Esta publicación es coautora de Daryl Martis, Director de Producto, Salesforce Einstein AI.
Esta es la tercera publicación de una serie que analiza la integración de Salesforce Data Cloud y Amazon SageMaker.
In Parte 1 y Parte 2, mostramos cómo la integración de Salesforce Data Cloud y Einstein Studio con SageMaker permite a las empresas acceder a sus datos de Salesforce de forma segura utilizando SageMaker y utilizar sus herramientas para crear, entrenar e implementar modelos en puntos finales alojados en SageMaker. Los puntos finales de SageMaker se pueden registrar en Salesforce Data Cloud para activar predicciones en Salesforce.
En esta publicación, demostramos cómo los analistas de negocios y los científicos de datos ciudadanos pueden crear modelos de aprendizaje automático (ML), sin ningún código, en Lienzo de Amazon SageMaker e implementar modelos capacitados para la integración con Salesforce Einstein Studio para crear potentes aplicaciones comerciales. SageMaker Canvas proporciona una experiencia sin código para acceder a datos de Salesforce Data Cloud y crear, probar e implementar modelos con solo unos pocos clics. SageMaker Canvas también le permite comprender sus predicciones utilizando la importancia de las características y los valores SHAP, lo que le facilita explicar las predicciones realizadas por los modelos ML.
Lienzo SageMaker
SageMaker Canvas permite a los analistas de negocios y equipos de ciencia de datos crear y utilizar modelos de aprendizaje automático e inteligencia artificial generativa sin tener que escribir una sola línea de código. SageMaker Canvas proporciona una interfaz visual de apuntar y hacer clic para generar predicciones de aprendizaje automático precisas para clasificación, regresión, pronóstico, procesamiento del lenguaje natural (NLP) y visión por computadora (CV). Además, puede acceder y evaluar modelos básicos (FM) desde lecho rocoso del amazonas o FM públicos de JumpStart de Amazon SageMaker para generación de contenido, extracción de texto y resumen de texto para respaldar soluciones de IA generativa. SageMaker Canvas le permite lleve modelos de aprendizaje automático creados en cualquier lugar y generar predicciones directamente en SageMaker Canvas.
Nube de datos de Salesforce y Estudio Einstein
Salesforce Data Cloud es una plataforma de datos que proporciona a las empresas actualizaciones en tiempo real de los datos de sus clientes desde cualquier punto de contacto.
Einstein Studio es una puerta de entrada a las herramientas de inteligencia artificial en Salesforce Data Cloud. Con Einstein Studio, los administradores y científicos de datos pueden crear modelos sin esfuerzo con unos pocos clics o usando código. La experiencia de traer su propio modelo (BYOM) de Einstein Studio brinda la capacidad de conectar modelos de IA personalizados o generativos desde plataformas externas como SageMaker a Salesforce Data Cloud.
Resumen de la solución
Para demostrar cómo puede crear modelos de aprendizaje automático utilizando datos en Salesforce Data Cloud utilizando SageMaker Canvas, creamos un modelo predictivo para recomendar un producto. Este modelo utiliza las funciones almacenadas en Salesforce Data Cloud, como datos demográficos de los clientes, compromisos de marketing e historial de compras. El modelo de recomendación de productos se crea e implementa mediante la interfaz de usuario sin código de SageMaker Canvas utilizando datos en Salesforce Data Cloud.
Usamos lo siguiente conjunto de datos de muestra guardado en Servicio de almacenamiento simple de Amazon (Amazon S3). Para utilizar este conjunto de datos en Salesforce Data Cloud, consulte Crear flujo de datos de Amazon S3 en la nube de datos. Se necesitan los siguientes atributos para crear el modelo:
- Miembro del Club – Si el cliente es socio del club
- Campaña – La campaña de la que forma parte el cliente
- Estado – El estado o provincia en el que reside el cliente
- Mes – El mes de la compra
- Conteo de casos – El número de casos planteados por el cliente
- Tipo de Caso Devolución – Si el cliente devolvió algún producto en el último año
- Tipo de caja Envío dañado – Si el cliente tuvo algún envío dañado en el último año
- Puntuación de compromiso – El nivel de compromiso que tiene el cliente (respuesta a campañas de correo, inicios de sesión en la tienda en línea, etc.)
