जैसे-जैसे अधिक व्यवसाय अपने ग्राहकों को बेहतर सेवा प्रदान करने के लिए अपनी ऑनलाइन उपस्थिति बढ़ाते हैं, धोखाधड़ी के नए पैटर्न लगातार सामने आ रहे हैं। आज के निरंतर विकसित हो रहे डिजिटल परिदृश्य में, जहां जालसाज अपनी रणनीति में अधिक परिष्कृत होते जा रहे हैं, ऐसी धोखाधड़ी गतिविधियों का पता लगाना और उन्हें रोकना कंपनियों और वित्तीय संस्थानों के लिए सर्वोपरि हो गया है।
पारंपरिक नियम-आधारित धोखाधड़ी का पता लगाने वाली प्रणालियां जल्दी से पुनरावृति करने की क्षमता में सीमित हैं क्योंकि वे संभावित धोखाधड़ी गतिविधि को चिह्नित करने के लिए पूर्वनिर्धारित नियमों और सीमाओं पर भरोसा करती हैं। ये सिस्टम बड़ी संख्या में झूठी सकारात्मकता उत्पन्न कर सकते हैं, धोखाधड़ी टीम द्वारा की जाने वाली मैन्युअल जांच की मात्रा में काफी वृद्धि कर सकते हैं। इसके अलावा, मनुष्य भी त्रुटि-प्रवण होते हैं और बड़ी मात्रा में डेटा को संसाधित करने की सीमित क्षमता रखते हैं, धोखाधड़ी का पता लगाने के लिए मैन्युअल प्रयास करने में समय लगता है, जिसके परिणामस्वरूप धोखाधड़ी वाले लेन-देन छूट जाते हैं, घाटे में वृद्धि होती है, और प्रतिष्ठा की क्षति होती है।
मशीन लर्निंग (एमएल) धोखाधड़ी का पता लगाने में महत्वपूर्ण भूमिका निभाता है क्योंकि यह विषम पैटर्न और संभावित धोखाधड़ी प्रवृत्तियों की पहचान करने के लिए बड़ी मात्रा में डेटा का त्वरित और सटीक विश्लेषण कर सकता है। एमएल धोखाधड़ी मॉडल का प्रदर्शन उस डेटा की गुणवत्ता पर बहुत अधिक निर्भर करता है जिस पर इसे प्रशिक्षित किया जाता है, और विशेष रूप से पर्यवेक्षित मॉडल के लिए, सटीक लेबल वाला डेटा महत्वपूर्ण है। एमएल में, एक मॉडल को प्रशिक्षित करने के लिए महत्वपूर्ण ऐतिहासिक डेटा की कमी को कहा जाता है कोल्ड स्टार्ट की समस्या.
धोखाधड़ी का पता लगाने की दुनिया में, कुछ पारंपरिक कोल्ड स्टार्ट परिदृश्य निम्नलिखित हैं:
- लेन-देन या धोखाधड़ी के मामलों के इतिहास की कमी के साथ एक सटीक धोखाधड़ी मॉडल का निर्माण करना
- नए ग्राहकों और खातों के लिए धोखाधड़ी से वैध गतिविधि को सटीक रूप से अलग करने में सक्षम होना
- धोखाधड़ी प्रणाली द्वारा पहले कभी नहीं देखे गए पते या लाभार्थी को जोखिम-निर्णय भुगतान
इन परिदृश्यों को हल करने के कई तरीके हैं। उदाहरण के लिए, आप सामान्य मॉडल का उपयोग कर सकते हैं, जिन्हें एक आकार-फिट-सभी मॉडल के रूप में जाना जाता है, जो आमतौर पर धोखाधड़ी कंसोर्टियम जैसे धोखाधड़ी डेटा साझा करने वाले प्लेटफॉर्म के शीर्ष पर प्रशिक्षित होते हैं। इस दृष्टिकोण के साथ चुनौती यह है कि कोई भी व्यवसाय समान नहीं है, और धोखाधड़ी के हमले के वैक्टर लगातार बदलते रहते हैं।
