این پست توسط Daryl Martis، مدیر محصول، Salesforce Einstein AI نوشته شده است.
این سومین پست از مجموعهای است که در مورد ادغام Salesforce Data Cloud و بحث میکند آمازون SageMaker.
In قسمت 1 و قسمت 2، نشان می دهیم که چگونه ادغام Salesforce Data Cloud و Einstein Studio با SageMaker به کسب و کارها اجازه می دهد تا با استفاده از SageMaker به داده های Salesforce خود دسترسی پیدا کنند و از ابزارهای آن برای ساخت، آموزش و استقرار مدل ها در نقاط پایانی میزبانی شده در SageMaker استفاده کنند. نقاط پایانی SageMaker را می توان در Salesforce Data Cloud ثبت کرد تا پیش بینی ها در Salesforce فعال شوند.
در این پست، نشان میدهیم که چگونه تحلیلگران کسبوکار و دانشمندان داده شهروندی میتوانند مدلهای یادگیری ماشین (ML) را بدون هیچ کدی ایجاد کنند. آمازون SageMaker Canvas و استقرار مدل های آموزش دیده برای ادغام با Salesforce Einstein Studio برای ایجاد برنامه های تجاری قدرتمند. SageMaker Canvas یک تجربه بدون کد برای دسترسی به دادههای Salesforce Data Cloud و ساخت، آزمایش و استقرار مدلها تنها با چند کلیک فراهم میکند. SageMaker Canvas همچنین به شما این امکان را میدهد که پیشبینیهای خود را با استفاده از اهمیت ویژگی و مقادیر SHAP درک کنید، و توضیح پیشبینیهای انجامشده توسط مدلهای ML را برای شما آسان میکند.
بوم SageMaker
SageMaker Canvas به تحلیلگران کسبوکار و تیمهای علم داده امکان میدهد بدون نیاز به نوشتن یک خط کد، مدلهای ML و هوش مصنوعی تولیدی بسازند و استفاده کنند. SageMaker Canvas یک رابط بصری نقطه و کلیک برای تولید پیشبینیهای دقیق ML برای طبقهبندی، رگرسیون، پیشبینی، پردازش زبان طبیعی (NLP) و بینایی کامپیوتری (CV) ارائه میکند. علاوه بر این، می توانید به مدل های فونداسیون (FM) دسترسی داشته باشید و آن ها را ارزیابی کنید بستر آمازون یا FM های عمومی از Amazon SageMaker JumpStart برای تولید محتوا، استخراج متن و خلاصه سازی متن برای پشتیبانی از راه حل های هوش مصنوعی مولد. SageMaker Canvas به شما این امکان را می دهد مدل های ML ساخته شده را در هر جایی بیاورید و پیش بینی ها را مستقیماً در SageMaker Canvas ایجاد کنید.
Salesforce Data Cloud و Einstein Studio
Salesforce Data Cloud یک پلتفرم داده است که بهروزرسانیهای بیدرنگ دادههای مشتریان خود را از هر نقطه تماسی به کسبوکارها ارائه میکند.
انیشتین استودیو دروازه ای برای ابزارهای هوش مصنوعی در Salesforce Data Cloud است. با استودیوی انیشتین، ادمین ها و دانشمندان داده می توانند بدون زحمت مدل هایی را با چند کلیک یا با استفاده از کد ایجاد کنند. تجربه مدل خود (BYOM) توسط استودیو انیشتین، قابلیت اتصال مدلهای هوش مصنوعی سفارشی یا تولیدی را از پلتفرمهای خارجی مانند SageMaker به Salesforce Data Cloud فراهم میکند.
بررسی اجمالی راه حل
برای نشان دادن اینکه چگونه میتوانید مدلهای ML را با استفاده از دادهها در Salesforce Data Cloud با استفاده از SageMaker Canvas بسازید، یک مدل پیشبینی برای توصیه محصول ایجاد میکنیم. این مدل از ویژگی های ذخیره شده در Salesforce Data Cloud مانند جمعیت شناسی مشتری، تعاملات بازاریابی و سابقه خرید استفاده می کند. مدل توصیه محصول با استفاده از رابط کاربری بدون کد SageMaker Canvas با استفاده از داده ها در Salesforce Data Cloud ساخته و به کار گرفته شده است.
