der folgende Codeausschnitt ist eine Lambda-Funktion zum Transformieren der Anfrage und der Antwort
Aktualisieren Sie die endpoint
und prediction_label
Werte in der Lambda-Funktion basierend auf Ihrer Konfiguration.
- Fügen Sie eine Umgebungsvariable hinzu
SAGEMAKER_ENDPOINT_NAME
um den SageMaker-Inferenzendpunkt zu erfassen. - Legen Sie die Vorhersagebezeichnung so fest, dass sie mit dem in Einstein Studio registrierten Modellausgabe-JSON-Schlüssel übereinstimmt.
Das Standard-Timeout für eine Lambda-Funktion beträgt 3 Sekunden. Abhängig von der Eingabegröße der Vorhersageanfrage kann die Antwort der SageMaker-Echtzeit-Inferenz-API mehr als 3 Sekunden dauern.
- Erhöhen Sie den Timeout der Lambda-Funktion, halten Sie ihn jedoch unter dem Standardzeitlimit für die API-Gateway-Integration, also 29 Sekunden.
Registrieren Sie das Modell in Salesforce Einstein Studio
Informationen zum Registrieren des API Gateway-Endpunkts in Einstein Studio finden Sie unter Bringen Sie Ihre eigenen KI-Modelle in die Data Cloud.
Zusammenfassung
In diesem Beitrag haben wir erklärt, wie Sie mit SageMaker Canvas eine Verbindung zur Salesforce Data Cloud herstellen und Vorhersagen durch automatisierte ML-Funktionen generieren können, ohne eine einzige Codezeile schreiben zu müssen. Wir haben die Modellerstellungsfunktion von SageMaker Canvas demonstriert, mit der Sie eine frühe Vorschau Ihrer Modellleistung erstellen können, bevor Sie den Standard-Build ausführen, der das Modell mit dem vollständigen Datensatz trainiert. Wir haben auch Aktivitäten nach der Modellerstellung vorgestellt, wie die Verwendung der Schnittstelle für einzelne Vorhersagen in SageMaker Canvas und das Verstehen Ihrer Vorhersagen anhand der Feature-Wichtigkeit. Als Nächstes haben wir den in SageMaker Canvas erstellten SageMaker-Endpunkt verwendet und ihn als API verfügbar gemacht, damit Sie ihn in Salesforce Einstein Studio integrieren und leistungsstarke Salesforce-Anwendungen erstellen können.
In einem kommenden Beitrag zeigen wir Ihnen, wie Sie Daten aus der Salesforce Data Cloud in SageMaker Canvas verwenden, um Dateneinblicke und -aufbereitung mithilfe einer visuellen Benutzeroberfläche und einfachen Eingabeaufforderungen in natürlicher Sprache noch einfacher zu gestalten.
Informationen zu den ersten Schritten mit SageMaker Canvas finden Sie unter Eintauchtag in SageMaker Canvas und beziehen sich auf Erste Schritte mit Amazon SageMaker Canvas.
Über die Autoren
Daryl Martis ist Produktdirektor für Einstein Studio bei Salesforce Data Cloud. Er verfügt über mehr als 10 Jahre Erfahrung in der Planung, dem Aufbau, der Einführung und der Verwaltung erstklassiger Lösungen für Unternehmenskunden, einschließlich KI/ML- und Cloud-Lösungen. Zuvor war er in der Finanzdienstleistungsbranche in New York City tätig. Folgt ihm weiter Linkedin.
Rachna Chadha ist Principal Solutions Architect AI/ML in Strategic Accounts bei AWS. Rachna ist eine Optimistin, die glaubt, dass ein ethischer und verantwortungsvoller Einsatz von KI die Gesellschaft in Zukunft verbessern und wirtschaftlichen und sozialen Wohlstand bringen kann. In ihrer Freizeit verbringt Rachna gerne Zeit mit ihrer Familie, wandert und hört Musik.
Ife Stewart ist Principal Solutions Architect im strategischen ISV-Segment bei AWS. Sie war in den letzten zwei Jahren mit Salesforce Data Cloud beschäftigt, um beim Aufbau integrierter Kundenerlebnisse in Salesforce und AWS zu helfen. Ife verfügt über mehr als 2 Jahre Erfahrung in der Technologie. Sie setzt sich für Vielfalt und Inklusion im Technologiebereich ein.
Ravi Bhattiprolu ist Senior Partner Solutions Architect bei AWS. Ravi arbeitet mit den strategischen Partnern Salesforce und Tableau zusammen, um innovative und gut strukturierte Produkte und Lösungen bereitzustellen, die gemeinsamen Kunden dabei helfen, ihre Geschäftsziele zu verwirklichen.
