Les données structurées, définies comme des données suivant un modèle fixe telles que les informations stockées dans des colonnes au sein de bases de données, et les données non structurées, dépourvues de forme ou de modèle spécifique comme le texte, les images ou les publications sur les réseaux sociaux, continuent toutes deux à croître à mesure qu'elles sont produites et consommées. par diverses organisations. Par exemple, selon International Data Corporation (IDC), le volume mondial de données devrait être multiplié par dix d’ici 2025, les données non structurées représentant une part importante. Les entreprises peuvent souhaiter ajouter des métadonnées personnalisées telles que des types de documents (formulaires W-2 ou fiches de paie), divers types d'entités tels que les noms, l'organisation et l'adresse, en plus des métadonnées standard telles que le type de fichier, la date de création ou la taille pour étendre l'intelligence. rechercher tout en ingérant les documents. Les métadonnées personnalisées aident les organisations et les entreprises à catégoriser les informations de la manière qu'elles préfèrent. Par exemple, les métadonnées peuvent être utilisées pour le filtrage et la recherche. Les clients peuvent créer les métadonnées personnalisées à l'aide Amazon comprendre, un service de traitement du langage naturel (NLP) géré par AWS pour extraire des informations sur le contenu des documents et les ingérer dans Amazone Kendra avec leurs données dans l'index. Amazon Kendra est un service de recherche d'entreprise très précis et facile à utiliser, optimisé par Machine Learning (AWS). Les métadonnées personnalisées peuvent ensuite être utilisées pour enrichir le contenu pour une meilleure filtrage et facette capacités. Dans Amazon Kendra, les facettes sont des vues étendues d'un ensemble de résultats de recherche. Par exemple, vous pouvez fournir des résultats de recherche pour des villes du monde entier, où les documents sont filtrés par ville spécifique à laquelle ils sont associés. Vous pouvez également créer des facettes pour afficher les résultats d'un auteur spécifique.
Les compagnies d’assurance sont confrontées à un nombre croissant de réclamations qu’elles doivent traiter. De plus, la complexité du traitement des réclamations augmente également en raison de la diversité des types de documents d'assurance impliqués et des entités personnalisées dans chacun de ces documents. Dans cet article, nous décrivons un cas d'utilisation d'enrichissement de contenu personnalisé pour les assureurs. L'assureur reçoit les demandes de paiement de l'avocat du bénéficiaire pour différents types d'assurance, tels que l'assurance habitation, automobile et vie. Dans ce cas d'utilisation, les documents reçus par l'assureur ne contiennent aucune métadonnée permettant de rechercher le contenu en fonction de certaines entités et classes. Le fournisseur d'assurance souhaite filtrer le contenu de Kendra en fonction d'entités personnalisées et de classes spécifiques à son domaine d'activité. Cet article illustre comment vous pouvez automatiser et simplifier la génération de métadonnées à l'aide de modèles personnalisés d'Amazon Comprehend. Les métadonnées générées peuvent être personnalisées lors du processus d'ingestion avec Amazon Kendra Enrichissement de documents personnalisés (CDE) logique personnalisée.
Examinons quelques exemples de recherche Amazon Kendra avec ou sans fonctionnalités de filtrage et de facettes.
Dans la capture d'écran suivante, Amazon Kendra fournit un résultat de recherche, mais il n'existe aucune option permettant d'affiner davantage les résultats de recherche à l'aide de filtres.
La capture d'écran suivante montre que les résultats de recherche Amazon Kendra peuvent être filtrés en utilisant différentes facettes telles que le cabinet d'avocats, les numéros de politique, créés par des métadonnées personnalisées pour affiner les résultats de recherche.
La solution évoquée dans cet article peut facilement être appliquée à d’autres entreprises/cas d’utilisation, tels que les soins de santé, la fabrication et la recherche.