एक अन्य विकल्प ग्राहक घटनाओं के बीच असामान्य व्यवहार की निगरानी और सतह के लिए एक अनियंत्रित विसंगति पहचान मॉडल का उपयोग करना है। इस दृष्टिकोण के साथ चुनौती यह है कि धोखाधड़ी की सभी घटनाएँ विसंगतियाँ नहीं हैं, और सभी विसंगतियाँ वास्तव में धोखाधड़ी नहीं हैं। इसलिए, आप उच्च झूठी सकारात्मक दरों की अपेक्षा कर सकते हैं।
इस पोस्ट में, हम दिखाते हैं कि कैसे आप वास्तविक समय धोखाधड़ी रोकथाम एमएल मॉडल को 100 से कम घटनाओं के साथ जल्दी से बूटस्ट्रैप कर सकते हैं अमेज़ॅन फ्रॉड डिटेक्टर नयी विशेषता, ठंडी शुरुआत, जिससे कई संगठनों के लिए कस्टम एमएल मॉडल में प्रवेश की बाधा नाटकीय रूप से कम हो गई है, जिनके पास बड़े डेटासेट को इकट्ठा करने और सटीक रूप से लेबल करने का समय या क्षमता नहीं है। इसके अलावा, हम चर्चा करते हैं कि कैसे अमेज़ॅन फ्रॉड डिटेक्टर संग्रहीत घटनाओं का उपयोग करके, आप परिणामों की समीक्षा कर सकते हैं और अपने मॉडल को फिर से प्रशिक्षित करने के लिए घटनाओं को सही ढंग से लेबल कर सकते हैं, जिससे समय के साथ धोखाधड़ी की रोकथाम के उपायों की प्रभावशीलता में सुधार होगा।
समाधान अवलोकन
अमेज़ॅन फ्रॉड डिटेक्टर पूरी तरह से प्रबंधित धोखाधड़ी का पता लगाने वाली सेवा है जो ऑनलाइन संभावित धोखाधड़ी गतिविधियों का पता लगाने को स्वचालित करती है। आप अपने स्वयं के ऐतिहासिक डेटासेट का उपयोग करके अनुकूलित धोखाधड़ी का पता लगाने वाले मॉडल बनाने के लिए अमेज़ॅन फ्रॉड डिटेक्टर का उपयोग कर सकते हैं, अंतर्निहित नियम इंजन का उपयोग करके निर्णय तर्क जोड़ सकते हैं, और एक बटन के क्लिक के साथ ऑर्केस्ट्रेट जोखिम निर्णय कार्यप्रवाह कर सकते हैं।
पहले, आपको एक मॉडल को प्रशिक्षित करने के लिए धोखाधड़ी के कम से कम 10,000 उदाहरणों के साथ 400 से अधिक लेबल वाले ईवेंट प्रदान करने होते थे। कोल्ड स्टार्ट सुविधा के रिलीज के साथ, आप कम से कम 100 घटनाओं वाले मॉडल को जल्दी से प्रशिक्षित कर सकते हैं और कम से कम 50 को धोखाधड़ी के रूप में वर्गीकृत किया जा सकता है। प्रारंभिक डेटा आवश्यकताओं की तुलना में, यह ऐतिहासिक डेटा में 99% की कमी और लेबल आवश्यकताओं में 87% की कमी है।
नया कोल्ड स्टार्ट फीचर डेटा के छोटे सेटों को समृद्ध करने, विस्तार करने और जोखिम मॉडलिंग के लिए बुद्धिमान तरीके प्रदान करता है। इसके अलावा, अमेज़ॅन फ्रॉड डिटेक्टर लेबल किए गए ईवेंट के लिए लेबल असाइनमेंट और सैंपलिंग करता है।
