Αυτή είναι μια φιλοξενούμενη ανάρτηση από τον Ανώτερο Μηχανικό Λογισμικού & Μηχανικής Μάθησης του Kustomer, Ian Lantzy και την ομάδα AWS Umesh Kalaspurkar, Prasad Shetty και Jonathan Greifenberger.
Με τα λόγια του Kustomer, «Το Kustomer είναι η πολυκαναλική πλατφόρμα SaaS CRM που επαναπροσδιορίζει την εξυπηρέτηση εταιρικών πελατών για να προσφέρει ξεχωριστές εμπειρίες. Κατασκευασμένοι με έξυπνο αυτοματισμό, προσαρμόζουμε τις ανάγκες οποιουδήποτε κέντρου επικοινωνίας και επιχείρησης, ενοποιώντας δεδομένα από πολλαπλές πηγές και δίνοντας τη δυνατότητα στις εταιρείες να παρέχουν αβίαστη, συνεπή και εξατομικευμένη εξυπηρέτηση και υποστήριξη μέσω μιας ενιαίας προβολής χρονοδιαγράμματος».
Ο Kustomer ήθελε τη δυνατότητα ταχείας ανάλυσης μεγάλου όγκου επικοινωνιών υποστήριξης για τους επιχειρηματικούς πελάτες του — εμπειρία πελατών και οργανώσεις εξυπηρέτησης — και αυτοματοποίηση της ανακάλυψης πληροφοριών όπως η πρόθεση του τελικού πελάτη, το ζήτημα της εξυπηρέτησης πελατών και άλλες σχετικές πληροφορίες που σχετίζονται με τον καταναλωτή. Η κατανόηση αυτών των χαρακτηριστικών μπορεί να βοηθήσει τους οργανισμούς CX να διαχειρίζονται χιλιάδες εσωτερικά μηνύματα ηλεκτρονικού ταχυδρομείου υποστήριξης ταξινομώντας και κατηγοριοποιώντας αυτόματα το περιεχόμενο. Μόχλευση Kustomer Amazon Sage Maker για τη διαχείριση της ανάλυσης των εισερχόμενων επικοινωνιών υποστήριξης μέσω της τεχνητής νοημοσύνης τους Kustomer IQ πλατφόρμα. Η υπηρεσία Ταξινόμησης συνομιλιών του Kustomer IQ είναι σε θέση να προσαρμόσει τις συνομιλίες και να αυτοματοποιήσει κατά τα άλλα κουραστικές και επαναλαμβανόμενες εργασίες, μειώνοντας την απόσπαση της προσοχής και το συνολικό κόστος ανά επαφή. Αυτή και οι άλλες υπηρεσίες IQ της Kustomer έχουν αυξήσει την παραγωγικότητα και την αυτοματοποίηση για τους επιχειρηματικούς πελάτες της.
Σε αυτήν την ανάρτηση, μιλάμε για το πώς ο Kustomer χρησιμοποιεί προσαρμοσμένες εικόνες Docker για εκπαίδευση και εξαγωγή συμπερασμάτων του SageMaker, γεγονός που διευκολύνει την ενσωμάτωση και απλοποιεί τη διαδικασία. Με αυτήν την προσέγγιση, οι επιχειρηματικοί πελάτες της Kustomer ταξινομούν αυτόματα πάνω από 50 μηνύματα ηλεκτρονικού ταχυδρομείου υποστήριξης κάθε μήνα με ακρίβεια έως και 70%.