Vue d'ensemble de la solution
Dans cette solution proposée, nous allons 1) classer les soumissions de réclamations d'assurance en différentes classes, et 2) récupérer les entités spécifiques à l'assurance à partir de ces documents. Une fois cette opération terminée, le document peut être acheminé vers le service approprié ou le processus en aval.
Le diagramme suivant présente l’architecture de la solution proposée.
Amazon comprendre classement personnalisé L'API est utilisée pour organiser vos documents en catégories (classes) que vous définissez. La classification personnalisée est un processus en deux étapes. Tout d’abord, vous entraînez un modèle de classification personnalisé (également appelé classificateur) pour reconnaître les classes qui vous intéressent. Ensuite, vous utilisez votre modèle pour classer un nombre quelconque d'ensembles de documents.
Amazon comprendre reconnaissance d'entité personnalisée Cette fonctionnalité est utilisée pour identifier des types d'entités spécifiques (noms de la compagnie d'assurance, noms de l'assureur, numéro de police) au-delà de ce qui est disponible dans le types d'entités génériques par défaut. La création d'un modèle de reconnaissance d'entités personnalisé est une approche plus efficace que l'utilisation de correspondances de chaînes ou d'expressions régulières pour extraire des entités de documents. Un modèle de reconnaissance d'entité personnalisé peut apprendre le contexte dans lequel ces noms sont susceptibles d'apparaître. De plus, la correspondance de chaînes ne détectera pas les entités comportant des fautes de frappe ou ne suivra pas de nouvelles conventions de dénomination, alors que cela est possible à l'aide d'un modèle personnalisé.
Avant de plonger plus profondément, prenons un moment pour explorer Amazon Kendra. Amazon Kendra est un service de recherche d'entreprise très précis et facile à utiliser, optimisé par l'apprentissage automatique. Il permet aux utilisateurs de trouver les informations dont ils ont besoin parmi la grande quantité de contenu réparti dans toute leur organisation, allant des sites Web et bases de données aux sites intranet. Nous allons d'abord créer un index Amazon Kendra pour ingérer les documents. Lors de l'ingestion des données, il est essentiel de prendre en compte le concept d'enrichissement personnalisé des données (CDE). CDE vous permet d'améliorer la capacité de recherche en incorporant des connaissances externes dans l'index de recherche. Pour plus d'informations, reportez-vous à Enrichir vos documents lors de l'ingestion. Dans cet article, la logique CDE appelle les API personnalisées d'Amazon Comprehend pour enrichir les documents avec des classes et des entités identifiées. Enfin, nous utilisons la page de recherche Amazon Kendra pour montrer comment les métadonnées ont amélioré la capacité de recherche en ajoutant des fonctionnalités de facettes et de filtrage.
Les étapes principales pour mettre en œuvre cette solution sont les suivantes :
- Entraîner le classificateur personnalisé Amazon Comprehend à l'aide des données de formation
- Entraîner la reconnaissance d'entité personnalisée Amazon Comprehend à l'aide des données de formation
- Créer le classificateur personnalisé Amazon Comprehend et les points de terminaison de reconnaissance d'entités personnalisés
- Créer et déployer une fonction Lambda pour l'enrichissement post-extraction
- Créer et remplir l'index Amazon Kendra
- Utilisez les entités extraites pour filtrer les recherches dans Amazon Kendra
Nous avons également fourni un exemple d'application dans le GitHub repo pour référence.
Considérations relatives à la sécurité des données et à l'IAM
Avec la sécurité comme priorité absolue, cette solution suit le principe des autorisations de moindre privilège pour les services et fonctionnalités utilisés. Le rôle IAM utilisé par la classification personnalisée Amazon Comprehend et la reconnaissance d'entités personnalisées dispose des autorisations nécessaires pour accéder à l'ensemble de données à partir du compartiment de test uniquement. Le service Amazon Kendra a accès à un compartiment S3 spécifique et à une fonction Lambda utilisée pour appeler les API de compréhension. La fonction Lambda est autorisée à appeler uniquement les API Amazon Comprehend. Pour plus d’informations, consultez les sections 1.2 et 1.3 du cahier.
