Ennek a bejegyzésnek a társszerzője Daryl Martis, a Salesforce Einstein AI termékigazgatója.
Ez a harmadik bejegyzés a Salesforce Data Cloud integrációját tárgyaló sorozatban Amazon SageMaker.
In rész 1 és a rész 2, bemutatjuk, hogy a Salesforce Data Cloud és az Einstein Studio SageMakerrel való integrációja hogyan teszi lehetővé a vállalkozások számára, hogy biztonságosan hozzáférjenek Salesforce-adataikhoz a SageMaker segítségével, és hogyan használják eszközeit a modellek felépítésére, betanítására és a SageMakeren tárolt végpontokon való üzembe helyezésére. A SageMaker-végpontok regisztrálhatók a Salesforce Data Cloudban, hogy aktiválják a Salesforce előrejelzéseit.
Ebben a bejegyzésben bemutatjuk, hogyan hozhatnak létre üzleti elemzők és állampolgári adatokkal foglalkozó tudósok gépi tanulási (ML) modelleket kód nélkül. Amazon SageMaker Canvas és telepítsen betanított modelleket a Salesforce Einstein Stúdióval való integrációhoz, hogy hatékony üzleti alkalmazásokat hozzon létre. A SageMaker Canvas kód nélküli élményt biztosít a Salesforce Data Cloud adatainak eléréséhez, valamint a modellek összeállításához, teszteléséhez és üzembe helyezéséhez mindössze néhány kattintással. A SageMaker Canvas azt is lehetővé teszi, hogy megértse előrejelzéseit a jellemzők fontossága és a SHAP értékek segítségével, így egyszerűvé teszi az ML modellek által készített előrejelzések magyarázatát.
SageMaker Canvas
A SageMaker Canvas lehetővé teszi az üzleti elemzők és adattudományi csapatok számára, hogy ML és generatív AI modelleket építsenek és használhassanak anélkül, hogy egyetlen kódsort kellene írniuk. A SageMaker Canvas vizuális point-and-click felületet biztosít, amely pontos ML előrejelzéseket generál osztályozáshoz, regresszióhoz, előrejelzéshez, természetes nyelvi feldolgozáshoz (NLP) és számítógépes látásmódhoz (CV). Ezenkívül hozzáférhet és kiértékelheti az alapmodelleket (FM-eket). Amazon alapkőzet vagy nyilvános FM-ek felől Amazon SageMaker JumpStart tartalomgeneráláshoz, szövegkivonáshoz és szövegösszegzéshez a generatív AI-megoldások támogatására. A SageMaker Canvas lehetővé teszi vigye bárhová beépített ML modelleket és előrejelzéseket generál közvetlenül a SageMaker Canvasban.
Salesforce Data Cloud és Einstein Studio
A Salesforce Data Cloud egy olyan adatplatform, amely a vállalkozások számára valós idejű frissítéseket biztosít az ügyfelek adatairól bármely érintkezési pontról.
Az Einstein Studio egy átjáró az AI-eszközökhöz a Salesforce Data Cloudon. Az Einstein Studio segítségével az adminisztrátorok és adattudósok könnyedén, néhány kattintással vagy kód használatával modelleket hozhatnak létre. Az Einstein Studio hozza a saját modelljét (BYOM) lehetővé teszi egyéni vagy generatív mesterséges intelligencia modellek csatlakoztatását külső platformokról, például a SageMakerről a Salesforce Data Cloudhoz.
Megoldás áttekintése
Annak bemutatására, hogyan hozhat létre ML-modelleket a Salesforce Data Cloudban lévő adatok felhasználásával a SageMaker Canvas használatával, prediktív modellt hozunk létre a termék ajánlására. Ez a modell a Salesforce Data Cloudban tárolt funkciókat használja, például az ügyfelek demográfiai adatait, a marketingtevékenységeket és a vásárlási előzményeket. A termékajánlási modell a SageMaker Canvas kód nélküli felhasználói felületén épül fel és kerül bevezetésre a Salesforce Data Cloud adatainak felhasználásával.
