Strukturoitu data, joka määritellään kiinteää kaavaa noudattavaksi tiedoksi, kuten tietokantojen sarakkeisiin tallennetuiksi tiedoiksi, ja strukturoimattomaksi dataksi, jolta puuttuu tietty muoto tai kaava, kuten teksti, kuvat tai sosiaalisen median viestit, molemmat kasvavat jatkuvasti, kun niitä tuotetaan ja kulutetaan eri järjestöjen toimesta. Esimerkiksi International Data Corporationin (IDC) mukaan maailman datamäärän odotetaan kymmenkertaistuvan vuoteen 2025 mennessä, ja strukturoimattoman datan osuus on merkittävä. Yritykset saattavat haluta lisätä mukautettuja metatietoja, kuten dokumenttityyppejä (W-2-lomakkeet tai maksulomakkeet), erilaisia entiteettityyppejä, kuten nimiä, organisaatiota ja osoitetta, vakiometatietojen, kuten tiedostotyypin, luontipäivämäärän tai koon, lisäksi älykkään sisällön laajentamiseksi. etsiä asiakirjoja käsiteltäessä. Mukautetut metatiedot auttavat organisaatioita ja yrityksiä luokittelemaan tiedot haluamallaan tavalla. Metatietoja voidaan käyttää esimerkiksi suodattamiseen ja hakuun. Asiakkaat voivat luoda mukautettuja metatietoja käyttämällä Amazonin käsitys, AWS:n hallinnoima luonnollisen kielen käsittelypalvelu (NLP), joka poimii näkemyksiä asiakirjojen sisällöstä ja syöttää sen Amazon Kendra sekä tietonsa hakemistoon. Amazon Kendra on erittäin tarkka ja helppokäyttöinen yrityshakupalvelu, joka perustuu koneoppimiseen (AWS). Mukautettuja metatietoja voidaan sitten käyttää sisällön rikastamiseen paremmaksi suodatus ja fasetti kykyjä. Amazon Kendrassa fasetit ovat hakutulosten joukon näkymiä. Voit esimerkiksi tarjota hakutuloksia kaupungeista ympäri maailmaa, joissa asiakirjat suodatetaan tietyn kaupungin mukaan, johon ne liittyvät. Voit myös luoda aspekteja näyttääksesi tietyn kirjoittajan tuloksia.
Vakuutusyhtiöitä rasittavat yhä useammat korvausvaatimukset, jotka niiden on käsiteltävä. Lisäksi korvausten käsittelyn monimutkaisuus lisääntyy myös erityyppisten vakuutusasiakirjojen ja kussakin asiakirjassa olevien mukautettujen kokonaisuuksien vuoksi. Tässä viestissä kuvaamme käyttötapauksen mukautetun sisällön rikastamiseen vakuutusyhtiöille. Vakuutusyhtiö vastaanottaa edunsaajan asianajajalta maksuvaatimukset eri vakuutustyypeistä, kuten koti-, auto- ja henkivakuutuksista. Tässä käyttötapauksessa vakuutusyhtiön vastaanottamat asiakirjat eivät sisällä metatietoja, jotka mahdollistavat sisällön haun tiettyjen entiteettien ja luokkien perusteella. Vakuutusyhtiö haluaa suodattaa Kendra-sisältöä liiketoiminta-alueensa mukautettujen entiteettien ja luokkien perusteella. Tämä viesti havainnollistaa, kuinka voit automatisoida ja yksinkertaistaa metatietojen luomista käyttämällä Amazon Comprehendin mukautettuja malleja. Luotuja metatietoja voidaan mukauttaa syöttöprosessin aikana Amazon Kendralla Custom Document Enrichment (CDE) mukautettu logiikka.
Katsotaanpa muutamia esimerkkejä Amazon Kendra -hausta suodatus- ja fasettiominaisuuksien kanssa tai ilman.
Seuraavassa kuvakaappauksessa Amazon Kendra tarjoaa hakutuloksen, mutta hakutuloksia ei ole mahdollista rajata edelleen käyttämällä suodattimia.
Seuraavassa kuvakaappauksessa näkyy, että Amazon Kendra -hakutulokset voidaan suodattaa käyttämällä erilaisia näkökohtia, kuten lakiasiaintoimisto, vakuutusnumerot, jotka on luotu mukautettujen metatietojen avulla hakutulosten rajaamiseksi.
