Cet article est co-écrit par Daryl Martis, directeur de produit, Salesforce Einstein AI.
Ceci est le deuxième article d'une série traitant de l'intégration de Salesforce Data Cloud et Amazon Sage Maker. En Partie 1, nous montrons comment l'intégration de Salesforce Data Cloud et d'Einstein Studio avec SageMaker permet aux entreprises d'accéder en toute sécurité à leurs données Salesforce à l'aide de SageMaker et d'utiliser ses outils pour créer, former et déployer des modèles sur des terminaux hébergés sur SageMaker. Les points de terminaison sont ensuite enregistrés dans Salesforce Data Cloud pour activer les prédictions dans Salesforce.
Dans cet article, nous développons ce sujet pour montrer comment utiliser Einstein Studio pour les recommandations de produits. Vous pouvez utiliser cette intégration pour les modèles traditionnels ainsi que pour les grands modèles de langage (LLM).
Vue d'ensemble de la solution
Dans cet article, nous montrons comment créer un modèle prédictif dans SageMaker pour recommander le prochain meilleur produit à vos clients en utilisant des données historiques telles que les données démographiques des clients, les engagements marketing et l'historique des achats de Salesforce Data Cloud.
Nous utilisons ce qui suit exemple de jeu de données. Pour utiliser cet ensemble de données dans votre 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 que le client a visitées dans la semaine précédant l'achat
- Produit acheté – Le produit réellement acheté
- Id – L'identifiant de l'enregistrement
- DateTime – L'horodatage du jeu de données
Le modèle de recommandation de produit est créé et déployé sur SageMaker et est formé à l'aide de données dans Salesforce Data Cloud. Les étapes suivantes donnent un aperçu de la façon d'utiliser les nouvelles fonctionnalités lancées dans SageMaker for Salesforce pour permettre l'intégration globale :
- Mettre en place le Amazon SageMakerStudio domaine et OAuth entre Salesforce et le compte AWS
s. - Utilisez la capacité nouvellement lancée du Gestionnaire de données Amazon SageMaker connecteur pour Salesforce Data Cloud pour préparer les données dans SageMaker sans copier les données depuis Salesforce Data Cloud.
- Entraînez un modèle de recommandation dans SageMaker Studio à l'aide des données d'entraînement préparées à l'aide de SageMaker Data Wrangler.
- Empaquetez le conteneur SageMaker Data Wrangler et le conteneur de modèle de recommandation formé dans un pipeline d'inférence afin que la demande d'inférence puisse utiliser les mêmes étapes de préparation des données que vous avez créées pour prétraiter les données d'apprentissage. Les données d'appel d'inférence en temps réel sont d'abord transmises au conteneur SageMaker Data Wrangler dans le pipeline d'inférence, où elles sont prétraitées et transmises au modèle formé pour la recommandation de produit. Pour plus d'informations sur ce processus, reportez-vous à Nouveau — Présentation de la prise en charge de l'inférence en temps réel et par lots dans Amazon SageMaker Data Wrangler. Bien que nous utilisions un algorithme spécifique pour former le modèle dans notre exemple, vous pouvez utiliser n'importe quel algorithme que vous jugez approprié pour votre cas d'utilisation.
- Utilisez le nouveau modèle de projet fourni par SageMaker pour l'intégration Salesforce Data Cloud afin de rationaliser la mise en œuvre des étapes précédentes en fournissant les modèles suivants :
- Un exemple de bloc-notes présentant la préparation des données, la construction, la formation et l'enregistrement du modèle.
- Le modèle de projet fourni par SageMaker pour l'intégration Salesforce Data Cloud, qui automatise la création d'un point de terminaison SageMaker hébergeant le modèle de pipeline d'inférence. Lorsqu'une version du modèle dans le Registre de modèles Amazon SageMaker est approuvé, le point de terminaison est exposé en tant qu'API avec Passerelle d'API Amazon à l'aide d'un mécanisme d'autorisation Salesforce JSON Web Token (JWT) personnalisé. API Gateway est nécessaire pour permettre à Salesforce Data Cloud d'effectuer des prédictions sur le point de terminaison SageMaker à l'aide d'un jeton JWT que Salesforce crée et transmet avec la requête lors de la réalisation de prédictions à partir de Salesforce. JWT peut être utilisé dans le cadre des frameworks OpenID Connect (OIDC) et OAuth 2.0 pour restreindre l'accès client à vos API.
