Strukturierte Daten, definiert als Daten, die einem festen Muster folgen, wie z. B. in Spalten in Datenbanken gespeicherte Informationen, und unstrukturierte Daten, denen eine bestimmte Form oder ein bestimmtes Muster fehlt, wie Text, Bilder oder Social-Media-Beiträge, wachsen beide weiter, während sie produziert und konsumiert werden von verschiedenen Organisationen. Laut International Data Corporation (IDC) wird beispielsweise erwartet, dass sich das weltweite Datenvolumen bis 2025 verzehnfacht, wobei unstrukturierte Daten einen erheblichen Anteil ausmachen. Unternehmen möchten möglicherweise zusätzlich zu den Standardmetadaten wie Dateityp, Erstellungsdatum oder Größe benutzerdefinierte Metadaten wie Dokumenttypen (W-2-Formulare oder Gehaltsabrechnungen) und verschiedene Entitätstypen wie Namen, Organisation und Adresse hinzufügen, um die Intelligenz zu erweitern Suche während der Aufnahme der Dokumente. Die benutzerdefinierten Metadaten helfen Organisationen und Unternehmen, Informationen auf ihre bevorzugte Weise zu kategorisieren. Metadaten können beispielsweise zum Filtern und Suchen verwendet werden. Kunden können die benutzerdefinierten Metadaten mit erstellen Amazon verstehen, ein von AWS verwalteter NLP-Dienst (Natural Language Processing), um Erkenntnisse über den Inhalt von Dokumenten zu extrahieren und in diese aufzunehmen Amazon Kendra zusammen mit ihren Daten in den Index. Amazon Kendra ist ein äußerst präziser und benutzerfreundlicher Unternehmenssuchdienst, der auf maschinellem Lernen (AWS) basiert. Die benutzerdefinierten Metadaten können dann verwendet werden, um den Inhalt besser anzureichern Filterung und Facette Fähigkeiten. In Amazon Kendra sind Facetten bereichsbezogene Ansichten einer Reihe von Suchergebnissen. Sie können beispielsweise Suchergebnisse für Städte auf der ganzen Welt bereitstellen, wobei Dokumente nach einer bestimmten Stadt gefiltert werden, mit der sie verknüpft sind. Sie können auch Facetten erstellen, um Ergebnisse eines bestimmten Autors anzuzeigen.
Versicherungsunternehmen sind mit einer steigenden Zahl von Schadensfällen konfrontiert, die sie bearbeiten müssen. Darüber hinaus nimmt die Komplexität der Schadensbearbeitung aufgrund der unterschiedlichen Arten der beteiligten Versicherungsdokumente und der in jedem dieser Dokumente enthaltenen Zolleinheiten zu. In diesem Beitrag beschreiben wir einen Anwendungsfall für die individuelle Inhaltsanreicherung für Versicherungsanbieter. Der Versicherer erhält vom Anwalt des Anspruchsberechtigten Auszahlungsansprüche für verschiedene Versicherungsarten, beispielsweise Hausrat-, Auto- und Lebensversicherung. In diesem Anwendungsfall enthalten die beim Versicherer eingegangenen Dokumente keine Metadaten, die eine Suche der Inhalte anhand bestimmter Entitäten und Klassen ermöglichen. Der Versicherungsanbieter möchte Kendra-Inhalte basierend auf benutzerdefinierten Entitäten und Klassen filtern, die für seine Geschäftsdomäne spezifisch sind. Dieser Beitrag zeigt, wie Sie die Metadatengenerierung mithilfe benutzerdefinierter Modelle von Amazon Comprehend automatisieren und vereinfachen können. Die generierten Metadaten können während des Aufnahmeprozesses mit Amazon Kendra angepasst werden Benutzerdefinierte Dokumentenanreicherung (CDE) benutzerdefinierte Logik.
Schauen wir uns einige Beispiele der Amazon Kendra-Suche mit oder ohne Filter- und Facettenfunktionen an.
Im folgenden Screenshot stellt Amazon Kendra ein Suchergebnis bereit, es gibt jedoch keine Möglichkeit, die Suchergebnisse mithilfe von Filtern weiter einzugrenzen.
Der folgende Screenshot zeigt, wie die Suchergebnisse von Amazon Kendra mithilfe verschiedener Facetten wie Anwaltskanzlei und Policennummern gefiltert werden können, die durch benutzerdefinierte Metadaten erstellt wurden, um die Suchergebnisse einzugrenzen.