- Tenencia – La tenencia de la relación del cliente con la empresa.
- Clicks – El número promedio de clics que el cliente ha hecho dentro de una semana antes de la compra
- Páginas visitadas – El número promedio de páginas que el cliente visitó dentro de una semana antes de la compra.
- Producto comprado – El producto real comprado
Los siguientes pasos brindan una descripción general de cómo utilizar el conector Salesforce Data Cloud lanzado en SageMaker Canvas para acceder a los datos de su empresa y crear un modelo predictivo:
- Configure la aplicación conectada Salesforce para registrar el dominio SageMaker Canvas.
- Configure OAuth para Salesforce Data Cloud en SageMaker Canvas.
- Conéctese a los datos de Salesforce Data Cloud utilizando el conector integrado de SageMaker Canvas Salesforce Data Cloud e importe el conjunto de datos.
- Construya y entrene modelos en SageMaker Canvas.
- Implemente el modelo en SageMaker Canvas y haga predicciones.
- Implementar un Puerta de enlace API de Amazon punto final como conexión frontal al punto final de inferencia de SageMaker.
- Registre el punto final de API Gateway en Einstein Studio. Para obtener instrucciones, consulte Lleve sus propios modelos de IA a la nube de datos.
El siguiente diagrama ilustra la arquitectura de la solución.
Requisitos previos
Antes de comenzar, complete los siguientes pasos previos para crear un dominio de SageMaker y habilitar SageMaker Canvas:
- Crear una Estudio Amazon SageMaker dominio. Para obtener instrucciones, consulte Incorporación al dominio de Amazon SageMaker.
- Anote el ID de dominio y la función de ejecución que se crea y que utilizará su perfil de usuario. Agregue permisos a este rol en los pasos siguientes.
La siguiente captura de pantalla muestra el dominio que creamos para esta publicación.
- A continuación, vaya al perfil de usuario y elija Editar.
- Navegue hasta la Configuración del lienzo de Amazon SageMaker sección y seleccione Habilitar permisos básicos de Canvas.
- Seleccione Habilite implementaciones directas de modelos Canvas y Habilitar permisos de registro de modelos para todos los usuarios.
Esto permite a SageMaker Canvas implementar modelos en puntos finales en la consola de SageMaker. Estas configuraciones se pueden configurar a nivel de dominio o perfil de usuario. La configuración del perfil de usuario tiene prioridad sobre la configuración del dominio.
Crear o actualizar la aplicación conectada Salesforce
A continuación, creamos una aplicación conectada a Salesforce para habilitar el flujo de OAuth desde SageMaker Canvas a Salesforce Data Cloud. Complete los siguientes pasos:
- Inicie sesión en Salesforce y navegue hasta Preparar.
- Busque App Manager y crea una nueva aplicación conectada.
- Proporcione las siguientes entradas:
- Nombre de la aplicación conectada, ingresa un nombre.
- Nombre de API, déjelo como predeterminado (se rellena automáticamente).
- Correo electrónico de contacto, ingrese su dirección de correo electrónico de contacto.
- Seleccione Habilitar la configuración de OAuth.
- URL de devolución de llamada, introduzca
https://<domain-id>.studio.<region>.sagemaker.aws/canvas/default/lab
y proporcione el ID de dominio y la región de su dominio de SageMaker.
- Configure los siguientes ámbitos en su aplicación conectada:
- Administrar datos de usuario a través de API (
api
). - Realizar solicitudes en cualquier momento (
refresh_token
,offline_access
). - Realizar consultas ANSI SQL sobre datos de Salesforce Data Cloud (Datos
Cloud_query_api
). - Administrar datos de perfil de Data Cloud (
Data Cloud_profile_api
). - Acceder al servicio de URL de identidad (
id
,profile
,email
,address
,phone
). - Acceder a identificadores de usuario únicos (
openid
).