- Après avoir créé l'API, nous vous recommandons d'enregistrer le point de terminaison du modèle dans Salesforce Einstein Studio. Pour obtenir des instructions, reportez-vous à Apportez vos propres modèles d'IA à Salesforce avec Einstein Studio
Le diagramme suivant illustre l'architecture de la solution.
Créer un domaine SageMaker Studio
Tout d'abord, créez un domaine SageMaker Studio. Pour obtenir des instructions, reportez-vous à Intégration au domaine Amazon SageMaker. Vous devez noter 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.
La capture d'écran suivante montre l'exemple de profil utilisateur pour cette publication.
Configurer l'application connectée Salesforce
Ensuite, nous créons une application connectée Salesforce pour activer le flux OAuth de SageMaker Studio 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/jupyter/default/lab
, et fournissez l'ID de domaine que vous avez capturé lors de la création du domaine SageMaker et la région de votre domaine SageMaker.
- Sous Champs d'application OAuth sélectionnés, déplacez ce qui suit de Champs d'application OAuth disponibles à Champs d'application OAuth sélectionnés et choisissez Épargnez:
- Gérer les données des utilisateurs via des API (api)
- Effectuer des demandes à tout moment (
refresh_token
,offline_access
) - Effectuer des requêtes SQL ANSI sur les données Salesforce Data Cloud (Data Cloud_query_api)
- Gérer les données de profil de Salesforce Customer Data Platform (Data Cloud_profile_api
- Accéder au service d'URL d'identité (identifiant, profil, email, adresse, téléphone)
- Accéder aux identifiants utilisateur uniques (
openid
)
Pour plus d'informations sur la création d'une application connectée, reportez-vous à Créer une application connectée.
- Revenez à l'application connectée et accédez à Clé et secret du consommateur.
- Selectionnez Gérer les détails du consommateur.
- Copiez la clé et le secret.
Vous pouvez être invité à vous connecter à votre organisation Salesforce dans le cadre de l'authentification à deux facteurs ici.
- Revenez au Gérer les applications connectées .
- Ouvrez l'application connectée que vous avez créée et choisissez Gérer.
- Selectionnez Modifier les politiques et changer Détente IP à Assouplir les restrictions IP, puis enregistrez vos paramètres.
Configurer les autorisations et les règles de cycle de vie de SageMaker
Dans cette section, nous passons en revue les étapes de configuration des autorisations et des règles de gestion du cycle de vie de SageMaker.
Créer un secret dans AWS Secrets Manager
Activez l'intégration OAuth avec Salesforce Data Cloud en stockant les informations d'identification de votre application connectée Salesforce dans AWS Secrets Manager:
- Sur la console Secrets Manager, choisissez Stocker un nouveau secret.
- Sélectionnez Autre type de secret.
- Créez votre secret avec les paires clé-valeur suivantes :
- Ajouter un tag avec la clé
sagemaker:partner
et votre choix de valeur. - Enregistrez le secret et notez l'ARN du secret.
Configurer une règle de cycle de vie SageMaker
Le rôle d'exécution de domaine SageMaker Studio nécessitera Gestion des identités et des accès AWS (IAM) pour accéder au secret créé à l'étape précédente. Pour plus d'informations, reportez-vous à Créer des rôles et attacher des politiques (console).
- Sur la console IAM, attachez les politiques suivantes à leurs rôles respectifs (ces rôles seront utilisés par le projet SageMaker pour le déploiement) :
- Ajouter la politique
AmazonSageMakerPartnerServiceCatalogProductsCloudFormationServiceRolePolicy
au rôle de serviceAmazonSageMakerServiceCatalogProductsCloudformationRole
. - Ajouter la politique
AmazonSageMakerPartnerServiceCatalogProductsApiGatewayServiceRolePolicy
au rôle de serviceAmazonSageMakerServiceCatalogProductsApiGatewayRole
. - Ajouter la politique
AmazonSageMakerPartnerServiceCatalogProductsLambdaServiceRolePolicy
au rôle de serviceAmazonSageMakerServiceCatalogProductsLambdaRole
.
- Ajouter la politique
- Sur la console IAM, accédez au rôle d'exécution de domaine SageMaker.
- Selectionnez Ajouter des autorisations et sélectionnez Créer une politique en ligne.
