Ezt a bejegyzést Ramdev Wudali és Kiran Mantripragada közösen írta a Thomson Reuterstől.
A 1992, Thomson Reuters (TR) kiadta első mesterséges intelligenciával foglalkozó jogi kutatási szolgáltatását, a WIN-t (Westlaw Is Natural), amely akkori innováció volt, mivel a legtöbb keresőmotor csak a logikai kifejezéseket és csatlakozókat támogatta. Azóta a TR még több mérföldkövet ért el, mivel mesterséges intelligencia-termékeinek és -szolgáltatásainak száma és változatossága folyamatosan növekszik, világszerte támogatja a jogi, adózási, számviteli, megfelelőségi és hírszolgáltatási szakembereket, évente több milliárd gépi tanulási (ML) betekintéssel. .
A mesterséges intelligencia szolgáltatások e hatalmas növekedésével a TR következő mérföldköve az innováció ésszerűsítése és az együttműködés megkönnyítése volt. Szabványosítsa a mesterséges intelligencia-megoldások építését és újrafelhasználását az üzleti funkciók és a mesterséges intelligencia gyakorlói személyei között, miközben biztosítja a vállalati bevált gyakorlatok betartását:
- Automatizálja és szabványosítsa az ismétlődő, differenciálatlan mérnöki erőfeszítéseket
- Biztosítsa az érzékeny adatok szükséges elkülönítését és ellenőrzését a közös irányítási szabványok szerint
- Könnyű hozzáférést biztosít a méretezhető számítási erőforrásokhoz
E követelmények teljesítése érdekében a TR az Enterprise AI platformot a következő öt pillér köré építette fel: adatszolgáltatás, kísérleti munkaterület, központi modellnyilvántartás, modelltelepítési szolgáltatás és modellfigyelés.
Ebben a bejegyzésben megvitatjuk, hogyan működött együtt a TR és az AWS a TR legelső Enterprise AI Platformjának kifejlesztésében, amely egy webalapú eszköz, amely az ML-kísérletezéstől a képzésen át a központi modellnyilvántartásig, a modelltelepítésig és a modellfigyelésig terjedő lehetőségeket biztosít. Mindezek a képességek a TR folyamatosan fejlődő biztonsági szabványaira épülnek, és egyszerű, biztonságos és megfelelő szolgáltatásokat nyújtanak a végfelhasználók számára. Azt is megosztjuk, hogy a TR hogyan tette lehetővé a különböző üzleti egységekben, egyetlen üvegtáblával létrehozott ML-modellek megfigyelését és irányítását.
A kihívások
A TR történetében az ML a fejlett adattudósokkal és mérnökökkel rendelkező csapatok képessége volt. A magasan képzett erőforrásokkal rendelkező csapatok képesek voltak az igényeik szerint összetett ML-folyamatokat megvalósítani, de gyorsan nagyon megszilárdultak. Az elhallgatott megközelítések nem biztosítottak semmilyen láthatóságot ahhoz, hogy irányítsák a rendkívül kritikus döntéshozatali előrejelzéseket.
A TR üzleti csapatok hatalmas területi tudással rendelkeznek; azonban az ML-ben megkövetelt technikai készségek és komoly mérnöki erőfeszítések megnehezítik mély szakértelmük felhasználását az ML erejével üzleti problémák megoldására. A TR szeretné demokratizálni a készségeket, így a szervezeten belül több ember számára hozzáférhetővé tenni azokat.
A TR különböző csapatai saját gyakorlatukat és módszereiket követik. A TR az ML-életcikluson átívelő képességeket szeretné kiépíteni a felhasználóik számára, hogy felgyorsítsa az ML-projektek megvalósítását azáltal, hogy lehetővé teszi a csapatok számára, hogy az üzleti célokra összpontosítsanak, és ne az ismétlődő, differenciálatlan mérnöki erőfeszítésekre.
Ezenkívül az adatokkal és az etikus mesterségesintelligencia szabályozása folyamatosan fejlődik, és közös irányítási szabványokat ír elő a TR AI megoldásaiban.