Tässä viestissä käsiteltyä ratkaisua voidaan helposti soveltaa myös muihin yrityksiin/käyttötapauksiin, kuten terveydenhuoltoon, valmistukseen ja tutkimukseen.
Ratkaisun yleiskatsaus
Tässä ehdotetussa ratkaisussa 1) luokittelemme vakuutuskorvausilmoitukset eri luokkiin ja 2) haemme näistä asiakirjoista vakuutuskohtaisia kokonaisuuksia. Kun tämä on valmis, asiakirja voidaan reitittää asianmukaiselle osastolle tai jatkoprosessiin.
Seuraavassa kaaviossa esitetään ehdotettu ratkaisuarkkitehtuuri.
Amazonin käsitys mukautettu luokitus API:a käytetään dokumenttien järjestämiseen määrittämiisi luokkiin (luokkiin). Mukautettu luokittelu on kaksivaiheinen prosessi. Ensin harjoittelet mukautetun luokitusmallin (kutsutaan myös luokittelijaksi) tunnistamaan sinua kiinnostavat luokat. Sitten käytät malliasi minkä tahansa määrän asiakirjajoukkojen luokitteluun.
Amazonin käsitys mukautetun kokonaisuuden tunnistus ominaisuutta käytetään tunnistamaan tiettyjä kokonaisuuksia (vakuutusyhtiön nimet, vakuutuksenantajan nimet, vakuutusnumero) sen lisäksi, mitä yleiset entiteettityypit oletuksena. Mukautetun entiteetin tunnistusmallin luominen on tehokkaampi tapa kuin käyttää merkkijonohakua tai säännöllisiä lausekkeita kokonaisuuksien poimimiseen asiakirjoista. Mukautettu kokonaisuuden tunnistusmalli voi oppia kontekstin, jossa kyseiset nimet todennäköisesti esiintyvät. Lisäksi merkkijonovastaavuus ei havaitse entiteettejä, joissa on kirjoitusvirheitä tai jotka noudattavat uusia nimeämiskäytäntöjä, vaikka tämä on mahdollista mukautetulla mallilla.
Ennen kuin sukeltaa syvemmälle, vietetään hetki Amazon Kendraan tutustumiseen. Amazon Kendra on erittäin tarkka ja helppokäyttöinen yrityshakupalvelu, joka perustuu koneoppimiseen. Sen avulla käyttäjät voivat löytää tarvitsemansa tiedot valtavasta sisällöstä, joka on hajallaan organisaatiossaan, aina verkkosivustoista ja tietokannoista intranet-sivustoihin. Luomme ensin Amazon Kendra -hakemiston asiakirjojen käsittelyä varten. Tietojen käsittelyn aikana on tärkeää ottaa huomioon mukautetun tiedon rikastamisen (CDE) käsite. CDE:n avulla voit parantaa hakukykyä sisällyttämällä ulkoista tietoa hakuhakemistoon. Lisätietoja on kohdassa Asiakirjojen rikastaminen käsittelyn aikana. Tässä viestissä CDE-logiikka kutsuu Amazon Comprehendin mukautettuja API:ita rikastamaan asiakirjoja tunnistetuilla luokilla ja entiteeteillä. Lopuksi käytämme Amazon Kendra -hakusivua näyttääksemme, kuinka metatiedot paransivat hakukykyä lisäämällä fasetointi- ja suodatusominaisuuksia.
Korkean tason vaiheet tämän ratkaisun toteuttamiseksi ovat seuraavat:
- Harjoittele mukautettua Amazon Comprehend -luokittajaa harjoitustietojen avulla
- Harjoittele Amazon Comprehend mukautetun kokonaisuuden tunnistusta harjoitustietojen avulla
- Luo mukautettu Amazon Comprehend luokitin ja mukautetut kokonaisuuden tunnistuspäätepisteet
- Luo ja ota käyttöön Lambda-funktio uuttamisen jälkeistä rikastamista varten
- Luo ja täytä Amazon Kendra -indeksi
- Käytä purettuja kokonaisuuksia Amazon Kendran hakujen suodattamiseen
Olemme toimittaneet myös mallihakemuksen GitHub repo viite.