Ιστορικό και προκλήσεις
Η Kustomer χρησιμοποιεί μια προσαρμοσμένη γραμμή ταξινόμησης κειμένου για την υπηρεσία Ταξινόμησης συνομιλιών. Αυτό τους βοηθά να διαχειρίζονται χιλιάδες αιτήματα την ημέρα μέσω αυτόματης ταξινόμησης και κατηγοριοποίησης χρησιμοποιώντας την εκπαίδευση και την ενορχήστρωση συμπερασμάτων του SageMaker. Η μηχανή εκπαίδευσης Conversation Classification χρησιμοποιεί προσαρμοσμένες εικόνες Docker για την επεξεργασία δεδομένων και την εκπαίδευση μοντέλων χρησιμοποιώντας ιστορικές συνομιλίες και στη συνέχεια προβλέπει τα θέματα, τις κατηγορίες ή άλλες προσαρμοσμένες ετικέτες που χρειάζεται ένας συγκεκριμένος πράκτορας για να ταξινομήσει τις συνομιλίες. Στη συνέχεια, η μηχανή πρόβλεψης χρησιμοποιεί τα εκπαιδευμένα μοντέλα με μια άλλη προσαρμοσμένη εικόνα docker για να κατηγοριοποιήσει τις συνομιλίες, τις οποίες χρησιμοποιούν οι οργανισμοί για να αυτοματοποιήσουν την αναφορά ή να δρομολογήσουν συνομιλίες σε μια συγκεκριμένη ομάδα με βάση το θέμα της.
Η διαδικασία κατηγοριοποίησης του SageMaker ξεκινά με τη δημιουργία μιας γραμμής εκπαίδευσης και συμπερασμάτων που μπορεί να παρέχει ταξινόμηση κειμένου και συστάσεις με βάση τα συμφραζόμενα. Μια τυπική εγκατάσταση θα εφαρμοστεί με προσεγγίσεις χωρίς διακομιστή όπως AWS Lambda για την προεπεξεργασία και τη μετεπεξεργασία δεδομένων, επειδή έχει ελάχιστη απαίτηση παροχής με ένα αποτελεσματικό μοντέλο τιμολόγησης κατ' απαίτηση. Ωστόσο, η χρήση του SageMaker με εξαρτήσεις όπως το TensorFlow, το NumPy και το Pandas μπορεί να αυξήσει γρήγορα το μέγεθος του πακέτου του μοντέλου, καθιστώντας τη συνολική διαδικασία ανάπτυξης επίπονη και δύσκολη στη διαχείριση. Ο Kustomer χρησιμοποίησε προσαρμοσμένες εικόνες Docker για να ξεπεράσει αυτές τις προκλήσεις.
Οι προσαρμοσμένες εικόνες Docker παρέχουν σημαντικά πλεονεκτήματα:
- Επιτρέπει μεγαλύτερα συμπιεσμένα μεγέθη πακέτων (πάνω από 10 GB), τα οποία μπορούν να περιέχουν δημοφιλή πλαίσια μηχανικής εκμάθησης (ML) όπως TensorFlow, MXNet, PyTorch ή άλλα.
- Σας επιτρέπει να μεταφέρετε προσαρμοσμένο κώδικα ή αλγόριθμους που έχουν αναπτυχθεί τοπικά Στούντιο Amazon SageMaker σημειωματάρια για γρήγορη επανάληψη και εκπαίδευση μοντέλων.
- Αποτρέπει τις καθυστερήσεις προεπεξεργασίας που προκαλούνται στο Lambda κατά την αποσυσκευασία των πακέτων ανάπτυξης.
- Προσφέρει ευελιξία για απρόσκοπτη ενσωμάτωση με εσωτερικά συστήματα.
- Η μελλοντική συμβατότητα και η επεκτασιμότητα διευκολύνουν τη μετατροπή μιας υπηρεσίας χρησιμοποιώντας το Docker αντί να χρειάζεται να πακετάρετε αρχεία .zip σε μια λειτουργία Lambda.
- Μειώνει τον χρόνο διεκπεραίωσης για έναν αγωγό ανάπτυξης CI/CD.
- Παρέχει εξοικείωση με τον Docker εντός της ομάδας και ευκολία χρήσης.
- Παρέχει πρόσβαση σε αποθήκες δεδομένων μέσω API και χρόνου εκτέλεσης backend.
- Προσφέρει καλύτερη υποστήριξη για παρέμβαση για οποιαδήποτε προεπεξεργασία ή μεταεπεξεργασία που η Lambda θα απαιτούσε ξεχωριστή υπολογιστική υπηρεσία για κάθε διαδικασία (όπως εκπαίδευση ή ανάπτυξη).