Megoldás áttekintése
A TR Enterprise AI Platformját úgy tervezték, hogy egyszerű és szabványos szolgáltatásokat nyújtson a különböző személyek számára, és az ML életciklusának minden szakaszához kínáljon lehetőségeket. A TR öt fő kategóriát azonosított, amelyek modularizálják a TR összes követelményét:
- Adatszolgáltatás – A vállalati adatvagyonhoz való könnyű és biztonságos hozzáférés lehetővé tétele
- Kísérleti munkaterület – Lehetőségek biztosítása ML modellek kísérletezésére és betanítására
- Központi modellnyilvántartás – Vállalati katalógus a különböző üzleti egységekre épített modellekhez
- Modell bevezetési szolgáltatás – Különféle következtetési telepítési lehetőségek biztosítása a TR vállalati CI/CD gyakorlatát követve
- Modellfigyelő szolgáltatások – Lehetőségek biztosítása az adatok megfigyelésére, valamint a torzítások és eltolódások modellezésére
Amint az a következő ábrán látható, ezek a mikroszolgáltatások néhány kulcsfontosságú elv figyelembevételével készültek:
- Távolítsa el a felhasználóktól a differenciálatlan mérnöki erőfeszítéseket
- Biztosítsa a szükséges képességeket egyetlen gombnyomással
- Biztosítsa és szabályozza az összes képességet a TR vállalati szabványai szerint
- Vigyen magával egyetlen üvegtáblát az ML tevékenységekhez
A TR AI Platform mikroszolgáltatásai a következővel épültek fel Amazon SageMaker mint alapvető motor, AWS szerver nélküli komponensek a munkafolyamatokhoz és AWS DevOps szolgáltatások a CI/CD gyakorlatokhoz. SageMaker Stúdió kísérletezésre és képzésre, a SageMaker modellnyilvántartás pedig a modellek regisztrálására szolgál. A központi modellnyilvántartás a SageMaker modellnyilvántartásból és egy Amazon DynamoDB táblázat. SageMaker hosting szolgáltatások modellek telepítésére szolgálnak, míg SageMaker Model Monitor és a SageMaker Clarify a modellek eltolódása, torzítása, egyéni metrikus számológépek és magyarázhatóság figyelésére szolgálnak.
A következő szakaszok részletesen ismertetik ezeket a szolgáltatásokat.
Adatszolgáltatás
A hagyományos ML projekt életciklusa az adatok megtalálásával kezdődik. Általában az adattudósok idejük 60%-át vagy annál többet töltenek azzal, hogy megtalálják a megfelelő adatokat, amikor szükségük van rá. Csakúgy, mint minden szervezet, a TR is több adattárral rendelkezik, amelyek egyetlen igazságpontként szolgálnak a különböző adattartományokhoz. A TR két kulcsfontosságú vállalati adattárat azonosított, amelyek a legtöbb ML használati esethez szolgáltatnak adatokat: egy objektumtárolót és egy relációs adattárat. A TR felépített egy AI Platform adatszolgáltatást, amely zökkenőmentesen biztosítja a hozzáférést mindkét adattárhoz a felhasználók kísérleti munkaterületeiről, és mentesíti a felhasználókat a bonyolult folyamatokban való navigálásból, hogy önállóan szerezzen adatokat. A TR mesterséges intelligencia platformja követi a Data and Model Governance csapata által meghatározott megfelelőséget és legjobb gyakorlatot. Ez magában foglalja a kötelező adathatás-értékelést, amely segíti az ML-szakembereket az adatok etikus és megfelelő felhasználásának megértésében és követésében, az adatokhoz való megfelelő hozzáférést biztosító formális jóváhagyási folyamatokkal. Ennek a szolgáltatásnak, valamint az összes platformszolgáltatásnak a lényege a biztonság és a megfelelőség a TR és az iparág által meghatározott legjobb gyakorlatok szerint.