- Saisissez la stratégie suivante dans l'éditeur de stratégie JSON :
Studio SageMaker configuration du cycle de vie fournit des scripts shell qui s'exécutent lorsqu'un bloc-notes est créé ou démarré. La configuration du cycle de vie sera utilisée pour récupérer le secret et l'importer dans le runtime SageMaker.
- Sur la console SageMaker, choisissez Configurations du cycle de vie dans le volet de navigation.
- Selectionnez Créer une configuration.
- Laisser la sélection par défaut Application serveur Jupyter et choisissez Suivant.
- Donnez un nom à la configuration.
- Entrez le script suivant dans l'éditeur, en fournissant l'ARN du secret que vous avez créé précédemment :
- Selectionnez Envoyer pour enregistrer la configuration du cycle de vie.
- Selectionnez Domaines dans le volet de navigation et ouvrez votre domaine.
- Sur le Environment onglet, choisissez Attacher pour joindre votre configuration de cycle de vie.
- Choisissez la configuration de cycle de vie que vous avez créée et choisissez Attacher au domaine.
- Selectionnez Définir par défaut.
Si vous êtes un ancien utilisateur de SageMaker Studio, afin de vous assurer que Salesforce Data Cloud est activé, mise à niveau vers les derniers noyaux Jupyter et SageMaker Data Wrangler.
Ceci termine la configuration pour permettre l'accès aux données de Salesforce Data Cloud à SageMaker Studio pour créer des modèles d'IA et d'apprentissage automatique (ML).
Créer un projet SageMaker
Pour commencer à utiliser la solution, créez d'abord un projet en utilisant Projets Amazon SageMaker. Effectuez les étapes suivantes :
- Dans SageMaker Studio, sous Déploiements dans le volet de navigation, choisissez Projets.
- Selectionnez Créer un projet.
- Choisissez le modèle de projet appelé Déploiement du modèle pour Salesforce.
- Selectionnez Sélectionnez un modèle de projet.
- Saisissez un nom et une description facultative pour votre projet.
- Saisissez un nom de groupe de modèles.
- Entrez le nom du secret Secrets Manager que vous avez créé précédemment.
- Selectionnez Créer un projet.
Le projet peut prendre 1 à 2 minutes pour démarrer.
Vous pouvez voir deux nouveaux référentiels. Le premier concerne les exemples de blocs-notes que vous pouvez utiliser tels quels ou personnaliser pour préparer, former, créer et enregistrer des modèles dans le registre de modèles SageMaker. Le deuxième référentiel est destiné à automatiser le déploiement du modèle, ce qui inclut l'exposition du point de terminaison SageMaker en tant qu'API.
- Selectionnez dépôt de clonage pour les deux ordinateurs portables.
Pour cet article, nous utilisons l'exemple de recommandation de produit, qui se trouve dans le sagemaker-<YOUR-PROJECT-NAME>-p-<YOUR-PROJECT-ID>-example-nb/product-recommendation
répertoire que vous venez de cloner. Avant d'exécuter le bloc-notes product-recommendation.ipynb, préparons les données pour créer les données de formation à l'aide de SageMaker Data Wrangler.
Préparer les données avec SageMaker Data Wrangler
Effectuez les étapes suivantes:
- Dans SageMaker Studio, sur le Déposez votre dernière attestation menu, choisissez Nouveauté ainsi que le Flux de Data Wrangler.
- Après avoir créé le flux de données, choisissez (clic droit) l'onglet et choisissez renommer pour renommer le fichier.
- Selectionnez Importer des dates.
- Selectionnez Créer une connexion.
- Selectionnez Nuage de données Salesforce.
- Pour Nom, Entrer
salesforce-data-cloud-sagemaker-connection
. - Pour URL de l'organisation Salesforce, saisissez l'URL de votre organisation Salesforce.
- Selectionnez Enregistrer + Connecter.
- Dans la vue Explorateur de données, sélectionnez et prévisualisez les tables de Salesforce Data Cloud pour créer et exécuter la requête afin d'extraire l'ensemble de données requis.
- Votre requête ressemblera à celle ci-dessous et vous pouvez utiliser le nom de table que vous avez utilisé lors du téléchargement des données dans Salesforce Data Cloud.
- Selectionnez Créer un jeu de données.
La création du jeu de données peut prendre un certain temps.
Dans la vue du flux de données, vous pouvez maintenant voir un nouveau nœud ajouté au graphique visuel.