ما از موارد زیر استفاده می کنیم مجموعه داده نمونه ذخیره شده در سرویس ذخیره سازی ساده آمازون (Amazon S3). برای استفاده از این مجموعه داده در Salesforce Data Cloud، مراجعه کنید ایجاد جریان داده آمازون S3 در Data Cloud. ویژگی های زیر برای ایجاد مدل مورد نیاز است:
- عضو باشگاه – اگر مشتری عضو باشگاه باشد
- کمپین بین المللی حقوق بشر - کمپینی که مشتری بخشی از آن است
- دولت - ایالت یا استانی که مشتری در آن اقامت دارد
- ماه - ماه خرید
- تعداد موارد - تعداد موارد مطرح شده توسط مشتری
- نوع مورد بازگشت - اینکه آیا مشتری محصولی را در سال گذشته بازگردانده است یا خیر
- نوع مورد محموله آسیب دیده - اینکه آیا مشتری در سال گذشته محمولهای آسیب دیده است یا خیر
- امتیاز مشارکت - میزان تعامل مشتری (پاسخ به کمپین های پستی، ورود به فروشگاه آنلاین و غیره)
- حراست - مدت زمان رابطه مشتری با شرکت
- کلیک – میانگین تعداد کلیک هایی که مشتری در یک هفته قبل از خرید انجام داده است
- صفحات بازدید شده - میانگین تعداد صفحاتی که مشتری طی یک هفته قبل از خرید بازدید کرده است
- محصول خریداری شده - محصول واقعی خریداری شده
مراحل زیر یک نمای کلی از نحوه استفاده از رابط Salesforce Data Cloud ارائه شده در SageMaker Canvas برای دسترسی به داده های سازمانی و ساخت یک مدل پیش بینی ارائه می دهد:
- برنامه متصل Salesforce را برای ثبت دامنه SageMaker Canvas پیکربندی کنید.
- OAuth را برای Salesforce Data Cloud در SageMaker Canvas راه اندازی کنید.
- با استفاده از رابط داخلی SageMaker Canvas Salesforce Data Cloud به دادههای Salesforce Data Cloud متصل شوید و مجموعه داده را وارد کنید.
- ساخت و آموزش مدل ها در SageMaker Canvas.
- مدل را در SageMaker Canvas مستقر کرده و پیش بینی کنید.
- استقرار یک دروازه API آمازون نقطه پایانی به عنوان یک اتصال جلویی به نقطه پایانی استنتاج SageMaker.
- نقطه پایانی API Gateway را در Einstein Studio ثبت کنید. برای دستورالعمل، مراجعه کنید مدل های هوش مصنوعی خود را به Data Cloud بیاورید.
نمودار زیر معماری راه حل را نشان می دهد.
پیش نیازها
قبل از شروع، مراحل پیش نیاز زیر را برای ایجاد دامنه SageMaker و فعال کردن SageMaker Canvas انجام دهید:
- ایجاد یک Amazon SageMaker Studio دامنه. برای دستورالعمل، مراجعه کنید ورود به دامنه Amazon SageMaker.
- شناسه دامنه و نقش اجرایی که ایجاد شده و توسط نمایه کاربری شما استفاده خواهد شد را یادداشت کنید. در مراحل بعدی مجوزها را به این نقش اضافه می کنید.
اسکرین شات زیر دامنه ای را که برای این پست ایجاد کرده ایم نشان می دهد.
- سپس به نمایه کاربری رفته و انتخاب کنید ویرایش.
- حرکت به تنظیمات آمازون SageMaker Canvas بخش و انتخاب کنید مجوزهای پایه Canvas را فعال کنید.
- انتخاب کنید راه اندازی مستقیم مدل های Canvas را فعال کنید و مجوزهای رجیستری مدل را برای همه کاربران فعال کنید.
این به SageMaker Canvas اجازه می دهد تا مدل ها را در نقاط انتهایی کنسول SageMaker مستقر کند. این تنظیمات را می توان در سطح دامنه یا نمایه کاربر پیکربندی کرد. تنظیمات پروفایل کاربر بر تنظیمات دامنه اولویت دارد.
