Tämän viestin ovat kirjoittaneet Ramdev Wudali ja Kiran Mantripragada Thomson Reutersilta.
Vuonna 1992, Thomson Reuters (TR) julkaisi ensimmäisen tekoälyn juridisen tutkimuspalvelunsa, WIN (Westlaw Is Natural), joka oli tuolloin innovaatio, koska useimmat hakukoneet tukivat vain Boolen termejä ja liittimiä. Sittemmin TR on saavuttanut monia uusia virstanpylväitä, kun sen tekoälytuotteiden ja -palveluiden määrä ja valikoima kasvavat jatkuvasti. Se tukee laki-, vero-, kirjanpito-, vaatimustenmukaisuus- ja uutispalvelualan ammattilaisia maailmanlaajuisesti, ja joka vuosi tuotetaan miljardeja koneoppimisen näkemyksiä. .
Tekoälypalvelujen valtavan lisääntymisen myötä TR:n seuraava virstanpylväs oli tehostaa innovaatioita ja helpottaa yhteistyötä. Standardoi tekoälyratkaisujen rakentaminen ja uudelleenkäyttö yritystoiminnoissa ja tekoälyn harjoittajien persoonallisuuksissa varmistaen samalla yritysten parhaiden käytäntöjen noudattamisen:
- Automatisoi ja standardoi toistuva, erittelemätön suunnittelutyö
- Varmista arkaluonteisten tietojen vaadittu eristäminen ja valvonta yhteisten hallintostandardien mukaisesti
- Tarjoa helppo pääsy skaalautuviin laskentaresursseihin
Täyttääkseen nämä vaatimukset TR rakensi Enterprise AI -alustan seuraavien viiden pilarin ympärille: tietopalvelu, kokeilutyötila, keskusmallirekisteri, mallin käyttöönottopalvelu ja mallin valvonta.
Tässä viestissä keskustelemme siitä, kuinka TR ja AWS tekivät yhteistyötä kehittääkseen TR:n kaikkien aikojen ensimmäisen Enterprise AI Platformin, verkkopohjaisen työkalun, joka tarjoaa ominaisuuksia ML-kokeilusta, koulutuksesta, keskitetystä mallirekisteristä, mallin käyttöönotosta ja mallien seurannasta. Kaikki nämä ominaisuudet on rakennettu vastaamaan TR:n jatkuvasti kehittyviin tietoturvastandardeihin ja tarjoamaan yksinkertaisia, turvallisia ja yhteensopivia palveluja loppukäyttäjille. Kerromme myös, kuinka TR mahdollisti ML-mallien seurannan ja hallinnan, jotka on luotu eri liiketoimintayksiköissä yhdellä lasilla.
Haasteet
Historiallisesti TR:ssä ML on ollut kyky tiimeille, joissa on edistyneitä datatieteilijöitä ja insinöörejä. Tiimit, joilla oli erittäin ammattitaitoisia resursseja, pystyivät toteuttamaan monimutkaisia ML-prosesseja tarpeidensa mukaan, mutta niistä tuli nopeasti hyvin siilo. Suljetut lähestymistavat eivät antaneet näkyvyyttä äärimmäisen kriittisten päätöksentekoennusteiden ohjaamiseksi.
TR-liiketoimintatiimeillä on laaja tietoalue; ML:ssä vaaditut tekniset taidot ja raskas suunnittelutyö tekevät kuitenkin syvän asiantuntemuksensa käyttämisen vaikeaksi ratkaista liiketoimintaongelmia ML:n voimalla. TR haluaa demokratisoida taidot ja tehdä niistä useamman organisaation sisällä.
TR:n eri tiimit noudattavat omia käytäntöjään ja menetelmiään. TR haluaa rakentaa käyttäjilleen koko ML-elinkaaren kattavat ominaisuudet nopeuttaakseen ML-projektien toimitusta antamalla tiimille mahdollisuuden keskittyä liiketoimintatavoitteisiin toistuvien ja erilaisten suunnittelutyön sijaan.
Lisäksi dataa ja eettistä tekoälyä koskevat määräykset kehittyvät jatkuvasti, mikä edellyttää yhteisten hallintostandardien noudattamista TR:n tekoälyratkaisuissa.