A következőket használjuk minta adatkészlet tárolva Amazon egyszerű tárolási szolgáltatás (Amazon S3). Ennek az adatkészletnek a Salesforce Data Cloudban való használatához lásd: Hozzon létre Amazon S3 adatfolyamot a Data Cloudban. A modell létrehozásához a következő attribútumok szükségesek:
- Klubtag – Ha az ügyfél klubtag
- Kampány – A kampány, amelynek az ügyfél a része
- Állami – Az az állam vagy tartomány, amelyben az ügyfél lakik
- Hónap – A vásárlás hónapja
- Esetszám – Az ügyfél által felvetett ügyek száma
- Case Type Return – Az ügyfél visszaküldött-e valamilyen terméket az elmúlt év során
- Tok típusa A szállítmány sérült – Az ügyfélnek volt-e sérült szállítmánya az elmúlt évben?
- Elköteleződési pontszám – Az ügyfél elkötelezettsége (reagálás a levelező kampányokra, bejelentkezés az online áruházba stb.)
- Birtoklás – A céggel fennálló ügyfélkapcsolat tartama
- Kattintások – Az ügyfél által a vásárlást megelőző egy héten belüli kattintások átlagos száma
- Meglátogatott oldalak – Azon oldalak átlagos száma, amelyeket a vásárló a vásárlást megelőző egy héten belül meglátogatott
- Vásárolt termék – A ténylegesen vásárolt termék
A következő lépések áttekintést adnak arról, hogyan használhatjuk a SageMaker Canvasban elindított Salesforce Data Cloud-összekötőt a vállalati adatok eléréséhez és prediktív modell felépítéséhez:
- Konfigurálja a Salesforce csatlakoztatott alkalmazást a SageMaker Canvas tartomány regisztrálásához.
- Állítsa be az OAuth for Salesforce Data Cloud szolgáltatást a SageMaker Canvasban.
- Csatlakozzon a Salesforce Data Cloud-adatokhoz a beépített SageMaker Canvas Salesforce Data Cloud-összekötő segítségével, és importálja az adatkészletet.
- Építsen és képezzen modelleket a SageMaker Canvasban.
- Telepítse a modellt a SageMaker Canvasban, és készítsen előrejelzéseket.
- Telepítsen egy Amazon API átjáró végpont előtér-kapcsolatként a SageMaker következtetési végponttal.
- Regisztrálja az API-átjáró végpontját az Einstein Studio-ban. Az utasításokat lásd Hozd be saját mesterséges intelligenciamodelleidet a Data Cloudba.
A következő ábra a megoldás architektúráját mutatja be.
Előfeltételek
Mielőtt elkezdené, hajtsa végre a következő előfeltételeket a SageMaker tartomány létrehozásához és a SageMaker Canvas engedélyezéséhez:
- Létrehozása Amazon SageMaker Studio tartomány. Az utasításokat lásd Bekapcsolva az Amazon SageMaker domainbe.
- Jegyezze fel a létrehozott és a felhasználói profil által használt tartományazonosítót és végrehajtási szerepet. Engedélyeket ad ehhez a szerepkörhöz a következő lépésekben.
A következő képernyőképen látható a bejegyzéshez létrehozott domain.
- Ezután lépjen a felhasználói profilra, és válassza ki szerkesztése.
- Navigáljon a Amazon SageMaker Canvas beállításai szakasz és válassza ki Engedélyezze a Canvas alapengedélyeit.
- választ Engedélyezze a Canvas modellek közvetlen telepítését és a Modell-nyilvántartási engedélyek engedélyezése minden felhasználó számára.
Ez lehetővé teszi, hogy a SageMaker Canvas modelleket telepítsen a SageMaker konzol végpontjaira. Ezek a beállítások a tartomány vagy a felhasználói profil szintjén konfigurálhatók. A felhasználói profil beállításai elsőbbséget élveznek a tartománybeállításokkal szemben.