برنامه متصل Salesforce را ایجاد یا بهروزرسانی کنید
در مرحله بعد، ما یک برنامه متصل Salesforce ایجاد می کنیم تا جریان OAuth از SageMaker Canvas به Salesforce Data Cloud را فعال کند. مراحل زیر را کامل کنید:
- وارد Salesforce شوید و به آن بروید برپایی.
- جستجو برای مدیر برنامه و یک برنامه متصل جدید ایجاد کنید.
- ورودی های زیر را ارائه دهید:
- برای نام برنامه متصل، یک نام وارد کنید.
- برای نام API، به عنوان پیش فرض بگذارید (به طور خودکار پر می شود).
- برای ایمیل تماس، آدرس ایمیل تماس خود را وارد کنید.
- انتخاب کنید تنظیمات OAuth را فعال کنید.
- برای URL برگشت به تماس، وارد
https://<domain-id>.studio.<region>.sagemaker.aws/canvas/default/lab
و شناسه دامنه و منطقه را از دامنه SageMaker خود ارائه دهید.
- دامنه های زیر را در برنامه متصل خود پیکربندی کنید:
- مدیریت داده های کاربر از طریق API ها (
api
). - انجام درخواست ها در هر زمان (
refresh_token
,offline_access
). - پرسوجوهای ANSI SQL را روی دادههای Salesforce Data Cloud (دادهها) انجام دهید
Cloud_query_api
). - مدیریت داده های پروفایل Data Cloud (
Data Cloud_profile_api
). - دسترسی به سرویس URL هویت (
id
,profile
,email
,address
,phone
). - دسترسی به شناسه های کاربری منحصر به فرد (
openid
).
- مدیریت داده های کاربر از طریق API ها (
- برنامه متصل خود را تنظیم کنید آرامش IP تنظیم به محدودیت های IP را کاهش دهید.
تنظیمات OAuth را برای رابط Salesforce Data Cloud پیکربندی کنید
SageMaker Canvas استفاده می کند مدیر اسرار AWS برای ذخیره ایمن اطلاعات اتصال از برنامه متصل Salesforce. SageMaker Canvas به مدیران اجازه می دهد تا تنظیمات OAuth را برای یک نمایه کاربر فردی یا در سطح دامنه پیکربندی کنند. توجه داشته باشید که میتوانید یک راز را هم به دامنه و هم به نمایه کاربر اضافه کنید، اما SageMaker Canvas ابتدا به دنبال اسرار در نمایه کاربر میگردد.
برای پیکربندی تنظیمات OAuth، مراحل زیر را انجام دهید:
- برای ویرایش تنظیمات دامنه یا نمایه کاربر در کنسول SageMaker حرکت کنید.
- را انتخاب کنید تنظیمات بوم در صفحه ناوبری
- تحت تنظیمات OAuth، برای منبع اطلاعات، انتخاب کنید Salesforce Data Cloud.
- برای راه اندازی مخفی، می توانید یک راز جدید ایجاد کنید یا از یک راز موجود استفاده کنید. برای این مثال، ما یک راز جدید ایجاد می کنیم و شناسه مشتری و رمز مشتری را از برنامه متصل Salesforce وارد می کنیم.
برای جزئیات بیشتر در مورد فعال کردن OAuth در SageMaker Canvas، مراجعه کنید OAuth را برای Salesforce Data Cloud راه اندازی کنید.
این راهاندازی را تکمیل میکند تا امکان دسترسی به دادهها از Salesforce Data Cloud به SageMaker Canvas برای ساخت مدلهای AI و ML را فراهم کند.
دادهها را از Salesforce Data Cloud وارد کنید
برای وارد کردن اطلاعات خود، مراحل زیر را انجام دهید:
- از نمایه کاربری که با دامنه SageMaker خود ایجاد کردید، را انتخاب کنید راه اندازی را انتخاب کنید و نقاشی.
اولین باری که به برنامه Canvas خود دسترسی پیدا می کنید، حدود 10 دقیقه طول می کشد تا ایجاد شود.
- را انتخاب کنید داده رانگلر در صفحه ناوبری
- بر ساختن منو ، انتخاب کنید جدولی برای ایجاد یک مجموعه داده جدولی
- مجموعه داده را نامگذاری کرده و انتخاب کنید ساختن.
- برای منبع اطلاعات، انتخاب کنید Salesforce Data Cloud و افزودن اتصال برای وارد کردن شی دریاچه داده.