Amazon egyszerű tárolási szolgáltatás (Amazon S3) objektumtároló tartalomadat-tóként működik. A TR olyan folyamatokat épített fel, amelyek biztonságosan hozzáférhetnek az adatokhoz a tartalomadat-tóból a felhasználók kísérleti munkaterületeibe, miközben fenntartja a szükséges jogosultságot és auditálhatóságot. A Snowflake vállalati relációs elsődleges adattárként szolgál. A felhasználó kérésére és az adattulajdonos jóváhagyása alapján az AI Platform adatszolgáltatás pillanatképet biztosít az adatokról a felhasználó számára, amely könnyen elérhető a kísérleti munkaterületén.
A különböző forrásokból származó adatokhoz való hozzáférés egyszerűen megoldható technikai probléma. A TR által megoldott bonyolultság azonban az, hogy olyan jóváhagyási munkafolyamatokat hoz létre, amelyek automatizálják az adattulajdonos azonosítását, hozzáférési kérelmek küldését, gondoskodnak arról, hogy az adattulajdonos értesítést kapjon arról, hogy függőben van a hozzáférési kérelme, és a jóváhagyási állapot alapján intézkedik az adatszolgáltatásról. a kérő. A folyamat során az összes eseményt nyomon követik és naplózzák az auditálhatóság és a megfelelőség érdekében.
Ahogy az alábbi diagramon látható, a TR használja AWS lépésfunkciók a munkafolyamat megszervezéséhez és AWS Lambda a funkció futtatásához. Amazon API átjáró A funkció egy API-végponttal való közzétételére szolgál, amelyet a webportálról kell felhasználni.
Modell kísérletezés és fejlesztés
Az ML életciklus szabványosításának alapvető képessége egy olyan környezet, amely lehetővé teszi az adattudósok számára, hogy különböző ML keretrendszerekkel és adatméretekkel kísérletezzenek. Egy ilyen biztonságos, kompatibilis környezet perceken belüli engedélyezése a felhőben mentesíti az adattudósokat a felhőinfrastruktúra, a hálózati követelmények és a biztonsági szabványok kezelésének terhe alól, és ehelyett az adattudományi problémára összpontosítanak.
A TR egy kísérleti munkaterületet épít fel, amely hozzáférést biztosít olyan szolgáltatásokhoz, mint pl AWS ragasztó, Amazon EMR, valamint a SageMaker Studio lehetővé teszi az adatfeldolgozási és ML-képességeket, amelyek megfelelnek a vállalati felhőbiztonsági szabványoknak, és minden üzleti egységnél a fiókok elkülönítését. A TR a következő kihívásokkal szembesült a megoldás megvalósítása során:
- A hangszerelés korai szakaszában nem volt teljesen automatizált, és több manuális lépésből állt. Nem volt könnyű nyomon követni a problémákat. A TR kiküszöbölte ezt a hibát a munkafolyamatok Step Functions segítségével történő összehangolásával. A Step Functions használatával sokkal könnyebbé vált az összetett munkafolyamatok felépítése, az állapotok kezelése és a hibakezelés.
- Megfelelő AWS Identity and Access Management Nehéz volt meghatározni a kísérleti munkaterület (IAM) szerepkörének meghatározását. A TR belső biztonsági szabványainak és a legkevesebb jogosultsági modellnek való megfelelés érdekében a munkaterületi szerepkört eredetileg beépített házirendekkel határozták meg. Következésképpen a beágyazott házirend idővel nőtt, és bőbeszédűvé vált, túllépve az IAM-szerep számára engedélyezett szabályzatméret-korlátot. Ennek enyhítésére a TR több ügyfél által kezelt házirend használatára váltott, és hivatkozott rájuk a munkaterületi szerepkör definíciójában.
- A TR időnként elérte az AWS-fiók szintjén alkalmazott alapértelmezett erőforráskorlátokat. Ez időnként kudarcokat okozott a SageMaker-feladatok (például betanítási feladatok) elindítása során, mivel elérte a kívánt erőforrástípus-korlátot. A TR ebben a kérdésben szorosan együttműködött a SageMaker szervizcsapatával. Ez a probléma megoldódott, miután az AWS csapata támogatott szolgáltatásként elindította a SageMaker-t Szolgáltatási kvóták júniusban 2022.
