Esta publicación es coautora de Daryl Martis, Director de Producto, Salesforce Einstein AI.
Esta es la segunda publicación de una serie que analiza la integración de Salesforce Data Cloud y Amazon SageMaker. En Parte 1, 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 mediante SageMaker y usar sus herramientas para crear, entrenar e implementar modelos en terminales alojados en SageMaker. Luego, los terminales se registran en Salesforce Data Cloud para activar las predicciones en Salesforce.
En esta publicación, ampliamos este tema para demostrar cómo usar Einstein Studio para recomendaciones de productos. Puede utilizar esta integración para modelos tradicionales, así como para modelos de lenguaje extenso (LLM).
Resumen de la solución
En esta publicación, demostramos cómo crear un modelo predictivo en SageMaker para recomendar el siguiente mejor producto a sus clientes mediante el uso de datos históricos como datos demográficos de clientes, compromisos de marketing e historial de compras de Salesforce Data Cloud.
Usamos lo siguiente conjunto de datos de muestra. Para usar este conjunto de datos en su nube de datos, consulte Crear flujo de datos de Amazon S3 en la nube de datos.
Los siguientes atributos son necesarios 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 ha visitado dentro de una semana antes de la compra
- Producto comprado – El producto real comprado
- Id – El ID del registro
- DateTime – La marca de tiempo del conjunto de datos
El modelo de recomendación de productos se crea e implementa en SageMaker y se entrena con datos en Salesforce Data Cloud. Los siguientes pasos brindan una descripción general de cómo usar las nuevas capacidades lanzadas en SageMaker para Salesforce para habilitar la integración general:
- Configura el Estudio Amazon SageMaker dominio y OAuth entre Salesforce y la cuenta de AWS
s. - Use la capacidad recientemente lanzada del Wrangler de datos de Amazon SageMaker conector para Salesforce Data Cloud para preparar los datos en SageMaker sin copiar los datos de Salesforce Data Cloud.
- Entrene un modelo de recomendación en SageMaker Studio utilizando datos de entrenamiento que se prepararon con SageMaker Data Wrangler.
- Empaquete el contenedor de SageMaker Data Wrangler y el contenedor del modelo de recomendación entrenado en una tubería de inferencia por lo que la solicitud de inferencia puede usar los mismos pasos de preparación de datos que creó para preprocesar los datos de entrenamiento. Los datos de llamadas de inferencia en tiempo real se pasan primero al contenedor SageMaker Data Wrangler en la canalización de inferencia, donde se procesan previamente y se pasan al modelo entrenado para la recomendación de productos. Para obtener más información sobre este proceso, consulte Nuevo: presentación de soporte para inferencia por lotes y en tiempo real en Amazon SageMaker Data Wrangler. Aunque usamos un algoritmo específico para entrenar el modelo en nuestro ejemplo, puede usar cualquier algoritmo que considere apropiado para su caso de uso.
- Utilice la plantilla de proyecto proporcionada por SageMaker recientemente lanzada para la integración de Salesforce Data Cloud para agilizar la implementación de los pasos anteriores proporcionando las siguientes plantillas:
- Un bloc de notas de ejemplo que muestra la preparación de datos, la construcción, el entrenamiento y el registro del modelo.
- La plantilla de proyecto proporcionada por SageMaker para la integración de Salesforce Data Cloud, que automatiza la creación de un extremo de SageMaker que aloja el modelo de canalización de inferencia. Cuando una versión del modelo en el Registro de modelos de Amazon SageMaker se aprueba, el punto final se expone como una API con Puerta de enlace API de Amazon utilizando un autorizador personalizado de token web JSON de Salesforce (JWT). Se requiere API Gateway para permitir que Salesforce Data Cloud realice predicciones contra el extremo de SageMaker mediante un token JWT que Salesforce crea y pasa con la solicitud al realizar predicciones desde Salesforce. JWT se puede utilizar como parte de los marcos OpenID Connect (OIDC) y OAuth 2.0 para restringir el acceso de los clientes a sus API.
- Después de crear la API, recomendamos registrar el extremo del modelo en Salesforce Einstein Studio. Para obtener instrucciones, consulte Lleve sus propios modelos de IA a Salesforce con Einstein Studio
El siguiente diagrama ilustra la arquitectura de la solución.
