Amazon SageMaker Data Wrangler on yksi visuaalinen käyttöliittymä, joka lyhentää tietojen valmisteluun ja ominaisuuksien suunnitteluun kuluvaa aikaa viikoista minuutteihin. Sen avulla voidaan valita ja puhdistaa tietoja, luoda ominaisuuksia ja automatisoida tietojen valmistelu koneoppimisen (ML) työnkulkuissa ilman koodin kirjoittamista.
SageMaker Data Wrangler tukee Lumihiutale, suosittu tietolähde käyttäjille, jotka haluavat suorittaa ML. Lanseeraamme Snowflake-suorayhteyden SageMaker Data Wranglerista parantaaksemme asiakaskokemusta. Ennen tämän ominaisuuden käynnistämistä järjestelmänvalvojien oli määritettävä alkuperäinen tallennusintegrointi, jotta se voi muodostaa yhteyden Snowflakeen ML-ominaisuuksien luomiseksi Data Wranglerissa. Tämä sisältää provisioinnin Amazonin yksinkertainen tallennuspalvelu (Amazon S3) kauhat, AWS-henkilöllisyyden ja käyttöoikeuksien hallinta (IAM) käyttöoikeudet, Snowflake-tallennusintegraatio yksittäisille käyttäjille ja jatkuva mekanismi tietokopioiden hallintaan tai puhdistamiseen Amazon S3:ssa. Tämä prosessi ei ole skaalattavissa asiakkaille, joilla on tiukka tietojen käyttövalvonta ja suuri määrä käyttäjiä.
Tässä viestissä näytämme, kuinka Snowflaken suora yhteys SageMaker Data Wranglerissa yksinkertaistaa järjestelmänvalvojan kokemusta ja datatieteilijän ML-matkaa tiedoista liiketoimintatietoihin.
Ratkaisun yleiskatsaus
Tässä ratkaisussa käytämme SageMaker Data Wrangleria nopeuttamaan tietojen valmistelua ML- ja Amazon SageMaker -autopilotti automaattisesti rakentaa, kouluttaa ja hienosäätää ML-malleja tietosi perusteella. Molemmat palvelut on suunniteltu erityisesti lisäämään tuottavuutta ja lyhentämään aikaa arvon saavuttamiseen ML-harjoittajien kannalta. Esittelemme myös yksinkertaistetun tiedonsaannin SageMaker Data Wranglerista Snowflakeen suoralla yhteydellä kyselyihin ja ominaisuuksien luomiseen ML:lle.
Katso alla olevasta kaaviosta yleiskatsauksen matalan koodin ML-prosessista Snowflaken, SageMaker Data Wranglerin ja SageMaker Autopilotin kanssa.
Työnkulku sisältää seuraavat vaiheet:
- Siirry SageMaker Data Wrangleriin tietojen valmistelua ja ominaisuuksien suunnittelua varten.
- Määritä Snowflake-yhteys SageMaker Data Wranglerin avulla.
- Tutustu Snowflake-taulukoihisi SageMaker Data Wranglerissa, luo ML-tietojoukko ja suorita ominaisuussuunnittelua.
- Harjoittele ja testaa malleja SageMaker Data Wranglerin ja SageMaker Autopilotin avulla.
- Lataa paras malli reaaliaikaiseen päättelypäätepisteeseen ennusteita varten.
- Käytä Python-muistikirjaa käynnistämään käynnistetty reaaliaikainen päätelmäpäätepiste.
Edellytykset
Tätä virkaa varten ylläpitäjä tarvitsee seuraavat edellytykset:
Datatieteilijöillä tulee olla seuraavat edellytykset
Lopuksi sinun tulee valmistella tietosi Snowflakea varten
- Käytämme luottokorttitapahtumatietoja alkaen Kaggle rakentaa ML-malleja vilpillisten luottokorttitapahtumien havaitsemiseen, jotta asiakkaita ei veloiteta tuotteista, joita he eivät ostaneet. Aineisto sisältää eurooppalaisten kortinhaltijoiden syyskuussa 2013 tekemät luottokorttitapahtumat.
- Sinun tulisi käyttää SnowSQL asiakas ja asenna se paikalliseen koneellesi, jotta voit käyttää sitä datajoukon lataamiseen Snowflake-taulukkoon.