اگر قبلاً اتصالی را به Salesforce Data Cloud پیکربندی کرده باشید، گزینه ای برای استفاده از آن اتصال به جای ایجاد اتصال جدید مشاهده خواهید کرد.
- یک نام برای اتصال جدید Salesforce Data Cloud ارائه دهید و انتخاب کنید اتصال را اضافه کنید.
چند دقیقه طول می کشد تا کامل شود.
- شما به آن هدایت می شوید ورود به سیستم Salesforce صفحه ای برای مجوز دادن به اتصال.
پس از موفقیت آمیز بودن ورود، درخواست به بوم SageMaker با لیست داده های شی دریاچه هدایت می شود.
- مجموعه داده ای را انتخاب کنید که حاوی ویژگی های آموزش مدل است که از طریق آمازون S3 آپلود شده است.
- فایل را بکشید و رها کنید، سپس انتخاب کنید ویرایش در SQL.
Salesforce الف را اضافه می کند “__c
به تمام فیلدهای شیء Data Cloud. طبق قرارداد نامگذاری SageMaker Canvas، ”__“
در نام فیلدها مجاز نیست.
- SQL را ویرایش کنید تا نام ستونها را تغییر دهید و ابردادههایی را که برای آموزش مدل مرتبط نیستند، رها کنید. نام جدول را با نام شی خود جایگزین کنید.
- را انتخاب کنید SQL را اجرا کنید و پس از آن ایجاد مجموعه داده.
- مجموعه داده را انتخاب کرده و انتخاب کنید یک مدل ایجاد کنید.
- برای ایجاد یک مدل برای پیش بینی یک توصیه محصول، نام مدل را ارائه دهید، انتخاب کنید تحلیل پیش بینی برای نوع مشکل، و انتخاب کنید ساختن.
مدل را بسازید و آموزش دهید
مراحل زیر را برای ساخت و آموزش مدل خود انجام دهید:
- پس از راه اندازی مدل، ستون هدف را روی آن تنظیم کنید
product_purchased
.
SageMaker Canvas آمار و همبستگی های کلیدی هر ستون را به ستون هدف نمایش می دهد. SageMaker Canvas ابزارهایی برای پیش نمایش مدل خود و اعتبارسنجی داده ها قبل از شروع ساخت در اختیار شما قرار می دهد.
- از ویژگی مدل پیشنمایش برای مشاهده دقت مدل خود استفاده کنید و مجموعه دادههای خود را اعتبارسنجی کنید تا از بروز مشکلات در هنگام ساخت مدل جلوگیری کنید.
- پس از بررسی داده های خود و ایجاد هرگونه تغییر در مجموعه داده خود، نوع ساخت خود را انتخاب کنید. را ساخت سریع گزینه ممکن است سریعتر باشد، اما فقط از زیر مجموعه ای از داده های شما برای ساخت یک مدل استفاده می کند. برای هدف این پست، ما را انتخاب کردیم ساخت استاندارد گزینه.
یک ساخت استاندارد ممکن است ۲ تا ۴ ساعت طول بکشد.
SageMaker Canvas به طور خودکار مقادیر از دست رفته در مجموعه داده شما را در حین ساخت مدل کنترل می کند. همچنین سایر تغییرات آماده سازی داده را برای شما اعمال می کند تا داده ها را برای ML آماده کنید.
- بعد از اینکه مدل شما شروع به ساخت کرد، می توانید صفحه را ترک کنید.
هنگامی که مدل به عنوان نشان می دهد آماده تحویل در مدل های من صفحه، برای تحلیل و پیشبینی آماده است.
- پس از ساخت مدل، به آن بروید My مدل، انتخاب کنید چشم انداز برای مشاهده مدلی که ایجاد کرده اید و آخرین نسخه را انتخاب کنید.
- رفتن به تجزیه و تحلیل برای مشاهده تأثیر هر ویژگی بر روی پیش بینی، را انتخاب کنید.
- برای اطلاعات بیشتر در مورد پیشبینیهای مدل، به آدرس زیر بروید نمره دهی تب.