Crear un dominio de SageMaker Studio
Primero, cree un dominio de SageMaker Studio. Para obtener instrucciones, consulte Incorporación al dominio de Amazon SageMaker. Debe anotar el ID de dominio y el rol de ejecución que se crea y que utilizará su perfil de usuario. Agregue permisos a este rol en los pasos posteriores.
La siguiente captura de pantalla muestra el dominio que creamos para esta publicación.
La siguiente captura de pantalla muestra el perfil de usuario de ejemplo para esta publicación.
Configurar la aplicación conectada de Salesforce
A continuación, creamos una aplicación conectada de Salesforce para habilitar el flujo de OAuth desde SageMaker Studio 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/jupyter/default/lab
y proporcione el ID de dominio que capturó al crear el dominio de SageMaker y la región de su dominio de SageMaker.
- under Ámbitos de OAuth seleccionados, mueve lo siguiente de Ámbitos de OAuth disponibles a Ámbitos de OAuth seleccionados y elige Guardar:
- Administrar datos de usuario a través de API (api)
- Realizar solicitudes en cualquier momento (
refresh_token
,offline_access
) - Realizar consultas ANSI SQL en datos de Salesforce Data Cloud (Data Cloud_query_api)
- Administrar datos de perfil de Salesforce Customer Data Platform (Data Cloud_profile_api
- Acceda al servicio de URL de identidad (id, perfil, correo electrónico, dirección, teléfono)
- Acceder a identificadores de usuario únicos (
openid
)
Para obtener más información sobre cómo crear una aplicación conectada, consulte Crear una aplicación conectada.
- Regrese a la aplicación conectada y navegue hasta Clave y secreto del consumidor.
- Elige Administrar detalles del consumidor.
- Copie la clave y el secreto.
Es posible que se le pida que inicie sesión en su organización de Salesforce como parte de la autenticación de dos factores aquí.
- Vuelve a la Administrar aplicaciones conectadas .
- Abra la aplicación conectada que creó y elija Gestiona.
- Elige Editar políticas y cambio Relajación de PI a Relajar las restricciones de IP, luego guarde su configuración.
Configurar permisos de SageMaker y reglas de ciclo de vida
En esta sección, repasamos los pasos para configurar los permisos de SageMaker y las reglas de administración del ciclo de vida.
Crear un secreto en AWS Secrets Manager
Habilite la integración de OAuth con Salesforce Data Cloud almacenando las credenciales de su aplicación conectada de Salesforce en Director de secretos de AWS:
- En la consola de Secrets Manager, elija Almacenar un nuevo secreto.
- Seleccione Otro tipo de secreto.
- Cree su secreto con los siguientes pares clave-valor:
- Agregar una etiqueta con la clave
sagemaker:partner
y su elección de valor. - Guarde el secreto y anote el ARN del secreto.
Configurar una regla de ciclo de vida de SageMaker
La función de ejecución de dominio de SageMaker Studio requerirá Gestión de identidades y accesos de AWS (IAM) para acceder al secreto creado en el paso anterior. Para obtener más información, consulte Crear roles y adjuntar políticas (consola).
- En la consola de IAM, adjunte las siguientes políticas a sus funciones respectivas (estas funciones serán utilizadas por el proyecto SageMaker para la implementación):
- Agregar la política
AmazonSageMakerPartnerServiceCatalogProductsCloudFormationServiceRolePolicy
al rol de servicioAmazonSageMakerServiceCatalogProductsCloudformationRole
. - Agregar la política
AmazonSageMakerPartnerServiceCatalogProductsApiGatewayServiceRolePolicy
al rol de servicioAmazonSageMakerServiceCatalogProductsApiGatewayRole
. - Agregar la política
AmazonSageMakerPartnerServiceCatalogProductsLambdaServiceRolePolicy
al rol de servicioAmazonSageMakerServiceCatalogProductsLambdaRole
.
- Agregar la política
- En la consola de IAM, navegue hasta el rol de ejecución del dominio de SageMaker.
- Elige Agregar permisos y seleccionar Crear una política en línea.