Die in diesem Beitrag besprochene Lösung kann problemlos auch auf andere Unternehmen/Anwendungsfälle angewendet werden, beispielsweise im Gesundheitswesen, in der Fertigung und in der Forschung.
Lösungsüberblick
In dieser vorgeschlagenen Lösung werden wir 1) die Einreichung von Versicherungsansprüchen in verschiedene Klassen klassifizieren und 2) versicherungsspezifische Entitäten aus diesen Dokumenten abrufen. Sobald dies abgeschlossen ist, kann das Dokument an die entsprechende Abteilung oder den nachgelagerten Prozess weitergeleitet werden.
Das folgende Diagramm skizziert die vorgeschlagene Lösungsarchitektur.
Amazon verstehen benutzerdefinierte Klassifizierung Die API wird verwendet, um Ihre Dokumente in von Ihnen definierten Kategorien (Klassen) zu organisieren. Die benutzerdefinierte Klassifizierung ist ein zweistufiger Prozess. Zunächst trainieren Sie ein benutzerdefiniertes Klassifizierungsmodell (auch Klassifikator genannt), um die für Sie interessanten Klassen zu erkennen. Anschließend verwenden Sie Ihr Modell, um eine beliebige Anzahl von Dokumentensätzen zu klassifizieren.
Amazon verstehen benutzerdefinierte Entitätserkennung Die Funktion wird verwendet, um bestimmte Entitätstypen (Namen der Versicherungsgesellschaft, Namen des Versicherers, Versicherungsnummer) zu identifizieren, die über die in der verfügbaren Informationen hinausgehen generische Entitätstypen standardmäßig. Der Aufbau eines benutzerdefinierten Entitätserkennungsmodells ist ein effektiverer Ansatz als die Verwendung von String-Matching oder regulären Ausdrücken zum Extrahieren von Entitäten aus Dokumenten. Ein benutzerdefiniertes Entitätserkennungsmodell kann den Kontext lernen, in dem diese Namen wahrscheinlich erscheinen. Darüber hinaus erkennt der String-Abgleich keine Entitäten, die Tippfehler enthalten oder neuen Namenskonventionen folgen, während dies mit einem benutzerdefinierten Modell möglich ist.
Bevor wir tiefer eintauchen, nehmen wir uns einen Moment Zeit, um Amazon Kendra zu erkunden. Amazon Kendra ist ein hochpräziser und benutzerfreundlicher Unternehmenssuchdienst, der auf maschinellem Lernen basiert. Es ermöglicht Benutzern, die Informationen, die sie benötigen, in der riesigen Menge an Inhalten zu finden, die in ihrem Unternehmen verteilt sind, von Websites und Datenbanken bis hin zu Intranetseiten. Wir erstellen zunächst einen Amazon Kendra-Index, um die Dokumente aufzunehmen. Bei der Aufnahme der Daten ist es wichtig, das Konzept der benutzerdefinierten Datenanreicherung (Custom Data Enrichment, CDE) zu berücksichtigen. Mit CDE können Sie die Suchfunktion verbessern, indem Sie externes Wissen in den Suchindex integrieren. Weitere Informationen finden Sie unter Anreicherung Ihrer Dokumente während der Aufnahme. In diesem Beitrag ruft die CDE-Logik die benutzerdefinierten APIs von Amazon Comprehend auf, um die Dokumente mit identifizierten Klassen und Entitäten anzureichern. Schließlich verwenden wir die Suchseite von Amazon Kendra, um zu zeigen, wie die Metadaten die Suchfunktion durch das Hinzufügen von Facettierungs- und Filterfunktionen verbessert haben.
Die allgemeinen Schritte zur Implementierung dieser Lösung lauten wie folgt:
- Trainieren Sie den benutzerdefinierten Klassifikator von Amazon Comprehend mithilfe von Trainingsdaten
- Trainieren Sie die benutzerdefinierte Entitätserkennung von Amazon Comprehend mithilfe von Trainingsdaten
- Erstellen Sie den benutzerdefinierten Klassifikator und die benutzerdefinierten Entitätserkennungsendpunkte von Amazon Comprehend
- Erstellen und stellen Sie eine Lambda-Funktion zur Anreicherung nach der Extraktion bereit
- Erstellen und füllen Sie den Amazon Kendra-Index
- Verwenden Sie die extrahierten Entitäten, um Suchen in Amazon Kendra zu filtern
Wir haben auch eine Musteranwendung im bereitgestellt GitHub Repo als Referenz.