सार्वजनिक डेटासेट के साथ किए गए प्रयोगों से पता चलता है कि 50 धोखाधड़ी और केवल 100 घटनाओं की सीमा को कम करके, आप ऐसे धोखाधड़ी एमएल मॉडल बना सकते हैं जो लगातार अप्रशिक्षित और अर्ध-पर्यवेक्षित मॉडल से बेहतर प्रदर्शन करते हैं।
कोल्ड स्टार्ट मॉडल का प्रदर्शन
एक एमएल मॉडल की सामान्यीकरण और अनदेखी डेटा पर सटीक भविष्यवाणियां करने की क्षमता प्रशिक्षण डेटासेट की गुणवत्ता और विविधता से प्रभावित होती है। कोल्ड स्टार्ट मॉडल के लिए, यह अलग नहीं है। आपके पास प्रक्रियाएं होनी चाहिए क्योंकि इन घटनाओं को सही ढंग से लेबल करने और मॉडल को फिर से प्रशिक्षित करने के लिए अधिक डेटा एकत्र किया जाता है, जो अंततः एक इष्टतम मॉडल प्रदर्शन की ओर ले जाता है।
कम डेटा आवश्यकता के साथ, मॉडल के बढ़ते विचरण और सीमित परीक्षण डेटा आकार के कारण रिपोर्ट किए गए प्रदर्शन की अस्थिरता बढ़ जाती है। मॉडल के प्रदर्शन की सही उम्मीद बनाने में आपकी मदद करने के लिए, मॉडल AUC के अलावा, Amazon Fraud Detector भी अनिश्चितता रेंज मेट्रिक्स की रिपोर्ट करता है। निम्न तालिका इन मीट्रिक को परिभाषित करती है।
. | . | एयूसी | ||
. | . | <0.6 | 0.6 – 0.8 | > = 0.8 |
एयूसी अनिश्चितता अंतराल | > 0.3 | मॉडल का प्रदर्शन बहुत कम है और बहुत भिन्न हो सकता है। कम धोखाधड़ी का पता लगाने के प्रदर्शन की अपेक्षा करें। | मॉडल का प्रदर्शन कम है और बहुत भिन्न हो सकता है। सीमित धोखाधड़ी का पता लगाने के प्रदर्शन की अपेक्षा करें। | मॉडल का प्रदर्शन बहुत भिन्न हो सकता है। |
0.1 – 0.3 | मॉडल का प्रदर्शन बहुत कम है और इसमें काफी अंतर हो सकता है। कम धोखाधड़ी का पता लगाने के प्रदर्शन की अपेक्षा करें। | मॉडल का प्रदर्शन कम है और काफी भिन्न हो सकता है। सीमित धोखाधड़ी का पता लगाने के प्रदर्शन की अपेक्षा करें। | मॉडल का प्रदर्शन काफी भिन्न हो सकता है। | |
<0.1 | मॉडल का प्रदर्शन बहुत कम है। कम धोखाधड़ी का पता लगाने के प्रदर्शन की अपेक्षा करें। | मॉडल का प्रदर्शन कम है। सीमित धोखाधड़ी का पता लगाने के प्रदर्शन की अपेक्षा करें। | कोई चेतावनी नहीं |
कोल्ड स्टार्ट मॉडल को प्रशिक्षित करें
कोल्ड स्टार्ट फ्रॉड मॉडल को प्रशिक्षित करना किसी भी अन्य अमेज़ॅन फ्रॉड डिटेक्टर मॉडल को प्रशिक्षित करने के समान है; डेटासेट आकार क्या भिन्न है। आप कोल्ड स्टार्ट प्रशिक्षण के लिए नमूना डेटासेट हमारे में पा सकते हैं गिटहब रेपो। अमेज़ॅन फ्रॉड डिटेक्टर कस्टम मॉडल को प्रशिक्षित करने के लिए, आप हमारे हाथों का अनुसरण कर सकते हैं ट्यूटोरियल. आप या तो उपयोग कर सकते हैं अमेज़न फ्रॉड डिटेक्टर कंसोल ट्यूटोरियल या एसडीके ट्यूटोरियल धोखाधड़ी का पता लगाने वाले मॉडल का निर्माण, प्रशिक्षण और परिनियोजन।
