Cet article est co-écrit par Daryl Martis, directeur de produit, Salesforce Einstein AI.
Il s'agit du troisième article d'une série traitant de l'intégration de Salesforce Data Cloud et Amazon Sage Maker.
In Partie 1 et les Partie 2, nous montrons comment l'intégration de Salesforce Data Cloud et Einstein Studio avec SageMaker permet aux entreprises d'accéder à leurs données Salesforce en toute sécurité à l'aide de SageMaker et d'utiliser ses outils pour créer, former et déployer des modèles sur des points de terminaison hébergés sur SageMaker. Les points de terminaison SageMaker peuvent être enregistrés dans Salesforce Data Cloud pour activer les prédictions dans Salesforce.
Dans cet article, nous démontrons comment les analystes commerciaux et les citoyens data scientists peuvent créer des modèles d'apprentissage automatique (ML), sans aucun code, dans Toile Amazon SageMaker et déployez des modèles formés pour l'intégration avec Salesforce Einstein Studio afin de créer des applications métier puissantes. SageMaker Canvas offre une expérience sans code pour accéder aux données de Salesforce Data Cloud et créer, tester et déployer des modèles en quelques clics seulement. SageMaker Canvas vous permet également de comprendre vos prédictions en utilisant l'importance des fonctionnalités et les valeurs SHAP, ce qui vous permet d'expliquer facilement les prédictions effectuées par les modèles ML.
Toile SageMaker
SageMaker Canvas permet aux analystes commerciaux et aux équipes de science des données de créer et d'utiliser des modèles de ML et d'IA générative sans avoir à écrire une seule ligne de code. SageMaker Canvas fournit une interface visuelle pointer-cliquer pour générer des prédictions ML précises pour la classification, la régression, la prévision, le traitement du langage naturel (NLP) et la vision par ordinateur (CV). De plus, vous pouvez accéder et évaluer les modèles de fondation (FM) à partir de Socle amazonien ou des FM publiques de Amazon SageMaker JumpStart pour la génération de contenu, l'extraction de texte et le résumé de texte afin de prendre en charge les solutions d'IA générative. SageMaker Canvas vous permet de apporter des modèles ML créés n'importe où et générez des prédictions directement dans SageMaker Canvas.
Salesforce Data Cloud et Einstein Studio
Salesforce Data Cloud est une plateforme de données qui fournit aux entreprises des mises à jour en temps réel de leurs données clients depuis n'importe quel point de contact.
Einstein Studio est une passerelle vers les outils d'IA sur Salesforce Data Cloud. Avec Einstein Studio, les administrateurs et les data scientists peuvent créer facilement des modèles en quelques clics ou à l'aide de code. L'expérience Bring Your Own Model (BYOM) d'Einstein Studio offre la possibilité de connecter des modèles d'IA personnalisés ou génératifs à partir de plateformes externes telles que SageMaker à Salesforce Data Cloud.
Vue d'ensemble de la solution
Pour démontrer comment créer des modèles ML à l'aide de données dans Salesforce Data Cloud à l'aide de SageMaker Canvas, nous créons un modèle prédictif pour recommander un produit. Ce modèle utilise les fonctionnalités stockées dans Salesforce Data Cloud, telles que les données démographiques des clients, les engagements marketing et l'historique des achats. Le modèle de recommandation de produits est créé et déployé à l'aide de l'interface utilisateur sans code de SageMaker Canvas à l'aide des données de Salesforce Data Cloud.
Nous utilisons ce qui suit exemple de jeu de données stocké dans Service de stockage simple Amazon (Amazon S3). Pour utiliser cet ensemble de données dans Salesforce Data Cloud, reportez-vous à Créer un flux de données Amazon S3 dans Data Cloud. Les attributs suivants sont nécessaires pour créer le modèle :
- Membre du club – Si le client est membre du club
- Campagne – La campagne dont le client fait partie
- Région – L'état ou la province où réside le client
- Mois – Le mois d'achat
- Nombre de cas – Le nombre de cas soulevés par le client
- Retour de type de cas – Si le client a retourné un produit au cours de la dernière année
- Type de caisse Envoi endommagé – Si le client a subi des expéditions endommagées au cours de la dernière année
- Score d'engagement – Le niveau d'engagement du client (réponse aux campagnes de mailing, connexions à la boutique en ligne, etc.)