- را انتخاب کنید پیش بینی برای شروع یک پیش بینی محصول
مدل را مستقر کرده و پیش بینی کنید
مراحل زیر را برای استقرار مدل خود تکمیل کنید و شروع به پیش بینی کنید:
- می توانید پیش بینی های دسته ای یا تکی را انتخاب کنید. برای هدف این پست، ما انتخاب می کنیم پیش بینی واحد.
وقتی انتخاب کردید پیش بینی واحدSageMaker Canvas ویژگیهایی را نشان میدهد که میتوانید ورودیهایی برای آنها ارائه دهید.
- با انتخاب می توانید مقادیر را تغییر دهید بروزرسانی و پیش بینی زمان واقعی را مشاهده کنید.
دقت مدل و همچنین تاثیر هر ویژگی برای آن پیشبینی خاص نمایش داده میشود.
- برای استقرار مدل، یک نام استقرار ارائه دهید، یک نوع نمونه و تعداد نمونه را انتخاب کنید و انتخاب کنید گسترش.
استقرار مدل چند دقیقه طول می کشد.
وضعیت مدل به روز شده است در خدمت پس از موفقیت آمیز بودن استقرار
SageMaker Canvas گزینه ای برای آزمایش استقرار فراهم می کند.
- را انتخاب کنید مشاهده جزئیات.
La جزئیات تب جزئیات نقطه پایانی مدل را ارائه می دهد. نوع نمونه، تعداد، قالب ورودی، محتوای پاسخ و نقطه پایانی برخی از جزئیات کلیدی نمایش داده شده هستند.
- را انتخاب کنید استقرار آزمایشی برای آزمایش نقطه پایانی مستقر شده
شبیه به پیشبینی تک، نما ویژگیهای ورودی را نمایش میدهد و گزینهای برای بهروزرسانی و آزمایش نقطه پایانی در زمان واقعی ارائه میدهد.
پیشبینی جدید به همراه نتیجه فراخوانی نقطه پایانی به کاربر بازگردانده میشود.
ایجاد API برای افشای SageMaker Endpoint
برای ایجاد پیشبینیهایی که برنامههای تجاری را در Salesforce تقویت میکنند، باید نقطه پایانی استنتاج SageMaker ایجاد شده توسط استقرار SageMaker Canvas خود را از طریق API Gateway نشان دهید و آن را در Salesforce Einstein ثبت کنید.
فرمتهای درخواست و پاسخ بین Salesforce Einstein و Endpoint استنتاج SageMaker متفاوت است. می توانید از API Gateway برای انجام تبدیل استفاده کنید یا استفاده کنید AWS لامبدا برای تبدیل درخواست و ترسیم پاسخ. رجوع شود به با استفاده از Amazon API Gateway و AWS Lambda یک نقطه پایانی مدل Amazon SageMaker را فراخوانی کنید برای افشای یک نقطه پایانی SageMaker از طریق Lambda و API Gateway.
قطعه کد زیر یک تابع Lambda برای تبدیل درخواست و پاسخ است
به روز رسانی endpoint
و prediction_label
مقادیر در تابع Lambda بر اساس پیکربندی شما.
- یک متغیر محیطی اضافه کنید
SAGEMAKER_ENDPOINT_NAME
برای گرفتن نقطه پایانی استنتاج SageMaker. - برچسب پیش بینی را مطابق با کلید JSON خروجی مدل که در استودیو انیشتین ثبت شده است تنظیم کنید.
زمان پیشفرض برای یک تابع Lambda 3 ثانیه است. بسته به اندازه ورودی درخواست پیشبینی، پاسخ API استنتاج بلادرنگ SageMaker ممکن است بیش از 3 ثانیه طول بکشد.
- مدت زمان عملکرد لامبدا را افزایش دهید اما آن را زیر مقدار نگه دارید مهلت زمانی یکپارچه سازی پیش فرض دروازه API، که 29 ثانیه است.
مدل را در استودیوی Salesforce Einstein ثبت کنید
برای ثبت نقطه پایانی API Gateway در استودیو انیشتین به ادامه مطلب مراجعه کنید مدل های هوش مصنوعی خود را به Data Cloud بیاورید.