Hozza létre vagy frissítse a Salesforce csatlakoztatott alkalmazást
Ezután létrehozunk egy Salesforce-hoz csatlakoztatott alkalmazást, amely lehetővé teszi az OAuth-folyamatot a SageMaker Canvasból a Salesforce Data Cloudba. Hajtsa végre a következő lépéseket:
- Jelentkezzen be a Salesforce-ba, és navigáljon ide felépítés.
- Keresése App menedzser és hozzon létre egy új csatlakoztatott alkalmazást.
- Adja meg a következő bemeneteket:
- A Csatlakoztatott alkalmazás neve, írjon be egy nevet.
- A API név, hagyja alapértelmezettként (a rendszer automatikusan kitölti).
- A Kapcsolattartó e-mail, adja meg kapcsolatfelvételi e-mail címét.
- választ Engedélyezze az OAuth-beállításokat.
- A Visszahívási URL, belép
https://<domain-id>.studio.<region>.sagemaker.aws/canvas/default/lab
, és adja meg a SageMaker tartomány tartományazonosítóját és régióját.
- Konfigurálja a következő hatóköröket a csatlakoztatott alkalmazásban:
- Felhasználói adatok kezelése API-kon keresztül (
api
). - Bármikor teljesíthet kéréseket (
refresh_token
,offline_access
). - ANSI SQL lekérdezések végrehajtása a Salesforce Data Cloud adatain (Data
Cloud_query_api
). - Adatfelhő-profiladatok kezelése (
Data Cloud_profile_api
). - Az identitás URL szolgáltatás elérése (
id
,profile
,email
,address
,phone
). - Egyedi felhasználói azonosítók elérése (
openid
).
- Felhasználói adatok kezelése API-kon keresztül (
- Állítsa be a csatlakoztatott alkalmazást IP relaxáció beállítása Lazítsa meg az IP-korlátozásokat.
Konfigurálja az OAuth-beállításokat a Salesforce Data Cloud-összekötőhöz
SageMaker Canvas használ AWS Secrets Manager a kapcsolódási információk biztonságos tárolására a Salesforce csatlakoztatott alkalmazásból. A SageMaker Canvas lehetővé teszi a rendszergazdák számára, hogy egyéni felhasználói profilokhoz vagy tartományi szinten konfigurálják az OAuth-beállításokat. Ne feledje, hogy a tartományhoz és a felhasználói profilhoz is hozzáadhat titkot, de a SageMaker Canvas először a felhasználói profilban keresi a titkokat.
Az OAuth-beállítások konfigurálásához hajtsa végre a következő lépéseket:
- Navigáljon a Domain vagy User Profile Settings szerkesztéséhez a SageMaker Console-ban.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Vászonbeállítások a navigációs ablaktáblában.
- Alatt OAuth beállítások, A Adatforrás, választ Salesforce Data Cloud.
- A Titkos beállítás, létrehozhat egy új titkot, vagy használhat egy meglévő titkot. Ebben a példában létrehozunk egy új titkosságot, és beírjuk az ügyfél-azonosítót és az ügyféltitkot a Salesforce-hoz csatlakoztatott alkalmazásból.
Az OAuth SageMaker Canvasban történő engedélyezésével kapcsolatos további részletekért lásd: Az OAuth beállítása a Salesforce Data Cloudhoz.
Ezzel befejeződik a beállítás, amely lehetővé teszi az adatokhoz való hozzáférést a Salesforce Data Cloudból a SageMaker Canvasba az AI és ML modellek létrehozásához.
Adatok importálása a Salesforce Data Cloudból
Az adatok importálásához hajtsa végre a következő lépéseket:
- A SageMaker domainnel létrehozott felhasználói profilból válassza ki a lehetőséget Indít és válassza ki a Vászon.