- Tenure – La durée de la relation client avec l’entreprise
- Clics – Le nombre moyen de clics que le client a effectués dans la semaine précédant l'achat
- Pages visitées – Le nombre moyen de pages visitées par le client au cours de la semaine précédant l'achat
- Produit acheté – Le produit réellement acheté
Les étapes suivantes donnent un aperçu de la façon d'utiliser le connecteur Salesforce Data Cloud lancé dans SageMaker Canvas pour accéder aux données de votre entreprise et créer un modèle prédictif :
- Configurez l'application connectée Salesforce pour enregistrer le domaine SageMaker Canvas.
- Configurez OAuth pour Salesforce Data Cloud dans SageMaker Canvas.
- Connectez-vous aux données Salesforce Data Cloud à l'aide du connecteur SageMaker Canvas Salesforce Data Cloud intégré et importez l'ensemble de données.
- Créez et entraînez des modèles dans SageMaker Canvas.
- Déployez le modèle dans SageMaker Canvas et faites des prédictions.
- Déployer un Passerelle d'API Amazon point de terminaison en tant que connexion frontale au point de terminaison d’inférence SageMaker.
- Enregistrez le point de terminaison API Gateway dans Einstein Studio. Pour obtenir des instructions, reportez-vous à Apportez vos propres modèles d'IA à Data Cloud.
Le diagramme suivant illustre l'architecture de la solution.
Pré-requis
Avant de commencer, effectuez les étapes préalables suivantes pour créer un domaine SageMaker et activer SageMaker Canvas :
- Créer un Amazon SageMakerStudio domaine. Pour obtenir des instructions, reportez-vous à Intégration au domaine Amazon SageMaker.
- Notez l'ID de domaine et le rôle d'exécution qui sont créés et qui seront utilisés par votre profil utilisateur. Vous ajoutez des autorisations à ce rôle dans les étapes suivantes.
La capture d'écran suivante montre le domaine que nous avons créé pour ce post.
- Ensuite, accédez au profil utilisateur et choisissez Modifier.
- Accédez à la Paramètres du canevas Amazon SageMaker section et sélectionnez Activer les autorisations de base Canvas.
- Sélectionnez Activer les déploiements directs de modèles Canvas et les Activer les autorisations du registre de modèles pour tous les utilisateurs.
Cela permet à SageMaker Canvas de déployer des modèles sur les points de terminaison sur la console SageMaker. Ces paramètres peuvent être configurés au niveau du domaine ou du profil utilisateur. Les paramètres du profil utilisateur ont priorité sur les paramètres du domaine.
Créer ou mettre à jour l'application connectée Salesforce
Ensuite, nous créons une application connectée Salesforce pour activer le flux OAuth de SageMaker Canvas vers Salesforce Data Cloud. Effectuez les étapes suivantes :
- Connectez-vous à Salesforce et accédez à installation.
- Rechercher App Manager et créer une nouvelle application connectée.
- Fournissez les entrées suivantes :
- Pour Nom de l'application connectée, entrez un nom.
- Pour Nom de l'API, laissez par défaut (il est automatiquement renseigné).
- Pour Courriel, saisissez votre adresse e-mail de contact.
- Sélectionnez Activer les paramètres OAuth.
- Pour URL de rappel, Entrer
https://<domain-id>.studio.<region>.sagemaker.aws/canvas/default/lab
, et fournissez l'ID de domaine et la région de votre domaine SageMaker.
- Configurez les étendues suivantes sur votre application connectée :
- Gérer les données utilisateur via des API (
api
). - Effectuer des demandes à tout moment (
refresh_token
,offline_access
). - Effectuer des requêtes ANSI SQL sur les données Salesforce Data Cloud (Data
Cloud_query_api
). - Gérer les données de profil Data Cloud (
Data Cloud_profile_api
). - Accéder au service d'URL d'identité (
id
,profile
,email
,address
,phone
). - Accéder aux identifiants utilisateur uniques (
openid
).