Nous vous recommandons d'effectuer les opérations suivantes dans un environnement hors production avant d'implémenter la solution dans l'environnement de production.
Entraîner le classificateur personnalisé Comprehend à l'aide des données d'entraînement
Amazon Comprehend Custom Classification prend en charge deux types de formats de données pour les fichiers d'annotation :
Étant donné que nos données sont déjà étiquetées et stockées dans des fichiers CSV, nous utiliserons le format de fichier CSV pour le fichier d'annotation à titre d'exemple. Nous devons fournir les données de formation étiquetées sous forme de texte codé UTF-8 dans un fichier CSV. N'incluez pas de ligne d'en-tête dans le fichier CSV. L'ajout d'une ligne d'en-tête dans votre fichier peut provoquer des erreurs d'exécution. Un exemple de fichier CSV de données d'entraînement est le suivant :
Pour préparer les données de formation du classificateur, reportez-vous à Préparation des données de formation du classificateur. Pour chaque ligne du fichier CSV, la première colonne contient une ou plusieurs étiquettes de classe. Une étiquette de classe peut être n’importe quelle chaîne UTF-8 valide. Nous vous recommandons d'utiliser des noms de classe clairs dont la signification ne se chevauche pas. Le nom peut inclure des espaces blancs et être composé de plusieurs mots reliés par des traits de soulignement ou des traits d'union. Ne laissez aucun espace avant ou après les virgules qui séparent les valeurs d'une ligne.
Ensuite, vous vous entraînerez soit en utilisant Mode multi-classes or Mode multi-étiquettes. Plus précisément, en mode multi-classes, la classification attribue une classe à chaque document, tandis qu'en mode multi-étiquettes, les classes individuelles représentent différentes catégories qui ne s'excluent pas mutuellement. Dans notre cas, nous utiliserons le mode Multi-Class pour les modèles en texte brut.
Vous pouvez préparer des ensembles de données de formation et de test distincts pour la formation du classificateur personnalisé Amazon Comprehend et l'évaluation du modèle. Ou bien, ne fournissez qu’un seul ensemble de données pour la formation et les tests. Comprehend sélectionnera automatiquement 10 % de votre ensemble de données fourni à utiliser comme données de test. Dans cet exemple, nous fournissons des ensembles de données de formation et de test distincts.
L'exemple suivant montre un fichier CSV contenant les noms de classes associés aux différents documents.
Lorsque le modèle de classification personnalisé est entraîné, il peut capturer différentes classes d'assurance sur les documents (assurance habitation, automobile ou vie).
Entraîner le système de reconnaissance d'entité personnalisé (NER) Amazon Comprehend à l'aide de données de formation
L'ensemble de données de formation pour Amazon Comprehend Custom Entity Recognition (NER) peut être préparé de deux manières différentes :
- Annotations – Fournit un ensemble de données contenant les entités annotées pour la formation en mode
- Listes d'entités (texte brut uniquement) – Fournit une liste d'entités et leur type d'étiquette (tels que « Noms de compagnies d'assurance ») et un ensemble de documents non annotés contenant ces entités pour la formation des modèles
Pour plus d'informations, reportez-vous à Préparation des données de formation du système de reconnaissance d'entité.
Lors de la formation d'un modèle à l'aide d'une liste d'entités, nous devons fournir deux éléments d'information : une liste de noms d'entités avec leurs types d'entités personnalisés associés et une collection de documents non annotés dans lesquels les entités apparaissent.
La formation automatique nécessite de disposer de deux types d'informations : des exemples de documents et la liste ou les annotations des entités. Une fois le module de reconnaissance formé, vous pouvez l'utiliser pour détecter des entités personnalisées dans vos documents. Vous pouvez analyser rapidement un petit corps de texte en temps réel ou analyser un grand ensemble de documents avec un travail asynchrone.