Ratkaisun yleiskatsaus
TR:n Enterprise AI Platformin suunniteltiin tarjoavan yksinkertaisia ja standardoituja palveluita eri henkilöille, jotka tarjoavat ominaisuuksia ML:n elinkaaren jokaiseen vaiheeseen. TR on tunnistanut viisi pääluokkaa, jotka moduloivat kaikki TR:n vaatimukset:
- Tietopalvelu – Mahdollistaa helpon ja suojatun pääsyn yrityksen tietovaroihin
- Kokeilutyötila – Tarjoaa valmiuksia kokeilla ja kouluttaa ML-malleja
- Keskitetty mallirekisteri – Yritysluettelo eri liiketoimintayksiköille rakennetuille malleille
- Mallin käyttöönottopalvelu – Tarjoaa erilaisia päätelmien käyttöönottovaihtoehtoja TR:n yrityksen CI/CD-käytäntöjen mukaisesti
- Mallinvalvontapalvelut – Tarjoaa valmiuksia tietojen valvontaan ja mallien harhaan ja ajautumiseen
Kuten seuraavasta kaaviosta näkyy, nämä mikropalvelut on rakennettu muutamaa keskeistä periaatetta ajatellen:
- Poista käyttäjiltä erilainen suunnittelutyö
- Tarjoa tarvittavat ominaisuudet yhdellä napin painalluksella
- Suojaa ja hallitse kaikkia ominaisuuksia TR:n yritysstandardien mukaisesti
- Tuo yksi lasi ML-toimintoihin
TR:n AI Platform -mikropalvelut on rakennettu Amazon Sage Maker ydinmoottorina, AWS-palvelimettomat komponentit työnkulkuihin ja AWS DevOps -palvelut CI/CD-käytäntöihin. SageMaker Studio käytetään kokeiluihin ja koulutukseen, ja SageMaker-mallirekisteriä käytetään mallien rekisteröimiseen. Keskitetty mallirekisteri koostuu sekä SageMaker-mallirekisteristä että an Amazon DynamoDB pöytä. SageMaker-isännöintipalvelut käytetään mallien käyttöönotossa, kun taas SageMaker-mallimonitori ja SageMaker Selvennä käytetään seuraamaan malleja poikkeaman, harhan, mukautettujen metrilaskurien ja selitettävyyden suhteen.
Seuraavissa osioissa kuvataan nämä palvelut yksityiskohtaisesti.
Tietopalvelu
Perinteinen ML-projektin elinkaari alkaa tiedon etsimisestä. Yleensä datatieteilijät käyttävät 60 % tai enemmän ajastaan oikean tiedon löytämiseen, kun he sitä tarvitsevat. Kuten jokaisessa organisaatiossa, TR:llä on useita tietovarastoja, jotka toimivat yhtenä totuuspisteenä eri tietoalueille. TR tunnisti kaksi keskeistä yritystietovarastoa, jotka tarjoavat tietoa useimpiin ML-käyttötapauksiinsa: objektivaraston ja relaatiotietovaraston. TR rakensi AI Platform -tietopalvelun, joka tarjoaa saumattomasti pääsyn molempiin tietovarastoihin käyttäjien kokeilutyötiloista ja poistaa käyttäjien taakan navigoida monimutkaisissa prosesseissa hankkiakseen tietoja itse. TR:n AI-alusta noudattaa kaikkia Data and Model Governance -tiimin määrittelemiä vaatimustenmukaisuuksia ja parhaita käytäntöjä. Tämä sisältää pakollisen tietovaikutusten arvioinnin, joka auttaa ML:n harjoittajia ymmärtämään ja seuraamaan tietojen eettistä ja asianmukaista käyttöä sekä muodollisia hyväksymisprosesseja, joilla varmistetaan asianmukainen pääsy tietoihin. Tämän palvelun, kuten myös kaikkien alustapalveluiden, ydin on turvallisuus ja vaatimustenmukaisuus TR:n ja alan määrittelemien parhaiden käytäntöjen mukaisesti.
Amazonin yksinkertainen tallennuspalvelu (Amazon S3) objektitallennus toimii sisältötietojärvenä. TR rakensi prosesseja, joiden avulla pääset turvallisesti tietoihin sisältötietojärvestä käyttäjien kokeilutyötiloihin säilyttäen samalla vaaditun valtuutuksen ja tarkastettavuuden. Snowflakea käytetään yrityksen ensisijaisena relaatiotietovarastona. Käyttäjän pyynnöstä ja tietojen omistajan suostumuksella AI Platform -tietopalvelu tarjoaa käyttäjälle tilannekuvan tiedoista, jotka ovat helposti saatavilla hänen kokeilutyötilassaan.