Amikor először éri el a Canvas alkalmazást, körülbelül 10 percet vesz igénybe a létrehozása.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Data Wrangler a navigációs ablaktáblában.
- A Teremt menüben válasszon Táblázatos táblázatos adatkészlet létrehozásához.
- Nevezze el az adatkészletet, és válassza ki Teremt.
- A Adatforrás, választ Salesforce Data Cloud és a Csatlakozás hozzáadása az adattó objektum importálásához.
Ha korábban már konfigurált egy kapcsolatot a Salesforce Data Cloud szolgáltatással, akkor új kapcsolat létrehozása helyett megjelenik egy lehetőség a kapcsolat használatára.
- Adjon nevet egy új Salesforce Data Cloud kapcsolatnak, és válassza ki Csatlakozás hozzáadása.
A befejezés néhány percet vesz igénybe.
- Ön át lesz irányítva a Salesforce bejelentkezés oldalt a kapcsolat engedélyezéséhez.
A sikeres bejelentkezés után a kérést a rendszer visszairányítja a SageMaker Canvashoz az adatok Lake objektumlistájával.
- Válassza ki az Amazon S3-on keresztül feltöltött modellképzés funkcióit tartalmazó adatkészletet.
- Húzza át a fájlt, majd válassza ki Szerkesztés SQL-ben.
A Salesforce hozzáteszi a “__c
“ az összes Data Cloud objektummezőhöz. A SageMaker Canvas elnevezési konvenciója szerint, ”__“
nem engedélyezett a mezőnevekben.
- Szerkessze az SQL-t az oszlopok átnevezéséhez, és dobja el a modelltanítás szempontjából nem releváns metaadatokat. Cserélje le a tábla nevét az objektum nevére.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Futtassa az SQL-t és azután Adatkészlet létrehozása.
- Válassza ki az adatkészletet, és válassza ki Hozzon létre egy modellt.
- Ha modellt szeretne létrehozni egy termékajánlás előrejelzéséhez, adja meg a modell nevét, majd válassza a lehetőséget Prediktív elemzés mert Probléma típusa, és válasszon Teremt.
Építsd meg és tanítsd a modellt
A modell elkészítéséhez és betanításához hajtsa végre a következő lépéseket:
- A modell elindítása után állítsa a céloszlopot értékre
product_purchased
.
A SageMaker Canvas megjeleníti a legfontosabb statisztikákat és az egyes oszlopok és a céloszlop közötti összefüggéseket. A SageMaker Canvas eszközöket biztosít a modell előnézetének megtekintésére és az adatok érvényesítésére az építés megkezdése előtt.
- Az előnézeti modell funkció segítségével megtekintheti a modell pontosságát, és ellenőrizheti az adatkészletet, hogy megelőzze a modell felépítése során felmerülő problémákat.
- Az adatok áttekintése és az adatkészlet bármilyen módosítása után válassza ki a build típusát. A Gyors felépítés lehet gyorsabb, de csak az adatok egy részhalmazát használja fel a modell felépítéséhez. Jelen bejegyzés céljára a Szabványos felépítés opciót.
Egy szabványos összeállítás 2–4 órát is igénybe vehet.
A SageMaker Canvas automatikusan kezeli az adatkészlet hiányzó értékeit a modell felépítése közben. Ezenkívül más adat-előkészítési átalakításokat is alkalmaz, hogy az adatok készen álljanak az ML-hez.
- Miután elkezdődött a modell felépítése, elhagyhatja az oldalt.
Amikor a modell úgy mutatja, mint Kész a A modelljeim oldalon, készen áll az elemzésre és az előrejelzésekre.
- A modell elkészítése után navigáljon ide My modellek, választ Megnézem az Ön által létrehozott modell megtekintéséhez, és válassza ki a legújabb verziót.
- Menj a Elemez lapon megtekintheti az egyes funkciók előrejelzésre gyakorolt hatását.