Pour plus d'informations sur la façon dont vous pouvez utiliser SageMaker Data Wrangler pour créer des rapports sur la qualité des données et les informations, reportez-vous à Obtenez des informations sur les données et la qualité des données.
SageMaker Data Wrangler propose plus de 300 transformations intégrées. Dans cette étape, nous utilisons certaines de ces transformations pour préparer l'ensemble de données pour un modèle ML. Pour obtenir des instructions détaillées sur la mise en œuvre de ces transformations, reportez-vous à Transformer les données.
- Utilisez l'option Gérer les colonnes étape avec le Déposer la colonne transformer pour supprimer la colonne
id__c
. - Utilisez l'option Poignée manquante étape avec le Goutte manquante transformer pour supprimer les lignes avec des valeurs manquantes pour diverses fonctionnalités. Nous appliquons cette transformation sur toutes les colonnes.
- Utilisez une étape de transformation personnalisée pour créer des valeurs catégorielles pour
state__c
,case_count__c
et latenure
caractéristiques. Utilisez le code suivant pour cette transformation : - Utilisez l'option Processus numérique étape avec le Valeurs d'échelle transformer et choisir Détartreur standard mettre à l'échelle
clicks__c
,engagement__score
et lapages__visited__c
caractéristiques. - Utilisez l'option Encoder catégorique étape avec le Encodage à chaud transformer pour convertir des variables catégorielles en numériques pour
case__type__return___c
,case__type_shipment__damaged
,month__c
,club__member__c
et lacampaign__c
fonctionnalités (toutes les fonctionnalités saufclicks__c
,engagement__score
,pages__visited__c
et laproduct_purchased__c
).
Création de modèles, formation et déploiement
Pour créer, entraîner et déployer le modèle, procédez comme suit :
- Revenez au projet SageMaker, ouvrez le bloc-notes product-recommendation.ipynb et exécutez une tâche de traitement pour prétraiter les données à l'aide de la configuration SageMaker Data Wrangler que vous avez créée.
- Suivez les étapes du bloc-notes pour former un modèle et l'enregistrer dans le registre des modèles SageMaker.
- Assurez-vous de mettre à jour le nom du groupe de modèles pour qu'il corresponde au nom du groupe de modèles que vous avez utilisé lors de la création du projet SageMaker.
Pour localiser le nom du groupe de modèles, ouvrez le projet SageMaker que vous avez créé précédemment et accédez au Paramètres languette.
De même, le fichier de flux référencé dans le bloc-notes doit correspondre au nom du fichier de flux que vous avez créé précédemment.
- Pour ce post, nous avons utilisé
product-recommendation
comme nom de groupe de modèles, nous mettons donc à jour le bloc-notes avecproject-recommendation
comme nom de groupe de modèles dans le bloc-notes.
Une fois le bloc-notes exécuté, le modèle formé est enregistré dans le registre des modèles. Pour en savoir plus sur le registre modèle, consultez Enregistrer et déployer des modèles avec Model Registry.
- Sélectionnez la version du modèle que vous avez créée et mettez à jour son statut pour A approuvé.
Maintenant que vous avez approuvé le modèle enregistré, l'étape de déploiement du projet SageMaker Salesforce provisionnera et déclenchera AWS CodePipeline.
CodePipeline comporte des étapes pour créer et déployer un point de terminaison SageMaker pour l'inférence contenant les étapes de prétraitement SageMaker Data Wrangler et le modèle formé. Le point de terminaison sera exposé à Salesforce Data Cloud en tant qu'API via API Gateway. La capture d'écran suivante montre le pipeline préfixé par Sagemaker-salesforce-product-recommendation-xxxxx
. Nous vous montrons également les points de terminaison et l'API créés par le projet SageMaker pour Salesforce.
Si vous le souhaitez, vous pouvez consulter l'étape de déploiement de CodePipeline, qui utilise AWS CloudFormation scripts pour créer un point de terminaison SageMaker et une passerelle API avec un mécanisme d'autorisation JWT personnalisé.
Lorsque le déploiement du pipeline est terminé, vous pouvez trouver le point de terminaison SageMaker sur la console SageMaker.
Vous pouvez explorer la passerelle API créée par le modèle de projet sur la console API Gateway.
Choisissez le lien pour trouver l'URL de la passerelle API.