نتیجه
در این پست توضیح دادیم که چگونه می توانید از SageMaker Canvas برای اتصال به Salesforce Data Cloud و تولید پیش بینی از طریق ویژگی های خودکار ML بدون نوشتن یک خط کد استفاده کنید. ما قابلیت ساخت مدل SageMaker Canvas را نشان دادیم تا پیشنمایش اولیه عملکرد مدل شما را قبل از اجرای ساخت استاندارد که مدل را با مجموعه داده کامل آموزش میدهد، انجام دهیم. ما همچنین فعالیتهای ایجاد پس از مدل مانند استفاده از رابط پیشبینیهای واحد در SageMaker Canvas و درک پیشبینیهای شما با استفاده از اهمیت ویژگی را به نمایش گذاشتیم. در مرحله بعد، از نقطه پایانی SageMaker ایجاد شده در SageMaker Canvas استفاده کردیم و آن را به عنوان یک API در دسترس قرار دادیم تا بتوانید آن را با Salesforce Einstein Studio ادغام کنید و برنامه های Salesforce قدرتمند ایجاد کنید.
در یک پست آینده، نحوه استفاده از دادههای Salesforce Data Cloud در SageMaker Canvas را به شما نشان خواهیم داد تا با استفاده از یک رابط بصری و اعلانهای ساده زبان طبیعی، بینش و آمادهسازی دادهها را سادهتر کنید.
برای شروع کار با SageMaker Canvas، ببینید روز غوطه وری بوم SageMaker و رجوع به شروع کار با آمازون SageMaker Canvas.
درباره نویسندگان
داریل مارتیس مدیر محصول استودیو انیشتین در Salesforce Data Cloud است. او بیش از 10 سال تجربه در برنامه ریزی، ساخت، راه اندازی و مدیریت راه حل های کلاس جهانی برای مشتریان سازمانی، از جمله AI/ML و راه حل های ابری دارد. او قبلاً در صنعت خدمات مالی در شهر نیویورک کار کرده است. او را دنبال کنید لینکدین.
راچنا چادا یک معمار راه حل اصلی AI/ML در حساب های استراتژیک در AWS است. Rachna خوشبین است که معتقد است استفاده اخلاقی و مسئولانه از هوش مصنوعی می تواند جامعه را در آینده بهبود بخشد و رونق اقتصادی و اجتماعی را به ارمغان بیاورد. راچنا در اوقات فراغت خود دوست دارد با خانواده، پیاده روی و گوش دادن به موسیقی وقت بگذراند.
ایفه استوارت یک معمار راه حل اصلی در بخش استراتژیک ISV در AWS است. او در 2 سال گذشته با Salesforce Data Cloud درگیر بوده است تا به ایجاد تجربیات مشتری یکپارچه در سراسر Salesforce و AWS کمک کند. Ife بیش از 10 سال تجربه در زمینه فناوری دارد. او مدافع تنوع و گنجاندن در حوزه فناوری است.
راوی باتیپرولو یک معمار راه حل شریک Sr. در AWS است. Ravi با شرکای استراتژیک Salesforce و Tableau همکاری می کند تا محصولات و راه حل های نوآورانه و با معماری خوبی ارائه دهد که به مشتریان مشترک کمک می کند تا اهداف تجاری خود را تحقق بخشند.
میریام لبوویتز یک معمار راه حل در بخش استراتژیک ISV در AWS است. او با تیم هایی در سراسر Salesforce، از جمله Salesforce Data Cloud، درگیر است و در تجزیه و تحلیل داده ها تخصص دارد. در خارج از محل کار، او از پخت و پز، مسافرت و گذراندن زمان با کیفیت با دوستان و خانواده لذت می برد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/democratize-ml-on-salesforce-data-cloud-with-no-code-amazon-sagemaker-canvas/
- : دارد
- :است
- :نه
- $UP
- 1
- 10
- 100
- 29
- 7
- 8
- a
- درباره ما
- دسترسی
- حساب ها
- دقت
- دقیق
- در میان
- فعالیت ها
- واقعی
- اضافه کردن
- اضافه
- اضافی