Επισκόπηση λύσεων
Η κατηγοριοποίηση και η επισήμανση των email υποστήριξης είναι ένα κρίσιμο βήμα στη διαδικασία υποστήριξης πελατών. Επιτρέπει στις εταιρείες να κατευθύνουν τις συνομιλίες στις σωστές ομάδες και να κατανοούν σε υψηλό επίπεδο για ποιο θέμα επικοινωνούν οι πελάτες τους. Οι επιχειρηματικοί πελάτες της Kustomer χειρίζονται χιλιάδες συνομιλίες καθημερινά, επομένως η ταξινόμηση σε κλίμακα είναι μια πρόκληση. Η αυτοματοποίηση αυτής της διαδικασίας βοηθά τους πράκτορες να είναι πιο αποτελεσματικοί και να παρέχουν πιο συνεκτική υποστήριξη και βοηθά τους πελάτες τους συνδέοντάς τους με τα κατάλληλα άτομα πιο γρήγορα.
Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική λύσης:
Η διαδικασία ταξινόμησης συνομιλιών ξεκινά με τον επιχειρηματικό πελάτη που δίνει την άδεια στον Kustomer να δημιουργήσει μια γραμμή εκπαίδευσης και συμπερασμάτων που μπορεί να τον βοηθήσει με την ταξινόμηση κειμένου και τις συστάσεις με βάση τα συμφραζόμενα. Η Kustomer εκθέτει μια διεπαφή χρήστη στους πελάτες της για να παρακολουθεί τη διαδικασία εκπαίδευσης και συμπερασμάτων, η οποία υλοποιείται χρησιμοποιώντας το SageMaker μαζί με μοντέλα TensorFlow και προσαρμοσμένες εικόνες Docker. Η διαδικασία δημιουργίας και χρήσης ενός ταξινομητή χωρίζεται σε πέντε κύριες ροές εργασίας, οι οποίες συντονίζονται από μια υπηρεσία εργαζομένων που λειτουργεί σε ECS Amazon. Για να συντονίσει τα συμβάντα του αγωγού και να ενεργοποιήσει την εκπαίδευση και την ανάπτυξη του μοντέλου, ο εργαζόμενος χρησιμοποιεί ένα Amazon SQS ουρά και ενσωματώνεται απευθείας με το SageMaker χρησιμοποιώντας το Node.js SDK που παρέχεται από το AWS. Οι ροές εργασίας είναι:
- Εξαγωγή δεδομένων
- Προεπεξεργασία δεδομένων
- Εκπαίδευση
- Ανάπτυξη
- Συμπέρασμα
Εξαγωγή δεδομένων
Η διαδικασία εξαγωγής δεδομένων εκτελείται κατ' απαίτηση και ξεκινά με μια διαδικασία έγκρισης από τον επιχειρηματικό πελάτη της Kustomer για την επιβεβαίωση της χρήσης δεδομένων email για ανάλυση. Τα δεδομένα σχετικά με τη διαδικασία ταξινόμησης συλλέγονται μέσω του αρχικού email που λαμβάνεται από τον τελικό πελάτη. Για παράδειγμα, ένα μήνυμα ηλεκτρονικού ταχυδρομείου υποστήριξης περιέχει συνήθως την πλήρη συνεκτική σκέψη του προβλήματος με λεπτομέρειες σχετικά με το ζήτημα. Ως μέρος της διαδικασίας εξαγωγής, τα email συγκεντρώνονται από το χώρο αποθήκευσης δεδομένων (MongoDB και Amazon OpenSearch) και αποθηκεύτηκε σε Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3).
Προεπεξεργασία δεδομένων
Το στάδιο προεπεξεργασίας δεδομένων καθαρίζει το σύνολο δεδομένων για ροές εργασίας εκπαίδευσης και εξαγωγής συμπερασμάτων αφαιρώντας τυχόν ετικέτες HTML από τα μηνύματα ηλεκτρονικού ταχυδρομείου πελατών και τροφοδοτώντας τους μέσω πολλαπλών βημάτων καθαρισμού και απολύμανσης για τον εντοπισμό τυχόν κακής μορφής HTML. Αυτή η διαδικασία περιλαμβάνει τη χρήση του Tokenizers και μετασχηματιστές Hugging Face. Όταν ολοκληρωθεί η διαδικασία καθαρισμού, τυχόν πρόσθετα προσαρμοσμένα διακριτικά που απαιτούνται για εκπαίδευση προστίθενται στο σύνολο δεδομένων εξόδου.