Überlegungen zur Datensicherheit und IAM
Da die Sicherheit oberste Priorität hat, folgt diese Lösung dem Prinzip der geringsten Rechte für die verwendeten Dienste und Funktionen. Die von der benutzerdefinierten Klassifizierung und Entitätserkennung von Amazon Comprehend verwendete IAM-Rolle verfügt nur über Berechtigungen zum Zugriff auf den Datensatz aus dem Test-Bucket. Der Amazon Kendra-Dienst hat Zugriff auf einen bestimmten S3-Bucket und eine Lambda-Funktion, die zum Aufrufen von Comprehend-APIs verwendet wird. Die Lambda-Funktion verfügt nur über Berechtigungen zum Aufrufen der Amazon Comprehend-APIs. Weitere Informationen finden Sie in den Abschnitten 1.2 und 1.3 im Notizbuch.
Wir empfehlen Ihnen, die folgenden Schritte in einer Nicht-Produktionsumgebung durchzuführen, bevor Sie die Lösung in der Produktionsumgebung implementieren.
Trainieren Sie den benutzerdefinierten Comprehend-Klassifikator mithilfe von Trainingsdaten
Amazon Comprehend Custom Classification unterstützt zwei Datenformattypen für Anmerkungsdateien:
Da unsere Daten bereits beschriftet und in CSV-Dateien gespeichert sind, verwenden wir als Beispiel das CSV-Dateiformat für die Anmerkungsdatei. Wir müssen die gekennzeichneten Trainingsdaten als UTF-8-codierten Text in einer CSV-Datei bereitstellen. Fügen Sie keine Kopfzeile in die CSV-Datei ein. Das Hinzufügen einer Kopfzeile in Ihrer Datei kann zu Laufzeitfehlern führen. Ein Beispiel für die Trainingsdaten-CSV-Datei lautet wie folgt:
Informationen zum Vorbereiten von Klassifikator-Trainingsdaten finden Sie unter Vorbereiten von Klassifikator-Trainingsdaten. Für jede Zeile in der CSV-Datei enthält die erste Spalte eine oder mehrere Klassenbezeichnungen. Eine Klassenbezeichnung kann jede gültige UTF-8-Zeichenfolge sein. Wir empfehlen die Verwendung eindeutiger Klassennamen, deren Bedeutung sich nicht überschneidet. Der Name kann Leerzeichen enthalten und aus mehreren Wörtern bestehen, die durch Unterstriche oder Bindestriche verbunden sind. Lassen Sie keine Leerzeichen vor oder nach den Kommas, die die Werte in einer Zeile trennen.
Als nächstes trainieren Sie entweder mit Mehrklassenmodus or Multi-Label-Modus. Insbesondere weist die Klassifizierung im Multi-Class-Modus jedem Dokument eine Klasse zu, während im Multi-Label-Modus einzelne Klassen unterschiedliche Kategorien darstellen, die sich nicht gegenseitig ausschließen. In unserem Fall verwenden wir den Multi-Class-Modus für Nur-Text-Modelle.
Sie können separate Trainings- und Testdatensätze für das benutzerdefinierte Klassifikatortraining und die Modellbewertung von Amazon Comprehend vorbereiten. Oder stellen Sie nur einen Datensatz für Training und Tests bereit. Comprehend wählt automatisch 10 % Ihres bereitgestellten Datensatzes aus, um ihn als Testdaten zu verwenden. In diesem Beispiel stellen wir separate Trainings- und Testdatensätze bereit.
Das folgende Beispiel zeigt eine CSV-Datei, die die Klassennamen enthält, die den verschiedenen Dokumenten zugeordnet sind.
Wenn das benutzerdefinierte Klassifizierungsmodell trainiert wird, kann es verschiedene Versicherungsklassen in den Dokumenten erfassen (Hausrat-, Auto- oder Lebensversicherung).
Trainieren Sie den benutzerdefinierten Entitätserkenner (NER) von Amazon Comprehend mithilfe von Trainingsdaten
Der Trainingsdatensatz für Amazon Comprehend Custom Entity Recognition (NER) kann auf zwei verschiedene Arten vorbereitet werden:
- Anmerkungen – Stellt einen Datensatz bereit, der die annotierten Entitäten für das Modustraining enthält
- Entitätslisten (nur Klartext) – Bietet eine Liste von Entitäten und deren Bezeichnungstyp (z. B. „Namen von Versicherungsunternehmen“) sowie eine Reihe nicht kommentierter Dokumente, die diese Entitäten für das Modelltraining enthalten
Weitere Informationen finden Sie unter Trainingsdaten für die Entitätserkennung werden vorbereitet.