- Gérer les données utilisateur via des API (
- Configurez votre application connectée Détente IP la mise à Assouplissez les restrictions IP.
Configurer les paramètres OAuth pour le connecteur Salesforce Data Cloud
SageMaker Canvas utilise AWS Secrets Manager pour stocker en toute sécurité les informations de connexion de l'application connectée Salesforce. SageMaker Canvas permet aux administrateurs de configurer les paramètres OAuth pour un profil utilisateur individuel ou au niveau du domaine. Notez que vous pouvez ajouter un secret à la fois à un domaine et à un profil utilisateur, mais SageMaker Canvas recherche d'abord les secrets dans le profil utilisateur.
Pour configurer vos paramètres OAuth, procédez comme suit :
- Accédez à modifier les paramètres de domaine ou de profil utilisateur dans la console SageMaker.
- Selectionnez Paramètres du canevas dans le volet de navigation.
- Sous Paramètres OAuth, Pour La source de données, choisissez Nuage de données Salesforce.
- Pour Configuration secrète, vous pouvez créer un nouveau secret ou utiliser un secret existant. Pour cet exemple, nous créons un nouveau secret et saisissons l'ID client et le secret client à partir de l'application connectée Salesforce.
Pour plus de détails sur l'activation d'OAuth dans SageMaker Canvas, reportez-vous à Configurer OAuth pour Salesforce Data Cloud.
Ceci termine la configuration pour permettre l'accès aux données de Salesforce Data Cloud vers SageMaker Canvas pour créer des modèles d'IA et de ML.
Importer des données depuis Salesforce Data Cloud
Pour importer vos données, procédez comme suit :
- Dans le profil utilisateur que vous avez créé avec votre domaine SageMaker, choisissez Lancement et sélectionnez Toile.
La première fois que vous accédez à votre application Canvas, la création prendra environ 10 minutes.
- Selectionnez Traqueur de données dans le volet de navigation.
- Sur le Création menu, choisissez Tabulaire pour créer un ensemble de données tabulaire.
- Nommez l'ensemble de données et choisissez Création.
- Pour La source de données, choisissez Nuage de données Salesforce et les Ajouter une connexion pour importer l'objet du lac de données.
Si vous avez déjà configuré une connexion à Salesforce Data Cloud, vous verrez une option permettant d'utiliser cette connexion au lieu d'en créer une nouvelle.
- Fournissez un nom pour une nouvelle connexion Salesforce Data Cloud et choisissez Ajouter une connexion.
Cela prendra quelques minutes à compléter.
- Vous allez être redirigé vers le Connexion à Salesforce page pour autoriser la connexion.
Une fois la connexion réussie, la demande sera redirigée vers SageMaker Canvas avec la liste des objets Data Lake.
- Sélectionnez l'ensemble de données contenant les fonctionnalités de formation de modèle qui a été téléchargé via Amazon S3.
- Faites glisser et déposez le fichier, puis choisissez Modifier en SQL.
Salesforce ajoute un “__c
" à tous les champs d'objet Data Cloud. Conformément à la convention de dénomination SageMaker Canvas, ”__“
n'est pas autorisé dans les noms de champs.
- Modifiez le SQL pour renommer les colonnes et supprimez les métadonnées qui ne sont pas pertinentes pour la formation du modèle. Remplacez le nom de la table par le nom de votre objet.
- Selectionnez Exécuter SQL et alors Créer un jeu de données.
- Sélectionnez le jeu de données et choisissez Créer un modèle.
- Pour créer un modèle afin de prédire une recommandation de produit, fournissez un nom de modèle, choisissez Analyse prédictive en Type de problèmeet choisissez Création.
Construire et entraîner le modèle
Effectuez les étapes suivantes pour créer et entraîner votre modèle :
- Une fois le modèle lancé, définissez la colonne cible sur
product_purchased
.