Ma a TR adattudósai önálló munkaterület létrehozásával és az együttműködéshez szükséges csapattagok hozzáadásával indíthatnak ML projektet. A SageMaker által kínált korlátlan méretarány karnyújtásnyira van azáltal, hogy különféle méretű egyedi kernelképeket biztosít számukra. A SageMaker Studio gyorsan a TR mesterséges intelligencia platformjának kulcsfontosságú összetevőjévé vált, és megváltoztatta a felhasználói viselkedést a korlátozott asztali alkalmazások használatáról a méretezhető és efemer, célirányosan épített motorokra. A következő diagram ezt az architektúrát szemlélteti.
Központi modellnyilvántartás
A modellnyilvántartás központi tárházat biztosít a TR összes gépi tanulási modelljének, szabványosított módon teszi lehetővé ezek kockázat- és állapotkezelését az üzleti funkciók között, és egyszerűsíti a lehetséges modellek újrafelhasználását. Ezért a szolgáltatásnak a következőket kellett tennie:
- Lehetővé teszi új és régi modellek regisztrálását, függetlenül attól, hogy a SageMakeren belül vagy azon kívül fejlesztették-e
- Vezessen be irányítási munkafolyamatokat, lehetővé téve az adattudósok, fejlesztők és érdekelt felek számára a modellek életciklusának megtekintését és közös kezelését.
- Növelje az átláthatóságot és az együttműködést a TR összes modelljének központosított nézetének létrehozásával a metaadatok és az állapotmérők mellett
A TR a tervezést csak a SageMaker modellnyilvántartással kezdte, de a TR egyik kulcsfontosságú követelménye az, hogy a SageMakeren kívül létrehozott modellek regisztrálására is alkalmas legyen. A TR különböző relációs adatbázisokat értékelt, de végül a DynamoDB-t választotta, mivel a régi forrásokból származó modellek metaadat-sémája nagyon eltérő lesz. A TR nem akart további munkát róni a felhasználókra, ezért zökkenőmentes automatikus szinkronizálást valósítottak meg az AI Platform munkaterület SageMaker nyilvántartásai és a központi SageMaker registry között. Amazon EventBridge szabályokat és a szükséges IAM-szerepeket. A TR kibővítette a központi nyilvántartást a DynamoDB-vel, hogy kibővítse a képességeket a felhasználók asztali számítógépein létrehozott régi modellek regisztrálására.
A TR AI Platform központi modellnyilvántartása integrálva van az AI Platform portálba, és vizuális felületet biztosít a modellek kereséséhez, a modell metaadatainak frissítéséhez, valamint a modell alapmetrikáinak és az időszakos egyéni megfigyelési metrikáknak a megértéséhez. A következő diagram ezt az architektúrát szemlélteti.
Modell telepítés
A TR két fő mintát azonosított a telepítés automatizálására:
- A SageMaker segítségével a SageMaker-en keresztül kifejlesztett modellek kötegelt átalakítják a feladatokat, hogy egy preferált ütemezés szerint lehessen következtetéseket levonni
- A SageMakeren kívül kifejlesztett modellek nyílt forráskódú könyvtárakat használó helyi asztali számítógépeken, saját konténer-megközelítéssel, SageMaker feldolgozási feladatok segítségével egyéni következtetési kód futtatásához, amely hatékony módja a modellek áttelepítésének a kód átalakítása nélkül.
Az AI Platform telepítési szolgáltatással a TR-felhasználók (adattudósok és ML-mérnökök) azonosíthatnak egy modellt a katalógusból, és egy következtetési feladatot telepíthetnek a választott AWS-fiókjukba a szükséges paraméterek megadásával egy UI-vezérelt munkafolyamaton keresztül.