- Administrar datos de usuario a través de API (
- Configura tu aplicación conectada Relajación de PI el establecimiento de Relaje las restricciones de IP.
Configurar los ajustes de OAuth para el conector de Salesforce Data Cloud
Usos de SageMaker Canvas Director de secretos de AWS para almacenar de forma segura información de conexión desde la aplicación conectada Salesforce. SageMaker Canvas permite a los administradores configurar los ajustes de OAuth para un perfil de usuario individual o a nivel de dominio. Tenga en cuenta que puede agregar un secreto tanto a un dominio como a un perfil de usuario, pero SageMaker Canvas busca primero los secretos en el perfil de usuario.
Para configurar sus ajustes de OAuth, complete los siguientes pasos:
- Navegue para editar la configuración del dominio o perfil de usuario en SageMaker Console.
- Elige Configuración de lienzo en el panel de navegación.
- under Configuración de OAuth, Para Fuente de datos, escoger Nube de datos de Salesforce.
- configuración secreta, puede crear un secreto nuevo o utilizar un secreto existente. Para este ejemplo, creamos un nuevo secreto e ingresamos el ID del cliente y el secreto del cliente desde la aplicación conectada Salesforce.
Para obtener más detalles sobre cómo habilitar OAuth en SageMaker Canvas, consulte Configurar OAuth para Salesforce Data Cloud.
Esto completa la configuración para permitir el acceso a datos desde Salesforce Data Cloud a SageMaker Canvas para crear modelos de IA y ML.
Importar datos desde Salesforce Data Cloud
Para importar sus datos, complete los siguientes pasos:
- Desde el perfil de usuario que creó con su dominio SageMaker, elija Más información y seleccionar Canvas.
La primera vez que acceda a su aplicación Canvas, la creación le llevará unos 10 minutos.
- Elige Wrangler de datos en el panel de navegación.
- En Crear menú, seleccione Tabular para crear un conjunto de datos tabulares.
- Asigne un nombre al conjunto de datos y elija Crear.
- Fuente de datos, escoger Nube de datos de Salesforce y Agregar conexión para importar el objeto del lago de datos.
Si previamente configuró una conexión a Salesforce Data Cloud, verá una opción para usar esa conexión en lugar de crear una nueva.
- Proporcione un nombre para una nueva conexión de Salesforce Data Cloud y elija Añadir conexión.
Tardará unos minutos en completarse.
- Usted será redirigido a la inicio de sesión de salesforce página para autorizar la conexión.
Una vez que el inicio de sesión sea exitoso, la solicitud se redirigirá nuevamente a SageMaker Canvas con la lista de objetos del lago de datos.
- Seleccione el conjunto de datos que contiene las funciones para el entrenamiento de modelos que se cargó a través de Amazon S3.
- Arrastre y suelte el archivo, luego elija Editar en SQL.
Salesforce agrega un “__c
“ a todos los campos de objetos de Data Cloud. Según la convención de nomenclatura de SageMaker Canvas, ”__“
no está permitido en los nombres de los campos.
- Edite el SQL para cambiar el nombre de las columnas y eliminar metadatos que no sean relevantes para el entrenamiento del modelo. Reemplace el nombre de la tabla con el nombre de su objeto.
- Elige Ejecutar SQL y luego Crear conjunto de datos.
- Seleccione el conjunto de datos y elija Crea un modelo.
- Para crear un modelo para predecir una recomendación de producto, proporcione un nombre de modelo, elija Análisis predictivo para Tipo de problema, y elige Crear.
Construir y entrenar el modelo.
Complete los siguientes pasos para construir y entrenar su modelo:
- Después de lanzar el modelo, establezca la columna de destino en
product_purchased
.