Tietoturva- ja IAM-näkökohdat
Turvallisuuden ollessa etusijalla tämä ratkaisu noudattaa käytettävien palveluiden ja ominaisuuksien vähiten etuoikeusperiaatetta. Amazon Comprehendin mukautetun luokituksen ja mukautetun entiteetin tunnistuksen käyttämä IAM-rooli on oikeutettu käyttämään tietojoukkoa vain testisäilön kautta. Amazon Kendra -palvelulla on pääsy tiettyyn S3-ämpäriin ja Lambda-toimintoon, jota käytetään ymmärtävien API:iden kutsumiseen. Lambda-toiminnolla on oikeudet kutsua vain Amazon Comprehend -sovellusliittymiä. Katso lisätietoja muistikirjan osista 1.2 ja 1.3.
Suosittelemme, että teet seuraavat toimet muussa kuin tuotantoympäristössä ennen kuin otat ratkaisun käyttöön tuotantoympäristössä.
Harjoittele Comprehend mukautettua luokittelijaa harjoitustietojen avulla
Amazon Comprehend Custom Classification tukee kahta tietomuototyyppiä huomautustiedostoille:
Koska tietomme on jo merkitty ja tallennettu CSV-tiedostoihin, käytämme merkintätiedostona esimerkkinä CSV-tiedostomuotoa. Meidän on toimitettava merkityt harjoitustiedot UTF-8-koodattuina tekstinä CSV-tiedostossa. Älä sisällytä CSV-tiedostoon otsikkoriviä. Otsikkorivin lisääminen tiedostoon voi aiheuttaa ajonaikaisia virheitä. Esimerkki harjoitustietojen CSV-tiedostosta on seuraava:
Katso lisätietoja luokittimen harjoitustietojen valmistelusta Valmistellaan luokittimen harjoitustietoja. Jokaisen CSV-tiedoston rivin ensimmäinen sarake sisältää yhden tai useamman luokkatunnisteen. Luokkatunniste voi olla mikä tahansa kelvollinen UTF-8-merkkijono. Suosittelemme käyttämään selkeitä luokkanimiä, jotka eivät mene päällekkäin. Nimi voi sisältää välilyöntejä, ja se voi koostua useista sanoista, jotka on yhdistetty alaviivojen tai tavuviivojen avulla. Älä jätä välilyöntejä ennen tai jälkeen pilkkuja, jotka erottavat rivin arvot.
Seuraavaksi harjoittelet jompaakumpaa käyttämällä Moniluokkainen tila or Usean etiketin tila. Erityisesti usean luokan tilassa luokitus määrittää yhden luokan kullekin asiakirjalle, kun taas usean tarran tilassa yksittäiset luokat edustavat eri luokkia, jotka eivät sulje toisiaan pois. Meidän tapauksessamme käytämme Multi-Class-tilaa pelkissä tekstimalleissa.
Voit valmistella erilliset koulutus- ja testaustietojoukot Amazon Comprehend mukautetun luokittelijan koulutukseen ja mallien arviointiin. Tai anna vain yksi tietojoukko sekä koulutusta että testausta varten. Comprehend valitsee automaattisesti 10 % toimittamastasi datajoukosta käytettäväksi testaustietona. Tässä esimerkissä tarjoamme erilliset koulutus- ja testaustietojoukot.
Seuraava esimerkki näyttää CSV-tiedoston, joka sisältää eri asiakirjoihin liittyvät luokkanimet.
Kun mukautettu luokitusmalli on koulutettu, se voi tallentaa eri vakuutusluokat asiakirjoihin (koti-, auto- tai henkivakuutus).
Harjoittele Amazon Comprehend mukautetun entiteettitunnistimen (NER) avulla harjoitustietoja
Amazon Comprehend Custom Entity Recognition (NER) -harjoitustietojoukko voidaan valmistaa kahdella eri tavalla:
- Merkinnät – Tarjoaa tietojoukon, joka sisältää huomautetut entiteetit tilaharjoittelua varten
- Entiteettiluettelot (vain pelkkä teksti) – Tarjoaa luettelon entiteeteistä ja niiden tunnistetyypeistä (kuten "vakuutusyhtiöiden nimet") sekä joukon huomautuksia sisältämättömiä asiakirjoja, jotka sisältävät kyseiset entiteetit mallikoulutukseen
Lisätietoja on Valmistellaan entiteetin tunnistimen koulutustietoja.