A TR automatizálta ezt a telepítést olyan AWS DevOps szolgáltatásokkal, mint például AWS CodePipeline és a AWS CodeBuild. A TR a Step Functions funkciót használja az adatok kiolvasásának és előfeldolgozásának munkafolyamatának összehangolására a SageMaker következtetési feladatok létrehozásához. A TR a szükséges összetevőket kódként telepíti AWS felhőképződés sablonokat. A következő diagram ezt az architektúrát szemlélteti.
Modellfigyelés
Az ML életciklusa nem teljes a modellek monitorozása nélkül. A TR vállalatirányítási csapata arra is felhatalmazza és bátorítja az üzleti csapatokat, hogy nyomon kövessék modelljük teljesítményét az esetleges szabályozási kihívások kezelése érdekében. A TR a drift megfigyelési modelljeivel és adatokkal kezdte. A TR a SageMaker Model Monitor segítségével adatbázist és következtetési alapigazságot szolgáltatott a TR adatai és következtetései sodródásának időszakos megfigyelésére. A SageMaker modellfigyelési metrikák mellett a TR továbbfejlesztette a megfigyelési képességet azáltal, hogy egyedi mérőszámokat fejlesztett ki a modelljeikhez. Ez segít a TR adatkutatóinak megérteni, mikor kell átképezni modelljüket.
A sodródásfigyelés mellett a TR meg akarja érteni a modellek torzítását is. A SageMaker Clarify készenléti képességei a TR torzítási szolgáltatásának felépítésére szolgálnak. A TR figyeli az adatok és a modell torzítását, és az AI Platform portálon keresztül elérhetővé teszi ezeket a mérőszámokat felhasználói számára.
Annak érdekében, hogy minden csapatot segítsen ezeknek a vállalati szabványoknak az elfogadásában, a TR függetlenné és könnyen elérhetővé tette ezeket a szolgáltatásokat az AI Platform portálon keresztül. A TR üzleti csapatai beléphetnek a portálba, és önállóan telepíthetnek egy modellfigyelő feladatot vagy torzításfigyelő feladatot, és futtathatják azokat a kívánt ütemezés szerint. Értesítést kapnak a munka állapotáról és a mérőszámokról minden futtatásnál.
A TR az AWS-szolgáltatásokat használta a CI/CD üzembe helyezéséhez, a munkafolyamatok irányításához, a kiszolgáló nélküli keretrendszerekhez és az API-végpontokhoz, hogy önállóan aktiválható mikroszolgáltatásokat hozzon létre, amint azt a következő architektúra mutatja.
Eredmények és jövőbeli fejlesztések
A TR mesterséges intelligencia-platformja 3 harmadik negyedévében indult, mind az öt fő összetevővel: adatszolgáltatással, kísérleti munkaterülettel, központi modellnyilvántartással, modelltelepítéssel és modellfigyeléssel. A TR belső képzéseket tartott üzleti egységei számára a platform fedélzetén, és önálló oktatóvideókat kínált számukra.
Az AI Platform olyan képességeket biztosított a TR csapatainak, amelyek korábban soha nem léteztek; a lehetőségek széles skáláját nyitotta meg a TR vállalatirányítási csapata számára a megfelelőségi szabványok javítására és a rendszerleíró adatbázis központosítására, egyetlen üvegtáblát biztosítva a TR-en belüli összes ML-modell számára.
A TR tudomásul veszi, hogy a kezdeti kiadáskor egyetlen termék sem a legjobb. A TR összes összetevője különböző érettségi szinten van, és a TR Enterprise AI Platform csapata folyamatos fejlesztési fázisban van a termék jellemzőinek iteratív javítása érdekében. A TR jelenlegi fejlesztési folyamata további SageMaker következtetési lehetőségeket tartalmaz, például valós idejű, aszinkron és több modelles végpontokat. A TR azt is tervezi, hogy modellmegfigyelési szolgáltatásához a modellmagyarázhatóságot is hozzáadja. A TR azt tervezi, hogy a SageMaker Clarify magyarázhatósági képességeit használja belső magyarázhatósági szolgáltatásának fejlesztéséhez.