Miriam Lebowitz ist Lösungsarchitekt im strategischen ISV-Segment bei AWS. Sie arbeitet mit Teams in Salesforce zusammen, einschließlich Salesforce Data Cloud, und ist auf Datenanalysen spezialisiert. Außerhalb der Arbeit backt sie gerne, reist und verbringt schöne Zeit mit Freunden und Familie.
- 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/democratize-ml-on-salesforce-data-cloud-with-no-code-amazon-sagemaker-canvas/
- :hast
- :Ist
- :nicht
- $UP
- 1
- 10
- 100
- 29
- 7
- 8
- a
- Über Uns
- Zugang
- Trading Konten
- Genauigkeit
- genau
- über
- Aktivitäten
- präsentieren
- hinzufügen
- Zusatz
- Zusätzliche
- Zusätzliche Angaben
- Adresse
- Fügt
- Administratoren
- Anwalt
- Nach der
- AI
- KI-Modelle
- AI / ML
- Alle
- erlaubt
- erlaubt
- entlang
- ebenfalls
- Amazon
- Amazon API-Gateway
- Amazon Sage Maker
- Amazon SageMaker-Leinwand
- Amazon Web Services
- an
- Analyse
- Business Analysten
- Analytik
- und
- jedem
- Bienen
- APIs
- App
- Anwendungen
- Bewerben
- Architektur
- SIND
- AS
- At
- Attribute
- autorisieren
- Automatisiert
- Im Prinzip so, wie Sie es von Google Maps kennen.
- verfügbar
- durchschnittlich
- AWS
- Zurück
- Base
- basierend
- BE
- war
- Bevor
- beginnen
- glaubt,
- unten
- zwischen
- Körper
- beide
- bringen
- bauen
- Building
- baut
- erbaut
- eingebaut
- Geschäft
- Geschäftsanwendungen
- Unternehmen
- aber
- by
- Kalifornien
- Kampagnen (Campaign)
- Kampagnen
- CAN
- Leinwand
- capability
- Erfassung
- Fälle
- Übernehmen
- Änderungen
- Auswählen
- Auswahl
- Bürger
- Stadt
- Einstufung
- Auftraggeber
- Cloud
- Club
- Code
- Kolonne
- Spalten
- abschließen
- Wird abgeschlossen
- Computer
- Computer Vision
- Leiten
- Konfiguration
- konfiguriert
- Vernetz Dich
- Sie
- Verbindung
- Konsul (Console)
- Kontakt
- enthält
- Inhalt
- Generierung von Inhalten
- Kontext
- Convention
- Korrelationen
- könnte
- erstellen
- erstellt
- Erstellen
- Schaffung
- Original
- Kunde
- Kundendaten
- Kunden
- technische Daten
- Datenzugriff
- Datenanalyse
- Datensee
- Datenplattform
- Datenwissenschaft
- Standard
- Übergeben
- demokratisieren
- Demographie
- zeigen
- Synergie
- Abhängig
- einsetzen
- Einsatz
- Einsatz
- Implementierungen
- Details
- Direkt
- Direkt
- Direktor
- diskutieren
- angezeigt
- Displays
- Diversität
- Vielfalt und Integration
- Domain
- nach unten
- Drop
- jeder
- Früh
- Wirtschaftlich
- mühelos
- Einstein
- entweder
- ermöglichen
- ermöglicht
- ermöglichen
- Endpunkt
- beschäftigt
- Engagement
- Engagements
- Enter
- Unternehmen
- Arbeitsumfeld
- ethisch
- bewerten
- Sogar
- Event
- Beispiel
- Ausführung
- vorhandenen
- ERFAHRUNGEN
- Erfahrungen
- Erklären
- erklärt
- extern
- Extraktion
- Familie
- beschleunigt
- Merkmal
- Eigenschaften
- wenige
- Feld
- Felder
- Reichen Sie das
- Revolution
- Finanzdienstleistungen
- Vorname
- erstes Mal
- Fluss
- folgen
- Folgende
- Aussichten für
- Format
- Foundation
- Freunde
- für
- voller
- Funktion
- Zukunft
- Tor
- erzeugen
- Generation
- generativ
- Generative KI
- bekommen
- ABSICHT
- Go
- hätten
- Griffe
- mit
- he
- Hilfe
- hier (auf dänisch)
- ihm
- Geschichte
- gehostet
- STUNDEN
- Ultraschall
- Hilfe
- HTML
- http
- HTTPS
- ID
- Identifikatoren
- Identitätsschutz
- if
- zeigt
- Eintauchen
- Impact der HXNUMXO Observatorien
- importieren
- Bedeutung
- zu unterstützen,
- in
- Einschließlich
- Aufnahme
- Krankengymnastik
- Energiegewinnung
- Information
- initiieren
- innovativ
- Varianten des Eingangssignals:
- Eingänge
- Einblicke
- Instanz
- beantragen müssen
- Anleitung
- integrieren
- integriert
- Integration
- Schnittstelle
- IP
- Probleme
- Isv
- IT
- SEINE
- dank
- jpg
- JSON
- nur
- Behalten
- Wesentliche
- Label
- See
- Sprache
- Nachname
- ins Leben gerufen
- Start
- lernen
- Verlassen
- Niveau
- Gefällt mir
- Gleichen
- Line
- Hören
- listing
- login
- SIEHT AUS
- Maschine
- Maschinelles Lernen
- gemacht
- Postversand
- um
- Making
- flächendeckende Gesundheitsprogramme
- Karte
- Marketing
- Spiel
- Kann..