Kun koulutamme mallia entiteettiluettelon avulla, meidän on annettava kaksi tietoa: luettelo entiteettien nimistä ja niihin liittyvistä mukautetuista entiteettityypeistä ja kokoelma huomautuksia sisältämättömiä asiakirjoja, joissa entiteetit näkyvät.
Automaattinen koulutus edellyttää kahdentyyppisiä tietoja: esimerkkiasiakirjoja ja entiteettiluetteloa tai huomautuksia. Kun tunnistin on koulutettu, voit käyttää sitä tunnistamaan mukautettuja kokonaisuuksia asiakirjoissasi. Voit analysoida nopeasti pienen tekstiosan reaaliajassa tai voit analysoida suuren joukon asiakirjoja asynkronisella työllä.
Voit valmistella erillisiä koulutus- ja testaustietojoukkoja Amazon Comprehend mukautetun entiteettitunnistimen koulutukseen ja mallien arviointiin. Tai anna vain yksi tietojoukko sekä koulutusta että testausta varten. Amazon Comprehend valitsee automaattisesti 10 % toimittamastasi datajoukosta käytettäväksi testaustietona. Alla olevassa esimerkissä määritimme harjoitustietojoukon muodossa Documents.S3Uri
varten InputDataConfig
.
Seuraava esimerkki näyttää CSV-tiedoston, joka sisältää entiteetit:
Kun mukautettujen entiteettien (NER) malli on koulutettu, se pystyy poimimaan eri entiteetit, kuten "PAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
".
Luo mukautettu Amazon Comprehend luokitin ja mukautetut entiteettien (NER) päätepisteet
Amazon Comprehendin päätepisteet tarjoavat mukautettuja mallejasi reaaliaikaista luokittelua varten. Kun olet luonut päätepisteen, voit tehdä siihen muutoksia yrityksesi tarpeiden kehittyessä. Voit esimerkiksi valvoa päätepisteesi käyttöastetta ja käyttää automaattista skaalausta määrittääksesi päätepisteiden hallinnan automaattisesti kapasiteettitarpeidesi mukaan. Voit hallita kaikkia päätepisteitäsi yhdestä näkymästä, ja kun et enää tarvitse päätepistettä, voit poistaa sen kustannusten säästämiseksi. Amazon Comprehend tukee sekä synkronisia että asynkronisia vaihtoehtoja. Jos reaaliaikaista luokittelua ei tarvita käyttötapauksessasi, voit lähettää erätyön Amazon Comprehendille asynkronista tietojen luokittelua varten.
Tätä käyttötapausta varten luot päätepisteen, jotta mukautettu mallisi on käytettävissä reaaliaikaista analysointia varten.
Vastataksesi tekstinkäsittelytarpeisiisi määrität päätelmäyksiköt päätepisteelle, ja jokainen yksikkö mahdollistaa 100 merkin suorituskyvyn sekunnissa. Tämän jälkeen voit säätää tehoa ylös tai alas.
Luo ja ota käyttöön Lambda-funktio uuttamisen jälkeistä rikastamista varten
Lambda-toiminnon jälkeisen purkamisen avulla voit toteuttaa logiikan Amazon Kendran poimiman tekstin käsittelemiseksi syötetystä asiakirjasta. Määrittämämme jälkipurkutoiminto toteuttaa koodin, joka kutsuu Amazon Comprehendin havaitsemaan mukautettuja entiteettejä ja mukautettua luokittelua asiakirjoista Amazon Kendran poimimasta tekstistä, ja käyttää niitä päivittämään asiakirjan metadataa, joka esitetään aspekteina Amazon Kendra -haussa. . Toimintokoodi on upotettu muistikirjaan. The PostExtractionLambda
koodi toimii seuraavasti:
- Jakaa sivun tekstin osiin, jotka eivät ylitä ymmärryksen enimmäistavun pituusrajaa
detect_entities
API. (Katso rajat ).
HUOMAUTUS skripti käyttää naiivia merkkipituuden jakamisalgoritmia yksinkertaisuuden vuoksi – tuotantokäyttötapauksissa tulee toteuttaa päällekkäisyydet tai lauseen rajajaot UTF8-tavun pituuden perusteella. - Kutakin tekstin osaa varten kutsuu ymmärtämään reaaliaikaisia päätepisteitä mukautetuille entiteeteille ja mukautettua luokittelijaa tunnistamaan seuraavat entiteettityypit: ["
PAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
","INSURANCE_TYPE
”]. - Suodattaa pois havaitut kokonaisuudet, jotka ovat luotettavuuspistekynnyksen alapuolella. Käytämme kynnystä 0.50, mikä tarkoittaa, että käytetään vain entiteettejä, joiden luottamus on 50 % tai enemmän. Tätä voidaan virittää käyttötapauksen ja vaatimusten mukaan.