SageMaker Canvas muestra estadísticas clave y correlaciones de cada columna con la columna de destino. SageMaker Canvas le proporciona herramientas para obtener una vista previa de su modelo y validar datos antes de comenzar a construir.
- Utilice la función de vista previa del modelo para ver la precisión de su modelo y validar su conjunto de datos para evitar problemas mientras construye el modelo.
- Después de revisar sus datos y realizar cambios en su conjunto de datos, elija su tipo de compilación. El Construcción rápida La opción puede ser más rápida, pero solo utilizará un subconjunto de sus datos para construir un modelo. Para el propósito de esta publicación, seleccionamos el Construcción estándar .
Una construcción estándar puede tardar entre 2 y 4 horas en completarse.
SageMaker Canvas maneja automáticamente los valores faltantes en su conjunto de datos mientras construye el modelo. También aplicará otras transformaciones de preparación de datos para que usted tenga los datos listos para ML.
- Una vez que su modelo comience a construirse, puede salir de la página.
Cuando el modelo se muestra como Listo! en Mis modelos página, está lista para análisis y predicciones.
- Una vez construido el modelo, navegue hasta My modelos, escoger Ver para ver el modelo que creó y elija la versión más reciente.
- Visite la Analizar para ver el impacto de cada característica en la predicción.
- Para obtener información adicional sobre las predicciones del modelo, navegue hasta el Scoring .
- Elige Predicción para iniciar una predicción de producto.
Implementar el modelo y hacer predicciones.
Complete los siguientes pasos para implementar su modelo y comenzar a hacer predicciones:
- Puede optar por realizar predicciones individuales o por lotes. Para el propósito de esta publicación, elegimos Predicción única.
Cuando tu elijas Predicción única, SageMaker Canvas muestra las funciones para las que puede proporcionar entradas.
- Puede cambiar los valores eligiendo Actualizar y ver la predicción en tiempo real.
Se mostrará la precisión del modelo así como el impacto de cada característica para esa predicción específica.
- Para implementar el modelo, proporcione un nombre de implementación, seleccione un tipo de instancia y un recuento de instancias, y elija Despliegue.
La implementación del modelo tardará unos minutos.
El estado del modelo se actualiza a En servicio después de que la implementación sea exitosa.
SageMaker Canvas ofrece una opción para probar la implementación.
- Elige Ver detalles.
La Detalles La pestaña proporciona los detalles del punto final del modelo. El tipo de instancia, el recuento, el formato de entrada, el contenido de la respuesta y el punto final son algunos de los detalles clave que se muestran.
- Elige Implementación de prueba para probar el punto final implementado.
De manera similar a la predicción única, la vista muestra las funciones de entrada y proporciona una opción para actualizar y probar el punto final en tiempo real.
La nueva predicción junto con el resultado de la invocación del punto final se devuelve al usuario.
Cree una API para exponer SageMaker Endpoint
Para generar predicciones que impulsen las aplicaciones empresariales en Salesforce, debe exponer el punto final de inferencia de SageMaker creado por su implementación de SageMaker Canvas a través de API Gateway y registrarlo en Salesforce Einstein.
Los formatos de solicitud y respuesta varían entre el punto final de inferencia de Salesforce Einstein y SageMaker. Podrías usar API Gateway para realizar la transformación o usar AWS Lambda para transformar la solicitud y mapear la respuesta. Referirse a Llame a un punto de enlace de modelo de Amazon SageMaker mediante Amazon API Gateway y AWS Lambda para exponer un punto final de SageMaker a través de Lambda y API Gateway.
El siguiente fragmento de código es una función Lambda para transformar la solicitud y la respuesta.
Actualizar el endpoint
y prediction_label
valores en la función Lambda según su configuración.
- Agregar una variable de entorno
SAGEMAKER_ENDPOINT_NAME
para capturar el punto final de inferencia de SageMaker. - Configure la etiqueta de predicción para que coincida con la clave JSON de salida del modelo registrada en Einstein Studio.