Tietojen saaminen eri lähteistä on tekninen ongelma, joka voidaan helposti ratkaista. Mutta monimutkaisuus, jonka TR on ratkaissut, on rakentaa hyväksyntätyönkulkuja, jotka automatisoivat tietojen omistajan tunnistamisen, käyttöoikeuspyynnön lähettämisen, varmistavat, että tietojen omistajalle ilmoitetaan, että heillä on odottava käyttöoikeuspyyntö, ja ryhtyvät hyväksymistilan perusteella toimiin tietojen toimittamiseksi pyytäjä. Kaikki tämän prosessin tapahtumat seurataan ja kirjataan tarkastettavaksi ja vaatimustenmukaiseksi.
Kuten seuraavassa kaaviossa näkyy, TR käyttää AWS-vaihetoiminnot ohjata työnkulkua ja AWS Lambda toiminnon suorittamiseen. Amazon API -yhdyskäytävä käytetään paljastamaan toiminnallisuus API-päätepisteellä, joka kulutetaan heidän verkkoportaalistaan.
Mallin kokeilu ja kehitys
Olennainen kyky ML-elinkaarin standardoinnissa on ympäristö, jonka avulla datatutkijat voivat kokeilla erilaisia ML-kehyksiä ja tietokokoja. Tällaisen turvallisen ja yhteensopivan ympäristön käyttöönotto pilvessä muutamassa minuutissa vapauttaa datatieteilijät pilviinfrastruktuurin, verkkovaatimusten ja turvallisuusstandardien käsittelyn taakasta keskittyen sen sijaan datatieteen ongelmaan.
TR rakentaa kokeilutyötilan, joka tarjoaa pääsyn palveluihin, kuten AWS-liima, Amazonin EMRja SageMaker Studio mahdollistaa tietojenkäsittelyn ja ML-ominaisuudet, jotka noudattavat yrityspilvitietoturvastandardeja ja vaadittua tilien eristämistä jokaiselle liiketoimintayksikölle. TR on kohdannut seuraavat haasteet toteuttaessaan ratkaisua:
- Orkesterointi ei alkuvaiheessa ollut täysin automatisoitua ja sisälsi useita manuaalisia vaiheita. Ongelmakohtien jäljittäminen ei ollut helppoa. TR voitti tämän virheen organisoimalla työnkulut Step Functions -toiminnolla. Step Functions -toimintojen avulla monimutkaisten työnkulkujen rakentaminen, tilojen hallinta ja virheiden käsittely tuli paljon helpommaksi.
- asianmukainen AWS-henkilöllisyyden ja käyttöoikeuksien hallinta (IAM) roolimäärittelyä kokeilutyötilalle oli vaikea määritellä. TR:n sisäisten turvallisuusstandardien ja vähiten etuoikeusmallin noudattamiseksi työtilan rooli määriteltiin alun perin sisäisillä käytännöillä. Tämän seurauksena sisäinen käytäntö kasvoi ajan myötä ja muuttui monisanaiseksi ylittäen IAM-roolille sallitun käytännön kokorajan. Tämän lieventämiseksi TR siirtyi käyttämään enemmän asiakkaiden hallinnoimia käytäntöjä ja viittaamaan niihin työtilan roolimäärityksessä.
- TR saavutti toisinaan AWS-tilitasolla sovellettavat oletusresurssirajat. Tämä aiheutti satunnaisia epäonnistumisia SageMaker-töiden (esimerkiksi koulutustöiden) käynnistämisessä, koska haluttu resurssityyppiraja saavutettiin. TR työskenteli tiiviisti SageMaker-palvelutiimin kanssa tässä asiassa. Tämä ongelma ratkesi sen jälkeen, kun AWS-tiimi julkaisi SageMakerin tuettuna palveluna vuonna Palvelukiintiöt Kesäkuussa 2022.