- Seuraa kunkin entiteetin taajuusmäärää.
- Valitsee vain N (10) parasta yksilöivää entiteettiä kullekin sivulle esiintymistiheyden perusteella.
- Asiakirjojen luokittelua varten moniluokkainen luokitin määrittää kullekin asiakirjalle vain yhden luokan. Tässä Lambda-toiminnossa asiakirjat luokitellaan autovakuutuksiksi, kotivakuutuksiksi tai henkivakuutuksiksi.
Huomaa, että tätä kirjoitettaessa CDE tukee vain synkronisia puheluita tai jos sen on oltava asynkroninen, tarvitaan eksplisiittinen odotussilmukka. Lambda-poiston jälkeen max suoritusaika on 1 min. Lambdan mukautettua logiikkaa voidaan muuttaa tarpeidesi mukaan.
Luo ja täytä Amazon Kendra -indeksi
Tässä vaiheessa syötämme tiedot Amazon Kendra -hakemistoon ja teemme siitä käyttäjien haettavia. Käsittelyn aikana käytämme edellisessä vaiheessa luotua Lambda-toimintoa jälkeisenä poimintavaiheena ja Lambda-toiminto kutsuu mukautetun luokituksen ja mukautetun entiteettitunnistuksen (NER) päätepisteitä luodakseen mukautetut metatietokentät.
Korkean tason vaiheet tämän ratkaisun toteuttamiseksi ovat seuraavat:
- luoda Amazon Kendra -indeksi.
- luoda Amazon Kendra -tietolähde – On olemassa erilaisia tietolähteitä, joita voidaan käyttää tietojoukon nielemiseen. Tässä viestissä käytämme S3-kauhaa.
- Luo puolia
Law_Firm
,Payout
,Insurance_Company
,Policy_Number
,Policy_Holder_Name
,Insurance_Type
merkkijonotyypillä "STRING_LIST_VALUE
". - Luo Kendra CDE ja osoita se aiemmin luotuun, purkamisen jälkeiseen Lambda-funktioon.
- Suorita synkronointiprosessi tietojoukon nielemiseksi.
Kun olet valmis, voit täyttää hakemiston vakuutustiedoilla. Käyttämällä Kendra CDE:tä postin purkamisen lambdalla voit suodattaa haut mukautettujen entiteettityyppien ja mukautetun luokituksen mukaisina metatietokenttinä.
Käytä poimittuja entiteettejä suodattaaksesi haut Kendrassa
Nyt hakemisto on täytetty ja valmis käytettäväksi. Valitse Amazon Kendra -konsolissa Hae indeksoitua sisältöä Tiedonhallinta-kohdasta ja toimi seuraavasti.
Kysy seuraavaa: Luettelo vakuutusten epäonnistumisesta myöhästyneen hakemuksen vuoksi?
Tulokset näyttävät vastauksen käytäntötyypistä - HOME INSURANCE
ja tuo text_18
ja text_14
huipputuloksina.
Valitse vasemmalta "Suodata hakutulokset". Nyt näet kaikki entiteettityypit ja luokitteluarvot, jotka on purettu Comprehendillä, ja kunkin entiteettiarvon ja luokituksen kohdalla näet vastaavien asiakirjojen määrän.
Alle INSURANCE_TYPE
valitse ”Autovakuutus”, niin saat vastauksen text_25
tiedosto.
Huomaa, että tulokset voivat poiketa hieman kuvakaappauksessa näytetyistä tuloksista.
Kokeile etsiä omilla kyselyilläsi ja tarkkaile, kuinka Amazon Comprehendin tunnistamat entiteetit ja asiakirjaluokitukset mahdollistavat nopeasti:
- Katso, kuinka hakutulokset jakautuvat luokkiin.
- Rajaa hakua suodattamalla minkä tahansa kokonaisuuden/luokituksen arvoista.