- Ingrese la siguiente política en el editor de políticas JSON:
Estudio SageMaker configuración del ciclo de vida proporciona scripts de shell que se ejecutan cuando se crea o inicia un cuaderno. La configuración del ciclo de vida se usará para recuperar el secreto e importarlo al tiempo de ejecución de SageMaker.
- En la consola de SageMaker, elija Configuraciones de ciclo de vida en el panel de navegación.
- Elige Crear configuración.
- Dejar la selección predeterminada Aplicación de servidor Jupyter y elige Siguiente.
- Asigne un nombre a la configuración.
- Ingrese el siguiente script en el editor, proporcionando el ARN para el secreto que creó anteriormente:
- Elige Enviar para guardar la configuración del ciclo de vida.
- Elige dominios en el panel de navegación y abra su dominio.
- En Entorno pestaña, elegir Adjuntar para adjuntar su configuración de ciclo de vida.
- Elija la configuración del ciclo de vida que creó y elija Adjuntar al dominio.
- Elige Establecer como predeterminado.
Si es un usuario recurrente de SageMaker Studio, para asegurarse de que Salesforce Data Cloud esté habilitado, actualice a los últimos kernels de Jupyter y SageMaker Data Wrangler.
Esto completa la configuración para habilitar el acceso a datos desde Salesforce Data Cloud a SageMaker Studio para crear modelos de IA y aprendizaje automático (ML).
Crear un proyecto de SageMaker
Para comenzar a usar la solución, primero cree un proyecto usando Proyectos de Amazon SageMaker. Complete los siguientes pasos:
- En SageMaker Studio, en Los despliegues en el panel de navegación, elija Proyectos.
- Elige Crear proyecto.
- Elija la plantilla de proyecto llamada Implementación de modelos para Salesforce.
- Elige Seleccionar plantilla de proyecto.
- Ingrese un nombre y una descripción opcional para su proyecto.
- Introduzca un nombre de grupo de modelos.
- Ingrese el nombre del secreto de Secrets Manager que creó anteriormente.
- Elige Crear proyecto.
El proyecto puede tardar entre 1 y 2 minutos en iniciarse.
Puedes ver dos nuevos repositorios. El primero es para cuadernos de muestra que puede usar tal cual o personalizar para preparar, entrenar, crear y registrar modelos en el Registro de modelos de SageMaker. El segundo repositorio es para automatizar la implementación del modelo, lo que incluye exponer el extremo de SageMaker como una API.
- Elige repositorio de clones para ambos cuadernos.
Para esta publicación, usamos el ejemplo de recomendación de productos, que se puede encontrar en el sagemaker-<YOUR-PROJECT-NAME>-p-<YOUR-PROJECT-ID>-example-nb/product-recommendation
directorio que acaba de clonar. Antes de ejecutar el cuaderno product-recommendation.ipynb, preparemos un poco los datos para crear los datos de entrenamiento con SageMaker Data Wrangler.
Preparar datos con SageMaker Data Wrangler
Complete los siguientes pasos:
- En SageMaker Studio, en la Archive menú, seleccione Nuevo y Flujo de administrador de datos.
- Después de crear el flujo de datos, elija (haga clic con el botón derecho) en la pestaña y elija rebautizar para cambiar el nombre del archivo.
- Elige Importar fechas.
- Elige Crear conexión.
- Elige Nube de datos de Salesforce.
- Nombre, introduzca
salesforce-data-cloud-sagemaker-connection
. - URL de la organización de Salesforce, ingrese la URL de su organización de Salesforce.
- Elige Guardar + Conectar.
- En la vista Explorador de datos, seleccione y obtenga una vista previa de las tablas de Salesforce Data Cloud para crear y ejecutar la consulta para extraer el conjunto de datos requerido.
- Su consulta se verá a continuación y puede usar el nombre de la tabla que usó al cargar datos en Salesforce Data Cloud.
- Elige Crear conjunto de datos.
La creación del conjunto de datos puede llevar algún tiempo.
En la vista de flujo de datos, ahora puede ver un nuevo nodo agregado al gráfico visual.
Para obtener más información sobre cómo puede usar SageMaker Data Wrangler para crear informes de calidad de datos y perspectivas, consulte Obtenga información sobre los datos y la calidad de los datos.