Κατά το στάδιο της προεπεξεργασίας, μια συνάρτηση Lambda καλεί μια προσαρμοσμένη εικόνα Docker. Αυτή η εικόνα αποτελείται από μια λεπτή βάση Python 3.8, το AWS Lambda Python Runtime Interface Client, και εξαρτήσεις όπως μουδιασμένος και Πάντα. Η προσαρμοσμένη εικόνα Docker αποθηκεύεται σε Μητρώο εμπορευματοκιβωτίων Amazon Elastic (Amazon ECR) και στη συνέχεια τροφοδοτείται μέσω του αγωγού CI/CD για ανάπτυξη. Η αναπτυσσόμενη συνάρτηση Lambda λαμβάνει δείγματα των δεδομένων για να δημιουργήσει τρία διαφορετικά σύνολα δεδομένων ανά ταξινομητή:
- Εκπαίδευση – Χρησιμοποιείται για την πραγματική εκπαιδευτική διαδικασία
- Επικύρωση – Χρησιμοποιείται για επικύρωση κατά τη διαδικασία εκπαίδευσης TensorFlow
- Δοκιμή – Χρησιμοποιείται προς το τέλος της εκπαιδευτικής διαδικασίας για συγκρίσεις μοντέλων μετρήσεων
Τα σύνολα δεδομένων εξόδου που δημιουργούνται είναι αρχεία τουρσί Pandas, τα οποία αποθηκεύονται στο Amazon S3 για να χρησιμοποιηθούν από το στάδιο της εκπαίδευσης.
Εκπαίδευση
Η προσαρμοσμένη εικόνα εκπαίδευσης του Kustomer χρησιμοποιεί ένα βελτιστοποιημένο για GPU TensorFlow 2.7 docker εικόνα ως βάση. Ο προσαρμοσμένος κώδικας, οι εξαρτήσεις και τα βασικά μοντέλα περιλαμβάνονται πριν από τη μεταφόρτωση της προσαρμοσμένης εικόνας εκπαίδευσης docker στο ECR. Οι τύποι παρουσίας P3 χρησιμοποιούνται για τη διαδικασία εκπαίδευσης και η χρήση μιας εικόνας βάσης βελτιστοποιημένης GPU συμβάλλει στο να γίνει η διαδικασία εκπαίδευσης όσο το δυνατόν πιο αποτελεσματική. Το Amazon SageMaker χρησιμοποιείται με αυτήν την προσαρμοσμένη εικόνα docker για την εκπαίδευση μοντέλων TensorFlow που στη συνέχεια αποθηκεύονται στο S3. Οι προσαρμοσμένες μετρήσεις υπολογίζονται επίσης και αποθηκεύονται για να βοηθήσουν με πρόσθετες δυνατότητες, όπως συγκρίσεις μοντέλων και αυτόματη επανεκπαίδευση. Μόλις ολοκληρωθεί το στάδιο της εκπαίδευσης, ο εργαζόμενος σε τεχνητή νοημοσύνη ειδοποιείται και ο επιχειρηματικός πελάτης μπορεί να ξεκινήσει τη ροή εργασιών ανάπτυξης.
Ανάπτυξη
Για τη ροή εργασιών ανάπτυξης, δημιουργείται μια προσαρμοσμένη εικόνα συμπερασμάτων docker χρησιμοποιώντας μια εικόνα βάσης εξυπηρέτησης TensorFlow (που έχει κατασκευαστεί ειδικά για γρήγορη εξαγωγή συμπερασμάτων). Περιλαμβάνονται πρόσθετος κώδικας και εξαρτήσεις όπως numPy, Pandas, προσαρμοσμένο NL κ.λπ. για την παροχή πρόσθετων λειτουργιών, όπως η μορφοποίηση και ο καθαρισμός των εισόδων πριν από την εξαγωγή συμπερασμάτων. Το FastAPI περιλαμβάνεται επίσης ως μέρος της προσαρμοσμένης εικόνας και χρησιμοποιείται για την παροχή των τελικών σημείων REST API για συμπεράσματα και ελέγχους υγείας. Στη συνέχεια, το SageMaker διαμορφώνεται ώστε να αναπτύσσει τα μοντέλα TensorFlow που είναι αποθηκευμένα στο S3 με την εικόνα συμπεράσματος σε υπολογιστικές βελτιστοποιημένες παρουσίες ml.c5 AWS για τη δημιουργία τελικών σημείων συμπερασμάτων υψηλής απόδοσης. Κάθε τελικό σημείο δημιουργείται για χρήση από έναν μόνο πελάτη για την απομόνωση των μοντέλων και των δεδομένων του.