Következtetés
A TR mostantól hatalmas mennyiségű adatot tud biztonságosan feldolgozni, és fejlett AWS-képességeket használva hetek alatt eljuttatja az ML-projektet az ötleteléstől a gyártásig, a korábbi hónapokhoz képest. Az AWS-szolgáltatások készenléti képességeivel a TR-en belüli csapatok először regisztrálhatnak és figyelhetnek ML-modelleket, hogy megfeleljenek a fejlődő modellirányítási szabványoknak. A TR felhatalmazta az adattudósokat és a termékcsoportokat, hogy hatékonyan szabadjára engedjék kreativitásukat a legbonyolultabb problémák megoldásában.
Ha többet szeretne megtudni a TR Enterprise AI Platformról az AWS-en, tekintse meg a AWS re:Invent 2022 munkamenet. Ha szeretné megtudni, hogyan gyorsította fel a TR a gépi tanulás használatát a AWS Data Lab programot, tekintse meg a esettanulmány.
A szerzőkről
Ramdev Wudali egy Data Architect, aki segít az AI/ML Platform megtervezésében és felépítésében, hogy lehetővé tegye az adatokkal foglalkozó tudósok és kutatók számára, hogy gépi tanulási megoldásokat fejlesszenek úgy, hogy az adattudományra és nem az infrastruktúra szükségleteire összpontosítanak. Szabadidejében szeret papírt hajtogatni, hogy origami tesszellációkat készítsen, és tiszteletlen pólókat visel.
Kiran Mantripragada a Thomson Reuters AI Platform vezető igazgatója. Az AI Platform csapata felelős a termelési szintű AI szoftveralkalmazások engedélyezéséért, valamint az adattudósok és a gépi tanulással foglalkozó kutatók munkájának lehetővé tételéért. A tudomány, a mesterséges intelligencia és a mérnöki tudományok iránti szenvedélyével Kiran szereti áthidalni a szakadékot a kutatás és a termékfejlesztés között, hogy a mesterséges intelligencia valódi innovációját eljuttassa a végső fogyasztókhoz.
Bhavana Chirumamilla idősebb rezidens építész az AWS-nél. Szenvedélyesen rajong az adatokért és az ML-műveletekért, és nagy lelkesedéssel segíti a vállalkozásokat adat- és ML-stratégiák kialakításában. Szabadidejében családjával szívesen utazik, túrázik, kertészkedik és dokumentumfilmeket néz.
Srinivasa Shaik a bostoni székhelyű AWS megoldások építésze. Segít a vállalati ügyfeleknek felgyorsítani a felhőhöz vezető utat. Szenvedélyes a konténerek és a gépi tanulási technológiák iránt. Szabadidejében szívesen tölt időt a családjával, főz és utazik.
Qingwei Li az Amazon Web Services gépi tanulási szakértője. PhD fokozatát operációkutatásból szerezte meg, miután feltörte tanácsadója kutatási támogatási számláját, és nem teljesítette az ígért Nobel-díjat. Jelenleg a pénzügyi szolgáltatási és biztosítási ágazatban tevékenykedő ügyfeleknek segít abban, hogy gépi tanulási megoldásokat építsenek az AWS-re. Szabadidejében szeret olvasni és tanítani.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-built-an-ai-platform-using-amazon-sagemaker-to-accelerate-delivery-of-ml-projects/
- 100
- 2022
- 7
- a
- Képes
- Rólunk
- gyorsul
- felgyorsult
- hozzáférés
- hozzáférhető
- Szerint
- Fiók
- számvitel
- elért
- elérése
- szerez
- át
- Akció
- cselekmények
- További
- cím
- elfogadja
- fejlett
- Után
- AI
- AI platform