SageMaker Data Wrangler ofrece más de 300 transformaciones integradas. En este paso, usamos algunas de estas transformaciones para preparar el conjunto de datos para un modelo de ML. Para obtener instrucciones detalladas sobre cómo implementar estas transformaciones, consulte Transformar datos.
- Ingrese al Administrar columnas paso con el Columna de caída transformar para soltar la columna
id__c
. - Ingrese al Falta el mango paso con el Caída perdida transforme para soltar filas con valores faltantes para varias características. Aplicamos esta transformación en todas las columnas.
- Use un paso de transformación personalizado para crear valores categóricos para
state__c
,case_count__c
ytenure
características. Utilice el siguiente código para esta transformación: - Ingrese al Proceso numérico paso con el Valores de escala transformar y elegir Escalador estándar escalar
clicks__c
,engagement__score
ypages__visited__c
características. - Ingrese al Codificar categórico paso con el Codificación one-hot transform para convertir variables categóricas a numéricas para
case__type__return___c
,case__type_shipment__damaged
,month__c
,club__member__c
ycampaign__c
características (todas las características exceptoclicks__c
,engagement__score
,pages__visited__c
yproduct_purchased__c
).
Creación, formación e implementación de modelos
Para construir, entrenar e implementar el modelo, complete los siguientes pasos:
- Vuelva al proyecto de SageMaker, abra el cuaderno product-recommendation.ipynb y ejecute un trabajo de procesamiento para preprocesar los datos mediante la configuración de SageMaker Data Wrangler que creó.
- Siga los pasos del cuaderno para entrenar un modelo y registrarlo en el Registro de modelos de SageMaker.
- Asegúrese de actualizar el nombre del grupo de modelos para que coincida con el nombre del grupo de modelos que usó al crear el proyecto de SageMaker.
Para ubicar el nombre del grupo de modelos, abra el proyecto de SageMaker que creó anteriormente y navegue hasta el Ajustes .
De manera similar, el archivo de flujo al que se hace referencia en el cuaderno debe coincidir con el nombre del archivo de flujo que creó anteriormente.
- Para esta publicación, usamos
product-recommendation
como el nombre del grupo de modelos, por lo que actualizamos el cuaderno conproject-recommendation
como el nombre del grupo de modelos en el cuaderno.
Una vez que se ejecuta el cuaderno, el modelo entrenado se registra en el Registro de modelos. Para obtener más información sobre el Registro modelo, consulte Registrar e implementar modelos con Model Registry.
- Seleccione la versión del modelo que creó y actualice su estado a Aprobado.
Ahora que ha aprobado el modelo registrado, el paso de implementación del proyecto de SageMaker Salesforce aprovisionará y activará AWS CodePipeline.
CodePipeline tiene pasos para crear e implementar un extremo de SageMaker para la inferencia que contiene los pasos de preprocesamiento de SageMaker Data Wrangler y el modelo entrenado. El terminal estará expuesto a Salesforce Data Cloud como una API a través de API Gateway. La siguiente captura de pantalla muestra la canalización con el prefijo Sagemaker-salesforce-product-recommendation-xxxxx
. También le mostramos los puntos finales y la API que crea el proyecto SageMaker para Salesforce.
Si lo desea, puede echar un vistazo al paso de implementación de CodePipeline, que utiliza Formación en la nube de AWS scripts para crear un punto final de SageMaker y API Gateway con un autorizador JWT personalizado.
Cuando finalice la implementación de la canalización, puede encontrar el extremo de SageMaker en la consola de SageMaker.
Puede explorar la API Gateway creada por la plantilla del proyecto en la consola de API Gateway.
Elija el enlace para encontrar la URL de API Gateway.
Puede encontrar los detalles del autorizador JWT seleccionando Autorizadores en la consola de API Gateway. También puedes ir a la AWS Lambda consola para revisar el código de la función Lambda creada por la plantilla del proyecto.
Para descubrir el esquema que se usará al invocar la API de Einstein Studio, elija Información en el panel de navegación del Registro de modelos. Verás un Servicio de almacenamiento simple de Amazon (Amazon S3) enlace a un archivo de metadatos. Copie y pegue el enlace en una nueva URL de pestaña del navegador.