SageMaker Canvas affiche les statistiques clés et les corrélations de chaque colonne avec la colonne cible. SageMaker Canvas vous fournit des outils pour prévisualiser votre modèle et valider les données avant de commencer la construction.
- Utilisez la fonctionnalité d'aperçu du modèle pour voir la précision de votre modèle et valider votre ensemble de données afin d'éviter les problèmes lors de la construction du modèle.
- Après avoir examiné vos données et apporté des modifications à votre ensemble de données, choisissez votre type de build. Le Construction rapide L'option est peut-être plus rapide, mais elle n'utilisera qu'un sous-ensemble de vos données pour créer un modèle. Pour les besoins de cet article, nous avons sélectionné le Construction standard option.
Une version standard peut prendre 2 à 4 heures.
SageMaker Canvas gère automatiquement les valeurs manquantes dans votre ensemble de données lors de la création du modèle. Il appliquera également d'autres transformations de préparation de données pour que vous puissiez préparer les données pour le ML.
- Une fois la construction de votre modèle commencée, vous pouvez quitter la page.
Lorsque le modèle apparaît comme Prêt à fonctionner sur le Mes modèles page, elle est prête pour l'analyse et les prédictions.
- Une fois le modèle construit, accédez à My numériques jumeaux (digital twin models), choisissez Voir pour afficher le modèle que vous avez créé et choisissez la version la plus récente.
- Allez à Analysez pour voir l'impact de chaque fonctionnalité sur la prédiction.
- Pour plus d'informations sur les prédictions du modèle, accédez à la page Scoring languette.
- Selectionnez Prédire pour lancer une prédiction de produit.
Déployer le modèle et faire des prédictions
Effectuez les étapes suivantes pour déployer votre modèle et commencer à faire des prédictions :
- Vous pouvez choisir d’effectuer des prédictions par lots ou uniques. Pour les besoins de cet article, nous choisissons Prédiction unique.
Quand vous choisissez Prédiction unique, SageMaker Canvas affiche les fonctionnalités pour lesquelles vous pouvez fournir des entrées.
- Vous pouvez modifier les valeurs en choisissant Mises à jour et visualisez la prédiction en temps réel.
La précision du modèle ainsi que l'impact de chaque fonctionnalité pour cette prédiction spécifique seront affichés.
- Pour déployer le modèle, fournissez un nom de déploiement, sélectionnez un type d'instance et un nombre d'instances, puis choisissez Déployer.
Le déploiement du modèle prendra quelques minutes.
Le statut du modèle est mis à jour pour En service une fois le déploiement réussi.
SageMaker Canvas fournit une option pour tester le déploiement.
- Selectionnez Plus de détails.
Le Détails L'onglet fournit les détails du point de terminaison du modèle. Le type d'instance, le nombre, le format d'entrée, le contenu de la réponse et le point de terminaison sont quelques-uns des détails clés affichés.
- Selectionnez Tester le déploiement pour tester le point de terminaison déployé.
Semblable à la prédiction unique, la vue affiche les fonctionnalités d'entrée et offre une option pour mettre à jour et tester le point de terminaison en temps réel.
La nouvelle prédiction ainsi que le résultat de l'appel du point de terminaison sont renvoyés à l'utilisateur.
Créer une API pour exposer SageMaker Endpoint
Pour générer des prédictions qui alimentent les applications métier dans Salesforce, vous devez exposer le point de terminaison d'inférence SageMaker créé par votre déploiement SageMaker Canvas via API Gateway et l'enregistrer dans Salesforce Einstein.
Les formats de demande et de réponse varient entre Salesforce Einstein et le point de terminaison d'inférence SageMaker. Vous pouvez soit utiliser API Gateway pour effectuer la transformation, soit utiliser AWS Lambda pour transformer la demande et cartographier la réponse. Faire référence à Appeler un point de terminaison de modèle Amazon SageMaker à l'aide d'Amazon API Gateway et d'AWS Lambda pour exposer un point de terminaison SageMaker via Lambda et API Gateway.
L'extrait de code suivant est une fonction Lambda pour transformer la requête et la réponse
Mettre à jour le endpoint
et les prediction_label
valeurs dans la fonction Lambda en fonction de votre configuration.