El tiempo de espera predeterminado para una función Lambda es de 3 segundos. Dependiendo del tamaño de entrada de la solicitud de predicción, la API de inferencia en tiempo real de SageMaker puede tardar más de 3 segundos en responder.
- Aumente el tiempo de espera de la función Lambda pero manténgalo por debajo del Tiempo de espera de integración predeterminado de API Gateway, que es 29 segundos.
Registre el modelo en Salesforce Einstein Studio
Para registrar el punto final de API Gateway en Einstein Studio, consulte Lleve sus propios modelos de IA a la nube de datos.
Conclusión
En esta publicación, explicamos cómo puede usar SageMaker Canvas para conectarse a Salesforce Data Cloud y generar predicciones a través de funciones de aprendizaje automático automatizadas sin escribir una sola línea de código. Demostramos la capacidad de creación de modelos de SageMaker Canvas para realizar una vista previa temprana del rendimiento de su modelo antes de ejecutar la compilación estándar que entrena el modelo con el conjunto de datos completo. También mostramos actividades de creación posteriores al modelo, como el uso de la interfaz de predicciones única dentro de SageMaker Canvas y la comprensión de sus predicciones utilizando la importancia de las funciones. A continuación, utilizamos el punto final de SageMaker creado en SageMaker Canvas y lo pusimos a disposición como API para que pueda integrarlo con Salesforce Einstein Studio y crear potentes aplicaciones de Salesforce.
En una próxima publicación, le mostraremos cómo utilizar los datos de Salesforce Data Cloud en SageMaker Canvas para hacer que la preparación y el conocimiento de los datos sean aún más sencillos mediante el uso de una interfaz visual e indicaciones simples en lenguaje natural.
Para comenzar con SageMaker Canvas, consulte Jornada de inmersión en SageMaker Canvas y referirse a Introducción a Amazon SageMaker Canvas.
Sobre los autores
daryl martis es el director de producto de Einstein Studio en Salesforce Data Cloud. Tiene más de 10 años de experiencia en planificación, creación, lanzamiento y gestión de soluciones de clase mundial para clientes empresariales, incluidas AI/ML y soluciones en la nube. Anteriormente trabajó en la industria de servicios financieros en la ciudad de Nueva York. Síguelo en LinkedIn.
Rachna chadha es Principal Solutions Architect AI/ML en Cuentas Estratégicas en AWS. Rachna es una optimista que cree que el uso ético y responsable de la IA puede mejorar la sociedad en el futuro y generar prosperidad económica y social. En su tiempo libre, a Rachna le gusta pasar tiempo con su familia, hacer caminatas y escuchar música.
ife stewart es Arquitecto Principal de Soluciones en el segmento de ISV Estratégicos en AWS. Ha estado comprometida con Salesforce Data Cloud durante los últimos 2 años para ayudar a crear experiencias de clientes integradas en Salesforce y AWS. Ife tiene más de 10 años de experiencia en tecnología. Es una defensora de la diversidad y la inclusión en el campo de la tecnología.
Ravi Bhattiprolu es arquitecto de soluciones de socio sénior en AWS. Ravi trabaja con socios estratégicos, Salesforce y Tableau, para ofrecer productos y soluciones innovadores y bien diseñados que ayuden a los clientes conjuntos a alcanzar sus objetivos comerciales.