- AI szolgáltatások
- AI / ML
- Minden termék
- lehetővé teszi, hogy
- mellett
- amazon
- Amazon SageMaker
- Az Amazon Web Services
- Összegek
- és a
- api
- alkalmazások
- alkalmazott
- megközelítés
- megközelít
- jóváhagyás
- építészet
- körül
- meghatalmazás
- automatizált
- Automatizált
- Automatikus
- elérhető
- AWS
- alapján
- kiindulási
- mert
- előtt
- hogy
- BEST
- legjobb gyakorlatok
- között
- előítélet
- milliárd
- Boston
- HÍD
- hoz
- Bring
- Törött
- épít
- Épület
- épít
- épült
- teher
- üzleti
- üzleti funkciók
- képességek
- esetek
- katalógus
- kategóriák
- okozott
- központi
- központosított
- kihívások
- ellenőrizze
- választja
- választott
- szorosan
- felhő
- felhő infrastruktúra
- Cloud Security
- kód
- együttműködik
- együtt
- együttműködés
- együttesen
- érkező
- Közös
- képest
- teljes
- bonyolult
- bonyolultság
- teljesítés
- engedékeny
- összetevő
- alkatrészek
- Tartalmaz
- számítástechnika
- fogyasztott
- Fogyasztók
- Konténer
- Konténerek
- tartalom
- folytatódik
- folyamatos
- ellenőrzés
- Mag
- teremt
- készítette
- létrehozása
- kreativitás
- kritikai
- kritikus
- Jelenlegi
- Jelenleg
- szokás
- Ügyfelek
- dátum
- adattó
- adatfeldolgozás
- adat-tudomány
- adatbázisok
- Döntéshozatal
- mély
- mély szakértelem
- alapértelmezett
- szállít
- kézbesítés
- demokratizálni
- telepíteni
- bevetés
- bevet
- leírni
- Design
- asztali
- részlet
- eltökélt
- Fejleszt
- fejlett
- fejlesztők
- fejlesztése
- Fejlesztés
- különböző
- nehéz
- Igazgató
- megvitatni
- dokumentumfilmek
- domain
- domainek
- le-
- Korai
- könnyebb
- könnyen
- hatékonyan
- hatékony
- erőfeszítés
- felhatalmazott
- lehetővé
- engedélyezve
- lehetővé teszi
- lehetővé téve
- ösztönzi
- Endpoint
- Motor
- Mérnöki
- Mérnökök
- Motorok
- fokozott
- biztosítására
- biztosítása
- Vállalkozás
- Vállalatok
- lelkesedés
- Környezet
- hiba
- alapvető
- etikai
- értékelték
- események
- EVER
- fejlődik
- fejlődik
- példa
- kísérlet
- szakvélemény
- terjed
- rendkívüli módon
- megkönnyítése
- Sikertelen
- család
- Funkció
- Jellemzők
- kevés
- utolsó
- pénzügyi
- pénzügyi szolgáltatás
- Találjon
- megtalálása
- vezetéknév
- első
- Összpontosít
- összpontosítás
- következik
- következő
- következik
- hivatalos
- keretek
- ból ből
- eleget tesz
- teljesen
- funkcionalitás
- funkciók
- jövő
- rés
- általános
- generált
- kap
- üveg
- Go
- Célok
- kormányzás
- biztosít
- Földi
- Növekvő
- Kezelés
- Kemény
- Egészség
- segít
- segít
- segít
- nagyon
- tárhely
- Hogyan
- azonban
- HTML
- HTTPS
- azonosított
- azonosítani
- azonosító
- Identitás
- képek
- Hatás
- végre
- végre
- végrehajtási
- szabhat
- javul
- in
- magában foglalja a
- Növelje
- független
- függetlenül
- ipar
- Infrastruktúra
- kezdetben
- Innováció
- meglátások
- helyette
- biztosítás
- integrált
- Felület
- belső
- részt
- szigetelés
- kérdés
- IT
- Munka
- Állások
- utazás
- Kulcs
- Ismer
- tudás
- tó
- indít
- indított
- indítás
- TANUL
- tanulás
- Örökség
- Jogi
- szint
- szintek
- könyvtárak
- LIMIT
- határértékek
- él
- helyi
- gép
- gépi tanulás
- készült