Vous pouvez trouver les détails de l'autorisateur JWT en choisissant Autorisateurs sur la console API Gateway. Vous pouvez également vous rendre au AWS Lambda console pour examiner le code de la fonction Lambda créée par le modèle de projet.
Pour découvrir le schéma à utiliser lors de l'appel de l'API à partir d'Einstein Studio, choisissez Informations dans le volet de navigation du registre modèle. Vous verrez un Service de stockage simple Amazon (Amazon S3) lien vers un fichier de métadonnées. Copiez et collez le lien dans une nouvelle URL d'onglet de navigateur.
Regardons le fichier sans le télécharger. Sur la page des détails du fichier, choisissez le Actions d'objet menu et choisissez Requête avec S3 Select.
Selectionnez Exécuter une requête SQL et notez l'URL et le schéma de la passerelle API, car vous aurez besoin de ces informations lors de votre inscription à Einstein Studio. Si vous ne voyez pas de APIGWURL
clé, soit le modèle n'a pas été approuvé, soit le déploiement est toujours en cours, soit le déploiement a échoué.
Utiliser l'API Salesforce Einstein Studio pour les prédictions
Salesforce Einstein Studio est une nouvelle expérience centralisée dans Salesforce Data Cloud que les équipes de science des données et d'ingénierie peuvent utiliser pour accéder facilement à leurs modèles traditionnels et aux LLM utilisés dans l'IA générative. Ensuite, nous configurons l'URL de l'API et client_id
que vous avez défini précédemment dans Secrets Manager dans Salesforce Einstein Studio pour enregistrer et utiliser les inférences de modèle dans Salesforce Einstein Studio. Pour obtenir des instructions, reportez-vous à Apportez vos propres modèles d'IA à Salesforce avec Einstein Studio.
Nettoyer
Pour supprimer toutes les ressources créées par le projet SageMaker, sur la page du projet, choisissez l'option Action menu et choisissez Supprimer.
Pour supprimer les ressources (API Gateway et point de terminaison SageMaker) créées par CodePipeline, accédez à la console AWS CloudFormation et supprimez la pile qui a été créée.
Conclusion
Dans cet article, nous avons expliqué comment vous pouvez créer et former des modèles ML dans SageMaker Studio à l'aide de SageMaker Data Wrangler pour importer et préparer des données hébergées sur Salesforce Data Cloud et utiliser le nouveau connecteur Salesforce Data Cloud JDBC dans SageMaker Data Wrangler et le premier Modèle Salesforce tiers dans le modèle de projet fourni par SageMaker pour l'intégration Salesforce Data Cloud. Le modèle de projet SageMaker pour Salesforce vous permet de déployer le modèle, de créer le point de terminaison et de sécuriser une API pour un modèle enregistré. Vous utilisez ensuite l'API pour effectuer des prédictions dans Salesforce Einstein Studio pour vos cas d'utilisation métier.
Bien que nous ayons utilisé l'exemple de recommandation de produit pour présenter les étapes de mise en œuvre de l'intégration de bout en bout, vous pouvez utiliser le modèle de projet SageMaker pour Salesforce afin de créer un point de terminaison et une API pour tout modèle traditionnel SageMaker et LLM enregistré dans le SageMaker. Registre modèle. Nous sommes impatients de voir ce que vous créez dans SageMaker à l'aide des données de Salesforce Data Cloud et de renforcer vos applications Salesforce à l'aide des modèles ML hébergés par SageMaker !
Cet article est la suite de la série concernant l'intégration de Salesforce Data Cloud et SageMaker. Pour une vue d'ensemble de haut niveau et pour en savoir plus sur l'impact commercial que vous pouvez avoir avec cette approche d'intégration, reportez-vous à Partie 1.
Ressources additionnelles
À propos des auteurs
Daryl Martis est directeur de produit pour Einstein Studio chez Salesforce Data Cloud. Il a plus de 10 ans d'expérience dans la planification, la construction, le lancement et la gestion de solutions de classe mondiale pour les entreprises clientes, y compris les solutions d'IA/ML et de cloud. Il a précédemment travaillé dans le secteur des services financiers à New York. Suivez-le sur https://www.linkedin.com/in/darylmartis.
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.