Vous pouvez préparer des ensembles de données de formation et de test distincts pour la formation et l'évaluation du modèle de reconnaissance d'entité personnalisée Amazon Comprehend. Ou fournissez un seul ensemble de données pour la formation et les tests. Amazon Comprehend sélectionnera automatiquement 10 % de votre ensemble de données fourni à utiliser comme données de test. Dans l'exemple ci-dessous, nous avons spécifié l'ensemble de données d'entraînement comme Documents.S3Uri
sous InputDataConfig
.
L'exemple suivant montre un fichier CSV contenant les entités :
Une fois le modèle d'entités personnalisées (NER) formé, il pourra extraire les différentes entités comme «PAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
" .
Créer les points de terminaison du classificateur personnalisé Amazon Comprehend et des entités personnalisées (NER)
Les points de terminaison d'Amazon Comprehend rendent vos modèles personnalisés disponibles pour une classification en temps réel. Après avoir créé un point de terminaison, vous pouvez y apporter des modifications à mesure que les besoins de votre entreprise évoluent. Par exemple, vous pouvez surveiller l'utilisation de vos points de terminaison et appliquer une mise à l'échelle automatique pour définir automatiquement le provisionnement des points de terminaison en fonction de vos besoins en capacité. Vous pouvez gérer tous vos points de terminaison à partir d'une seule vue et lorsque vous n'avez plus besoin d'un point de terminaison, vous pouvez le supprimer pour réduire les coûts. Amazon Comprehend prend en charge les options synchrones et asynchrones. Si la classification en temps réel n'est pas requise pour votre cas d'utilisation, vous pouvez soumettre une tâche par lots à Amazon Comprehend pour la classification asynchrone des données.
Pour ce cas d'utilisation, vous créez un point de terminaison pour rendre votre modèle personnalisé disponible pour une analyse en temps réel.
Pour répondre à vos besoins en traitement de texte, vous attribuez des unités d'inférence au point de terminaison, et chaque unité permet un débit de 100 caractères par seconde. Vous pouvez ensuite ajuster le débit à la hausse ou à la baisse.
Créer et déployer une fonction Lambda pour l'enrichissement post-extraction
La fonction Lambda de post-extraction vous permet d'implémenter la logique pour traiter le texte extrait par Amazon Kendra à partir du document ingéré. La fonction de post-extraction que nous avons configurée implémente le code pour appeler Amazon Comprehend afin de détecter les entités personnalisées et la classification personnalisée des documents à partir du texte extrait par Amazon Kendra, et les utilise pour mettre à jour les métadonnées du document, qui sont présentées sous forme de facettes dans une recherche Amazon Kendra. . Le code de fonction est intégré dans le notebook. Le PostExtractionLambda
le code fonctionne comme suit :
- Divise le texte de la page en sections qui ne dépassent pas la limite maximale de longueur d'octets de la compréhension.
detect_entities
API. (Voir Limites ).
REMARQUE le script utilise un algorithme naïf de division de la longueur des caractères pour plus de simplicité – les cas d'utilisation en production doivent implémenter des divisions de chevauchement ou de limites de phrases, basées sur la longueur d'octets UTF8. - Pour chaque section du texte, appelle les points de terminaison en temps réel pour les entités personnalisées et le classificateur personnalisé pour détecter les types d'entités suivants : ["
PAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
","INSURANCE_TYPE
"]. - Filtre les entités détectées qui sont inférieures au seuil de score de confiance. Nous utilisons un seuil de 0.50, ce qui signifie que seules les entités ayant un niveau de confiance de 50 % et plus seront utilisées. Cela peut être ajusté en fonction du cas d’utilisation et des exigences.
- Suit le nombre de fréquences de chaque entité.
- Sélectionne uniquement les N (10) principales entités uniques pour chaque page, en fonction de la fréquence d'occurrence.