Συμπέρασμα
Μόλις ολοκληρωθεί η ροή εργασιών ανάπτυξης, η ροή εργασίας συμπερασμάτων αναλαμβάνει. Όλα τα πρώτα εισερχόμενα μηνύματα ηλεκτρονικού ταχυδρομείου υποστήριξης περνούν μέσω του API συμπερασμάτων για τους ανεπτυγμένους ταξινομητές ειδικά για αυτόν τον πελάτη. Οι ανεπτυγμένοι ταξινομητές εκτελούν στη συνέχεια ταξινόμηση κειμένου σε καθένα από αυτά τα μηνύματα ηλεκτρονικού ταχυδρομείου, καθένα από τα οποία δημιουργεί ετικέτες ταξινόμησης για τον πελάτη.
Πιθανές βελτιώσεις και προσαρμογές
Η Kustomer εξετάζει το ενδεχόμενο να επεκτείνει τη λύση με τις ακόλουθες βελτιώσεις:
- DLC Hugging Face – Ο Kustomer χρησιμοποιεί επί του παρόντος τις βασικές εικόνες Docker του TensorFlow για το στάδιο προεπεξεργασίας δεδομένων και σχεδιάζει να μεταβεί σε Containers Deep Learning Hugging Face (DLC). Αυτό σας βοηθά να ξεκινήσετε αμέσως μοντέλα προπόνησης, παρακάμπτοντας την περίπλοκη διαδικασία δημιουργίας και βελτιστοποίησης των περιβαλλόντων προπόνησής σας από την αρχή. Για περισσότερες πληροφορίες, βλ Αγκαλιασμένο πρόσωπο στο Amazon SageMaker.
- Βρόχος ανατροφοδότησης – Μπορείτε να εφαρμόσετε έναν βρόχο ανατροφοδότησης χρησιμοποιώντας τεχνικές ενεργητικής μάθησης ή ενισχυτικής μάθησης για να αυξήσετε τη συνολική αποτελεσματικότητα του μοντέλου.
- Ενοποίηση με άλλα εσωτερικά συστήματα – Η Kustomer θέλει τη δυνατότητα ενσωμάτωσης της ταξινόμησης κειμένου με άλλα συστήματα, όπως το Smart Suggestions, το οποίο είναι μια άλλη υπηρεσία Kustomer IQ που εξετάζει εκατοντάδες συντομεύσεις και προτείνει τις συντομεύσεις που είναι πιο σχετικές με ένα ερώτημα πελάτη, βελτιώνοντας τους χρόνους απόκρισης και την απόδοση του πράκτορα.
Συμπέρασμα
Σε αυτήν την ανάρτηση, συζητήσαμε πώς ο Kustomer χρησιμοποιεί προσαρμοσμένες εικόνες Docker για εκπαίδευση και εξαγωγή συμπερασμάτων του SageMaker, γεγονός που διευκολύνει την ενσωμάτωση και απλοποιεί τη διαδικασία. Δείξαμε πώς το Kustomer αξιοποιεί το Lambda και το SageMaker με προσαρμοσμένες εικόνες Docker που βοηθούν στην εφαρμογή της διαδικασίας ταξινόμησης κειμένου με ροές εργασίας προεπεξεργασίας και μεταεπεξεργασίας. Αυτό παρέχει ευελιξία για τη χρήση μεγαλύτερων εικόνων για δημιουργία μοντέλων, εκπαίδευση και συμπεράσματα. Η υποστήριξη εικόνας κοντέινερ για το Lambda σάς επιτρέπει να προσαρμόσετε τη λειτουργία σας ακόμη περισσότερο, ανοίγοντας πολλές νέες περιπτώσεις χρήσης για ML χωρίς διακομιστή. Η λύση εκμεταλλεύεται πολλές υπηρεσίες AWS, συμπεριλαμβανομένων των SageMaker, Lambda, Docker images, Amazon ECR, Amazon ECS, Amazon SQS και Amazon S3.