Dharmendra Kumar Rai (DK Rai) est un architecte de données senior, Data Lake & AI/ML, au service de clients stratégiques. Il travaille en étroite collaboration avec les clients pour comprendre comment AWS peut les aider à résoudre des problèmes, en particulier dans le domaine de l'IA/ML et de l'analyse. DK a de nombreuses années d'expérience dans la création de solutions à forte intensité de données dans une gamme de secteurs verticaux, y compris la haute technologie, la FinTech, l'assurance et les applications destinées aux consommateurs.
Marc Karpe est un architecte ML au sein de l'équipe SageMaker Service. Il se concentre sur l'aide aux clients pour la conception, le déploiement et la gestion des charges de travail ML à grande échelle. Dans ses temps libres, il aime voyager et explorer de nouveaux endroits.
- 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. Automobile / VE, Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
- Décalages de bloc. Modernisation de la propriété des compensations environnementales. Accéder ici.
- La source: https://aws.amazon.com/blogs/machine-learning/use-the-amazon-sagemaker-and-salesforce-data-cloud-integration-to-power-your-salesforce-apps-with-ai-ml/
- :possède
- :est
- :où
- $UP
- 1
- 10
- 100
- 12
- 14
- 30
- 7
- 8
- 9
- a
- Qui sommes-nous
- accès
- hybrides
- à travers
- Action
- actes
- présenter
- ajouter
- ajoutée
- propos
- avocat
- à opposer à
- AI
- Modèles AI
- AI / ML
- algorithme
- Tous
- permettre
- permet
- aussi
- Bien que
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- an
- analytique
- ainsi que le
- tous
- api
- Apis
- appli
- applications
- Appliquer
- une approche
- approprié
- ,
- applications
- architecture
- SONT
- AS
- At
- joindre
- attributs
- Authentification
- Automates
- automatiquement
- automatiser
- moyen
- AWS
- AWS CloudFormation
- RETOUR
- BE
- car
- était
- before
- croit
- ci-dessous
- LES MEILLEURS
- jusqu'à XNUMX fois
- tous les deux
- apporter
- navigateur
- construire
- Développement
- construit
- intégré
- la performance des entreprises
- entreprises
- by
- Appelez-nous
- Campagne
- Campagnes
- CAN
- capacités
- aptitude
- capturé
- maisons
- cas
- CHAT
- centralisée
- Change
- le choix
- Selectionnez
- choose
- Ville
- client
- étroitement
- le cloud
- de
- code
- Colonne
- Colonnes
- complet
- finalise
- condition
- configuration
- NOUS CONTACTER
- connecté
- Console
- consommateur
- contact
- Contenant
- continuation
- convertir
- copier
- engendrent
- créée
- crée des
- La création
- Lettres de créance
- Customiser
- des clients
- données client
- Clients
- personnaliser
- données
- accès aux données
- Lac de données
- Plateforme de données
- Préparation des données
- science des données
- Réglage par défaut
- Démographie
- démontrer
- déployer
- déployé
- déploiement
- la description
- Conception
- détaillé
- détails
- Directeur
- découvrez
- discuter
- Diversité
- Diversité et inclusion
- do
- domaine
- Ne pas
- down
- Goutte
- Plus tôt
- même
- Économique
- éditeur
- effet
- einstein
- non plus
- vous accompagner
- permettre
- activé
- permet
- end-to-end
- Endpoint
- engagé
- participation
- engagements
- ENGINEERING
- assurer
- Entrer
- Entreprise
- notamment
- éthique
- exemple
- Sauf
- exécution
- Développer vous
- d'experience
- Expériences
- expliqué
- explorez
- explorateur
- Explorer
- exposé
- extrait
- Échoué
- famille
- Fonctionnalités:
- champ
- Déposez votre dernière attestation
- la traduction de documents financiers
- services financiers
- Trouvez
- FinTech
- Prénom
- flux
- se concentre
- suivre
- Abonnement
- Pour
- Avant
- trouvé
- De
- fonction
- fonctions
- avenir
- porte
- génératif
- IA générative
- Donner
- Go
- graphique
- Réservation de groupe
- ait eu
- Vous avez
- he
- vous aider
- aider
- ici
- ici
- de haut niveau
- lui
- sa
- historique
- Histoire
- organisé
- hébergement
- Comment
- How To
- HTML
- http
- HTTPS
- ID
- Identificateurs
- Identite
- if
- illustre
- Impact
- Mettre en oeuvre
- la mise en œuvre
- importer
- améliorer
- in
- inclut
- Y compris
- inclusion
- industrie
- d'information
- initier
- entrées
- idées.