Nykyään TR:n datatieteilijät voivat käynnistää ML-projektin luomalla itsenäisen työtilan ja lisäämällä tarvittavat tiimin jäsenet yhteistyöhön. SageMakerin tarjoama rajoittamaton mittakaava on heidän ulottuvillaan tarjoamalla heille erikokoisia mukautettuja ydinkuvia. SageMaker Studiosta tuli nopeasti tärkeä osa TR:n AI-alustaa, ja se on muuttanut käyttäjien käyttäytymistä rajoitettujen työpöytäsovellusten käytöstä skaalautuviin ja lyhytaikaisiin tarkoitukseen rakennetuihin moottoreihin. Seuraava kaavio havainnollistaa tätä arkkitehtuuria.
Keskitetty mallirekisteri
Mallirekisteri tarjoaa keskitetyn arkiston kaikille TR:n koneoppimismalleille, mahdollistaa riskien ja terveyden hallinnan standardoidulla tavalla eri liiketoimintojen välillä ja virtaviivaistaa mahdollisten mallien uudelleenkäyttöä. Siksi palvelun piti tehdä seuraavat asiat:
- Tarjoa mahdollisuus rekisteröidä sekä uusia että vanhoja malleja riippumatta siitä, onko ne kehitetty SageMakerissa tai sen ulkopuolella
- Ota käyttöön hallintatyönkulkuja, jotta datatieteilijät, kehittäjät ja sidosryhmät voivat tarkastella ja yhdessä hallita mallien elinkaarta
- Lisää läpinäkyvyyttä ja yhteistyötä luomalla keskitetty näkymä kaikista TR:n malleista metatietojen ja terveysmittareiden rinnalle
TR aloitti suunnittelun vain SageMaker-mallirekisterillä, mutta yksi TR:n tärkeimmistä vaatimuksista on tarjota mahdollisuus rekisteröidä SageMakerin ulkopuolella luotuja malleja. TR arvioi erilaisia relaatiotietokantoja, mutta päätyi valitsemaan DynamoDB:n, koska vanhoista lähteistä tulevien mallien metatietoskeema on hyvin erilainen. TR ei myöskään halunnut asettaa käyttäjille ylimääräistä työtä, joten he toteuttivat saumattoman automaattisen synkronoinnin AI Platform -työtilan SageMaker-rekisterien välillä keskitettyyn SageMaker-rekisteriin käyttämällä Amazon EventBridge säännöt ja vaaditut IAM-roolit. TR paransi keskusrekisteriä DynamoDB:llä laajentaakseen mahdollisuuksia rekisteröidä vanhoja malleja, jotka on luotu käyttäjien työasemille.
TR:n AI Platform -keskusmallirekisteri on integroitu AI Platform -portaaliin, ja se tarjoaa visuaalisen käyttöliittymän mallien etsimiseen, mallien metatietojen päivittämiseen ja mallien perusmittareiden ja säännöllisten mukautettujen seurantamittojen ymmärtämiseen. Seuraava kaavio havainnollistaa tätä arkkitehtuuria.
Mallin käyttöönotto
TR tunnisti kaksi päämallia käyttöönoton automatisoimiseksi:
- Mallit, jotka on kehitetty SageMakerilla SageMakerin kautta erämuunnostöitä saadakseen päätelmiä halutun aikataulun mukaan
- Mallit, jotka on kehitetty SageMakerin ulkopuolella paikallisilla työasemilla käyttämällä avoimen lähdekoodin kirjastoja, tuomalla oma säilön lähestymistapa käyttämällä SageMaker-käsittelytöitä mukautetun päättelykoodin suorittamiseen tehokkaana tapana siirtää kyseiset mallit ilman koodin uudelleenmuodostusta.
AI Platform -käyttöönottopalvelun avulla TR-käyttäjät (datatutkijat ja ML-insinöörit) voivat tunnistaa mallin luettelosta ja ottaa johtopäätöstyön käyttöön valitsemallaan AWS-tilillä antamalla tarvittavat parametrit käyttöliittymäpohjaisen työnkulun kautta.
TR automatisoi tämän käyttöönoton käyttämällä AWS DevOps -palveluita, kuten AWS-koodiputki ja AWS CodeBuild. TR käyttää Step Functions -toimintoja ohjaamaan tietojen lukemisen ja esikäsittelyn työnkulkua SageMaker-johtopäätöstöiden luomiseksi. TR ottaa tarvittavat komponentit käyttöön koodina käyttäen AWS-pilven muodostuminen malleja. Seuraava kaavio havainnollistaa tätä arkkitehtuuria.