- Metadaten
- Minuten
- Kommt demnächst...
- ML
- Modell
- für
- Monat
- mehr
- vor allem warme
- Musik
- Name
- Namen
- Benennung
- Natürliche
- Verarbeitung natürlicher Sprache
- Navigieren
- Menü
- Need
- erforderlich
- Neu
- New York
- New York City
- weiter
- Nlp
- beachten
- Anzahl
- oauth
- Objekt
- of
- on
- EINEM
- Online
- einzige
- Option
- or
- OS
- Andere
- Möglichkeiten für das Ausgangssignal:
- aussen
- übrig
- Überblick
- besitzen
- Seite
- Seiten
- Brot
- Teil
- Partner
- für
- Ausführen
- Leistung
- Berechtigungen
- Planung
- Plattform
- Plattformen
- Plato
- Datenintelligenz von Plato
- PlatoData
- Points
- besiedelt
- Post
- Werkzeuge
- größte treibende
- vorhersagen
- Prognose
- Prognosen
- Vorbereitung
- verhindern
- Vorspann
- vorher
- Principal
- Vor
- Verarbeitung
- Produkt
- Produkte
- Profil
- Eingabeaufforderungen
- Wohlstand
- die
- bietet
- Öffentlichkeit
- Kauf
- Zweck
- Qualität
- Abfragen
- geschafft
- bereit
- echt
- Echtzeit
- realisieren
- kürzlich
- empfehlen
- Software Empfehlungen
- siehe
- Region
- Registrieren
- eingetragen
- Registratur
- Beziehung
- relevant
- ersetzen
- Anforderung
- Zugriffe
- Reagieren
- Antwort
- für ihren Verlust verantwortlich.
- Einschränkungen
- Folge
- Rückkehr
- Überprüfung
- Rollen
- Laufen
- Laufzeit
- sagemaker
- SageMaker-Inferenz
- salesforce
- Wissenschaft
- Wissenschaftler
- Sekunden
- Die Geheime
- Abschnitt
- sicher
- sehen
- Segment
- wählen
- ausgewählt
- Modellreihe
- Lösungen
- kompensieren
- Einstellung
- Einstellungen
- Setup
- sie
- erklären
- präsentiert
- Konzerte
- Einfacher
- Single
- Größe
- Schnipsel
- So
- Social Media
- Gesellschaft
- Lösung
- Lösungen
- einige
- spezialisiert
- spezifisch
- Ausgabe
- Standard
- Anfang
- begonnen
- Bundesstaat
- Statistiken
- Status
- Shritte
- Stewart
- Lagerung
- speichern
- gelagert
- einfach
- Strategisch
- strategische Partner
- Strom
- Studio Adressen
- Folge
- erfolgreich
- so
- Support
- Tabelle
- Tableau
- Nehmen
- Target
- Teams
- Technologie
- Test
- Text
- als
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- Die Zukunft
- Der Staat
- ihr
- dann
- Diese
- Dritte
- fehlen uns die Worte.
- Durch
- Zeit
- zu
- Werkzeuge
- aufnehmen
- Training
- trainiert
- Ausbildung
- schult Ehrenamtliche
- Transformieren
- Transformation
- Transformationen
- Reise
- tippe
- verstehen
- Verständnis
- einzigartiges
- anstehende
- Aktualisierung
- aktualisiert
- Updates
- hochgeladen
- URL
- -
- benutzt
- Mitglied
- Benutzerschnittstelle
- verwendet
- Verwendung von
- BESTÄTIGEN
- Werte
- Variable
- Version
- Anzeigen
- Seh-
- besucht
- visuell
- wurde
- Washington
- we
- Netz
- Web-Services
- Woche
- GUT
- ob
- welche
- während
- WHO
- werden wir
- mit
- .
- ohne
- Arbeiten
- gearbeitet
- Werk
- Workshops
- Weltklasse
- schreiben
- Schreiben
- Jahr
- York
- Du
- Ihr
- Zephyrnet