- A modell előrejelzéseivel kapcsolatos további információkért keresse fel a Pontozása Tab.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Tippelje termék-előrejelzés elindításához.
Telepítse a modellt, és készítsen előrejelzéseket
Hajtsa végre a következő lépéseket a modell üzembe helyezéséhez és az előrejelzések készítéséhez:
- Választhat, hogy csoportos vagy egyszeri előrejelzéseket készít. Ennek a posztnak a céljára azt választjuk Egyetlen jóslat.
Ha úgy dönt Egyetlen jóslat, a SageMaker Canvas megjeleníti azokat a szolgáltatásokat, amelyekhez bemeneteket biztosíthat.
- Választással módosíthatja az értékeket Frissítések és megtekintheti a valós idejű előrejelzést.
Megjelenik a modell pontossága, valamint az egyes jellemzők hatása az adott előrejelzésre.
- A modell üzembe helyezéséhez adjon meg egy telepítési nevet, válassza ki a példánytípust és a példányszámot, majd válassza ki Telepítése.
A modell üzembe helyezése néhány percet vesz igénybe.
A modell állapota a következőre frissült: Szolgálatban miután a telepítés sikeres volt.
A SageMaker Canvas lehetőséget biztosít a telepítés tesztelésére.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Részletek megtekintése.
A Részletek lap a modell végpont részleteit tartalmazza. A példánytípus, a szám, a beviteli formátum, a választartalom és a végpont néhány kulcsfontosságú megjelenített részlet.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Teszttelepítés a telepített végpont teszteléséhez.
Az egyszeri előrejelzéshez hasonlóan a nézet megjeleníti a beviteli funkciókat, és lehetőséget biztosít a végpont valós idejű frissítésére és tesztelésére.
Az új előrejelzés a végpont-hívás eredményével együtt visszakerül a felhasználóhoz.
Hozzon létre API-t a SageMaker végpont megjelenítéséhez
A Salesforce üzleti alkalmazásainak teljesítményét biztosító előrejelzések generálásához fel kell tennie a SageMaker Canvas-telepítés által létrehozott SageMaker következtetési végpontot az API-átjárón keresztül, és regisztrálnia kell a Salesforce Einsteinben.
A kérés és a válasz formátuma a Salesforce Einstein és a SageMaker következtetési végpontonként eltérő. Használhatja az API-átjárót az átalakítás végrehajtásához vagy a használathoz AWS Lambda a kérés átalakításához és a válasz leképezéséhez. Hivatkozni Hívjon egy Amazon SageMaker modell végpontot az Amazon API Gateway és az AWS Lambda használatával egy SageMaker-végpont megjelenítéséhez a Lambdán és az API-átjárón keresztül.
A következő kódrészlet egy Lambda-függvény a kérés és a válasz átalakításához
Frissítse a endpoint
és a prediction_label
értékeket a Lambda függvényben az Ön konfigurációja alapján.
- Adjon hozzá egy környezeti változót
SAGEMAKER_ENDPOINT_NAME
a SageMaker következtetési végpont rögzítéséhez. - Állítsa be az előrejelzési címkét, hogy megfeleljen az Einstein Studio programban regisztrált modellkimeneti JSON-kulcsnak.
A Lambda funkció alapértelmezett időtúllépése 3 másodperc. Az előrejelzési kérés bemeneti méretétől függően a SageMaker valós idejű következtetés API-nak több mint 3 másodpercig tarthat a válaszadás.
- Növelje a lambda funkció időtúllépését, de tartsa a alatt Az API-átjáró alapértelmezett integrációs időtúllépése, ami 29 másodperc.
Regisztrálja a modellt a Salesforce Einstein Stúdióban
Az API Gateway végpont regisztrálásához az Einstein Studio programban tekintse meg a következőt: Hozd be saját mesterséges intelligenciamodelleidet a Data Cloudba.