Puhdistaa
Kun olet kokeillut hakua ja kokeillut Githubin arkistossa olevaa muistikirjaa, poista AWS-tililläsi määrittämäsi infrastruktuuri välttääksesi ei-toivotut maksut. Voit suorittaa muistikirjan puhdistussolut. Vaihtoehtoisesti voit poistaa resurssit manuaalisesti AWS-konsolin kautta:
- Amazon Kendra -indeksi
- Ymmärrä mukautetun luokittimen ja mukautetun entiteettitunnistuksen (NER) päätepisteet
- Ymmärrä mukautetun luokitin ja mukautetun entiteettitunnistuksen (NER) mukautetut mallit
- Lambda toiminto
- S3-kauha
- IAM: n roolit ja käytännöt
Yhteenveto
Tässä viestissä osoitimme, kuinka Amazon Comprehend mukautetut entiteetit ja mukautettu luokitin mahdollistavat CDE-ominaisuuden tuottaman Amazon Kendra -haun, joka auttaa loppukäyttäjiä suorittamaan parempia hakuja strukturoidusta/strukturoimattomasta tiedosta. Amazon Comprehendin mukautetut entiteetit ja mukautettu luokitin tekevät siitä erittäin hyödyllisen erilaisille käyttötapauksille ja erilaisille verkkoaluekohtaisille tiedoille. Lisätietoja Amazon Comprehendin käytöstä on kohdassa Amazon Comprehend -kehittäjäresurssit ja Amazon Kendra, katso Amazon Kendra -kehittäjäresurssit.
Kokeile tätä ratkaisua käyttötilanteeseesi. Pyydämme sinua jättämään palautetta kommenttiosioon.
Tietoja Tekijät
Amit Chaudhary on vanhempi ratkaisuarkkitehti Amazon Web Servicesissä. Hänen painopistealueensa on AI/ML, ja hän auttaa asiakkaita generatiivisessa tekoälyssä, suurissa kielimalleissa ja nopeassa suunnittelussa. Työn ulkopuolella Amit viettää mielellään aikaa perheensä kanssa.
Yanyan Zhang on vanhempi tietotutkija Energy Delivery -tiimissä AWS Professional Services -palvelussa. Hän on intohimoinen auttamaan asiakkaita ratkaisemaan todellisia ongelmia AI/ML-tiedon avulla. Viime aikoina hän on keskittynyt luovan tekoälyn ja LLM:n potentiaalin tutkimiseen. Työn ulkopuolella hän rakastaa matkustamista, treenaamista ja uusien asioiden tutkimista.
Nikhil Jha on vanhempi tekninen asiakaspäällikkö Amazon Web Services -palvelussa. Hänen painopistealueitaan ovat AI/ML ja analytiikka. Vapaa-ajallaan hän pelaa sulkapalloa tyttärensä kanssa ja seikkailee ulkona.
- 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. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/use-custom-metadata-created-by-amazon-comprehend-to-intelligently-process-insurance-claims-using-amazon-kendra/
- :on
- :On
- :ei
- :missä
- $ YLÖS
- 1
- 1.3
- 10
- 100
- 19
- 2025
- 33
- 50
- 500
- 7
- 9
- a
- pystyy
- Meistä
- pääsy
- Mukaan
- Tili
- kirjanpito
- tarkka
- poikki
- lisätä
- lisää
- Lisäksi
- Lisäksi
- osoite
- Jälkeen
- AI
- AI / ML
- algoritmi
- Kaikki
- mahdollistaa
- pitkin
- jo
- Myös
- Amazon
- Amazonin käsitys
- Amazon Kendra
- Amazon Web Services
- määrä
- an
- analyysi
- Analytics
- analysoida
- ja
- vastaus
- Kaikki
- api
- API
- näyttää
- Hakemus
- sovellettu
- käyttää
- lähestymistapa
- sopiva
- arkkitehtuuri
- OVAT
- ALUE
- alueet
- AS
- liittyvä
- At
- asianajaja
- kirjoittaja
- auto
- automatisoida
- automaattisesti
- saatavissa
- välttää
- AWS
- AWS-asiantuntijapalvelut