- Pour la classification des documents, le classificateur multi-classes attribue une seule classe à chaque document. Dans cette fonction Lambda, les documents seront classés en Assurance Auto, Assurance Habitation ou Assurance Vie.
Notez qu'au moment d'écrire ces lignes, CDE ne prend en charge que les appels synchrones ou s'il doit être asynchrone, une boucle d'attente explicite est nécessaire. Pour la post-extraction Lambda, le temps d'exécution maximum est de 1 minute. La logique personnalisée Lambda peut être modifiée en fonction des exigences adaptées à votre cas d'utilisation.
Créer et remplir l'index Amazon Kendra
Au cours de cette étape, nous allons ingérer les données dans l'index Amazon Kendra et les rendre consultables pour les utilisateurs. Lors de l'ingestion, nous utiliserons la fonction Lambda créée à l'étape précédente comme étape de post-extraction et la fonction Lambda appellera les points de terminaison de classification personnalisée et de reconnaissance d'entité personnalisée (NER) pour créer les champs de métadonnées personnalisés.
Les étapes principales pour mettre en œuvre cette solution sont les suivantes :
- Création Indice Amazon Kendra.
- Création Source de données Amazon Kendra – Il existe différentes sources de données qui peuvent être utilisées pour ingérer un ensemble de données. Dans cet article, nous utilisons un bucket S3.
- Créer des facettes
Law_Firm
,Payout
,Insurance_Company
,Policy_Number
,Policy_Holder_Name
,Insurance_Type
avec le type de chaîne comme 'STRING_LIST_VALUE
". - Créez Kendra CDE et pointez-le vers la fonction Lambda de post-extraction précédemment créée.
- Effectuez le processus de synchronisation pour ingérer l'ensemble de données.
Une fois terminé, vous pouvez remplir l'index avec les données d'assurance, en utilisant le Kendra CDE avec lambda de post-extraction, vous pouvez filtrer les recherches en fonction des types d'entités personnalisés et de la classification personnalisée en tant que champs de métadonnées personnalisés.
Utilisez les entités extraites pour filtrer les recherches dans Kendra
L'index est désormais renseigné et prêt à être utilisé. Dans la console Amazon Kendra, choisissez Rechercher du contenu indexé sous Gestion des données et procédez comme suit.
Interrogez les éléments suivants : La liste des assurances a échoué en raison d'une déclaration tardive ?
Les résultats montrent une réponse du type de politique – HOME INSURANCE
et apporte text_18
et les text_14
comme les meilleurs résultats.
Choisissez « Filtrer les résultats de recherche » sur la gauche. Vous verrez maintenant tous les types d'entités et valeurs de classification extraits à l'aide de Comprehend, et pour chaque valeur d'entité et classification, vous verrez le nombre de documents correspondants.
Sous INSURANCE_TYPE
choisissez « Auto-Assurance », et vous obtiendrez alors une réponse de text_25
fichier.
Notez que vos résultats peuvent différer légèrement des résultats affichés dans la capture d'écran.
Essayez d'effectuer une recherche avec vos propres requêtes et observez comment les entités et la classification des documents identifiées par Amazon Comprehend vous permettent rapidement de :
- Découvrez comment vos résultats de recherche sont répartis entre les catégories.
- Affinez votre recherche en filtrant sur n’importe quelle valeur d’entité/classification.