Wenn wir ein Modell mithilfe einer Entitätsliste trainieren, müssen wir zwei Informationen bereitstellen: eine Liste von Entitätsnamen mit den zugehörigen benutzerdefinierten Entitätstypen und eine Sammlung nicht kommentierter Dokumente, in denen die Entitäten erscheinen.
Für das automatische Training sind zwei Arten von Informationen erforderlich: Beispieldokumente und die Entitätsliste oder Anmerkungen. Sobald der Erkenner trainiert ist, können Sie ihn verwenden, um benutzerdefinierte Entitäten in Ihren Dokumenten zu erkennen. Sie können einen kleinen Textkörper schnell in Echtzeit analysieren oder einen großen Satz Dokumente mit einem asynchronen Job analysieren.
Sie können separate Trainings- und Testdatensätze für das Training und die Modellevaluierung der benutzerdefinierten Entitätserkennung von Amazon Comprehend vorbereiten. Oder stellen Sie nur einen Datensatz für Training und Tests bereit. Amazon Comprehend wählt automatisch 10 % Ihres bereitgestellten Datensatzes zur Verwendung als Testdaten aus. Im folgenden Beispiel haben wir den Trainingsdatensatz als angegeben Documents.S3Uri
für InputDataConfig
.
Das folgende Beispiel zeigt eine CSV-Datei mit den folgenden Entitäten:
Sobald das NER-Modell (Custom Entities) trainiert ist, kann es die verschiedenen Entitäten wie „PAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
".
Erstellen Sie den benutzerdefinierten Klassifikator und die benutzerdefinierten Entitäten (NER)-Endpunkte von Amazon Comprehend
Die Endpunkte von Amazon Comprehend stellen Ihre benutzerdefinierten Modelle für die Echtzeitklassifizierung zur Verfügung. Nachdem Sie einen Endpunkt erstellt haben, können Sie Änderungen daran vornehmen, wenn sich Ihre Geschäftsanforderungen ändern. Sie können beispielsweise Ihre Endpunktauslastung überwachen und die automatische Skalierung anwenden, um die Endpunktbereitstellung automatisch an Ihre Kapazitätsanforderungen anzupassen. Sie können alle Ihre Endpunkte in einer einzigen Ansicht verwalten und wenn Sie einen Endpunkt nicht mehr benötigen, können Sie ihn löschen, um Kosten zu sparen. Amazon Comprehend unterstützt sowohl synchrone als auch asynchrone Optionen. Wenn für Ihren Anwendungsfall keine Echtzeitklassifizierung erforderlich ist, können Sie einen Batch-Job zur asynchronen Datenklassifizierung an Amazon Comprehend senden.
Für diesen Anwendungsfall erstellen Sie einen Endpunkt, um Ihr benutzerdefiniertes Modell für die Echtzeitanalyse verfügbar zu machen.
Um Ihre Textverarbeitungsanforderungen zu erfüllen, weisen Sie dem Endpunkt Inferenzeinheiten zu, und jede Einheit ermöglicht einen Durchsatz von 100 Zeichen pro Sekunde. Anschließend können Sie den Durchsatz nach oben oder unten anpassen.
Erstellen und stellen Sie eine Lambda-Funktion zur Anreicherung nach der Extraktion bereit
Mit der Lambda-Funktion nach der Extraktion können Sie die Logik implementieren, um den von Amazon Kendra aus dem aufgenommenen Dokument extrahierten Text zu verarbeiten. Die von uns konfigurierte Nachextraktionsfunktion implementiert den Code zum Aufrufen von Amazon Comprehend, um benutzerdefinierte Entitäten zu erkennen und die Dokumente aus dem von Amazon Kendra extrahierten Text zu klassifizieren, und verwendet sie zum Aktualisieren der Dokumentmetadaten, die in einer Amazon Kendra-Suche als Facetten dargestellt werden . Der Funktionscode ist im Notebook eingebettet. Der PostExtractionLambda
Code funktioniert wie folgt:
- Teilt den Seitentext in Abschnitte auf, die die maximale Bytelänge des Comprehends nicht überschreiten
detect_entities
API. (Sehen Limits ).