- fontos
- KÉSZÍT
- Gyártás
- kezelése
- vezetés
- kezelése
- megbízások
- mód
- kézikönyv
- sok
- érettség
- intézkedések
- Partnerek
- Metaadatok
- módszerek
- metrikus
- Metrics
- microservices
- vándorol
- mérföldkő
- mérföldkövek
- bánja
- Perc
- Enyhít
- ML
- modell
- modellek
- monitor
- ellenőrzés
- monitorok
- hónap
- több
- a legtöbb
- többszörös
- Természetes
- Keresse
- Szükség
- igények
- hálózatba
- Új
- hír
- következő
- Nóbel díj
- szám
- tárgy
- alkalmi
- felajánlott
- felajánlás
- Ajánlatok
- Fedélzeti
- ONE
- nyílt forráskódú
- nyitott
- Művelet
- Opciók
- hangszerelés
- szervezet
- eredetileg
- kívül
- saját
- tulajdonos
- üvegtábla
- Papír
- paraméterek
- szenvedély
- szenvedélyes
- minták
- Emberek (People)
- teljesítmény
- időszakos
- fázis
- csővezeték
- tervezés
- tervek
- emelvény
- Plató
- Platón adatintelligencia
- PlatoData
- pont
- Politikák
- politika
- Portál
- lehetőségek
- állás
- potenciális
- hatalom
- gyakorlat
- Tippek
- előnyben részesített
- elsődleges
- elvek
- díj
- Probléma
- problémák
- folyamat
- Folyamatok
- feldolgozás
- Termékek
- Termelés
- Termékek
- tehetséges alkalmazottal
- Program
- program
- projektek
- igért
- ad
- feltéve,
- biztosít
- amely
- Q3
- 3. harmadik negyedév
- gyorsan
- hatótávolság
- kezdve
- RE
- elérte
- Olvasás
- igazi
- real-time
- kapott
- Regisztráció
- iktató hivatal
- előírások
- szabályozók
- engedje
- felszabaduló
- eltávolítása
- raktár
- kérni
- kötelező
- követelmények
- kutatás
- kutatók
- forrás
- Tudástár
- felelős
- Reuters
- Kockázat
- Szerep
- szerepek
- szabályok
- futás
- sagemaker
- SageMaker következtetés
- skálázható
- Skála
- menetrend
- Tudomány
- tudósok
- zökkenőmentes
- zökkenőmentesen
- Keresés
- Keresők
- szakaszok
- biztonság
- biztosított
- biztosan
- biztonság
- elküldés
- idősebb
- érzékeny
- szolgál
- vagy szerver
- szolgáltatás
- Szolgáltatások
- ülések
- számos
- Megosztás
- mutatott
- Egyszerű
- óta
- egyetlen
- Méret
- méretek
- szakképzett
- készségek
- Pillanatkép
- So
- szoftver
- megoldások
- Megoldások
- SOLVE
- Források
- szakember
- különleges
- költ
- Költési
- Színpad
- érdekeltek
- szabványosítása
- szabványok
- kezdődött
- kezdődik
- Államok
- Állapot
- Lépés
- Lépései
- tárolás
- tárolni
- árnyékolók
- stratégiák
- áramvonal
- stúdió
- ilyen
- Támogatott
- Támogató
- kapcsolva
- összehangolás
- táblázat
- Vesz
- adó
- Tanítási
- csapat
- csapat
- Műszaki
- technikai készségek
- Technologies
- sablonok
- feltételek
- A
- azok
- ebből adódóan
- Thomson Reuters
- Keresztül
- egész
- idő
- nak nek
- szerszám
- Csomagkövetés
- hagyományos
- Vonat
- Képzések
- Átalakítás
- Átláthatóság
- Utazó
- borzasztó
- váltott
- megért
- egység
- egységek
- szabadítsa
- korlátlan
- Frissítések
- használ
- használó
- Felhasználók
- fajta
- különféle
- Hatalmas
- keresztül
- Videók
- Megnézem
- láthatóság
- őrzés
- háló
- webes szolgáltatások
- web-alapú
- Hetek
- vajon
- míg
- széles
- Széleskörű
- lesz
- nyer
- belül
- nélkül
- Munka
- dolgozott
- munkafolyamatok
- világszerte
- lenne
- év
- A te
- zephyrnet