- اطلاعات اضافی
- نشانی
- می افزاید:
- مدیران
- مدافع
- پس از
- AI
- مدل های هوش مصنوعی
- AI / ML
- معرفی
- مجاز
- اجازه می دهد تا
- در امتداد
- همچنین
- آمازون
- دروازه API آمازون
- آمازون SageMaker
- آمازون SageMaker Canvas
- آمازون خدمات وب
- an
- تحلیل
- تحلیلگران
- علم تجزیه و تحلیل
- و
- هر
- API
- رابط های برنامه کاربردی
- نرم افزار
- برنامه های کاربردی
- درخواست
- معماری
- هستند
- AS
- At
- خواص
- اجازه دادن
- خودکار
- بطور خودکار
- در دسترس
- میانگین
- AWS
- به عقب
- پایه
- مستقر
- BE
- بوده
- قبل از
- شروع
- معتقد است که
- در زیر
- میان
- بدن
- هر دو
- به ارمغان بیاورد
- ساختن
- بنا
- می سازد
- ساخته
- ساخته شده در
- کسب و کار
- برنامه های تجاری
- کسب و کار
- اما
- by
- کالیفرنیا
- کمپین بین المللی حقوق بشر
- مبارزات
- CAN
- نقاشی
- قابلیت
- گرفتن
- موارد
- تغییر دادن
- تبادل
- را انتخاب کنید
- انتخاب
- شهروند
- شهر:
- طبقه بندی
- مشتری
- ابر
- باشگاه
- رمز
- ستون
- ستون ها
- کامل
- تکمیل شده
- کامپیوتر
- چشم انداز کامپیوتر
- رفتار
- پیکر بندی
- پیکربندی
- اتصال
- متصل
- ارتباط
- کنسول
- تماس
- شامل
- محتوا
- تولید محتوا
- زمینه
- قرارداد
- همبستگی
- میتوانست
- ایجاد
- ایجاد شده
- ایجاد
- ایجاد
- سفارشی
- مشتری
- اطلاعات مشتری
- مشتریان
- داده ها
- دسترسی به داده ها
- تجزیه و تحلیل داده ها
- دریاچه دریاچه
- بستر داده
- علم اطلاعات
- به طور پیش فرض
- ارائه
- دموکراتیک کردن
- جمعیت
- نشان دادن
- نشان
- بستگی دارد
- گسترش
- مستقر
- گسترش
- اعزام ها
- جزئیات
- مستقیم
- مستقیما
- مدیر
- بحث در مورد
- نمایش داده
- صفحه نمایش
- تنوع
- تنوع و شمول
- دامنه
- پایین
- قطره
- هر
- در اوایل
- اقتصادی
- زحمت
- انیشتین
- هر دو
- پست الکترونیک
- قادر ساختن
- را قادر می سازد
- را قادر می سازد
- نقطه پایانی
- مشغول
- نامزدی
- درگیری
- وارد
- سرمایه گذاری
- محیط
- اخلاقی
- ارزیابی
- حتی
- واقعه
- مثال
- اعدام
- موجود
- تجربه
- تجارب
- توضیح دهید
- توضیح داده شده
- خارجی
- استخراج
- خانواده
- سریعتر
- ویژگی
- امکانات
- کمی از
- رشته
- زمینه
- پرونده
- مالی
- خدمات مالی
- نام خانوادگی
- بار اول
- جریان
- به دنبال
- پیروی
- برای
- قالب
- پایه
- دوستان
- از جانب
- کامل
- تابع
- آینده
- دروازه
- تولید می کنند
- نسل
- مولد
- هوش مصنوعی مولد
- دریافت کنید
- دادن
- Go
- بود
- دستگیره
- داشتن
- he
- کمک
- او
- او را
- تاریخ
- میزبانی
- ساعت ها
- چگونه
- چگونه
- HTML
- HTTP
- HTTPS
- ID
- شناسه ها
- هویت
- if
- نشان می دهد
- غوطه ور شدن
- تأثیر
- واردات
- اهمیت
- بهبود
- in
- از جمله
- گنجاندن
- فرد
- صنعت
- اطلاعات
- وارد کردن
- ابتکاری
- ورودی
- ورودی
- بینش
- نمونه
- در عوض
- دستورالعمل
- ادغام
- یکپارچه
- ادغام
- رابط
- IP
- مسائل
- isv
- IT
- ITS
- مشترک
- JPG
- json
- تنها
- نگاه داشتن
- کلید
- برچسب
- دریاچه
- زبان
- نام
- راه اندازی
- راه اندازی
- یادگیری
- ترک کردن
- سطح
- پسندیدن
- دوست دارد
- لاین
- لینک
- استماع
- فهرست
- ورود
- مطالب
- دستگاه
- فراگیری ماشین
- ساخته
- پستی
- ساخت
- ساخت
- مدیریت
- نقشه
- بازار یابی (Marketing)
- مسابقه
- ممکن است..