Nettoyer
Après avoir expérimenté la recherche et essayé le bloc-notes fourni dans le référentiel Github, supprimez l'infrastructure que vous avez provisionnée dans votre compte AWS pour éviter tout frais indésirable. Vous pouvez exécuter les cellules de nettoyage dans le bloc-notes. Vous pouvez également supprimer les ressources manuellement via la console AWS :
- Indice Amazon Kendra
- Comprendre les points de terminaison du classificateur personnalisé et de la reconnaissance d'entité personnalisée (NER)
- Comprendre les modèles personnalisés de classificateur personnalisé et de reconnaissance d'entité personnalisée (NER)
- Fonction Lambda
- Seau S3
- Rôles et stratégies IAM
Conclusion
Dans cet article, nous avons montré comment les entités personnalisées et le classificateur personnalisé Amazon Comprehend permettent la recherche Amazon Kendra optimisée par la fonctionnalité CDE pour aider les utilisateurs finaux à effectuer de meilleures recherches sur les données structurées/non structurées. Les entités personnalisées d'Amazon Comprehend et le classificateur personnalisé le rendent très utile pour différents cas d'utilisation et diverses données spécifiques à un domaine. Pour plus d'informations sur l'utilisation d'Amazon Comprehend, reportez-vous à Ressources pour les développeurs Amazon Comprehend et pour Amazon Kendra, reportez-vous à Ressources pour les développeurs Amazon Kendra.
Essayez cette solution pour votre cas d’utilisation. Nous vous invitons à laisser vos commentaires dans les sections commentaires.
À propos des auteurs
Amit Chaudhary est architecte de solutions senior chez Amazon Web Services. Son domaine d'intervention est l'IA/ML, et il aide les clients avec l'IA générative, les grands modèles de langage et l'ingénierie rapide. En dehors du travail, Amit aime passer du temps avec sa famille.
Yanyan Zhang est un scientifique des données senior au sein de l'équipe Energy Delivery d'AWS Professional Services. Elle est passionnée par le fait d'aider les clients à résoudre des problèmes réels grâce à leurs connaissances en IA/ML. Récemment, elle s'est concentrée sur l'exploration du potentiel de l'IA générative et du LLM. En dehors du travail, elle aime voyager, s'entraîner et explorer de nouvelles choses.
Nikhil Jha est responsable de compte technique senior chez Amazon Web Services. Ses domaines d'intervention incluent l'IA/ML et l'analytique. Dans ses temps libres, il aime jouer au badminton avec sa fille et explorer le plein air.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
- PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
- PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
- PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
- La source: https://aws.amazon.com/blogs/machine-learning/use-custom-metadata-created-by-amazon-comprehend-to-intelligently-process-insurance-claims-using-amazon-kendra/
- :possède
- :est
- :ne pas
- :où
- $UP
- 1
- 1.3
- 10
- 100
- 19
- 2025
- 33
- 50
- 500
- 7
- 9
- a
- Capable
- A Propos
- accès
- Selon
- Compte
- Comptabilité
- Avec cette connaissance vient le pouvoir de prendre
- à travers
- ajouter
- ajoutant
- ajout
- En outre
- propos
- Après
- AI
- AI / ML
- algorithme
- Tous
- permet
- le long de
- déjà
- aussi
- Amazon
- Amazon comprendre
- Amazone Kendra
- Amazon Web Services
- montant
- an
- selon une analyse de l’Université de Princeton
- analytique
- il analyse
- et les
- répondre
- tous
- api
- Apis
- apparaître
- Application
- appliqué
- Appliquer
- une approche
- approprié
- architecture
- SONT
- Réservé
- domaines
- AS
- associé
- At
- mandataire
- auteur
- auto
- automatiser
- automatiquement
- disponibles
- éviter
- AWS
- Services professionnels AWS
- basé
- BE
- était
- before
- ci-dessous
- Améliorée
- Au-delà
- corps
- tous les deux
- limite
- Apportez le
- Développement
- la performance des entreprises
- mais
- by
- Appelez-nous
- appelé
- Appels
- CAN
- capacités
- aptitude
- Compétences
- capturer
- maisons
- cas
- catégories
- Causes
- Cellules
- certaines
- modifié
- Modifications
- caractère
- caractères
- des charges
- Selectionnez
- Villes
- Ville
- prétentions
- classe
- les classes
- classification
- classifié
- Classer
- clair
- code
- collection
- Colonne
- Colonnes
- commentaires
- Sociétés
- Société
- complet
- Complété
- complexité
- comprendre
- concept
- confiance
- configurée
- connecté
- Considérer
- Console
- consommées
- contiennent
- contient
- contenu
- contexte
- continuer
- conventions
- SOCIÉTÉ
- Costs
- pourriez
- engendrent
- créée
- Customiser
- Clients
- sont adaptées
- données
- enrichissement des données
- gestion des données
- Data Scientist
- ensemble de données
- bases de données
- ensembles de données
- Date
- profond
- Réglage par défaut
- Vous permet de définir
- défini
- page de livraison.