HINWEIS Der Einfachheit halber verwendet das Skript einen naiven Zeichenlängenaufteilungsalgorithmus – Produktionsanwendungsfälle sollten Überlappungen oder Satzgrenzenaufteilungen basierend auf der UTF8-Bytelänge implementieren. - Ruft für jeden Textabschnitt die Comprehend-Echtzeitendpunkte für benutzerdefinierte Entitäten und den benutzerdefinierten Klassifikator auf, um die folgenden Entitätstypen zu erkennen: [“
PAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
","INSURANCE_TYPE
"]. - Filtert erkannte Entitäten heraus, die unter dem Schwellenwert für die Konfidenzbewertung liegen. Wir verwenden einen Schwellenwert von 0.50, was bedeutet, dass nur Entitäten mit einer Konfidenz von 50 % und mehr verwendet werden. Dies kann je nach Anwendungsfall und Anforderungen abgestimmt werden.
- Verfolgt die Häufigkeitsanzahl jeder Entität.
- Wählt basierend auf der Häufigkeit des Auftretens nur die obersten N (10) eindeutigen Entitäten für jede Seite aus.
- Bei der Dokumentenklassifizierung weist der Multiklassenklassifikator jedem Dokument nur eine Klasse zu. In dieser Lambda-Funktion werden die Dokumente als Autoversicherung, Hausratversicherung oder Lebensversicherung klassifiziert.
Beachten Sie, dass CDE zum jetzigen Zeitpunkt nur synchrone Aufrufe unterstützt. Wenn es asynchron sein muss, ist eine explizite Warteschleife erforderlich. Für die Nachextraktion Lambda maximale Ausführungszeit beträgt 1 Minute. Die benutzerdefinierte Lambda-Logik kann je nach den Anforderungen geändert werden, die zu Ihrem Anwendungsfall passen.
Erstellen und füllen Sie den Amazon Kendra-Index
In diesem Schritt werden wir die Daten in den Amazon Kendra-Index aufnehmen und sie für die Benutzer durchsuchbar machen. Während der Aufnahme verwenden wir die im vorherigen Schritt erstellte Lambda-Funktion als Post-Extraktionsschritt und die Lambda-Funktion ruft die benutzerdefinierten Klassifizierungs- und NER-Endpunkte (Custom Entity Recognition) auf, um die benutzerdefinierten Metadatenfelder zu erstellen.
Die allgemeinen Schritte zur Implementierung dieser Lösung lauten wie folgt:
- Erstellen Amazon Kendra-Index.
- Erstellen Amazon Kendra-Datenquelle – Es gibt verschiedene Datenquellen, die zum Erfassen von Datensätzen verwendet werden können. In diesem Beitrag verwenden wir einen S3-Bucket.
- Facetten erstellen
Law_Firm
,Payout
,Insurance_Company
,Policy_Number
,Policy_Holder_Name
,Insurance_Type
mit String-Typ als 'STRING_LIST_VALUE
'. - Erstellen Sie Kendra CDE und verweisen Sie es auf die zuvor erstellte Lambda-Funktion nach der Extraktion.
- Führen Sie den Synchronisierungsprozess durch, um den Datensatz aufzunehmen.
Sobald Sie fertig sind, können Sie den Index mit den Versicherungsdaten füllen. Mithilfe des Kendra CDE mit Post-Extraction-Lambda können Sie Suchen basierend auf den benutzerdefinierten Entitätstypen und der benutzerdefinierten Klassifizierung als benutzerdefinierte Metadatenfelder filtern.
Verwenden Sie die extrahierten Entitäten, um Suchen in Kendra zu filtern
Jetzt ist der Index gefüllt und einsatzbereit. Wählen Sie in der Amazon Kendra-Konsole Durchsuchen Sie indizierte Inhalte unter Datenverwaltung und gehen Sie wie folgt vor.
Fragen Sie Folgendes ab: Versicherungsliste aufgrund verspäteter Einreichung fehlgeschlagen?
Die Ergebnisse zeigen eine Antwort vom Richtlinientyp – HOME INSURANCE
und bringt text_18
und text_14
als Top-Ergebnisse.
Wählen Sie links „Suchergebnisse filtern“. Jetzt sehen Sie alle mit Comprehend extrahierten Entitätstypen und Klassifizierungswerte und für jeden Entitätswert und jede Klassifizierung die Anzahl der übereinstimmenden Dokumente.
Der INSURANCE_TYPE
Wählen Sie „Autoversicherung“ und Sie erhalten eine Antwort von text_25
Datei.
Beachten Sie, dass Ihre Ergebnisse geringfügig von den im Screenshot gezeigten Ergebnissen abweichen können.
Versuchen Sie, mit Ihren eigenen Abfragen zu suchen, und beobachten Sie, wie die von Amazon Comprehend identifizierten Entitäten und Dokumentklassifizierungen Ihnen schnell Folgendes ermöglichen:
- Sehen Sie, wie Ihre Suchergebnisse auf die Kategorien verteilt sind.