- Ajouter une variable d'environnement
SAGEMAKER_ENDPOINT_NAME
pour capturer le point de terminaison d'inférence SageMaker. - Définissez l’étiquette de prédiction pour qu’elle corresponde à la clé JSON de sortie du modèle enregistrée dans Einstein Studio.
Le délai d'expiration par défaut pour une fonction Lambda est de 3 secondes. En fonction de la taille d'entrée de la demande de prédiction, l'API d'inférence en temps réel de SageMaker peut prendre plus de 3 secondes pour répondre.
- Augmentez le délai d'expiration de la fonction Lambda mais maintenez-le en dessous du Délai d'intégration par défaut d'API Gateway, soit 29 secondes.
Enregistrez le modèle dans Salesforce Einstein Studio
Pour enregistrer le point de terminaison API Gateway dans Einstein Studio, reportez-vous à Apportez vos propres modèles d'IA à Data Cloud.
Conclusion
Dans cet article, nous avons expliqué comment utiliser SageMaker Canvas pour vous connecter à Salesforce Data Cloud et générer des prédictions via des fonctionnalités de ML automatisées sans écrire une seule ligne de code. Nous avons démontré la capacité de création de modèle de SageMaker Canvas pour effectuer un aperçu précoce des performances de votre modèle avant d'exécuter la version standard qui entraîne le modèle avec l'ensemble de données complet. Nous avons également présenté des activités de création post-modèle telles que l'utilisation de l'interface de prédictions unique dans SageMaker Canvas et la compréhension de vos prédictions à l'aide de l'importance des fonctionnalités. Ensuite, nous avons utilisé le point de terminaison SageMaker créé dans SageMaker Canvas et l'avons rendu disponible sous forme d'API afin que vous puissiez l'intégrer à Salesforce Einstein Studio et créer de puissantes applications Salesforce.
Dans un prochain article, nous vous montrerons comment utiliser les données de Salesforce Data Cloud dans SageMaker Canvas pour rendre la compréhension et la préparation des données encore plus simples en utilisant une interface visuelle et des invites simples en langage naturel.
Pour démarrer avec SageMaker Canvas, consultez Journée d'immersion SageMaker Canvas et se référer à Premiers pas avec Amazon SageMaker Canvas.
À propos des auteurs
Daryl Martis est directeur des produits pour Einstein Studio chez Salesforce Data Cloud. Il possède plus de 10 ans d'expérience dans la planification, la création, le lancement et la gestion de solutions de classe mondiale pour les entreprises clientes, notamment des solutions d'IA/ML et de cloud. Il a auparavant travaillé dans le secteur des services financiers à New York. Suivez-le sur LinkedIn.
Rachna Chadha est architecte principal de solutions AI/ML dans les comptes stratégiques chez AWS. Rachna est une optimiste qui croit qu'une utilisation éthique et responsable de l'IA peut améliorer la société à l'avenir et apporter la prospérité économique et sociale. Dans ses temps libres, Rachna aime passer du temps avec sa famille, faire de la randonnée et écouter de la musique.
Ifé Stewart est architecte principal de solutions dans le segment ISV stratégique chez AWS. Elle a travaillé avec Salesforce Data Cloud au cours des 2 dernières années pour aider à créer des expériences client intégrées sur Salesforce et AWS. Ife a plus de 10 ans d'expérience dans la technologie. Elle défend la diversité et l'inclusion dans le domaine de la technologie.
Ravi Bhattiprolu est architecte de solutions partenaire senior chez AWS. Ravi travaille avec des partenaires stratégiques, Salesforce et Tableau, pour proposer des produits et des solutions innovants et bien architecturés qui aident les clients communs à atteindre leurs objectifs commerciaux.
Miriam Lebowitz est architecte de solutions dans le segment ISV stratégique chez AWS. Elle travaille avec des équipes de Salesforce, notamment Salesforce Data Cloud, et se spécialise dans l'analyse de données. En dehors du travail, elle aime cuisiner, voyager et passer du temps de qualité avec ses amis et sa famille.