आपके मॉडल के प्रशिक्षित होने के बाद, आप प्रदर्शन मेट्रिक्स की समीक्षा कर सकते हैं और फिर इसकी स्थिति को बदलकर इसे तैनात कर सकते हैं सक्रिय. मॉडल स्कोर और प्रदर्शन मेट्रिक्स के बारे में अधिक जानने के लिए, देखें मॉडल स्कोर और मॉडल प्रदर्शन मेट्रिक्स. इस बिंदु पर, अब आप अपने मॉडल को अपने डिटेक्टर में जोड़ सकते हैं, जोड़ें व्यापार नियम मॉडल द्वारा उत्पन्न होने वाले जोखिम स्कोर की व्याख्या करने के लिए, और वास्तविक समय की भविष्यवाणी करने के लिए गेटइवेंट भविष्यवाणी एपीआई।
फ्रॉड एमएल मॉडल में निरंतर सुधार और फीडबैक लूप
अमेज़ॅन फ्रॉड डिटेक्टर कोल्ड स्टार्ट फीचर के साथ, आप एक धोखाधड़ी डिटेक्टर एंडपॉइंट को जल्दी से बूटस्ट्रैप कर सकते हैं और तुरंत अपने व्यवसायों की सुरक्षा करना शुरू कर सकते हैं। हालांकि, नए धोखाधड़ी पैटर्न लगातार सामने आ रहे हैं, इसलिए समय के साथ पूर्वानुमानों की सटीकता और प्रभावशीलता में सुधार के लिए नए डेटा के साथ कोल्ड स्टार्ट मॉडल को फिर से प्रशिक्षित करना महत्वपूर्ण है।
आपको अपने मॉडल पर पुनरावृति करने में मदद करने के लिए, Amazon Fraud Detector अनुमान के लिए सेवा को भेजे गए सभी ईवेंट को स्वचालित रूप से संग्रहीत करता है। जैसा कि नीचे दिए गए स्क्रीनशॉट में दिखाया गया है, आप ईवेंट प्रकार स्तर पर ईवेंट अंतर्ग्रहण फ़्लैग को बदल सकते हैं या सत्यापित कर सकते हैं.
संग्रहीत घटनाओं की सुविधा के साथ, आप अमेज़ॅन फ्रॉड डिटेक्टर एसडीके का उपयोग किसी कार्यक्रम को प्रोग्रामेटिक रूप से एक्सेस करने, ईवेंट मेटाडेटा और भविष्यवाणी स्पष्टीकरण की समीक्षा करने और एक सूचित जोखिम निर्णय लेने के लिए कर सकते हैं। इसके अलावा, आप ईवेंट को भावी मॉडल पुनर्प्रशिक्षण और निरंतर मॉडल सुधार के लिए लेबल कर सकते हैं। निम्न आरेख इस वर्कफ़्लो का एक उदाहरण दिखाता है।
निम्नलिखित कोड स्निपेट्स में, हम संग्रहीत ईवेंट को लेबल करने की प्रक्रिया प्रदर्शित करते हैं:
- किसी घटना पर रीयल-टाइम धोखाधड़ी भविष्यवाणी करने के लिए, GetEventPrediction API को कॉल करें:
जैसा कि प्रतिक्रिया में देखा गया है, निर्णय इंजन नियम के मिलान के आधार पर, घटना को धोखाधड़ी टीम द्वारा मैन्युअल समीक्षा के लिए भेजा जाना चाहिए। भविष्यवाणी स्पष्टीकरण मेटाडेटा एकत्र करके, आप इस बात की जानकारी प्राप्त कर सकते हैं कि प्रत्येक घटना चर ने मॉडल के धोखाधड़ी पूर्वानुमान स्कोर को कैसे प्रभावित किया।
- इन जानकारियों को एकत्र करने के लिए, हम इसका उपयोग करते हैं
get_event_prediction_metada
एपीआई:
एपीआई प्रतिक्रिया:
इन जानकारियों के साथ, धोखाधड़ी विश्लेषक विचाराधीन घटना के बारे में सूचित जोखिम निर्णय ले सकता है और घटना लेबल को अपडेट कर सकता है।