- Grenzen Sie Ihre Suche ein, indem Sie nach einem der Entitäts-/Klassifizierungswerte filtern.
Aufräumen
Nachdem Sie mit der Suche experimentiert und das im Github-Repository bereitgestellte Notebook ausprobiert haben, löschen Sie die Infrastruktur, die Sie in Ihrem AWS-Konto bereitgestellt haben, um unerwünschte Gebühren zu vermeiden. Sie können die Bereinigungszellen im Notebook ausführen. Alternativ können Sie die Ressourcen manuell über die AWS-Konsole löschen:
- Amazon Kendra-Index
- Verstehen Sie benutzerdefinierte Klassifikatoren und benutzerdefinierte Entitätserkennungsendpunkte (NER).
- Verstehen Sie benutzerdefinierte Modelle für Klassifikatoren und benutzerdefinierte Entitätserkennung (NER).
- Lambda-Funktion
- S3-Eimer
- IAM-Rollen und -Richtlinien
Zusammenfassung
In diesem Beitrag haben wir gezeigt, wie die benutzerdefinierten Entitäten und der benutzerdefinierte Klassifikator von Amazon Comprehend die Amazon Kendra-Suche mithilfe der CDE-Funktion ermöglichen, um Endbenutzern dabei zu helfen, bessere Suchvorgänge für strukturierte/unstrukturierte Daten durchzuführen. Die benutzerdefinierten Entitäten von Amazon Comprehend und der benutzerdefinierte Klassifikator machen es für verschiedene Anwendungsfälle und verschiedene domänenspezifische Daten sehr nützlich. Weitere Informationen zur Verwendung von Amazon Comprehend finden Sie unter Amazon Comprehend-Entwicklerressourcen und für Amazon Kendra siehe Amazon Kendra-Entwicklerressourcen.
Probieren Sie diese Lösung für Ihren Anwendungsfall aus. Wir laden Sie ein, Ihr Feedback in den Kommentarbereichen zu hinterlassen.
Über die Autoren
Amit Chaudhary ist Senior Solutions Architect bei Amazon Web Services. Sein Schwerpunkt liegt auf KI/ML und er unterstützt Kunden mit generativer KI, großen Sprachmodellen und Prompt Engineering. Außerhalb der Arbeit verbringt Amit gerne Zeit mit seiner Familie.
Yanyan Zhang ist Senior Data Scientist im Energy Delivery-Team bei AWS Professional Services. Es ist ihr eine Leidenschaft, Kunden mit KI/ML-Wissen bei der Lösung echter Probleme zu helfen. In letzter Zeit lag ihr Schwerpunkt auf der Erforschung des Potenzials von generativer KI und LLM. Außerhalb der Arbeit liebt sie es zu reisen, Sport zu treiben und neue Dinge zu entdecken.
Nikhil Jha ist Senior Technical Account Manager bei Amazon Web Services. Seine Schwerpunkte umfassen KI/ML und Analytik. In seiner Freizeit spielt er gerne mit seiner Tochter Badminton und erkundet die Natur.
- 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/use-custom-metadata-created-by-amazon-comprehend-to-intelligently-process-insurance-claims-using-amazon-kendra/
- :hast
- :Ist
- :nicht
- :Wo
- $UP
- 1
- 1.3
- 10
- 100
- 19
- 2025
- 33
- 50
- 500
- 7
- 9
- a
- Fähig
- Über uns
- Zugang
- Nach
- Konto
- Buchhaltung
- genau
- über
- hinzufügen
- Hinzufügen
- Zusatz
- zusätzlich
- Adresse
- Nach der
- AI
- AI / ML
- Algorithmus
- Alle
- erlaubt
- entlang
- bereits
- ebenfalls
- Amazon
- Amazon verstehen
- Amazon Kendra
- Amazon Web Services
- Betrag
- an
- Analyse
- Analytik
- analysieren
- und
- beantworten
- jedem
- Bienen
- APIs
- erscheinen
- Anwendung
- angewandt
- Jetzt bewerben
- Ansatz
- angemessen
- Architektur
- SIND
- Bereich
- Bereiche
- AS
- damit verbundenen
- At
- Rechtsanwalt
- Autor
- Auto
- automatisieren
- Im Prinzip so, wie Sie es von Google Maps kennen.