- 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/democratize-ml-on-salesforce-data-cloud-with-no-code-amazon-sagemaker-canvas/
- :possède
- :est
- :ne pas
- $UP
- 1
- 10
- 100
- 29
- 7
- 8
- a
- A Propos
- accès
- hybrides
- précision
- Avec cette connaissance vient le pouvoir de prendre
- à travers
- d'activités
- présenter
- ajouter
- ajout
- Supplémentaire
- renseignements supplémentaires
- propos
- Ajoute
- administrateurs
- avocat
- Après
- AI
- Modèles AI
- AI / ML
- Tous
- permis
- permet
- le long de
- aussi
- Amazon
- Passerelle d'API Amazon
- Amazon Sage Maker
- Toile Amazon SageMaker
- Amazon Web Services
- an
- selon une analyse de l’Université de Princeton
- Analystes
- analytique
- et les
- tous
- api
- Apis
- appli
- applications
- Appliquer
- architecture
- SONT
- AS
- At
- attributs
- autoriser
- Automatisation
- automatiquement
- disponibles
- moyen
- AWS
- RETOUR
- base
- basé
- BE
- était
- before
- commencer
- croit
- ci-dessous
- jusqu'à XNUMX fois
- corps
- tous les deux
- apporter
- construire
- Développement
- construit
- construit
- intégré
- la performance des entreprises
- applications commerciales
- entreprises
- mais
- by
- Californie
- Campagne
- Campagnes
- CAN
- la toile
- aptitude
- capturer
- cas
- Change
- Modifications
- Selectionnez
- choose
- citoyen
- Ville
- classification
- client
- le cloud
- de
- code
- Colonne
- Colonnes
- complet
- finalise
- ordinateur
- Vision par ordinateur
- Conduire
- configuration
- configurée
- NOUS CONTACTER
- connecté
- connexion
- Console
- contact
- contient
- contenu
- Génération de contenu
- contexte
- Convention
- corrélations
- pourriez
- engendrent
- créée
- La création
- création
- Customiser
- des clients
- données client
- Clients
- données
- accès aux données
- Analyse de Donnée
- Lac de données
- Plateforme de données
- science des données
- Réglage par défaut
- livrer
- démocratiser
- Démographie
- démontrer
- démontré
- Selon
- déployer
- déployé
- déploiement
- déploiements
- détails
- directement
- Directeur
- discuter
- dans
- affiche
- Diversité
- Diversité et inclusion
- domaine
- down
- Goutte
- chacun
- "Early Bird"
- Économique
- d'effort
- einstein
- non plus
- permettre
- permet
- permettant
- Endpoint
- engagé
- participation
- engagements
- Entrer
- Entreprise
- Environment
- éthique
- évaluer
- Pourtant, la
- événement
- exemple
- exécution
- existant
- d'experience
- Expériences
- Expliquer
- expliqué
- externe
- extraction
- famille
- plus rapide
- Fonctionnalité
- Fonctionnalités:
- few
- champ
- Des champs
- Déposez votre dernière attestation
- la traduction de documents financiers
- services financiers
- Prénom
- première fois
- flux
- suivre
- Abonnement
- Pour
- le format
- Fondation
- amis
- De
- plein
- fonction
- avenir
- porte
- générer
- génération
- génératif
- IA générative
- obtenez
- Donner
- Go
- ait eu
- Poignées
- ayant
- he
- aider
- ici
- lui
- Histoire
- organisé
- HEURES
- Comment
- How To
- HTML
- http
- HTTPS
- ID
- Identificateurs
- Identite
- if
- illustre
- immersion
- Impact
- importer
- importance
- améliorer
- in
- Y compris
- inclusion
- individuel
- industrie
- d'information
- initier
- technologie innovante
- contribution
- entrées
- idées.