- perustua
- BE
- ollut
- ennen
- alle
- Paremmin
- Jälkeen
- elin
- sekä
- raja
- Tuo
- Rakentaminen
- liiketoiminta
- mutta
- by
- soittaa
- nimeltään
- Puhelut
- CAN
- kyvyt
- valmiudet
- Koko
- kaapata
- tapaus
- tapauksissa
- luokat
- Aiheuttaa
- Solut
- tietty
- muuttunut
- Muutokset
- merkki
- merkkejä
- maksut
- Valita
- Kaupungit
- Kaupunki
- vaatimukset
- luokka
- luokat
- luokittelu
- luokiteltu
- luokitella
- selkeä
- koodi
- kokoelma
- Sarake
- Pylväät
- kommentit
- Yritykset
- yritys
- täydellinen
- Valmistunut
- monimutkaisuus
- ymmärtää
- käsite
- luottamus
- määritetty
- kytketty
- Harkita
- Console
- kulutetaan
- sisältää
- sisältää
- pitoisuus
- tausta
- jatkaa
- yleissopimukset
- YHTIÖ
- kustannukset
- voisi
- luoda
- luotu
- asiakassuhde
- Asiakkaat
- räätälöityjä
- tiedot
- tietojen rikastaminen
- tiedonhallinta
- tietojen tutkija
- tietojoukko
- tietokannat
- aineistot
- Päivämäärä
- syvempää
- oletusarvo
- määritellä
- määritelty
- toimitus
- osasto
- sijoittaa
- kuvata
- havaita
- havaittu
- Kehittäjä
- eri
- eri tavalla
- keskusteltiin
- näyttö
- jaettu
- useat
- sukellus
- do
- asiakirja
- asiakirjat
- verkkotunnuksen
- Don
- Dont
- alas
- kaksi
- aikana
- e
- E&T
- kukin
- helposti
- helppo käyttää
- Tehokas
- myöskään
- el
- upotettu
- mahdollistaa
- päätepiste
- energia
- Tekniikka
- parantaa
- tehostettu
- rikastuttaa
- rikastaminen
- yritys
- yrityksille
- yksiköt
- kokonaisuus
- ympäristö
- virheet
- olennainen
- arviointi
- kehittää
- esimerkki
- Esimerkit
- ylittää
- Paitsi
- poikkeus
- Exclusive
- teloitus
- poistuminen
- odotettu
- tutkia
- Tutkiminen
- ilmauksia
- laajentaa
- ulkoinen
- uute
- uuttaminen
- puolia
- Epäonnistui
- perhe
- Ominaisuus
- Ominaisuudet
- palaute
- harvat
- Fields
- filee
- Asiakirjat
- Arkistointi
- suodattaa
- suodatus
- suodattimet
- Vihdoin
- Löytää
- Yritys
- Etunimi
- sovittaa
- kiinteä
- Keskittää
- seurata
- jälkeen
- seuraa
- varten
- muoto
- muoto
- lomakkeet
- Taajuus
- alkaen
- toiminto
- edelleen
- syntyy
- sukupolvi
- generatiivinen
- Generatiivinen AI
- saada
- GitHub
- Kasvaa
- Olla
- ottaa
- he
- terveydenhuollon
- auttaa
- auttaa
- auttaa
- hänen
- korkean tason
- korkeampi
- suurin
- erittäin
- hänen
- Etusivu
- Miten
- Miten
- HTML
- HTTPS
- i
- IDC
- tunnistettu
- tunnistaa
- if
- havainnollistaa
- kuvien
- toteuttaa
- täytäntöönpanosta
- työkoneet
- in
- sisältää
- sisältävät
- Kasvaa
- lisää
- indeksi
- indeksoitu
- henkilökohtainen
- tiedot
- Infrastruktuuri
- panos
- oivalluksia
- esimerkki
- vakuutus
- Älykäs
- korko
- kansainvälisesti
- International Data Corporation (IDC)
- tulee
- kutsu
- vedotaan
- osallistuva
- IT
- Job
- json
- tuntemus
- Merkki
- tarrat
- Kieli
- suuri
- Myöhään
- Laki
- Asianajotoimisto
- OPPIA
- oppiminen
- vähiten
- jättää
- vasemmalle
- Pituus
- elämä
- pitää
- Todennäköisesti
- RAJOITA
- Lista
- Listat
- OTK
- logiikka
- kauemmin
- katso
- rakastaa
- kone
- koneoppiminen
- tehdä
- TEE
- hoitaa
- onnistui
- johto
- johtaja
- käsin
- valmistus
- matching
- max
- Saattaa..