- इवेंट लेबल को अपडेट करने के लिए कॉल करें
update_event_label
एपीआई:
एपीआई प्रतिक्रिया
अंतिम चरण के रूप में, आप सत्यापित कर सकते हैं कि ईवेंट लेबल सही तरीके से अपडेट किया गया था या नहीं।
- इवेंट लेबल को सत्यापित करने के लिए, कॉल करें
get_event
एपीआई:
एपीआई प्रतिक्रिया
क्लीन अप
भविष्य में शुल्क लगने से बचने के लिए, समाधान के लिए बनाए गए संसाधनों को हटा दें।
निष्कर्ष
इस पोस्ट ने प्रदर्शित किया कि कैसे आप अमेज़ॅन फ्रॉड डिटेक्टर नए कोल्ड स्टार्ट फीचर का उपयोग करके 100 घटनाओं के साथ एक वास्तविक समय धोखाधड़ी रोकथाम प्रणाली को जल्दी से बूटस्ट्रैप कर सकते हैं। हमने चर्चा की कि आप समय के साथ धोखाधड़ी रोकथाम उपायों की प्रभावशीलता में सुधार करते हुए परिणामों की समीक्षा करने और घटनाओं को सही ढंग से लेबल करने और अपने मॉडलों को फिर से प्रशिक्षित करने के लिए संग्रहीत घटनाओं का उपयोग कैसे कर सकते हैं।
अमेज़ॅन फ्रॉड डिटेक्टर जैसी पूरी तरह से प्रबंधित एडब्ल्यूएस सेवाएं व्यवसायों द्वारा अपने प्लेटफॉर्म में धोखाधड़ी की पहचान करने के लिए उपयोगकर्ता के व्यवहार का विश्लेषण करने में लगने वाले समय को कम करने में मदद करती हैं और व्यावसायिक मूल्य बढ़ाने पर अधिक ध्यान केंद्रित करती हैं। अमेज़ॅन फ्रॉड डिटेक्टर आपके व्यवसाय में कैसे मदद कर सकता है, इस बारे में अधिक जानने के लिए, यहां जाएं अमेज़न धोखाधड़ी डिटेक्टर।
लेखक के बारे में
मार्सेल पिविडाल वर्ल्ड-वाइड स्पेशलिस्ट ऑर्गनाइजेशन में ग्लोबल सीनियर एआई सर्विसेज सॉल्यूशंस आर्किटेक्ट हैं। मार्सेल के पास फिनटेक, भुगतान प्रदाताओं, फार्मा और सरकारी एजेंसियों के लिए प्रौद्योगिकी के माध्यम से व्यावसायिक समस्याओं को हल करने का 20 से अधिक वर्षों का अनुभव है। उनके फोकस के वर्तमान क्षेत्र जोखिम प्रबंधन, धोखाधड़ी की रोकथाम और पहचान सत्यापन हैं।
जूलिया जू अमेज़ॅन फ्रॉड डिटेक्टर के साथ एक शोध वैज्ञानिक हैं। उन्हें मशीन लर्निंग तकनीकों का उपयोग करके ग्राहकों की चुनौतियों को हल करने का शौक है। अपने खाली समय में, वह लंबी पैदल यात्रा, पेंटिंग और कॉफी की नई दुकानों की खोज का आनंद लेती है।
गुइलहर्मे रिक्की AWS में एक वरिष्ठ समाधान वास्तुकार हैं, जो स्टार्टअप्स को उनके अनुप्रयोगों की लागतों को आधुनिक बनाने और अनुकूलित करने में मदद करते हैं। वित्तीय क्षेत्र की कंपनियों के साथ 10 से अधिक वर्षों के अनुभव के साथ, वह वर्तमान में AI/ML विशेषज्ञों की टीम के साथ मिलकर काम कर रहे हैं।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोब्लॉकचैन। Web3 मेटावर्स इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- मिंटिंग द फ्यूचर डब्ल्यू एड्रिएन एशले। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/overcome-the-machine-learning-cold-start-challenge-in-fraud-detection-using-amazon-fraud-detector/