- Département
- déployer
- décrire
- détecter
- détecté
- Développeur
- différent
- différemment
- discuté
- Commande
- distribué
- plusieurs
- plongée
- do
- document
- INSTITUTIONNELS
- domaine
- Don
- Ne pas
- down
- deux
- pendant
- e
- E & T
- chacun
- même
- facile à utiliser
- Efficace
- non plus
- el
- intégré
- permet
- Endpoint
- énergie
- ENGINEERING
- de renforcer
- améliorée
- enrichir
- enrichissement
- Entreprise
- entreprises
- entités
- entité
- Environment
- Erreurs
- essential
- évaluation
- évolue
- exemple
- exemples
- dépassent
- Sauf
- exception
- Exclusive
- exécution
- Quitter
- attendu
- explorez
- Explorer
- expressions
- étendre
- externe
- extrait
- extraction
- facettes
- Échoué
- famille
- Fonctionnalité
- Fonctionnalités:
- Réactions
- few
- Des champs
- Déposez votre dernière attestation
- Fichiers
- Dépôt
- une fonction filtre
- filtration
- filtres
- finalement
- Trouvez
- Ferme
- Prénom
- s'adapter
- fixé
- Focus
- suivre
- Abonnement
- suit
- Pour
- formulaire
- le format
- document
- La fréquence
- De
- fonction
- plus
- généré
- génération
- génératif
- IA générative
- obtenez
- GitHub
- Croître
- Vous avez
- ayant
- he
- la médecine
- vous aider
- aider
- aide
- ici
- de haut niveau
- augmentation
- le plus élevé
- très
- sa
- Accueil
- Comment
- How To
- HTML
- HTTPS
- i
- IDC
- identifié
- identifier
- if
- illustre
- satellite
- Mettre en oeuvre
- la mise en œuvre
- met en oeuvre
- in
- comprendre
- incorporation
- Améliore
- croissant
- indice
- indexé
- individuel
- d'information
- Infrastructure
- contribution
- idées.
- instance
- Assurance
- Intelligent
- intérêt
- International
- Société internationale de données (IDC)
- développement
- nous invitons les riders XCO et DH à rouler sur nos pistes haute performance, et leurs supporters à profiter du spectacle. Pour le XNUMXe anniversaire, nous visons GRAND ! Vous allez vouloir être là ! Nous accueillerons la légendaire traversée de l'étant avec de la musique en direct ! Nous aurons également des divertissements pour les jeunes et les jeunes de cœur pendant l'après-midi. Vous ne voudrez pas manquer ça !
- invoque
- impliqué
- IT
- Emploi
- json
- spécialisées
- Libellé
- Etiquettes
- langue
- gros
- En retard
- Droit applicable et juridiction compétente
- cabinet d'avocats
- APPRENTISSAGE
- apprentissage
- au
- Laisser
- à gauche
- Longueur
- VIE
- comme
- Probable
- LIMIT
- Liste
- Liste
- LLM
- logique
- plus long
- Style
- aime
- click
- machine learning
- a prendre une
- FAIT DU
- gérer
- gérés
- gestion
- manager
- manuellement
- fabrication
- assorti
- max
- Mai..
- sens
- veux dire
- Médias
- Découvrez
- Métadonnées
- m.