Seuraavat vaiheet osoittavat, kuinka tietojoukko valmistetaan ja ladataan Snowflake-tietokantaan. Tämä on kertakäyttöinen asennus.
Lumihiutaletaulukko ja tietojen valmistelu
Suorita seuraavat vaiheet tätä kertakäyttöistä määritystä varten:
- Ensin järjestelmänvalvojana luo Snowflake-virtuaalivarasto, -käyttäjä ja -rooli ja anna muille käyttäjille, kuten datatutkijoille, käyttöoikeudet luoda tietokanta ja lavastella tietoja ML-käyttötapauksiinsa:
- Tietojen tutkijana luodaan nyt tietokanta ja tuodaan luottokorttitapahtumat Snowflake-tietokantaan, jotta pääset käsiksi SageMaker Data Wranglerin tietoihin. Kuvaustarkoituksiin luomme Snowflake-tietokannan nimeltä
SF_FIN_TRANSACTION
: - Lataa tietojoukon CSV-tiedosto paikalliselle koneellesi ja luo vaihe tietojen lataamiseksi tietokantataulukkoon. Päivitä tiedostopolku osoittamaan ladatun tietojoukon sijaintiin ennen PUT-komennon suorittamista tietojen tuomiseksi luotuun vaiheeseen:
- Luo taulukko nimeltä
credit_card_transactions
: - Tuo tiedot luotuun taulukkoon vaiheesta:
Määritä SageMaker Data Wrangler- ja Snowflake-yhteys
Kun olemme valmistaneet tietojoukon käytettäväksi SageMaker Data Wranglerin kanssa, luokaamme uusi Snowflake-yhteys SageMaker Data Wrangleriin muodostaaksemme yhteyden sf_fin_transaction
tietokanta Snowflakessa ja tee kysely credit_card_transaction
taulukossa:
- Valita Lumihiutale SageMaker Data Wranglerissa Yhteys sivu.
- Anna nimi yhteytesi tunnistamiseksi.
- Valitse todennusmenetelmäsi muodostaaksesi yhteyden Snowflake-tietokantaan:
- Jos käytät perustodennusta, anna Snowflake-järjestelmänvalvojasi jakama käyttäjänimi ja salasana. Tässä viestissä käytämme perustodennusta muodostaaksemme yhteyden Snowflakeen käyttämällä edellisessä vaiheessa luomiamme käyttäjätunnuksia.
- Jos käytät OAuthia, anna henkilöllisyydentarjoajan kirjautumistiedot.
SageMaker Data Wrangler kysyy oletusarvoisesti tietojasi suoraan Snowflakesta luomatta datakopioita S3-ämpäriin. SageMaker Data Wranglerin uusi käytettävyyden parannus käyttää Apache Sparkia integroitumaan Snowflakeen valmistaakseen ja luodakseen saumattomasti tietojoukon ML-matkaasi varten.
Tähän mennessä olemme luoneet Snowflake-tietokannan, tuoneet CSV-tiedoston Snowflake-taulukkoon, luoneet Snowflake-tunnistetiedot ja luoneet SageMaker Data Wrangleriin liittimen Snowflakeen yhdistämistä varten. Vahvista määritetty Snowflake-yhteys suorittamalla seuraava kysely luodussa Snowflake-taulukossa:
Huomaa, että aiemmin vaadittu tallennustilan integrointivaihtoehto on nyt valinnainen lisäasetuksissa.
Tutustu Snowflake-tietoihin
Kun olet vahvistanut kyselyn tulokset, valitse Tuo tallentaaksesi kyselyn tulokset tietojoukoksi. Käytämme tätä poimittua tietojoukkoa tutkivaan data-analyysiin ja ominaisuuksien suunnitteluun.
Voit halutessasi ottaa näytteitä Snowflaken tiedoista SageMaker Data Wrangler -käyttöliittymässä. Toinen vaihtoehto on ladata täydelliset tiedot ML-mallin harjoittelun käyttötapauksia varten käyttämällä SageMaker Data Wrangler -käsittelytöitä.