- merkitys
- välineet
- Media
- Tavata
- Metadata
- minuuttia
- tila
- malli
- mallit
- hetki
- monitori
- lisää
- eniten
- moninkertainen
- täytyy
- molemminpuolisesti
- nimi
- nimet
- nimeäminen
- kapea
- Tarve
- tarvitaan
- tarpeet
- Uusi
- NLP
- Nro
- muistikirja
- nyt
- numero
- numerot
- objekti
- esineet
- tarkkailla
- esiintyminen
- of
- on
- kerran
- ONE
- vain
- Vaihtoehto
- Vaihtoehdot
- or
- organisaatio
- organisaatioiden
- Muut
- meidän
- ulos
- ulkona
- ääriviivat
- ulkopuolella
- oma
- sivulla
- pari
- intohimoinen
- Kuvio
- varten
- Suorittaa
- Oikeudet
- kappaletta
- tavallinen
- Platon
- Platonin tietotieto
- PlatonData
- pelaa
- Kohta
- politiikka
- asutuilla
- osa
- mahdollinen
- Kirje
- Viestejä
- mahdollinen
- powered
- Suositut
- Valmistella
- valmis
- esitetty
- edellinen
- aiemmin
- periaate
- Aikaisempi
- prioriteetti
- etuoikeus
- ongelmia
- prosessi
- käsittely
- valmistettu
- tuotanto
- ammatillinen
- ehdotettu
- toimittaa
- mikäli
- toimittaja
- tarjoajat
- tarjoaa
- tarjoamalla
- kyselyt
- nopeasti
- lainausmerkit
- alainen
- Lue
- valmis
- todellinen
- reaaliaikainen
- sai
- vastaanottaa
- äskettäin
- tunnustaminen
- tunnistaa
- tunnustettu
- suositella
- katso
- viite
- säännöllinen
- säilytyspaikka
- edustaa
- tarvitaan
- vaatimukset
- Vaatii
- tutkimus
- Esittelymateriaalit
- johtua
- tulokset
- palata
- arviot
- Rooli
- roolit
- RIVI
- ajaa
- runtime
- sama
- Säästä
- skaalaus
- Tiedemies
- pisteet
- käsikirjoitus
- Haku
- haut
- haku
- Toinen
- Osa
- osiot
- turvallisuus
- nähdä
- valita
- vanhempi
- tuomita
- erillinen
- palvelu
- Palvelut
- setti
- Setit
- hän
- shouldnt
- näyttää
- osoittivat
- esitetty
- Näytä
- merkittävä
- yksinkertaisuus
- yksinkertaistaa
- single
- Sivustot
- Koko
- pieni
- So
- sosiaalinen
- sosiaalinen media
- Sosiaalisen median viestit
- ratkaisu
- Ratkaisumme
- SOLVE
- Lähteet
- Tila
- erityinen
- erityisesti
- määritelty
- menot
- splits
- levitä
- standardi
- Vaihe
- Askeleet
- verkkokaupasta
- tallennettu
- jono
- Vastauksissa
- antaa
- niin
- tuki
- Tukee
- synkronointi.
- ottaa
- joukkue-
- Tekninen
- testi
- Testaus
- teksti
- kuin
- että
- -
- tiedot
- maailma
- heidän
- Niitä
- sitten
- Siellä.
- Nämä
- ne
- asiat
- tätä
- ne
- kynnys
- Kautta
- suoritusteho
- aika
- että
- ylin
- raita
- Juna
- koulutettu
- koulutus
- Matkustaminen
- kohdella
- kokeillut
- yrittää
- viritetty
- kaksi
- tyyppi
- tyypit
- varten
- alaviivojen
- unique
- yksikkö
- yksiköt
- toivottuja
- Päivitykset
- käyttää
- käyttölaukku
- käytetty
- Käyttäjät
- käyttötarkoituksiin
- käyttämällä
- pätevä
- arvo
- arvot
- eri
- valtava
- hyvin
- Näytä
- näkymät
- tilavuus
- odottaa
- haluta
- haluaa
- Tapa..
- tavalla
- we
- verkko
- verkkopalvelut
- sivustot
- HYVIN
- Mitä
- Mikä on
- kun
- joka
- vaikka
- valkoinen
- tulee
- with
- sisällä
- ilman
- sanoja
- Referenssit
- työskentely
- käydä salilla
- toimii
- maailman-
- maailman
- kirjoittaminen
- kirjallinen
- Voit
- Sinun
- zephyrnet