Mallin seuranta
ML-elinkaari ei ole täydellinen ilman mallien valvontaa. TR:n yrityksen hallintotiimi myös valtuuttaa ja kannustaa yritysryhmiä seuraamaan mallinsa suorituskykyä ajan mittaan, jotta voidaan vastata mahdollisiin sääntelyyn liittyviin haasteisiin. TR aloitti seurantamalleilla ja driftin tiedoilla. TR käytti SageMaker Model Monitoria tarjotakseen pohjaviivan ja päätelmien perustotuuden seuratakseen säännöllisesti, kuinka TR:n tiedot ja päätelmät ajautuvat. SageMaker-mallin seurantamittareiden ohella TR paransi seurantakykyä kehittämällä omia mallejaan koskevia mittareita. Tämä auttaa TR:n datatieteilijöitä ymmärtämään, milloin heidän mallinsa on koulutettava uudelleen.
Drift-valvonnan ohella TR haluaa ymmärtää myös mallien harhaa. SageMaker Clarifyn valmiita ominaisuuksia käytetään TR:n bias-palvelun rakentamiseen. TR tarkkailee sekä datan että mallin harhaa ja asettaa nämä mittarit käyttäjiensä saataville AI Platform -portaalin kautta.
Auttaakseen kaikkia tiimejä ottamaan käyttöön nämä yritysstandardit TR on tehnyt näistä palveluista riippumattomia ja helposti saatavilla AI Platform -portaalin kautta. TR:n yritystiimit voivat mennä portaaliin ja ottaa käyttöön mallinseurantatyön tai harhautuksen seurantatyön itse ja suorittaa ne haluamallaan aikataululla. He saavat ilmoituksen työn tilasta ja jokaisen ajon mittareista.
TR käytti AWS-palveluita CI/CD-käyttöön, työnkulun organisointiin, palvelimettomiin kehyksiin ja API-päätepisteisiin rakentaakseen mikropalveluita, jotka voidaan käynnistää itsenäisesti, kuten seuraavassa arkkitehtuurissa näkyy.
Tulokset ja tulevat parannukset
TR:n AI Platform otettiin käyttöön vuoden 3 kolmannella vuosineljänneksellä sisältäen kaikki viisi pääkomponenttia: tietopalvelu, kokeilutyötila, keskitetty mallirekisteri, mallin käyttöönotto ja mallin valvonta. TR järjesti liiketoimintayksiköilleen sisäisiä koulutustilaisuuksia alustalle ja tarjosi heille itseohjattuja koulutusvideoita.
Tekoälyalusta on tarjonnut TR:n tiimeille ominaisuuksia, joita ei koskaan ennen ollut olemassa; se on avannut TR:n yrityksen hallintotiimille laajan valikoiman mahdollisuuksia parantaa vaatimustenmukaisuusstandardeja ja keskittää rekisterin tarjoamalla yhden lasinäkymän kaikista TR:n ML-malleista.
TR myöntää, että mikään tuote ei ole parhaimmillaan ensimmäisessä julkaisussa. Kaikki TR:n komponentit ovat eri kypsyysasteilla, ja TR:n Enterprise AI Platform -tiimi on jatkuvassa parannusvaiheessa parantaakseen tuotteen ominaisuuksia iteratiivisesti. TR:n nykyinen etenemisputki sisältää lisää SageMaker-johtopäätösvaihtoehtoja, kuten reaaliaikaisia, asynkronisia ja usean mallin päätepisteitä. TR aikoo myös lisätä mallin selitettävyyden ominaisuutena mallinvalvontapalveluunsa. TR aikoo käyttää SageMaker Clarifyn selitettävyysominaisuuksia sisäisen selitettävyyspalvelun kehittämiseen.
Yhteenveto
TR voi nyt käsitellä valtavia määriä dataa turvallisesti ja käyttää edistyneitä AWS-ominaisuuksia viedäkseen ML-projektin ideasta tuotantoon viikkojen kuluessa verrattuna siihen kuluneisiin kuukausiin. AWS-palveluiden valmiiden ominaisuuksien avulla TR:n tiimit voivat rekisteröidä ja valvoa ML-malleja ensimmäistä kertaa ja saavuttaa kehittyvien mallinhallintastandardien mukaisuuden. TR antoi datatieteilijöille ja tuoteryhmille mahdollisuuden päästää luovuutensa tehokkaasti valloilleen ratkaisemaan monimutkaisimpia ongelmia.