Suorita tutkiva data-analyysi SageMaker Data Wranglerissa
Data Wranglerin tiedot on suunniteltava ennen kuin niitä voidaan kouluttaa. Tässä osiossa esittelemme, kuinka ominaisuussuunnittelua tehdään Snowflaken datalle SageMaker Data Wranglerin sisäänrakennettujen ominaisuuksien avulla.
Ensinnäkin käytetään Data Quality and Insights Report
SageMaker Data Wranglerin ominaisuus, joka tuottaa raportteja tietojen laadun automaattisesti tarkistamiseksi ja poikkeavuuksien havaitsemiseksi Snowflaken tiedoissa.
Raportin avulla voit puhdistaa ja käsitellä tietojasi. Se antaa sinulle tietoja, kuten puuttuvien arvojen ja poikkeavien arvojen lukumäärän. Jos sinulla on ongelmia tiedoissasi, kuten tavoitevuoto tai epätasapaino, tietoraportti voi tuoda nämä ongelmat tietoosi. Jos haluat ymmärtää raportin yksityiskohdat, katso Nopeuta tietojen valmistelua Amazon SageMaker Data Wranglerin tietojen laadun ja oivallusten avulla.
Kun olet tarkistanut SageMaker Data Wranglerin käyttämän tietotyyppivastaavuuden, suorita seuraavat vaiheet:
- Valitse vieressä oleva plusmerkki Tietotyypit Ja valitse Lisää analyysi.
- varten Analyysityyppi, valitse Data Quality and Insights -raportti.
- Valita luoda.
- Katso Data Quality and Insights -raportin tiedot nähdäksesi korkean prioriteetin varoitukset.
Voit ratkaista raportoidut varoitukset ennen kuin jatkat ML-matkaasi.
Kohdesarake Class
ennustettava luokitellaan merkkijonoksi. Sovelletaan ensin muunnos poistaaksesi vanhentuneet tyhjät merkit.
- Valita Lisää vaihe Ja valitse Alusta merkkijono.
- Valitse muunnosluettelosta Nauha vasemmalle ja oikealle.
- Syötä poistettavat merkit ja valitse Lisää.
Seuraavaksi muunnamme kohdesarakkeen Class
merkkijonotietotyypistä Boolen arvoon, koska tapahtuma on joko laillinen tai vilpillinen.
- Valita Lisää vaihe.
- Valita Jäsennä sarake tyypinä.
- Valitse Sarakkeessa
Class
. - varten alkaen, valitse jono.
- varten jotta, valitse boolean.
- Valita Lisää.
Kohdesarakemuunnoksen jälkeen vähennämme ominaisuussarakkeiden määrää, koska alkuperäisessä tietojoukossa on yli 30 ominaisuutta. Käytämme pääkomponenttianalyysiä (PCA) mittojen pienentämiseen ominaisuuden tärkeyden perusteella. Lisätietoja PCA:sta ja mittojen vähentämisestä on kohdassa Pääkomponenttianalyysin (PCA) algoritmi.
- Valita Lisää vaihe.
- Valita Ulottuvuuden pienentäminen.
- varten Muuttaa, valitse Pääkomponenttianalyysi.
- varten Syötä sarakkeet, valitse kaikki sarakkeet paitsi kohdesarake
Class
. - Valitse vieressä oleva plusmerkki Tietovirta Ja valitse Lisää analyysi.
- varten Analyysityyppi, valitse Nopea malli.
- varten Analyysin nimi, kirjoita nimi.
- varten Merkki, valitse
Class
. - Valita ajaa.
PCA-tulosten perusteella voit päättää, mitä ominaisuuksia käytät mallin rakentamiseen. Seuraavassa kuvakaappauksessa kaavio näyttää ominaisuudet (tai dimensiot), jotka on järjestetty korkeimmasta pienimpään tärkeyteen, jotta voidaan ennustaa kohdeluokka, joka tässä tietojoukossa kertoo, onko tapahtuma vilpillinen vai kelvollinen.
Voit halutessasi vähentää ominaisuuksien määrää tämän analyysin perusteella, mutta tässä viestissä jätämme oletusasetukset ennalleen.