- Mode
- modèle
- numériques jumeaux (digital twin models)
- moment
- Surveiller
- PLUS
- (en fait, presque toutes)
- plusieurs
- must
- mutuellement
- prénom
- noms
- nommage
- étroit
- Besoin
- nécessaire
- Besoins
- Nouveauté
- nlp
- aucune
- cahier
- maintenant
- nombre
- numéros
- objet
- objets
- observer
- événement
- of
- on
- une fois
- ONE
- uniquement
- Option
- Options
- or
- organisation
- organisations
- Autre
- nos
- ande
- l'extérieur
- grandes lignes
- au contrôle
- propre
- page
- paire
- passionné
- Patron de Couture
- /
- Effectuer
- autorisations
- pièces
- Plaine
- Platon
- Intelligence des données Platon
- PlatonDonnées
- jouer
- Point
- politique
- peuplé
- partieInvestir dans des appareils économes en énergie et passer à l'éclairage
- possible
- Post
- Poteaux
- défaillances
- alimenté
- préféré
- Préparer
- préparé
- présenté
- précédent
- précédemment
- principe
- Avant
- priorité
- privilège
- d'ouvrabilité
- processus
- traitement
- Produit
- Vidéo
- professionels
- proposé
- fournir
- à condition de
- de voiture.
- fournisseurs
- fournit
- aportando
- requêtes
- vite.
- citations
- allant
- Lire
- solutions
- réal
- en temps réel
- reçu
- reçoit
- récemment
- reconnaissance
- reconnaître
- reconnu
- recommander
- reportez-vous
- référence
- Standard
- dépôt
- représentent
- conditions
- Exigences
- a besoin
- un article
- Resources
- résultat
- Résultats
- retourner
- Avis
- Rôle
- rôle
- RANGÉE
- Courir
- d'exécution
- même
- Épargnez
- mise à l'échelle
- Scientifique
- But
- scénario
- Rechercher
- recherches
- recherche
- Deuxièmement
- Section
- les sections
- sécurité
- sur le lien
- Sélectionner
- supérieur
- phrase
- séparé
- service
- Services
- set
- Sets
- elle
- devrait
- montrer
- montré
- montré
- Spectacles
- significative
- simplicité
- simplifier
- unique
- Sites
- Taille
- petit
- So
- Réseaux sociaux
- réseaux sociaux
- Publications sur les réseaux sociaux
- sur mesure
- Solutions
- RÉSOUDRE
- Sources
- Space
- groupe de neurones
- spécifiquement
- spécifié
- Dépenses
- splits
- propagation
- Standard
- étapes
- Étapes
- Boutique
- stockée
- Chaîne
- Soumission
- soumettre
- tel
- Support
- Les soutiens
- synchroniser.
- Prenez
- équipe
- Technique
- tester
- Essais
- texte
- que
- qui
- Le
- les informations
- le monde
- leur
- Les
- puis
- Là.
- Ces
- l'ont
- des choses
- this
- ceux
- порог
- Avec
- débit
- fiable
- à
- top
- suivre
- Train
- qualifié
- Formation
- Voyages
- traiter
- essayé
- Essai
- écoute
- deux
- type
- types
- sous
- soulignés
- expérience unique et authentique
- unité
- unités
- indésirable
- Mises à jour
- utilisé
- cas d'utilisation
- d'utiliser
- utilisateurs
- Usages
- en utilisant
- Info de contact.
- Plus-value
- Valeurs
- divers
- Vaste
- très
- Voir
- vues
- le volume
- attendez
- souhaitez
- veut
- Façon..
- façons
- we
- web
- services Web
- sites Internet
- WELL
- Quoi
- Qu’est ce qu'
- quand
- qui
- tout en
- blanc
- sera
- comprenant
- dans les
- sans
- des mots
- activités principales
- de travail
- s'entraîner
- vos contrats
- world
- monde
- écriture
- code écrit
- Vous n'avez
- Votre
- zéphyrnet