Lisätietoja TR:n Enterprise AI Platformista AWS:ssä on osoitteessa AWS re:Invent 2022 -istunto. Jos haluat oppia, kuinka TR nopeuttaa koneoppimisen käyttöä käyttämällä AWS-tietolaboratorio ohjelma, katso tapaustutkimus.
Tietoja Tekijät
Ramdev Wudali on data-arkkitehti, joka auttaa arkkitehtuuria ja rakentamaan AI/ML-alustaa, jotta datatieteilijät ja tutkijat voivat kehittää koneoppimisratkaisuja keskittymällä datatieteeseen eikä infrastruktuurin tarpeisiin. Vapaa-ajallaan hän rakastaa taittaa paperia luodakseen origami-teksellaatioita ja käyttää kunnioittamattomia T-paitoja.
Kiran Mantripragada on Thomson Reutersin AI Platformin vanhempi johtaja. AI Platform -tiimi vastaa tuotantotason tekoälyohjelmistosovellusten mahdollistamisesta sekä datatieteilijöiden ja koneoppimisen tutkijoiden työn mahdollistamisesta. Intohimona tieteeseen, tekoälyyn ja tekniikkaan Kiran haluaa kuroa umpeen tutkimuksen ja tuotteistamisen välistä kuilua tuodakseen tekoälyn todelliset innovaatiot loppukuluttajille.
Bhavana Chirumamilla on AWS:n vanhempi arkkitehti. Hän on intohimoinen data- ja ML-operaatioihin ja tuo paljon innostusta auttaakseen yrityksiä rakentamaan data- ja ML-strategioita. Vapaa-ajallaan hän viettää aikaa perheensä kanssa matkustamalla, patikoimalla, hoitamalla puutarhaa ja katsomalla dokumentteja.
Srinivasa Shaik on ratkaisuarkkitehti AWS:ssä Bostonissa. Hän auttaa yritysasiakkaita nopeuttamaan matkaansa pilveen. Hän on intohimoinen konteista ja koneoppimistekniikoista. Vapaa-ajallaan hän viettää aikaa perheensä kanssa, ruoanlaittoa ja matkustamista.
Qingwei Li on koneoppimisen asiantuntija Amazon Web Services -palvelussa. Hän sai tohtorin tohtorintutkimuksen jälkeen, kun hän rikkoi neuvonantajan tutkimusapurahatilin ja ei toimittanut luvattua Nobel-palkintoa. Tällä hetkellä hän auttaa finanssi- ja vakuutusalan asiakkaita rakentamaan koneoppimisratkaisuja AWS: lle. Vapaa-ajallaan hän pitää lukemisesta ja opettamisesta.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-built-an-ai-platform-using-amazon-sagemaker-to-accelerate-delivery-of-ml-projects/
- 100
- 2022
- 7
- a
- pystyy
- Meistä
- kiihdyttää
- kiihtyi
- pääsy
- saatavilla
- Mukaan
- Tili
- kirjanpito
- saavutettu
- saavuttamisessa
- hankkia
- poikki
- Toiminta
- säädökset
- lisä-
- osoite
- hyväksyä
- kehittynyt
- Jälkeen
- AI
- Tekoälyalusta
- Tekoälyn palvelut
- AI / ML
- Kaikki
- mahdollistaa
- rinnalla
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- määrät
- ja
- api
- sovellukset
- sovellettu
- lähestymistapa
- lähestymistavat
- hyväksyminen
- arkkitehtuuri
- noin
- lupa
- automatisoida
- Automatisoitu
- automaattisesti
- saatavissa
- AWS
- perustua
- Lähtötilanne
- koska
- ennen
- ovat
- PARAS
- parhaat käytännöt
- välillä
- puolueellisuus
- miljardeja
- boston
- SILTA
- tuoda
- Tuo
- Broke
- rakentaa
- Rakentaminen
- rakentaa
- rakennettu
- taakka
- liiketoiminta