Tämä päättää ominaisuuksien suunnitteluprosessimme, vaikka voit suorittaa pikamallin ja luoda uudelleen Data Quality and Insights -raportin ymmärtääksesi tiedot ennen lisäoptimointien suorittamista.
Vie tiedot ja kouluta malli
Seuraavassa vaiheessa käytämme SageMaker Autopilotia parhaiden ML-mallien automaattiseen rakentamiseen, kouluttamiseen ja virittämiseen tietojesi perusteella. SageMaker Autopilotin avulla säilytät edelleen täysin tietosi ja mallisi hallinnan ja näkyvyyden.
Nyt kun olemme saaneet tutkimuksen ja ominaisuuksien suunnittelun valmiiksi, koulutetaan malli tietojoukolle ja viedään tiedot ML-mallin kouluttamiseksi SageMaker Autopilotin avulla.
- On koulutus välilehti, valitse Vienti ja juna.
Voimme seurata viennin edistymistä odottaessamme sen valmistumista.
Määritetään SageMaker Autopilot suorittamaan automatisoitu harjoitustyö määrittämällä tavoite, jonka haluamme ennustaa, ja ongelman tyyppi. Tässä tapauksessa, koska koulutamme tietojoukkoa ennustamaan, onko tapahtuma vilpillinen vai kelvollinen, käytämme binääriluokitusta.
- Anna kokeilullesi nimi, anna S3-sijaintitiedot ja valitse Seuraavaksi: Kohde ja ominaisuudet.
- varten Kohde, valitse
Class
sarakkeena ennustaa. - Valita Seuraava: Koulutusmenetelmä.
Annetaan SageMaker Autopilotin päättää koulutusmenetelmä tietojoukon perusteella.
- varten Koulutusmenetelmä ja algoritmitvalitse auto.
Lisätietoja SageMaker Autopilotin tukemista harjoitustiloista on kohdassa Harjoittelutilat ja algoritmi Tukea.
- Valita Seuraavaksi: Käyttöönotto ja lisäasetukset.
- varten Käyttöönottovaihtoehto, valitse Ota paras malli automaattisesti käyttöön Data Wranglerin muunnoksilla, joka lataa parhaan mallin johtopäätöstä varten, kun kokeilu on valmis.
- Anna päätepisteellesi nimi.
- varten Valitse koneoppimisongelman tyyppi, valitse Binaariluokitus.
- varten Vastalausemittari, valitse F1.
- Valita Seuraavaksi: Tarkista ja luo.
- Valita Luo kokeilu.
Tämä käynnistää SageMaker Autopilot -työn, joka luo joukon koulutustöitä, jotka optimoivat tavoitemittarin hyperparametrien yhdistelmiä.
Odota, että SageMaker Autopilot on valmis rakentamaan mallit ja arvioimaan parhaan ML-mallin.
Testaa parasta mallia käynnistämällä reaaliaikainen päättelypäätepiste
SageMaker Autopilot suorittaa kokeita määrittääkseen parhaan mallin, jolla luottokorttitapahtumat voidaan luokitella laillisiksi tai vilpillisiksi.
Kun SageMaker Autopilot suorittaa kokeen, voimme tarkastella koulutustuloksia arviointimittareiden kanssa ja tutkia parasta mallia SageMaker Autopilotin työnkuvaussivulta.
- Valitse paras malli ja valitse Ota malli käyttöön.
Käytämme reaaliaikaista päättelypäätepistettä testataksemme parasta SageMaker Autopilotin avulla luotua mallia.
- valita Tee reaaliaikaisia ennusteita.
Kun päätepiste on saatavilla, voimme siirtää hyötykuorman ja saada päätelmät.
Käynnistetään Python-muistikirja käyttääksesi päätelmäpäätepistettä.
- Valitse SageMaker Studio -konsolin navigointiruudusta kansion kuvake ja valitse Luo muistikirja.
- Käytä seuraavaa Python-koodia käyttöönotetun reaaliaikaisen päättelypäätepisteen kutsumiseen:
Tulos näyttää tuloksen muodossa false
, mikä tarkoittaa, että esimerkkiominaisuustiedot eivät ole vilpillisiä.