- Des instructions
- Assurance
- des services
- l'intégration
- développement
- Découvrez le tout nouveau
- IP
- IT
- SES
- Emploi
- jpg
- json
- juste
- Jwt
- ACTIVITES
- lac
- langue
- gros
- Nom de famille
- Nouveautés
- lancé
- lancement
- APPRENTISSAGE
- apprentissage
- Laisser
- Niveau
- vos produits
- comme
- aime
- LINK
- Écoute
- LLM
- enregistrer
- Style
- ressembler
- click
- machine learning
- LES PLANTES
- a prendre une
- Fabrication
- gérer
- gestion
- manager
- les gérer
- de nombreuses
- Stratégie
- Match
- Mai..
- Menu
- Métadonnées
- Minutes
- manquant
- ML
- modèle
- numériques jumeaux (digital twin models)
- Mois
- PLUS
- Bougez
- Musique
- must
- prénom
- NAVIGUER
- Navigation
- Besoin
- nécessaire
- Nouveauté
- New York
- New York City
- nouvellement
- next
- nœud
- cahier
- maintenant
- nombre
- oauth
- of
- Offres Speciales
- on
- ONE
- en ligne
- ouvert
- or
- de commander
- nos
- plus de
- global
- vue d'ensemble
- propre
- page
- pages
- paires
- pain
- partie
- les partenaires
- passé
- passes
- autorisations
- Téléphone
- pipeline
- Des endroits
- et la planification de votre patrimoine
- plateforme
- Platon
- Intelligence des données Platon
- PlatonDonnées
- politiques
- politique
- peuplé
- Post
- power
- Prédictions
- préparation
- Préparer
- préparé
- Aperçu
- précédent
- précédemment
- Directeur
- Avant
- d'ouvrabilité
- processus
- traitement
- Produit
- Profil
- Progrès
- Projet
- prospérité
- fournir
- à condition de
- fournit
- aportando
- disposition
- achat
- qualité
- requêtes
- collectés
- gamme
- en temps réel
- recommander
- Recommandation
- recommandations
- en ce qui concerne
- région
- vous inscrire
- inscrit
- enregistrement
- enregistrement
- relation amoureuse
- Rapports
- dépôt
- nécessaire
- demandes
- exigent
- conditions
- ressource
- Resources
- ceux
- réponse
- responsables
- restreindre
- retour
- Avis
- Faites un clic droit
- Rôle
- rôle
- Courir
- sagemaker
- force de vente
- même
- Épargnez
- Escaliers intérieurs
- Sciences
- scripts
- Deuxièmement
- secret
- Section
- sécurisé
- en toute sécurité
- sur le lien
- voir
- clignotant
- sélection
- Série
- service
- Services
- service
- set
- Paramétres
- installation
- elle
- coquillage
- devrait
- montrer
- vitrine
- mettre en valeur
- Spectacles
- étapes
- So
- Réseaux sociaux
- Société
- sur mesure
- Solutions
- RÉSOUDRE
- quelques
- Space
- groupe de neurones
- Dépenses
- empiler
- Commencer
- j'ai commencé
- Région
- Déclaration
- Statut
- étapes
- Étapes
- Encore
- storage
- Boutique
- stockage
- Stratégique
- courant
- rationaliser
- studio
- ultérieur
- tel
- Support
- sûr
- table
- TAG
- Prenez
- équipe
- équipes
- Technologie
- modèle
- modèles
- que
- qui
- Les
- El futuro
- L'État
- leur
- Les
- puis
- Ces
- this
- Avec
- fiable
- horodatage
- à
- jeton
- les outils
- sujet
- traditionnel
- Train
- qualifié
- Formation
- Transformer
- De La Carrosserie
- transformations
- Voyages
- déclencher
- deux
- type
- sous
- comprendre
- expérience unique et authentique
- Mises à jour
- améliorer
- Téléchargement
- URL
- utilisé
- cas d'utilisation
- d'utiliser
- Utilisateur
- Usages
- en utilisant
- Plus-value
- Valeurs
- divers
- version
- verticales
- via
- Voir
- visité
- était
- we
- web
- services Web
- semaine
- WELL
- Quoi
- quand
- que
- qui
- tout en
- WHO
- sera
- comprenant
- dans les
- sans
- travaillé
- vos contrats
- Classe mondiale
- pourra
- années
- york
- Vous n'avez
- Votre
- zéphyrnet