- :हैस
- :है
- :नहीं
- :कहाँ
- 000
- 1
- 10
- 100
- 20
- 20 साल
- 200
- 39
- 50
- 7
- 8
- 9
- a
- क्षमता
- योग्य
- About
- पहुँच
- शुद्धता
- सही
- सही रूप में
- गतिविधियों
- गतिविधि
- पता
- एजेंसियों
- AI
- ऐ सेवा
- ऐ / एमएल
- सब
- भी
- वीरांगना
- अमेज़ॅन फ्रॉड डिटेक्टर
- के बीच में
- राशियाँ
- an
- विश्लेषक
- विश्लेषण करें
- का विश्लेषण
- और
- असंगति का पता लगाये
- कोई
- एपीआई
- अनुप्रयोगों
- दृष्टिकोण
- हैं
- क्षेत्रों के बारे में जानकारी का उपयोग करके ट्रेडिंग कर सकते हैं।
- AS
- At
- आक्रमण
- ऑटोमेटा
- स्वतः
- एडब्ल्यूएस
- अवरोध
- आधारित
- BE
- क्योंकि
- बन
- बनने
- से पहले
- लाभार्थी
- बेहतर
- जूते का फीता
- निर्माण
- में निर्मित
- व्यापार
- व्यवसायों
- बटन
- by
- कॉल
- बुलाया
- कर सकते हैं
- क्षमता
- चुनौती
- चुनौतियों
- परिवर्तन
- बदलना
- प्रभार
- वर्गीकृत
- क्लिक करें
- कोड
- कॉफी
- इकट्ठा
- COM
- कंपनियों
- तुलना
- कंसोल
- निरंतर
- प्रसंग
- निरंतर
- लागत
- बनाया
- महत्वपूर्ण
- महत्वपूर्ण
- वर्तमान
- वर्तमान में
- रिवाज
- ग्राहक
- ग्राहक
- अनुकूलित
- तिथि
- डेटा साझा करना
- डेटासेट
- निर्णय
- परिभाषित करता है
- दिखाना
- साबित
- तैनात
- खोज
- विभिन्न
- डिजिटल
- चर्चा करना
- चर्चा की
- अंतर करना
- विविधता
- do
- dont
- नाटकीय रूप से
- ड्राइविंग
- से प्रत्येक
- प्रभावशीलता
- प्रयासों
- भी
- ईमेल
- कस्र्न पत्थर
- endpoint
- इंजन
- समृद्ध
- संस्थाओं
- प्रविष्टि
- मूल्यांकन
- कार्यक्रम
- घटनाओं
- उदाहरण
- उदाहरण
- उम्मीद
- उम्मीद
- अनुभव
- स्पष्टीकरण
- तलाश
- का विस्तार
- असत्य
- Feature
- प्रतिक्रिया
- कुछ
- अंतिम
- वित्तीय
- वित्तीय संस्थाए
- वित्तीय क्षेत्र
- खोज
- fintechs
- फोकस
- का पालन करें
- निम्नलिखित
- के लिए
- धोखा
- धोखाधड़ी का पता लगाना
- धोखाधड़ी रोकथाम
- धोखेबाजों
- कपटपूर्ण
- धोखाधड़ी गतिविधि
- मुक्त
- से
- पूरी तरह से
- और भी
- भविष्य
- लाभ
- सभा
- उत्पन्न
- वैश्विक
- सरकार
- बहुत
- हाथों पर
- है
- he
- भारी
- मदद
- मदद
- उच्चतर
- ऐतिहासिक
- इतिहास
- कैसे
- तथापि
- एचटीएमएल
- HTTPS
- मनुष्य
- समान
- पहचान करना
- पहचान
- पहचान की जाँच
- तुरंत
- असर पड़ा
- में सुधार
- सुधार
- में सुधार लाने
- in