Puhdistaa
Varmistaaksesi, ettei sinulle aiheudu kuluja tämän opetusohjelman suorittamisen jälkeen, sulje SageMaker Data Wrangler -sovellus ja sammuta muistikirjan ilmentymä käytetään päättelemiseen. Sinun pitäisi myös poista päätepiste loit SageMaker Autopilotilla lisäkulujen estämiseksi.
Yhteenveto
Tässä viestissä osoitimme kuinka tuoda tietosi suoraan Snowflakesta luomatta välikopioita prosessin aikana. Voit joko ottaa näytteitä tai ladata koko tietojoukon SageMaker Data Wrangleriin suoraan Snowflakesta. Voit sitten tutkia tietoja, puhdistaa tiedot ja suorittaa suunnittelun SageMaker Data Wranglerin visuaalisen käyttöliittymän avulla.
Korostimme myös, kuinka voit helposti kouluttaa ja virittää mallin SageMaker Autopilotilla suoraan SageMaker Data Wrangler -käyttöliittymästä. SageMaker Data Wranglerin ja SageMaker Autopilotin integroinnin avulla voimme rakentaa mallin nopeasti ominaisuussuunnittelun jälkeen ilman koodin kirjoittamista. Sitten viittasimme SageMaker Autopilotin parhaaseen malliin johtopäätösten tekemiseen reaaliaikaisen päätepisteen avulla.
Kokeile uutta Snowflake-suoraintegraatiota SageMaker Data Wrangleriin tänään rakentaaksesi helposti ML-malleja tiedoistasi SageMakerin avulla.
Tietoja kirjoittajista
Hariharan Suresh on AWS:n vanhempi ratkaisuarkkitehti. Hän on intohimoinen tietokantoihin, koneoppimiseen ja innovatiivisten ratkaisujen suunnitteluun. Ennen AWS:ään liittymistään Hariharan oli tuotearkkitehti, ydinpankkitoiminnan toteutusasiantuntija ja kehittäjä, ja työskenteli BFSI-organisaatioiden kanssa yli 11 vuoden ajan. Tekniikan ulkopuolella hän harrastaa varjoliitoa ja pyöräilyä.
Aparajithan Vaidyanathan on johtava yritysratkaisujen arkkitehti AWS:ssä. Hän tukee yritysasiakkaita siirtymään ja modernisoimaan työtaakkaa AWS-pilvessä. Hän on pilviarkkitehti, jolla on yli 23 vuoden kokemus yritys-, suur- ja hajautettujen ohjelmistojärjestelmien suunnittelusta ja kehittämisestä. Hän on erikoistunut koneoppimiseen ja dataanalytiikkaan keskittyen tieto- ja ominaisuussuunnitteluun. Hän on intohimoinen maratonjuoksija ja hänen harrastuksiaan ovat vaellus, pyöräily ja ajanvietto vaimonsa ja kahden pojan kanssa.
Tim Song on AWS SageMakerin ohjelmistokehitysinsinööri, jolla on yli 10 vuoden kokemus ohjelmistokehittäjänä, konsulttina ja teknologiajohtajana. Hän on osoittanut kykynsä toimittaa skaalautuvia ja luotettavia tuotteita ja ratkaista monimutkaisia ongelmia. Vapaa-ajallaan hän nauttii luonnosta, ulkoilusta, retkeilystä jne.