Miriam Lebowitz es Arquitecto de Soluciones en el segmento ISV Estratégico en AWS. Trabaja con equipos de Salesforce, incluido Salesforce Data Cloud, y se especializa en análisis de datos. Fuera del trabajo, le gusta hornear, viajar y pasar tiempo de calidad con amigos y familiares.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
- PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
- PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/democratize-ml-on-salesforce-data-cloud-with-no-code-amazon-sagemaker-canvas/
- :posee
- :es
- :no
- $ UP
- 1
- 10
- 100
- 29
- 7
- 8
- a
- Nuestra Empresa
- de la máquina
- Cuentas
- la exactitud
- preciso
- a través de
- actividades
- real
- add
- adición
- Adicionales
- Información adicional
- dirección
- Añade
- administradores
- defensor
- Después
- AI
- Modelos AI
- AI / ML
- Todos
- permitido
- permite
- a lo largo de
- también
- Amazon
- Puerta de enlace API de Amazon
- Amazon SageMaker
- Lienzo de Amazon SageMaker
- Amazon Web Services
- an
- análisis
- Analistas
- Analytics
- y
- cualquier
- abejas
- API
- applicación
- aplicaciones
- Aplicá
- arquitectura
- somos
- AS
- At
- atributos
- autorizar
- Confirmación de Viaje
- automáticamente
- Hoy Disponibles
- promedio
- AWS
- Atrás
- bases
- basado
- BE
- esto
- antes
- comenzar
- cree
- a continuación
- entre
- cuerpo
- ambas
- llevar
- build
- Construir la
- construye
- construido
- incorporado
- Aplicaciones empresariales
- negocios
- pero
- by
- California
- Campaña
- Campañas
- PUEDEN
- lienzo
- capacidad
- capturar
- cases
- el cambio
- Cambios
- Elige
- la elección de
- ciudadano
- Ciudad
- clasificación
- cliente
- Soluciones
- club
- código
- Columna
- Columnas
- completar
- ultima
- computadora
- Visión por computador
- Conducir
- Configuración
- configurado
- Contacto
- conectado
- conexión
- Consola
- contacte
- contiene
- contenido
- Generación de contenido
- contexto
- Convención
- correlaciones
- podría
- Para crear
- creado
- Creamos
- creación
- personalizado
- cliente
- datos de los clientes
- Clientes
- datos
- acceso a los datos
- Data Analytics
- Lago de datos
- Plataforma de datos
- Ciencia de los datos
- Predeterminado
- entregamos
- democratizar
- Demografía
- demostrar
- demostrado
- Dependiente
- desplegar
- desplegado
- despliegue
- Despliegues
- detalles
- de reservas
- directamente
- Director
- discutir
- aquí
- Diversidad
- Diversidad e inclusión
- dominio
- DE INSCRIPCIÓN
- Soltar
- cada una
- Temprano en la
- Economic
- sin esfuerzo
- Einstein
- ya sea
- habilitar
- permite
- permitiendo
- Punto final
- comprometido
- de su negocio.
- compromisos
- Participar
- Empresa
- Entorno
- ético
- evaluar
- Incluso
- Evento
- ejemplo
- ejecución
- existente
- experience
- Experiencias
- Explicar
- explicado
- externo
- Extracción
- familia
- más rápida
- Feature
- Caracteristicas
- pocos
- campo
- Terrenos
- Archive
- financiero
- servicios financieros
- Nombre
- primer vez
- de tus señales
- seguir
- siguiendo
- formato
- Fundación
- amigos
- Desde
- ser completados
- función
- futuras
- puerta
- generar
- generación de AHSS
- generativo
- IA generativa
- obtener
- Donar
- Go
- tenido
- Manijas
- es
- he
- ayuda
- aquí
- historia
- organizado
- HORAS
- Cómo
- Como Hacer
- HTML
- http
- HTTPS
- ID
- Identificadores
- Identidad
- if
- ilustra
- inmersión
- Impacto
- importar
- importancia
- mejorar
- in
- Incluye
- inclusión
- INSTRUMENTO individual
- energético
- información
- iniciar
- originales
- Las opciones de entrada
- entradas
- Insights
- ejemplo
- Instrucciones
- integrar
- COMPLETAMENTE
- integración
- Interfaz
- IP
- cuestiones
- Isv
- IT
- SUS
- articulación
- jpg
- json
- solo
- Guardar
- Clave
- Label
- lago
- idioma
- Apellidos
- lanzado
- lanzamiento
- aprendizaje
- Abandonar
- Nivel
- como
- Me gusta
- línea
- Etiqueta LinkedIn
- Escucha Activa
- listado
- Inicie sesión
- MIRADAS
- máquina
- máquina de aprendizaje
- hecho
- envío
- para lograr
- Realizar
- administrar
- mapa
- Marketing
- Match
- Puede..