Εάν θέλετε να μάθετε περισσότερα για το Kustomer, σας συνιστούμε να επισκεφθείτε το Ιστοσελίδα Kustomer και εξερευνήστε τους Οι περιπτωσιολογικές μελέτες.
Πατήστε εδώ για να ξεκινήσετε το ταξίδι σας με το Amazon SageMaker. Για πρακτική εμπειρία, μπορείτε να ανατρέξετε στο Amazon SageMaker εργαστήριο.
Σχετικά με τους Συγγραφείς
Ουμές Καλασπουρκάρ είναι ένας αρχιτέκτονας λύσεων με έδρα τη Νέα Υόρκη για την AWS. Φέρνει περισσότερα από 20 χρόνια εμπειρίας στο σχεδιασμό και την παράδοση έργων Ψηφιακής Καινοτομίας και Μετασχηματισμού, σε επιχειρήσεις και νεοφυείς επιχειρήσεις. Έχει κίνητρο βοηθώντας τους πελάτες να εντοπίσουν και να ξεπεράσουν τις προκλήσεις. Εκτός δουλειάς, ο Umesh απολαμβάνει να είναι πατέρας, να κάνει σκι και να ταξιδεύει.
Ίαν Λάντζι είναι ανώτερος μηχανικός λογισμικού και μηχανικής μάθησης για την Kustomer και ειδικεύεται στην ανάληψη ερευνητικών εργασιών μηχανικής μάθησης και στη μετατροπή τους σε υπηρεσίες παραγωγής.
Prasad Shetty είναι ένας αρχιτέκτονας λύσεων με έδρα τη Βοστώνη για την AWS. Έχει κατασκευάσει προϊόντα λογισμικού και έχει οδηγήσει τον εκσυγχρονισμό και την ψηφιακή καινοτομία σε προϊόντα και υπηρεσίες σε όλες τις επιχειρήσεις για περισσότερα από 20 χρόνια. Είναι παθιασμένος με την οδήγηση της στρατηγικής και της υιοθέτησης του cloud και την αξιοποίηση της τεχνολογίας για τη δημιουργία εξαιρετικών εμπειριών πελατών. Στον ελεύθερο χρόνο του, ο Prasad απολαμβάνει την ποδηλασία και τα ταξίδια.
Jonathan Greifenberger είναι Ανώτερος Διευθυντής Λογαριασμού για AWS με έδρα τη Νέα Υόρκη με 25 χρόνια εμπειρίας στον κλάδο της πληροφορικής. Ο Jonathan ηγείται μιας ομάδας που βοηθά πελάτες από διάφορες βιομηχανίες και κλάδους στο ταξίδι υιοθέτησης και εκσυγχρονισμού του cloud.
- Coinsmart. Το καλύτερο ανταλλακτήριο Bitcoin και Crypto στην Ευρώπη.
- Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. ΕΛΕΥΘΕΡΗ ΠΡΟΣΒΑΣΗ.
- CryptoHawk. Ραντάρ Altcoin. Δωρεάν δοκιμή.