Bosco Albuquerque on AWS:n vanhempi kumppaniratkaisuarkkitehti, ja hänellä on yli 20 vuoden kokemus tietokanta- ja analytiikkatuotteiden kanssa työskentelystä yritystietokantatoimittajilta ja pilvipalveluntarjoajilta. Hän on auttanut suuria teknologiayrityksiä suunnittelemaan data-analytiikkaratkaisuja ja johtanut insinööriryhmiä data-analytiikkaalustojen ja -tuotteiden suunnittelussa ja toteutuksessa.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
- PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
- PlatoESG. Autot / sähköautot, hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- BlockOffsets. Ympäristövastuun omistuksen nykyaikaistaminen. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/accelerate-time-to-business-insights-with-the-amazon-sagemaker-data-wrangler-direct-connection-to-snowflake/
- :on
- :On
- :ei
- $ YLÖS
- 1
- 10
- 100
- 11
- 12
- 14
- 15%
- 20
- 20 vuotta
- 2013
- 27
- 30
- 40
- 500
- 7
- 9
- a
- kyky
- Meistä
- kiihdyttää
- pääsy
- Tili
- lisä-
- ylläpitäjät
- kehittynyt
- Jälkeen
- uudelleen
- AI / ML
- Kaikki
- sallia
- Myös
- Vaikka
- Amazon
- Amazon Sage Maker
- Amazon SageMaker Data Wrangler
- Amazon Web Services
- määrä
- an
- analyysi
- Analytics
- ja
- Toinen
- Kaikki
- Apache
- api
- sovellettu
- käyttää
- OVAT
- AS
- kunnianhimoinen
- At
- huomio
- Authentication
- automatisoida
- Automatisoitu
- automaattisesti
- saatavissa
- AWS
- Pankkitoiminta
- perustua
- perustiedot
- BE
- koska
- ennen
- alle
- PARAS
- BFSI
- elin
- sekä
- tuoda
- rakentaa
- Rakentaminen
- sisäänrakennettu
- liiketoiminta
- mutta
- by
- CAN
- kyvyt
- kaapata
- kortti
- tapaus
- tapauksissa
- merkkejä
- peritään
- maksut
- tarkastaa
- Valita
- luokka
- luokittelu
- luokiteltu
- luokitella
- asiakas
- pilvi
- koodi
- Sarake
- Pylväät
- yhdistelmät
- Yritykset
- täydellinen
- Valmistunut
- Täydentää
- Suoritettuaan
- monimutkainen
- komponentti
- määritetty
- kytkeä
- liitäntä
- Console
- konsultti
- jatkaa
- ohjaus
- muuntaa
- Ydin
- Peruspankkitoiminta
- luoda
- luotu
- luo
- Luominen
- Valtakirja
- pisteitä
- luottokortti
- asiakas
- asiakaskokemus
- Asiakkaat
- tiedot
- tietojen käyttö
- tietojen analysointi
- Data Analytics
- Tietojen valmistelu
- tietojen tutkija
- tietokanta
- tietokannat
- päättää
- oletusarvo
- oletusarvot
- toimittaa
- osoittaa
- osoittivat
- sijoittaa
- käyttöön
- käyttöönotto
- kuvaus
- Malli
- suunniteltu
- suunnittelu
- yksityiskohdat
- Määrittää
- Kehittäjä
- kehittämällä
- Kehitys
- mitat
- ohjata
- suoraan
- jaettu
- verkkotunnuksen
- Dont
- alas
- download
- helposti
- myöskään
- päätepiste
- insinööri
- Tekniikka
- enter
- yritys
- jne.
- Eurooppalainen
- arviointi
- Paitsi
- olemassa
- experience
- kokeilu
- kokeiluja
- tutkimus
- Tutkimusaineistoanalyysi
- tutkia
- vienti
- paljon
- Ominaisuus
- Ominaisuudet
- Featuring
- filee
- taloudellinen
- viimeistely
- Etunimi
- kellua
- Keskittää
- jälkeen
- varten
- muoto
- vilpillinen
- alkaen
- koko
- edelleen
- tuottaa
- saada
- antaa
- myöntää
- kaavio
- Olla
- he
- auttaa
- auttanut
- suurin
- Korostettu
- hänen
- Miten
- Miten
- HTML
- http
- HTTPS
- ICON
- tunnistaa
- Identiteetti
- if
- epätasapaino
- täytäntöönpano
- täytäntöönpanosta
- tuoda
- merkitys
- tuovan
- tuonti
- parantaa
- in
- sisältää
- sisältää
- Kasvaa
- henkilökohtainen
- tiedot
- ensimmäinen
- innovatiivinen
- oivalluksia
- asentaa
- yhdistää
- integraatio
- liitäntä
- sisäinen
- tulee
- kysymykset
- IT
- kohdetta
- Job
- Työpaikat
- tuloaan
- matka
- jpg
- json
- suuri
- laaja
- käynnistää
- käynnistettiin
- johtaja
- oppiminen
- jättää
- Led
- vasemmalle
- laillinen
- antaa
- Kirjasto
- RAJOITA
- Lista
- kuormitus
- kuormat
- paikallinen
- sijainti
- alin
- kone
- koneoppiminen
- tehty
- ylläpitää
- tehdä
- hoitaa
- Maraton
- matching
- Saattaa..