Következtetés
Ebben a bejegyzésben elmagyaráztuk, hogyan csatlakozhat a SageMaker Canvast a Salesforce Data Cloudhoz, és hogyan generálhat előrejelzéseket az automatizált ML-funkciókon keresztül egyetlen kódsor írása nélkül. Bemutattuk a SageMaker Canvas modell összeállítási képességét, amely lehetővé teszi a modell teljesítményének korai előnézetét, mielőtt futtatná a szabványos összeállítást, amely betanítja a modellt a teljes adatkészlettel. Bemutattuk a modellezés utáni létrehozási tevékenységeket is, például a SageMaker Canvas egyetlen előrejelzési felületének használatát, valamint a jóslatok megértését a funkciók fontosságával. Ezután a SageMaker Canvasban létrehozott SageMaker végpontot használtuk, és API-ként elérhetővé tettük, így integrálható a Salesforce Einstein Stúdióval, és hatékony Salesforce-alkalmazásokat hozhat létre.
Egy következő bejegyzésünkben megmutatjuk, hogyan használhatja fel a Salesforce Data Cloud adatait a SageMaker Canvasban, hogy az adatok betekintését és előkészítését még egyszerűbbé tegye vizuális felület és egyszerű természetes nyelvi utasítások segítségével.
A SageMaker Canvas használatának megkezdéséhez lásd: SageMaker Canvas merítési nap és hivatkozni Az Amazon SageMaker Canvas első lépései.
A szerzőkről
Daryl Martis a Salesforce Data Cloud Einstein Studio termékigazgatója. Több mint 10 éves tapasztalattal rendelkezik a vállalati ügyfelek számára készült világszínvonalú megoldások tervezésében, építésében, bevezetésében és menedzselésében, beleértve az AI/ML és a felhőmegoldásokat. Korábban a pénzügyi szolgáltatások területén dolgozott New Yorkban. Kövesd őt Linkedin.
Rachna Chadha az AWS stratégiai számláinak fő megoldási építésze AI/ML. Rachna optimista, aki hisz abban, hogy az AI etikus és felelős használata javíthatja a társadalmat a jövőben, és gazdasági és társadalmi jólétet hozhat. Szabadidejében Rachna szereti a családjával tölteni az idejét, kirándulni és zenét hallgatni.
Ife Stewart az AWS stratégiai ISV szegmensének fő megoldástervezője. Az elmúlt 2 évben a Salesforce Data Cloud szolgáltatásban dolgozott, hogy segítsen integrált ügyfélélményt kialakítani a Salesforce és az AWS között. Az Ife több mint 10 éves technológiai tapasztalattal rendelkezik. A sokszínűség és a befogadás szószólója a technológiai területen.
Ravi Bhattiprolu az AWS idősebb partner megoldások építésze. A Ravi stratégiai partnerekkel, a Salesforce-szal és a Tableau-val dolgozik együtt, hogy innovatív és jól megtervezett termékeket és megoldásokat szállítson, amelyek segítik a közös ügyfeleket üzleti céljaik megvalósításában.