Veamos el archivo sin descargarlo. En la página de detalles del archivo, elija el Acciones de objeto menú y elegir Consulta con S3 Select.
Elige Ejecutar consulta SQL y tome nota de la URL y el esquema de API Gateway porque necesitará esta información cuando se registre en Einstein Studio. Si no ve un APIGWURL
key, el modelo no se aprobó, la implementación aún está en curso o la implementación falló.
Use la API de Salesforce Einstein Studio para predicciones
Salesforce Einstein Studio es una experiencia nueva y centralizada en Salesforce Data Cloud que los equipos de ciencia e ingeniería de datos pueden utilizar para acceder fácilmente a sus modelos tradicionales y LLM utilizados en IA generativa. A continuación, configuramos la URL de la API y client_id
que configuró anteriormente en Secrets Manager en Salesforce Einstein Studio para registrar y utilizar las inferencias del modelo en Salesforce Einstein Studio. Para obtener instrucciones, consulte Lleve sus propios modelos de IA a Salesforce con Einstein Studio.
Limpiar
Para eliminar todos los recursos creados por el proyecto de SageMaker, en la página del proyecto, elija el la columna Acción menú y elegir Borrar.
Para eliminar los recursos (API Gateway y punto de enlace de SageMaker) creados por CodePipeline, vaya a la consola de AWS CloudFormation y elimine la pila que se creó.
Conclusión
En esta publicación, explicamos cómo puede crear y entrenar modelos ML en SageMaker Studio usando SageMaker Data Wrangler para importar y preparar datos alojados en Salesforce Data Cloud y usar el conector JDBC de Salesforce Data Cloud recientemente lanzado en SageMaker Data Wrangler y primero plantilla de Salesforce en la plantilla de proyecto proporcionada por SageMaker para la integración de Salesforce Data Cloud. La plantilla de proyecto de SageMaker para Salesforce le permite implementar el modelo y crear el extremo y asegurar una API para un modelo registrado. A continuación, utiliza la API para realizar predicciones en Salesforce Einstein Studio para sus casos de uso empresarial.
Aunque usamos el ejemplo de recomendación de productos para mostrar los pasos para implementar la integración de un extremo a otro, puede usar la plantilla de proyecto de SageMaker para Salesforce para crear un punto final y una API para cualquier modelo tradicional de SageMaker y LLM que esté registrado en SageMaker. Registro de modelos. ¡Esperamos ver lo que crea en SageMaker con datos de Salesforce Data Cloud y potenciar sus aplicaciones de Salesforce con modelos de aprendizaje automático alojados en SageMaker!
Esta publicación es una continuación de la serie sobre la integración de Salesforce Data Cloud y SageMaker. Para obtener una descripción general de alto nivel y obtener más información sobre el impacto comercial que puede tener con este enfoque de integración, consulte Parte 1.
Recursos adicionales
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 la planificación, creación, lanzamiento y gestión de soluciones de clase mundial para clientes empresariales, incluidas soluciones de inteligencia artificial y aprendizaje automático y en la nube. Anteriormente trabajó en la industria de servicios financieros en la ciudad de Nueva York. Síguelo en https://www.linkedin.com/in/darylmartis.
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.
Dharmendra Kumar Rai (DK Rai) es Arquitecto de datos sénior, lago de datos e inteligencia artificial/aprendizaje automático, que atiende a clientes estratégicos. Trabaja en estrecha colaboración con los clientes para comprender cómo AWS puede ayudarlos a resolver problemas, especialmente en el espacio de análisis e IA/ML. DK tiene muchos años de experiencia en la creación de soluciones de uso intensivo de datos en una variedad de verticales de la industria, incluidas aplicaciones de alta tecnología, FinTech, seguros y orientadas al consumidor.
marc karp es un Arquitecto de ML con el equipo de Servicio de SageMaker. Se enfoca en ayudar a los clientes a diseñar, implementar y administrar cargas de trabajo de ML a escala. En su tiempo libre le gusta viajar y explorar nuevos lugares.