- mekanismi
- menetelmä
- metrinen
- Metrics
- vaeltaa
- minuuttia
- puuttuva
- ML
- malli
- mallit
- nykyaikaistaa
- tilat
- monitori
- lisää
- nimi
- nimetty
- luonto
- suunnistus
- tarpeet
- Uusi
- seuraava
- muistikirja
- nyt
- numero
- OAuth
- objekti
- tavoite
- of
- on
- jatkuva
- Optimoida
- Vaihtoehto
- or
- tilata
- organisaatioiden
- alkuperäinen
- OS
- Muut
- meidän
- ulos
- ulostulo
- ulkopuolella
- yli
- yleiskatsaus
- sivulla
- lasi
- kumppani
- kulkea
- intohimoinen
- Salasana
- polku
- Suorittaa
- esittävä
- Oikeudet
- Platforms
- Platon
- Platonin tietotieto
- PlatonData
- plus
- Kohta
- Suosittu
- Kirje
- ennustaa
- ennusti
- Ennusteet
- valmistelu
- Valmistella
- edellytyksiä
- estää
- edellinen
- Pääasiallinen
- Painaa
- Aikaisempi
- Ongelma
- ongelmia
- prosessi
- käsittely
- Tuotteet
- tuottavuus
- Tuotteemme
- Edistyminen
- toimittaa
- toimittaja
- tarjoajat
- julkinen
- osto
- tarkoituksiin
- laittaa
- Python
- laatu
- kyselyt
- nopea
- nopeasti
- reaaliaikainen
- vähentää
- vähentää
- vähentäminen
- luotettava
- poistaa
- korvata
- raportti
- raportoitu
- Raportit
- pyyntö
- tarvitaan
- vastaus
- johtua
- tulokset
- arviot
- ratsastus
- Rooli
- ajaa
- juoksija
- juoksu
- s
- sagemaker
- Säästä
- skaalautuva
- Tiedemies
- tutkijat
- saumattomasti
- Osa
- lähettää
- vanhempi
- syyskuu
- Palvelut
- setti
- settings
- setup
- yhteinen
- shouldnt
- näyttää
- Näytä
- merkki
- Yksinkertainen
- yksinkertaistettu
- single
- So
- Tuotteemme
- ohjelmistokehitys
- ratkaisu
- Ratkaisumme
- SOLVE
- laulu
- lähde
- Kipinä
- asiantuntija
- erikoistunut
- erityisesti
- nopeus
- menot
- Vaihe
- alkaa
- Vaihe
- Askeleet
- Yhä
- Levytila
- verkkokaupasta
- Tiukka
- jono
- studio
- antaa
- onnistunut
- Onnistuneesti
- niin
- tuki
- Tuetut
- Tukee
- järjestelmät
- taulukko
- Kohde
- tehtävät
- tiimit
- teknologia
- Elektroniikka
- teknologiayritykset
- testi
- että
- -
- Kaavio
- heidän
- sitten
- Siellä.
- ne
- tätä
- ne
- Kautta
- aika
- että
- tänään
- Juna
- koulutettu
- koulutus
- kauppa
- Liiketoimet
- Muutos
- muunnoksia
- totta
- oppitunti
- kaksi
- tyyppi
- ui
- ymmärtää
- Päivitykset
- us
- käytettävyys
- käyttää
- käytetty
- käyttäjä
- Käyttöliittymä
- Käyttäjät
- käyttötarkoituksiin
- käyttämällä
- v1
- VAHVISTA
- arvo
- arvot
- myyjät
- todentaa
- Näytä
- Virtual
- näkyvyys
- odottaa
- haluta
- oli
- we
- verkko
- verkkopalvelut
- viikkoa
- olivat
- onko
- joka
- vaikka
- KUKA
- vaimo
- with
- sisällä
- ilman
- Referenssit
- työskenteli
- työnkulku
- työnkulkuja
- työskentely
- kirjoittaminen
- vuotta
- Voit
- Sinun
- zephyrnet