- verfügbar
- vermeiden
- AWS
- Professionelle AWS-Services
- basierend
- BE
- war
- Bevor
- unten
- Besser
- Beyond
- Körper
- beide
- Grenze
- Brings
- Building
- Geschäft
- aber
- by
- rufen Sie uns an!
- namens
- Aufrufe
- CAN
- Fähigkeiten
- capability
- Kapazität
- Erfassung
- Häuser
- Fälle
- Kategorien
- Verursachen
- Die Zellen
- sicher
- geändert
- Änderungen
- Charakter
- Zeichen
- Gebühren
- Auswählen
- Orte
- Stadt
- aus aller Welt
- Klasse
- Unterricht
- Einstufung
- eingestuft
- klassifizieren
- klar
- Code
- Sammlung
- Kolonne
- Spalten
- Bemerkungen
- Unternehmen
- Unternehmen
- abschließen
- Abgeschlossene Verkäufe
- Komplexität
- begreifen
- konzept
- Vertrauen
- konfiguriert
- Sie
- Geht davon
- Konsul (Console)
- verbraucht
- enthalten
- enthält
- Inhalt
- Kontext
- fortsetzen
- Conventions
- KONZERN
- Kosten
- könnte
- erstellen
- erstellt
- Original
- Kunden
- maßgeschneiderte
- technische Daten
- Datumsanreicherung
- Datenmanagement
- Datenwissenschaftler
- Datensatz
- Datenbanken
- Datensätze
- Datum
- tiefer
- Standard
- definieren
- definiert
- Lieferanten
- Abteilung
- einsetzen
- beschreiben
- entdecken
- erkannt
- Entwickler:in / Unternehmen
- anders
- anders
- diskutiert
- Display
- verteilt
- verschieden
- Tauchen
- do
- Dokument
- Unterlagen
- Domain
- Don
- Nicht
- nach unten
- zwei
- im
- e
- E & T
- jeder
- leicht
- einfach zu bedienende
- Effektiv
- entweder
- el
- eingebettet
- ermöglicht
- Endpunkt
- Energie
- Entwicklung
- zu steigern,
- verbesserte
- bereichern
- Anreicherung
- Unternehmen
- Unternehmen
- Entitäten
- Einheit
- Arbeitsumfeld
- Fehler
- essential
- Auswertung
- entwickelt sich
- Beispiel
- Beispiele
- überschreiten
- Außer
- Ausnahme
- Exclusive
- Ausführung
- Faszinierende
- erwartet
- ERKUNDEN
- Möglichkeiten sondieren
- Ausdrücke
- erweitern
- extern
- Extrakt
- Extraktion
- Facetten
- Gescheitert
- Familie
- Merkmal
- Eigenschaften
- Feedback
- wenige
- Felder
- Reichen Sie das
- Mappen
- Einreichung
- Filter
- Filterung
- Filter
- Endlich
- Finden Sie
- Fest
- Vorname
- passen
- fixiert
- Setzen Sie mit Achtsamkeit
- folgen
- Folgende
- folgt
- Aussichten für
- unten stehende Formular
- Format
- Formen
- Frequenz
- für
- Funktion
- weiter
- erzeugt
- Generation
- generativ
- Generative KI
- bekommen
- GitHub
- Wachsen Sie über sich hinaus
- Haben
- mit
- he
- Gesundheitswesen
- Hilfe
- Unternehmen
- hilft
- hier (auf dänisch)
- High-Level
- höher
- höchste
- hoch
- seine
- Startseite
- Ultraschall
- Hilfe
- HTML
- HTTPS
- i
- IDC
- identifiziert
- identifizieren
- if
- zeigt
- Bilder
- implementieren
- Umsetzung
- implementiert
- in
- das
- einarbeiten
- Erhöhung
- zunehmend
- Index
- indiziert
- Krankengymnastik
- Information
- Infrastruktur
- Varianten des Eingangssignals:
- Einblicke
- Instanz
- Versicherung
- Intelligent
- Interesse
- International
- International Data Corporation (IDC)
- in
- einladen
- ruft auf
- beteiligt
- IT
- Job
- JSON
- Wissen
- Label
- Etiketten
- Sprache
- grosse
- Spät
- Recht
- Rechtsanwaltskanzlei
- LERNEN
- lernen
- am wenigsten
- Verlassen
- links
- Länge
- Lebensdauer
- Gefällt mir
- wahrscheinlich
- LIMIT
- Liste
- Listen
- LLM
- Logik
- länger
- aussehen
- liebt
- Maschine
- Maschinelles Lernen
- um
- MACHT
- verwalten
- verwaltet
- Management
- Manager
- manuell
- Herstellung
- Abstimmung
- max
- Kann..