- instance
- plutôt ;
- Des instructions
- intégrer
- des services
- l'intégration
- Interfaces
- IP
- vous aider à faire face aux problèmes qui vous perturbent
- Isv
- IT
- SES
- joint
- jpg
- json
- juste
- XNUMX éléments à
- ACTIVITES
- Libellé
- lac
- langue
- Nom
- lancé
- lancement
- apprentissage
- Laisser
- Niveau
- comme
- aime
- Gamme
- Écoute
- inscription
- vous connecter
- LOOKS
- click
- machine learning
- LES PLANTES
- mailing
- a prendre une
- Fabrication
- les gérer
- Localisation
- Stratégie
- Match
- Mai..
- Métadonnées
- Minutes
- manquant
- ML
- modèle
- numériques jumeaux (digital twin models)
- Mois
- PLUS
- (en fait, presque toutes)
- Musique
- prénom
- noms
- nommage
- Nature
- Traitement du langage naturel
- NAVIGUER
- Navigation
- Besoin
- nécessaire
- Nouveauté
- New York
- New York City
- next
- nlp
- noter
- nombre
- oauth
- objet
- objectifs
- of
- on
- ONE
- en ligne
- uniquement
- Option
- or
- OS
- Autre
- sortie
- au contrôle
- plus de
- vue d'ensemble
- propre
- page
- pages
- pain
- partie
- les partenaires
- partenaires,
- /
- Effectuer
- performant
- autorisations
- et la planification de votre patrimoine
- plateforme
- Plateformes
- Platon
- Intelligence des données Platon
- PlatonDonnées
- Point
- peuplé
- Post
- power
- solide
- prévoir
- prédiction
- Prédictions
- préparation
- empêcher
- Aperçu
- précédemment
- Directeur
- Avant
- traitement
- Produit
- Produits
- Profil
- instructions
- prospérité
- fournir
- fournit
- public
- achat
- but
- qualité
- requêtes
- collectés
- solutions
- réal
- en temps réel
- réaliser
- récent
- recommander
- Recommandation
- reportez-vous
- région
- vous inscrire
- inscrit
- enregistrement
- relation amoureuse
- pertinent
- remplacer
- nécessaire
- demandes
- Réagir
- réponse
- responsables
- restrictions
- résultat
- retourner
- examen
- Rôle
- pour le running
- d'exécution
- sagemaker
- Inférence SageMaker
- force de vente
- Sciences
- scientifiques
- secondes
- secret
- secrets
- Section
- en toute sécurité
- sur le lien
- clignotant
- Sélectionner
- choisi
- Série
- service
- Services
- set
- mise
- Paramétres
- installation
- elle
- montrer
- présenté
- Spectacles
- étapes
- unique
- Taille
- Fragment
- So
- Réseaux sociaux
- Société
- sur mesure
- Solutions
- quelques
- spécialise
- groupe de neurones
- Dépenses
- Standard
- Commencer
- j'ai commencé
- Région
- statistiques
- Statut
- Étapes
- stewart
- storage
- Boutique
- stockée
- simple
- Stratégique
- Partenaires stratégiques
- courant
- studio
- ultérieur
- réussi
- tel
- Support
- table
- Tableau
- Prenez
- Target
- équipes
- Technologie
- tester
- texte
- que
- qui
- Le
- El futuro
- L'État
- leur
- puis
- Ces
- Troisièmement
- this
- Avec
- fiable
- à
- les outils
- -nous
- Train
- qualifié
- Formation
- les trains
- Transformer
- De La Carrosserie
- transformations
- Voyages
- type
- comprendre
- compréhension
- expérience unique et authentique
- prochain
- Mises à jour
- a actualisé
- Actualités
- téléchargé
- URL
- utilisé
- d'utiliser
- Utilisateur
- Interface utilisateur
- Usages
- en utilisant
- VALIDER
- Valeurs
- variable
- version
- via
- Voir
- vision
- visité
- visuel
- était
- Washington
- we
- web
- services Web
- semaine
- WELL
- que
- qui
- tout en
- WHO
- sera
- comprenant
- dans les
- sans
- activités principales
- travaillé
- vos contrats
- Ateliers
- Classe mondiale
- écrire
- écriture
- années
- york
- Vous n'avez
- Votre
- zéphyrnet