- liiketoiminnot
- kyvyt
- tapauksissa
- luettelo
- luokat
- aiheutti
- keskeinen
- keskitetty
- haasteet
- tarkastaa
- valita
- valittu
- tarkasti
- pilvi
- pilvi infrastruktuuri
- Pilvisuojaus
- koodi
- tehdä yhteistyötä
- yhteistyötä
- yhteistyö
- kollektiivisesti
- tuleva
- Yhteinen
- verrattuna
- täydellinen
- monimutkainen
- monimutkaisuus
- noudattaminen
- mukautuva
- komponentti
- osat
- Sisältää
- tietojenkäsittely
- kulutetaan
- Kuluttajat
- Kontti
- Kontit
- pitoisuus
- jatkaa
- jatkuva
- ohjaus
- Ydin
- luoda
- luotu
- Luominen
- luovuus
- kriittinen
- ratkaiseva
- Nykyinen
- Tällä hetkellä
- asiakassuhde
- Asiakkaat
- tiedot
- Datajärvi
- tietojenkäsittely
- tietojenkäsittely
- tietokannat
- Päätöksenteko
- syvä
- syvää asiantuntemusta
- oletusarvo
- toimittaa
- toimitus
- demokratisoida
- sijoittaa
- käyttöönotto
- lauennut
- kuvata
- Malli
- pöytä-
- yksityiskohta
- määritetty
- kehittää
- kehitetty
- kehittäjille
- kehittämällä
- Kehitys
- eri
- vaikea
- Johtaja
- pohtia
- dokumentteja
- verkkotunnuksen
- verkkotunnuksia
- alas
- Varhainen
- helpompaa
- helposti
- tehokkaasti
- tehokas
- vaivaa
- valtuudet
- mahdollistaa
- käytössä
- mahdollistaa
- mahdollistaa
- kannustaa
- päätepiste
- Moottori
- Tekniikka
- Engineers
- Moottorit
- tehostettu
- varmistaa
- varmistamalla
- yritys
- yrityksille
- innostus
- ympäristö
- virhe
- olennainen
- eettinen
- arvioitu
- Tapahtumat
- EVER
- kehittää
- kehittyvä
- esimerkki
- kokeilu
- asiantuntemus
- laajentaa
- erittäin
- helpottamaan
- Epäonnistui
- perhe
- Ominaisuus
- Ominaisuudet
- harvat
- lopullinen
- taloudellinen
- rahoituspalvelu
- Löytää
- löytäminen
- Etunimi
- ensimmäistä kertaa
- Keskittää
- tarkennus
- seurata
- jälkeen
- seuraa
- muodollinen
- puitteet
- alkaen
- Täyttää
- täysin
- toiminnallisuus
- tehtävät
- tulevaisuutta
- kuilu
- general
- syntyy
- saada
- lasi-
- Go
- Tavoitteet
- hallinto
- myöntää
- Maa
- Kasvava
- Käsittely
- Kova
- terveys
- auttaa
- auttaa
- auttaa
- erittäin
- hotellit
- Miten
- Kuitenkin
- HTML
- HTTPS
- tunnistettu
- tunnistaa
- tunnistaminen
- Identiteetti
- kuvien
- Vaikutus
- toteuttaa
- täytäntöön
- täytäntöönpanosta
- määrätä
- parantaa
- in
- sisältää
- Kasvaa
- itsenäinen
- itsenäisesti
- teollisuus
- Infrastruktuuri
- ensimmäinen
- Innovaatio
- oivalluksia
- sen sijaan
- vakuutus
- integroitu
- liitäntä
- sisäinen
- osallistuva
- eristäminen
- kysymys
- IT
- Job
- Työpaikat
- matka
- avain
- Tietää
- tuntemus
- järvi
- käynnistää
- käynnistettiin
- käynnistäminen
- OPPIA
- oppiminen
- Perintö
- juridinen
- Taso
- tasot
- kirjastot
- RAJOITA
- rajat
- elää
- paikallinen
- kone
- koneoppiminen
- tehty
- merkittävä
- TEE
- Tekeminen
- hoitaa
- johto
- toimitusjohtaja
- toimeksiantoja
- tapa
- manuaalinen
- monet
- kypsyys
- toimenpiteet
- Jäsenet
- Metadata
- menetelmiä
- metrinen
- Metrics
- microservices
- vaeltaa