Miriam Lebowitz az AWS stratégiai ISV szegmensének megoldástervezője. A Salesforce csapataival dolgozik, beleértve a Salesforce Data Cloudot is, és adatelemzésre specializálódott. A munkán kívül szívesen süt, utazik, és minőségi időt tölt barátaival és családjával.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/democratize-ml-on-salesforce-data-cloud-with-no-code-amazon-sagemaker-canvas/
- :van
- :is
- :nem
- $ UP
- 1
- 10
- 100
- 29
- 7
- 8
- a
- Rólunk
- hozzáférés
- Fiókok
- pontosság
- pontos
- át
- tevékenységek
- tényleges
- hozzá
- mellett
- További
- további információ
- cím
- Hozzáteszi
- adminisztrátorok
- szószóló
- Után
- AI
- AI modellek
- AI / ML
- Minden termék
- megengedett
- lehetővé teszi, hogy
- mentén
- Is
- amazon
- Amazon API átjáró
- Amazon SageMaker
- Amazon SageMaker Canvas
- Az Amazon Web Services
- an
- elemzés
- Az elemzők
- analitika
- és a
- bármilyen
- api
- API-k
- app
- alkalmazások
- alkalmaz
- építészet
- VANNAK
- AS
- At
- attribútumok
- engedélyez
- Automatizált
- automatikusan
- elérhető
- átlagos
- AWS
- vissza
- bázis
- alapján
- BE
- óta
- előtt
- kezdődik
- úgy gondolja,
- lent
- között
- test
- mindkét
- hoz
- épít
- Épület
- épít
- épült
- beépített
- üzleti
- Üzleti alkalmazások
- vállalkozások
- de
- by
- Kalifornia
- Kampány
- Kampányok
- TUD
- vászon
- képesség
- elfog
- esetek
- változik
- Változások
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- választja
- polgár
- Város
- besorolás
- vásárló
- felhő
- klub
- kód
- Oszlop
- Oszlopok
- teljes
- Befejezi
- számítógép
- Számítógépes látás
- Magatartás
- Configuration
- konfigurálva
- Csatlakozás
- összefüggő
- kapcsolat
- Konzol
- kapcsolat
- tartalmaz
- tartalom
- Tartalomgenerálás
- kontextus
- Konvenció
- összefüggések
- tudott
- teremt
- készítette
- létrehozása
- teremtés
- szokás
- vevő
- ügyféladatok
- Ügyfelek
- dátum
- adat hozzáférés
- Adatelemzés
- adattó
- Adatplatform
- adat-tudomány
- alapértelmezett
- szállít
- demokratizálni
- Demográfiai
- bizonyítani
- igazolták
- attól
- telepíteni
- telepített
- bevetés
- bevetések
- részletek
- közvetlen
- közvetlenül
- Igazgató
- megbeszélése
- Megjelenik
- kijelzők
- Sokféleség
- Sokféleség és befogadás
- domain
- le-
- Csepp
- minden
- Korai
- Gazdasági
- erőfeszítés nélkül
- Einstein
- bármelyik
- lehetővé
- lehetővé teszi
- lehetővé téve
- Endpoint
- elkötelezett
- eljegyzés
- engagements
- belép
- Vállalkozás
- Környezet
- etikai
- értékelni
- Még
- esemény
- példa
- végrehajtás
- létező
- tapasztalat
- Tapasztalatok
- Magyarázza
- magyarázható
- külső
- kitermelés
- család
- gyorsabb
- Funkció
- Jellemzők
- kevés
- mező
- Fields
- filé
- pénzügyi
- pénzügyi szolgáltatások
- vezetéknév
- első
- áramlási
- következik
- következő
- A
- formátum
- Alapítvány
- barátok
- ból ből
- Tele
- funkció
- jövő
- gateway
- generál
- generáció
- nemző
- Generatív AI
- kap
- Ad
- Go
- kellett
- Fogantyúk
- tekintettel
- he
- segít
- neki
- őt
- történelem
- házigazdája
- NYITVATARTÁS
- Hogyan
- How To
- HTML
- http
- HTTPS
- ID
- azonosítók
- Identitás
- if
- illusztrálja
- elmerülés
- Hatás
- importál
- fontosság
- javul
- in
- Beleértve
- befogadás
- egyéni
- ipar
- információ
- kezdeményez
- újító
- bemenet
- bemenet
- meglátások
- példa
- helyette
- utasítás
- integrálni
- integrált
- integráció
- Felület
- IP
- kérdések
- isv
- IT
- ITS
- közös
- jpg
- json
- éppen
- Tart
- Kulcs
- Címke
- tó
- nyelv
- keresztnév
- indított
- indítás
- tanulás
- Szabadság
- szint
- mint
- Kedvencek
- vonal
- Kihallgatás
- felsorolás
- Belépés
- MEGJELENÉS
- gép
- gépi tanulás
- készült
- levelezési
- csinál
- Gyártás
- kezelése
- térkép
- Marketing
- Mérkőzés
- Lehet..