- 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. Automoción / vehículos eléctricos, Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- Desplazamientos de bloque. Modernización de la propiedad de compensaciones ambientales. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/use-the-amazon-sagemaker-and-salesforce-data-cloud-integration-to-power-your-salesforce-apps-with-ai-ml/
- :posee
- :es
- :dónde
- $ UP
- 1
- 10
- 100
- 12
- 14
- 30
- 7
- 8
- 9
- a
- Nuestra Empresa
- de la máquina
- Cuentas
- a través de
- la columna Acción
- acciones
- real
- add
- adicional
- dirección
- defensor
- en contra
- AI
- Modelos AI
- AI / ML
- algoritmo
- Todos
- permitir
- permite
- también
- Aunque
- Amazon
- Amazon SageMaker
- Amazon Web Services
- an
- Analytics
- y
- cualquier
- abejas
- API
- applicación
- aplicaciones
- Aplicá
- enfoque
- adecuado
- aprobado
- aplicaciones
- arquitectura
- somos
- AS
- At
- adjuntar
- atributos
- Autenticación
- automatiza
- automáticamente
- automatizar
- promedio
- AWS
- Formación en la nube de AWS
- Atrás
- BE
- porque
- esto
- antes
- cree
- a continuación
- MEJOR
- entre
- ambas
- llevar
- cada navegador
- build
- Construir la
- construido
- incorporado
- negocios
- by
- llamar al
- Campaña
- Campañas
- PUEDEN
- capacidades
- capacidad
- capturado
- case
- cases
- CAT
- centralizado
- el cambio
- manera?
- Elige
- la elección de
- Ciudad
- cliente
- de cerca
- Soluciones
- club
- código
- Columna
- Columnas
- completar
- ultima
- condición
- Configuración
- Contacto
- conectado
- Consola
- consumidor
- contacte
- Envase
- continuación
- convertir
- proceso de copiar
- Para crear
- creado
- crea
- Creamos
- Referencias
- personalizado
- cliente
- datos de los clientes
- Clientes
- personalizan
- datos
- acceso a los datos
- Lago de datos
- Plataforma de datos
- Preparación de datos
- Ciencia de los datos
- Predeterminado
- Demografía
- demostrar
- desplegar
- desplegado
- despliegue
- descripción
- Diseño
- detallado
- detalles
- Director
- descrubrir
- discutir
- Diversidad
- Diversidad e inclusión
- do
- dominio
- No
- DE INSCRIPCIÓN
- Soltar
- Más temprano
- pasan fácilmente
- Economic
- editor
- efecto
- Einstein
- ya sea
- empoderar a
- habilitar
- facilita
- permite
- de extremo a extremo
- Punto final
- comprometido
- de su negocio.
- compromisos
- Ingeniería
- garantizar
- Participar
- Empresa
- especialmente
- ético
- ejemplo
- Excepto
- ejecución
- Expandir
- experience
- Experiencias
- explicado
- explorar
- explorador
- Explorar
- expuesto
- extraerlos
- Fallidos
- familia
- Caracteristicas
- campo
- Archive
- financiero
- servicios financieros
- Encuentre
- Fintech
- Nombre
- de tus señales
- se centra
- seguir
- siguiendo
- adelante
- encontrado
- Desde
- función
- funciones
- futuras
- puerta
- generativo
- IA generativa
- Donar
- Go
- gráfica
- Grupo procesos
- tenido
- Tienen
- he
- ayuda
- ayudando
- aquí
- esta página
- de alto nivel
- su
- histórico
- historia
- organizado
- hosting
- Cómo
- Como Hacer
- HTML
- http
- HTTPS
- ID
- Identificadores
- Identidad
- if
- ilustra
- Impacto
- implementar
- implementación
- importar
- mejorar
- in
- incluye
- Incluye
- inclusión
- energético
- información
- iniciar
- entradas
- Insights
- Instrucciones
- aseguradora
- COMPLETAMENTE
- integración
- dentro
- Presentamos
- IP
- IT
- SUS
- Trabajos
- jpg
- json
- solo
- jwt
- Clave
- lago
- idioma
- large
- Apellido
- más reciente
- lanzado
- lanzamiento
- APRENDE:
- aprendizaje
- Abandonar
- Nivel
- ciclo de vida
- como
- Me gusta
- LINK
- Etiqueta LinkedIn
- Escucha Activa
- LLM
- log
- Mira
- parece
- máquina
- máquina de aprendizaje
- hecho
- para lograr
- Realizar
- gestionan
- Management
- gerente
- administrar
- muchos
- Marketing
- Match
- Puede..