- Πηγή: https://aws.amazon.com/blogs/machine-learning/how-kustomer-utilizes-custom-docker-images-amazon-sagemaker-to-build-a-text-classification-pipeline/
- "
- &
- 100
- 20 χρόνια
- 7
- Σχετικά
- πρόσβαση
- Λογαριασμός
- απέναντι
- ενεργός
- Πρόσθετος
- Υιοθεσία
- Πλεονέκτημα
- πλεονεκτήματα
- παράγοντες
- AI
- αλγόριθμοι
- Όλα
- Amazon
- ανάλυση
- Άλλος
- api
- APIs
- πλησιάζω
- αρχιτεκτονική
- Αυτοματοποίηση
- AWS
- είναι
- χτίζω
- Κτίριο
- επιχείρηση
- δυνατότητες
- περιπτώσεις
- προκαλούνται
- πρόκληση
- προκλήσεις
- έλεγχοι
- ταξινόμηση
- Καθάρισμα
- Backup
- κωδικός
- Διαβιβάσεις
- Εταιρείες
- Υπολογίστε
- καταναλωτής
- Δοχείο
- Εμπορευματοκιβώτια
- Περιέχει
- περιεχόμενο
- Συνομιλία
- συνομιλίες
- εμπειρία του πελάτη
- Εξυπηρέτηση πελατών
- Εξυπηρέτηση πελατών
- Πελάτες
- ημερομηνία
- ημέρα
- καθυστερήσεις
- διανομή
- Ζήτηση
- ανάπτυξη
- Υπηρεσίες
- αναπτύχθηκε
- ψηφιακό
- ανακάλυψη
- Λιμενεργάτης
- οδήγηση
- Αποτελεσματικός
- αποδοτικότητα
- ΗΛΕΚΤΡΟΝΙΚΗ ΔΙΕΥΘΥΝΣΗ
- ενεργοποίηση
- ενθαρρύνει
- Τελικό σημείο
- μηχανικός
- Εταιρεία
- εκδηλώσεις
- παράδειγμα
- Επέκταση
- εμπειρία
- Δραστηριοτητες
- Πρόσωπο
- FAST
- Fed
- ανατροφοδότηση
- Όνομα
- Ευελιξία
- Εξής
- λειτουργία
- λειτουργικότητα
- παράγουν
- Δίνοντας
- GPU
- εξαιρετική
- Επισκέπτης
- Κείμενο
- που έχει
- Υγεία
- βοήθεια
- βοηθά
- Ψηλά
- Πως
- HTTPS
- Εκατοντάδες
- προσδιορίσει
- εικόνα
- εφαρμογή
- εφαρμοστεί
- περιλαμβάνονται
- Συμπεριλαμβανομένου
- Αυξάνουν
- αυξημένη
- βιομηχανίες
- βιομηχανία
- πληροφορίες
- Καινοτομία
- ιδέες
- ενσωματώσει
- ολοκλήρωση
- Έξυπνος
- πρόθεση
- περιβάλλον λειτουργίας
- ζήτημα
- IT
- τιτλοφόρηση
- Ετικέτες
- large
- μεγαλύτερος
- ΜΑΘΑΊΝΩ
- μάθηση
- Led
- Επίπεδο
- μόχλευσης
- τοπικά
- μηχανή
- μάθηση μηχανής
- Κατασκευή
- διευθυντής
- Metrics
- ML
- μοντέλο
- μοντέλα
- MongoDB
- πλέον
- Νέα Υόρκη
- ενορχήστρωση
- τάξη
- οργανώσεις
- ΑΛΛΑ
- αλλιώς
- People
- επίδοση
- πλατφόρμες
- Δημοφιλής
- δυνατός
- πρόβλεψη
- τιμολόγηση
- Πρόβλημα
- διαδικασια μας
- Προϊόν
- παραγωγή
- παραγωγικότητα
- Προϊόντα
- έργα
- παρέχουν
- παρέχει
- γρήγορα
- μείωση
- απαιτούν
- απαιτείται
- έρευνα
- απάντησης
- ΠΕΡΙΦΕΡΕΙΑ
- Διαδρομή
- τρέξιμο
- τρέξιμο
- Απεριόριστες δυνατότητες
- Κλίμακα
- SDK
- Χωρίς διακομιστή
- υπηρεσία
- Υπηρεσίες
- εξυπηρετούν
- σειρά
- Απλούς
- Μέγεθος
- έξυπνος
- So
- λογισμικό
- Λύσεις
- ειδικεύεται
- ειδικά
- διαίρεση
- Στάδιο
- Εκκίνηση
- Startups
- χώρος στο δίσκο
- κατάστημα
- καταστήματα
- Στρατηγική
- απογύμνωση
- μελέτες
- ουσιώδης
- υποστήριξη
- συστήματα
- Συζήτηση
- εργασίες
- τεχνικές
- Τεχνολογία
- χιλιάδες
- Μέσω
- ώρα
- κουπόνια
- Θέματα
- Εκπαίδευση
- Μεταμόρφωση
- καταλαβαίνω
- Δες
- Τι
- εντός
- λόγια
- Εργασία
- χρόνια