- बढ़ना
- वृद्धि हुई
- बढ़ जाती है
- बढ़ती
- सूचित
- प्रारंभिक
- अंतर्दृष्टि
- अस्थिरता
- संस्थानों
- बुद्धिमान
- में
- जांच
- IP
- IT
- आईटी इस
- जेपीजी
- जानने वाला
- लेबल
- रंग
- परिदृश्य
- बड़ा
- प्रमुख
- जानें
- सीख रहा हूँ
- स्तर
- पसंद
- सीमित
- सीमाएं
- थोड़ा
- हानि
- निम्न
- कम
- मशीन
- यंत्र अधिगम
- बनाना
- निर्माण
- कामयाब
- प्रबंध
- गाइड
- बहुत
- मिलान किया
- उपायों
- मेटाडाटा
- तरीकों
- मेट्रिक्स
- हो सकता है
- न्यूनतम
- ML
- आदर्श
- मॉडल
- आधुनिकीकरण
- मॉनिटर
- अधिक
- और भी
- विभिन्न
- नाम
- नया
- अभी
- संख्या
- of
- on
- ऑनलाइन
- केवल
- इष्टतम
- ऑप्टिमाइज़ करें
- विकल्प
- or
- संगठन
- संगठनों
- अन्य
- हमारी
- मात करना
- के ऊपर
- काबू
- अपना
- आला दर्जे का
- आवेशपूर्ण
- पैटर्न उपयोग करें
- भुगतान
- भुगतान प्रदाता
- भुगतान
- प्रदर्शन
- प्रदर्शन
- फार्मा
- जगह
- प्लेटफार्म
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- बिन्दु
- सकारात्मक
- संभव
- पद
- संभावित
- भविष्यवाणी
- भविष्यवाणियों
- उपस्थिति
- रोकने
- निवारण
- समस्याओं
- प्रक्रिया
- प्रक्रियाओं
- संरक्षण
- प्रदान करना
- प्रदाताओं
- प्रदान करता है
- सार्वजनिक
- गुणवत्ता
- प्रश्न
- जल्दी से
- रेंज
- दरें
- वास्तविक समय
- को कम करने
- और
- की सूचना दी
- रिपोर्ट
- आवश्यकता
- आवश्यकताएँ
- अनुसंधान
- उपयुक्त संसाधन चुनें
- प्रतिक्रिया
- परिणाम
- परिणाम
- की समीक्षा
- जोखिम
- जोखिम प्रबंधन
- भूमिका
- नियम
- नियम
- परिदृश्यों
- वैज्ञानिक
- स्कोर
- एसडीके
- सेक्टर
- वरिष्ठ
- सेवा
- सेवा
- सेवाएँ
- सेट
- बांटने
- दुकानों
- चाहिए
- दिखाना
- दिखाया
- दिखाता है
- महत्वपूर्ण
- काफी
- केवल
- आकार
- छोटा
- So
- समाधान
- समाधान ढूंढे
- हल
- सुलझाने
- कुछ
- परिष्कृत
- विशेषज्ञ
- विशेषज्ञों
- विशेष रूप से
- बिताना
- प्रारंभ
- स्टार्टअप
- स्थिति
- कदम
- संग्रहित
- भंडार
- ऐसा
- सतह
- प्रणाली
- सिस्टम
- तालिका
- युक्ति
- टीम
- तकनीक
- टेक्नोलॉजी
- परीक्षण
- से
- कि
- RSI
- दुनिया
- लेकिन हाल ही
- जिसके चलते
- इसलिये
- इन
- वे
- इसका
- यहाँ
- पहर
- बहुत समय लगेगा
- सेवा मेरे
- आज का दि
- एक साथ
- ऊपर का
- परंपरागत
- रेलगाड़ी
- प्रशिक्षित
- प्रशिक्षण
- लेनदेन
- रुझान
- आम तौर पर
- अंत में
- अनिश्चितता
- अपडेट
- अद्यतन
- उपयोग
- उपयोगकर्ता
- का उपयोग
- सत्यापित करें
- मूल्य
- सत्यापन
- सत्यापित
- भेंट
- आयतन
- संस्करणों
- था
- तरीके
- we
- क्या
- कौन कौन से
- जब
- साथ में
- workflows
- काम कर रहे
- विश्व
- साल
- आप
- आपका
- जेफिरनेट