- Menú
- metadatos
- Min
- que falta
- ML
- modelo
- modelos
- Mes
- más,
- movimiento
- Música
- debe
- nombre
- Navegar
- Navegación
- ¿ Necesita ayuda
- Nuevo
- New York
- Ciudad de Nueva York
- recién
- Next
- nodo
- cuaderno
- ahora
- número
- juramento
- of
- Ofertas
- on
- ONE
- en línea
- habiertos
- or
- solicite
- nuestros
- Más de
- total
- visión de conjunto
- EL DESARROLLADOR
- página
- paginas
- pares
- cristal
- parte
- Socio
- pasado
- pasa
- permisos
- teléfono
- industrial
- Lugares
- planificar
- plataforma
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- políticas
- política
- poblado
- Publicación
- industria
- Predicciones
- preparación
- Preparar
- preparado
- Vista previa
- anterior
- previamente
- Director de la escuela
- Anterior
- problemas
- tratamiento
- Producto
- Mi Perfil
- Progreso
- proyecto
- prosperidad
- proporcionar
- previsto
- proporciona un
- proporcionando
- provisión
- comprar
- calidad
- consultas
- elevado
- distancia
- en tiempo real
- recomiendan
- Recomendación
- recomendaciones
- con respecto a
- región
- registrarte
- registrado
- registrarse
- registro
- relación
- Informes
- repositorio
- solicita
- solicitudes
- exigir
- Requisitos
- Recurso
- Recursos
- aquellos
- respuesta
- responsable
- restringir
- volver
- una estrategia SEO para aparecer en las búsquedas de Google.
- Haga clic con el botón
- Función
- También soy miembro del cuerpo docente de World Extreme Medicine (WEM) y embajadora europea de igualdad para The Transformational Travel Council (TTC). En mi tiempo libre, soy una incansable aventurera, escaladora, patrona de día, buceadora y defensora de la igualdad de género en el deporte y la aventura. En XNUMX, fundé Almas Libres, una ONG nacida para involucrar, educar y empoderar a mujeres y niñas a través del deporte urbano, la cultura y la tecnología.
- reglas
- Ejecutar
- sabio
- fuerza de ventas
- mismo
- Guardar
- Escala
- Ciencia:
- guiones
- Segundo
- Secreto
- Sección
- seguro
- segura
- ver
- ver
- segmento
- selección
- Serie
- de coches
- Servicios
- servicio
- set
- ajustes
- Configure
- ella
- Cáscara
- tienes
- Mostrar
- mostrar
- Demostramos a usted
- Shows
- sencillos
- So
- Social
- Sociedades
- a medida
- Soluciones
- RESOLVER
- algo
- Espacio
- soluciones y
- Gastos
- montón
- comienzo
- fundó
- Estado
- Posicionamiento
- Estado
- paso
- pasos
- Sin embargo
- STORAGE
- tienda
- almacenamiento
- Estratégico
- stream
- aerodinamizar
- estudio
- posterior
- tal
- SOPORTE
- seguro
- mesa
- ETIQUETA
- ¡Prepárate!
- equipo
- equipos
- Tecnología
- plantilla
- plantillas
- que
- esa
- El proyecto
- El futuro de las
- El Estado
- su
- Les
- luego
- Estas
- 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
- fecha y hora
- a
- ficha
- tema
- tradicional
- Entrenar
- entrenado
- Formación
- Transformar
- transformaciones
- Viajar
- detonante
- dos
- tipo
- bajo
- entender
- único
- Actualizar
- actualizar
- ¿Cómo subir tu libro?
- Enlance
- utilizan el
- caso de uso
- usado
- Usuario
- usos
- usando
- propuesta de
- Valores
- diversos
- versión
- verticales
- vía
- Ver
- visitado
- fue
- we
- web
- servicios web
- semana
- WELL
- ¿
- cuando
- sean
- que
- mientras
- QUIENES
- seguirá
- dentro de
- sin
- trabajado
- funciona
- clase mundial
- se
- años
- york
- Usted
- tú
- zephyrnet