- metadatos
- Min
- que falta
- ML
- modelo
- modelos
- Mes
- más,
- MEJOR DE TU
- Música
- nombre
- nombres
- nombrando
- Natural
- Procesamiento natural del lenguaje
- Navegar
- Navegación
- ¿ Necesita ayuda
- Nuevo
- New York
- Ciudad de Nueva York
- Next
- nlp
- nota
- número
- juramento
- objeto
- ,
- of
- on
- ONE
- en línea
- , solamente
- Optión
- or
- OS
- Otro
- salida
- afuera
- Más de
- visión de conjunto
- EL DESARROLLADOR
- página
- paginas
- cristal
- parte
- Socio
- socios
- para
- Realizar
- actuación
- permisos
- planificar
- plataforma
- Plataformas
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- punto
- poblado
- Publicación
- industria
- poderoso
- predecir
- predicción
- Predicciones
- preparación
- evitar
- Vista previa
- previamente
- Director de la escuela
- Anterior
- tratamiento
- Producto
- Productos
- Mi Perfil
- ideas
- prosperidad
- proporcionar
- proporciona un
- público
- comprar
- propósito
- calidad
- consultas
- elevado
- ready
- real
- en tiempo real
- darse cuenta de
- reciente
- recomiendan
- Recomendación
- remitir
- región
- registrarte
- registrado
- registro
- relación
- reemplazar
- solicita
- solicitudes
- Responder
- respuesta
- responsable
- restricciones
- resultado
- volvemos
- la revisión
- Función
- correr
- tiempo de ejecución
- sabio
- Inferencia de SageMaker
- fuerza de ventas
- Ciencia:
- los científicos
- segundos
- Secreto
- secretos
- Sección
- segura
- ver
- segmento
- selecciona
- seleccionado
- Serie
- de coches
- Servicios
- set
- pólipo
- ajustes
- Configure
- ella
- Mostrar
- exhibido
- Shows
- sencillos
- soltero
- Tamaño
- retazo
- So
- Social
- Sociedades
- a medida
- Soluciones
- algo
- se especializa
- soluciones y
- Gastos
- estándar
- comienzo
- fundó
- Estado
- statistics
- Estado
- pasos
- Stewart
- STORAGE
- tienda
- almacenados
- sencillo
- Estratégico
- socios estratégicos
- stream
- estudio
- posterior
- exitosos
- tal
- SOPORTE
- mesa
- Cuadro
- ¡Prepárate!
- Target
- equipos
- Tecnología
- test
- texto
- que
- esa
- La
- El futuro de las
- El Estado
- su
- luego
- Estas
- Código
- así
- A través de esta formación, el personal docente y administrativo de escuelas y universidades estará preparado para manejar los recursos disponibles que derivan de la diversidad cultural de sus estudiantes. Además, un mejor y mayor entendimiento sobre estas diferencias y similitudes culturales permitirá alcanzar los objetivos de inclusión previstos.
- equipo
- a
- contacto
- Entrenar
- entrenado
- Formación
- trenes
- Transformar
- transformaciones
- Viajar
- tipo
- entender
- comprensión
- único
- próximos
- Actualizar
- actualizado
- Actualizaciones
- subido
- Enlance
- utilizan el
- usado
- Usuario
- Interfaz de usuario
- usos
- usando
- VALIDAR
- Valores
- variable
- versión
- vía
- Ver
- visión
- visitado
- visual
- fue
- Washington
- we
- web
- servicios web
- semana
- WELL
- sean
- que
- mientras
- QUIENES
- seguirá
- dentro de
- sin
- Actividades:
- trabajado
- funciona
- Talleres
- clase mundial
- escribir
- la escritura
- años
- york
- Usted
- tú
- zephyrnet