- متاداده
- دقیقه
- گم
- ML
- مدل
- مدل
- ماه
- بیش
- اکثر
- موسیقی
- نام
- نام
- نامگذاری
- طبیعی
- پردازش زبان طبیعی
- هدایت
- جهت یابی
- نیاز
- ضروری
- جدید
- نیویورک
- شهر نیویورک
- بعد
- nlp
- توجه داشته باشید
- عدد
- اوت
- هدف
- اهداف
- of
- on
- ONE
- آنلاین
- فقط
- گزینه
- or
- OS
- دیگر
- تولید
- خارج از
- روی
- مروری
- خود
- با ما
- صفحات
- قطعه
- بخش
- شریک
- شرکای
- برای
- انجام
- کارایی
- مجوز
- برنامه ریزی
- سکو
- سیستم عامل
- افلاطون
- هوش داده افلاطون
- PlatoData
- نقطه
- پر جمعیت
- پست
- قدرت
- قوی
- پیش بینی
- پیش گویی
- پیش بینی
- تهیه
- جلوگیری از
- پیش نمایش
- قبلا
- اصلی
- قبلا
- در حال پردازش
- محصول
- محصولات
- مشخصات
- پرسیدن
- رفاه
- ارائه
- فراهم می کند
- عمومی
- خرید
- هدف
- کیفیت
- نمایش ها
- مطرح شده
- اماده
- واقعی
- زمان واقعی
- تحقق بخشیدن
- اخیر
- توصیه
- توصیه
- مراجعه
- منطقه
- ثبت نام
- ثبت نام
- رجیستری
- ارتباط
- مربوط
- جایگزین کردن
- درخواست
- درخواست
- پاسخ
- پاسخ
- مسئوليت
- محدودیت های
- نتیجه
- برگشت
- بازبینی
- نقش
- در حال اجرا
- زمان اجرا
- حکیم ساز
- استنباط SageMaker
- salesforce
- علم
- دانشمندان
- ثانیه
- راز
- اسرار
- بخش
- ایمن
- دیدن
- بخش
- را انتخاب کنید
- انتخاب شد
- سلسله
- سرویس
- خدمات
- تنظیم
- محیط
- تنظیمات
- برپایی
- او
- نشان
- نمایش داده شده
- نشان می دهد
- ساده
- تنها
- اندازه
- قطعه
- So
- آگاهی
- جامعه
- راه حل
- مزایا
- برخی از
- تخصص دارد
- خاص
- هزینه
- استاندارد
- شروع
- آغاز شده
- دولت
- ارقام
- وضعیت
- مراحل
- استوارت
- ذخیره سازی
- opbevare
- ذخیره شده
- ساده
- استراتژیک
- شرکای استراتژیک
- جریان
- استودیو
- متعاقب
- موفق
- چنین
- پشتیبانی
- جدول
- تابلو
- گرفتن
- هدف
- تیم ها
- پیشرفته
- آزمون
- متن
- نسبت به
- که
- La
- آینده
- دولت
- شان
- سپس
- اینها
- سوم
- این
- از طریق
- زمان
- به
- ابزار
- لمس
- قطار
- آموزش دیده
- آموزش
- قطار
- دگرگون کردن
- دگرگونی
- تحولات
- سفر
- نوع
- فهمیدن
- درک
- منحصر به فرد
- نزدیک
- بروزرسانی
- به روز شده
- به روز رسانی
- آپلود شده
- URL
- استفاده کنید
- استفاده
- کاربر
- رابط کاربری
- استفاده
- با استفاده از
- تصدیق
- ارزشها
- متغیر
- نسخه
- از طريق
- چشم انداز
- دید
- بازدید
- بصری
- بود
- واشنگتن
- we
- وب
- خدمات وب
- هفته
- خوب
- چه
- که
- در حین
- WHO
- اراده
- با
- در داخل
- بدون
- مهاجرت کاری
- مشغول به کار
- با این نسخهها کار
- کارگاه های آموزشی
- سطح جهانی
- نوشتن
- نوشته
- سال
- نیویورک
- شما
- شما
- زفیرنت