- virstanpylväs
- Milestones
- mielessä
- minuuttia
- lieventää
- ML
- malli
- mallit
- monitori
- seuranta
- näytöt
- kk
- lisää
- eniten
- moninkertainen
- Luonnollinen
- Navigoida
- Tarve
- tarpeet
- verkostoituminen
- Uusi
- uutiset
- seuraava
- Nobel palkinto
- numero
- objekti
- satunnainen
- tarjotaan
- tarjoamalla
- Tarjoukset
- Laivalla
- ONE
- avoimen lähdekoodin
- avattu
- Operations
- Vaihtoehdot
- orkestrointi
- organisaatio
- alun perin
- ulkopuolella
- oma
- omistaja
- lasi
- Paperi
- parametrit
- intohimo
- intohimoinen
- kuviot
- Ihmiset
- suorituskyky
- ajoittainen
- vaihe
- putki
- suunnittelu
- suunnitelmat
- foorumi
- Platon
- Platonin tietotieto
- PlatonData
- Kohta
- politiikkaa
- politiikka
- Portal
- mahdollisuuksia
- Kirje
- mahdollinen
- teho
- käytännöt
- Ennusteet
- Suositut
- ensisijainen
- periaatteet
- palkinto
- Ongelma
- ongelmia
- prosessi
- Prosessit
- käsittely
- Tuotteet
- tuotanto
- Tuotteemme
- ammattilaiset
- Ohjelma
- projekti
- hankkeet
- luvattu
- toimittaa
- mikäli
- tarjoaa
- tarjoamalla
- Q3
- q3 2022
- nopeasti
- alue
- alainen
- RE
- saavutettu
- Lukeminen
- todellinen
- reaaliaikainen
- sai
- ilmoittautua
- rekisterin
- määräykset
- sääntelyn
- vapauta
- julkaistu
- poistaa
- säilytyspaikka
- pyyntö
- tarvitaan
- vaatimukset
- tutkimus
- Tutkijat
- resurssi
- Esittelymateriaalit
- vastuullinen
- Reuters
- Riski
- Rooli
- roolit
- säännöt
- ajaa
- sagemaker
- SageMaker-johtopäätös
- skaalautuva
- Asteikko
- aikataulu
- tiede
- tutkijat
- saumaton
- saumattomasti
- Haku
- Hakukoneet
- osiot
- turvallinen
- turvattu
- turvallisesti
- turvallisuus
- lähettäminen
- vanhempi
- sensible
- palvella
- serverless
- palvelu
- Palvelut
- istuntoja
- useat
- Jaa:
- esitetty
- Yksinkertainen
- koska
- single
- Koko
- koot
- taitava
- taitoja
- Kuva
- So
- Tuotteemme
- ratkaisu
- Ratkaisumme
- SOLVE
- Lähteet
- asiantuntija
- erityinen
- viettää
- menot
- Vaihe
- sidosryhmien
- standardointi
- standardit
- alkoi
- alkaa
- Valtiot
- Tila
- Vaihe
- Askeleet
- Levytila
- verkkokaupasta
- varastot
- strategiat
- tehostaa
- studio
- niin
- Tuetut
- Tukea
- kytketty
- tahdistus
- taulukko
- ottaa
- vero
- Opetus
- joukkue-
- tiimit
- Tekninen
- teknisiä taitoja
- Technologies
- malleja
- ehdot
- -
- heidän
- siksi
- Thomson Reuters
- Kautta
- kauttaaltaan
- aika
- että
- työkalu
- Seuranta
- perinteinen
- Juna
- koulutus
- Muuttaa
- Läpinäkyvyys
- Matkustaminen
- valtava
- laukeaa
- ymmärtää
- yksikkö
- yksiköt
- päästää valloilleen
- rajoittamaton
- Päivitykset
- käyttää
- käyttäjä
- Käyttäjät
- lajike
- eri
- valtava
- kautta
- Videoita
- Näytä
- näkyvyys
- katsomassa
- verkko
- verkkopalvelut
- Web-pohjainen
- viikkoa
- onko
- vaikka
- leveä
- Laaja valikoima
- tulee
- voittaa
- sisällä
- ilman
- Referenssit
- työskenteli
- työnkulkuja
- maailmanlaajuisesti
- olisi
- vuosi
- Sinun
- zephyrnet