- Bedeutung
- Mittel
- Medien
- Triff
- Metadaten
- Min.
- Model
- Modell
- für
- Moment
- Überwachen
- mehr
- vor allem warme
- mehrere
- sollen
- gegenseitig
- Name
- Namen
- Benennung
- schmal
- Need
- erforderlich
- Bedürfnisse
- Neu
- Nlp
- nicht
- Notizbuch
- jetzt an
- Anzahl
- Zahlen
- Objekt
- Objekte
- beobachten
- Auftreten
- of
- on
- einmal
- EINEM
- einzige
- Option
- Optionen
- or
- Organisation
- Organisationen
- Andere
- UNSERE
- im Freien
- Umrissen
- aussen
- besitzen
- Seite
- Paar
- leidenschaftlich
- Schnittmuster
- für
- Ausführen
- Berechtigungen
- Stücke
- Ebene
- Plato
- Datenintelligenz von Plato
- PlatoData
- spielend
- Points
- Datenschutzrichtlinien
- besiedelt
- Teil
- möglich
- Post
- BLOG-POSTS
- Potenzial
- angetriebene
- bevorzugt
- Danach
- bereit
- vorgeführt
- früher
- vorher
- Prinzip
- Vor
- Prioritätsliste
- Privileg
- Probleme
- Prozessdefinierung
- Verarbeitung
- Produziert
- Produktion
- Professionell
- vorgeschlage
- die
- vorausgesetzt
- Versorger
- Anbieter
- bietet
- Bereitstellung
- Abfragen
- schnell
- Zitate
- Bereich
- Lesen Sie mehr
- bereit
- echt
- Echtzeit
- Received
- erhält
- kürzlich
- Anerkennung
- erkennen
- anerkannt
- empfehlen
- siehe
- Referenz
- regulär
- Quelle
- vertreten
- falls angefordert
- Voraussetzungen:
- erfordert
- Forschungsprojekte
- Downloads
- Folge
- Die Ergebnisse
- Rückkehr
- Überprüfen
- Rollen
- Rollen
- REIHE
- Führen Sie
- Laufzeit
- gleich
- Speichern
- Skalierung
- Wissenschaftler
- Ergebnis
- Skript
- Suche
- Suchbegriffe
- Suche
- Zweite
- Abschnitt
- Abschnitte
- Sicherheitdienst
- sehen
- wählen
- Senior
- Satz
- getrennte
- Dienstleistungen
- kompensieren
- Sets
- sie
- sollte
- erklären
- zeigte
- gezeigt
- Konzerte
- signifikant
- Einfachheit
- vereinfachen
- Single
- Seiten
- Größe
- klein
- So
- Social Media
- Social Media
- Social Media Beiträge
- Lösung
- Lösungen
- LÖSEN
- Quellen
- Raumfahrt
- spezifisch
- speziell
- angegeben
- Ausgabe
- Spagat
- Verbreitung
- Standard
- Schritt
- Shritte
- speichern
- gelagert
- Schnur
- Einsendungen
- abschicken
- so
- Support
- Unterstützt
- synchronisieren
- Nehmen
- Team
- Technische
- Test
- Testen
- Text
- als
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- die Informationen
- die Welt
- ihr
- Sie
- dann
- Dort.
- Diese
- vom Nutzer definierten
- fehlen uns die Worte.
- diejenigen
- Schwelle
- Durch
- Durchsatz
- Zeit
- zu
- Top
- verfolgen sind
- Training
- trainiert
- Ausbildung
- Reise
- behandeln
- versucht
- versuchen
- abgestimmt
- XNUMX
- tippe
- Typen
- für
- Unterstrichen
- einzigartiges
- Einheit
- Bereiche
- unerwünscht
- Aktualisierung
- -
- Anwendungsfall
- benutzt
- Nutzer
- verwendet
- Verwendung von
- gültig
- Wert
- Werte
- verschiedene
- riesig
- sehr
- Anzeigen
- Ansichten
- Volumen
- warten
- wollen
- will
- Weg..
- Wege
- we
- Netz
- Web-Services
- Webseiten
- GUT
- Was
- Was ist
- wann
- welche
- während
- Weiß
- werden wir
- mit
- .
- ohne
- Worte
- Arbeiten
- arbeiten,
- ausarbeiten
- Werk
- weltweit wie ausgehandelt und gekauft ausgeführt wird.
- weltweit
- Schreiben
- geschrieben
- Du
- Ihr
- Zephyrnet