- Metaadatok
- Perc
- hiányzó
- ML
- modell
- modellek
- Hónap
- több
- a legtöbb
- zene
- név
- nevek
- elnevezési
- Természetes
- Természetes nyelvi feldolgozás
- Keresse
- Navigáció
- Szükség
- szükséges
- Új
- New York
- new york city
- következő
- NLP
- megjegyezni
- szám
- auth
- tárgy
- célok
- of
- on
- ONE
- online
- csak
- opció
- or
- OS
- Más
- teljesítmény
- kívül
- felett
- áttekintés
- saját
- oldal
- oldalak
- üvegtábla
- rész
- partner
- partnerek
- mert
- Teljesít
- teljesítmény
- engedélyek
- tervezés
- emelvény
- Platformok
- Plató
- Platón adatintelligencia
- PlatoData
- pont
- benépesített
- állás
- hatalom
- erős
- előre
- előrejelzés
- Tippek
- előkészítés
- megakadályozása
- Preview
- korábban
- Fő
- Előzetes
- feldolgozás
- Termékek
- Termékek
- profil
- utasításokat
- jólét
- ad
- biztosít
- nyilvános
- Vásárlás
- cél
- világítás
- lekérdezések
- emelt
- kész
- igazi
- real-time
- észre
- új
- ajánl
- Ajánlást
- utal
- vidék
- Regisztráció
- nyilvántartott
- iktató hivatal
- kapcsolat
- cserélni
- kérni
- kéri
- Reagálni
- válasz
- felelős
- korlátozások
- eredményez
- visszatérés
- felülvizsgálata
- Szerep
- futás
- futásidejű
- sagemaker
- SageMaker következtetés
- értékesítési erő
- Tudomány
- tudósok
- másodperc
- Titkos
- titkok
- Rész
- biztosan
- lát
- részes
- válasszuk
- kiválasztott
- Series of
- szolgáltatás
- Szolgáltatások
- készlet
- beállítás
- beállítások
- felépítés
- ő
- előadás
- bemutatásra
- Műsorok
- Egyszerű
- egyetlen
- Méret
- töredék
- So
- Közösség
- Társadalom
- megoldások
- Megoldások
- néhány
- specializálódott
- különleges
- Költési
- standard
- kezdet
- kezdődött
- Állami
- statisztika
- Állapot
- Lépései
- Stewart
- tárolás
- tárolni
- memorizált
- egyértelmű
- Stratégiai
- stratégiai partnerek
- folyam
- stúdió
- későbbi
- sikeres
- ilyen
- támogatás
- táblázat
- Csoportkép
- Vesz
- cél
- csapat
- Technológia
- teszt
- szöveg
- mint
- hogy
- A
- A jövő
- Az állam
- azok
- akkor
- Ezek
- Harmadik
- ezt
- Keresztül
- idő
- nak nek
- szerszámok
- érintse
- Vonat
- kiképzett
- Képzések
- vonatok
- Átalakítás
- Átalakítás
- transzformációk
- Utazó
- típus
- megért
- megértés
- egyedi
- közelgő
- Frissítések
- frissítve
- Frissítés
- feltöltve
- URL
- használ
- használt
- használó
- felhasználói felület
- használ
- segítségével
- ÉRVÉNYESÍT
- Értékek
- változó
- változat
- keresztül
- Megnézem
- látomás
- látogatott
- vizuális
- volt
- washington
- we
- háló
- webes szolgáltatások
- hét
- JÓL
- vajon
- ami
- míg
- WHO
- lesz
- val vel
- belül
- nélkül
- Munka
- dolgozott
- művek
- Műhelyek
- világszínvonalú
- ír
- írás
- év
- york
- te
- A te
- zephyrnet