A strukturált adatok, amelyeket rögzített mintát követő adatokként határoznak meg, mint például az adatbázisok oszlopaiban tárolt információk, és a strukturálatlan adatok, amelyeknek nincs meghatározott formája vagy mintája, például szövegek, képek vagy közösségi médiában közzétett bejegyzések, mindkettő folyamatosan nő, ahogy előállításuk és fogyasztásuk. különböző szervezetek által. Az International Data Corporation (IDC) szerint például a világ adatmennyisége várhatóan tízszeresére nő 2025-re, és a strukturálatlan adatok jelentős részét teszik ki. Előfordulhat, hogy a vállalatok egyéni metaadatokat, például dokumentumtípusokat (W-2 űrlapok vagy fizetési táblák), különféle entitástípusokat, például neveket, szervezetet és címeket szeretnének hozzáadni az olyan szabványos metaadatokon túl, mint a fájltípus, a létrehozás dátuma vagy a méret az intelligens bővítés érdekében. keresés a dokumentumok feldolgozása közben. Az egyéni metaadatok segítik a szervezeteket és a vállalkozásokat az információk általuk preferált módon kategorizálni. Például a metaadatok használhatók szűrésre és keresésre. Az ügyfelek egyéni metaadatokat hozhatnak létre Amazon Comprehend, az AWS által kezelt természetes nyelvű feldolgozási (NLP) szolgáltatás, amely betekintést nyer a dokumentumok tartalmába, és feldolgozza azokat Amazon Kendra adataikkal együtt az indexbe. Az Amazon Kendra egy rendkívül pontos és könnyen használható vállalati keresőszolgáltatás, amelyet a Machine Learning (AWS) hajt. Az egyéni metaadatok ezután felhasználhatók a tartalom jobb gazdagítására szűrés és aspektus képességeit. Az Amazon Kendrában a aspektusok a keresési eredmények halmazának hatókörű nézetei. Keresési eredményeket biztosíthat például a világ városaira vonatkozóan, ahol a dokumentumokat a rendszer egy adott város szerint szűri, amelyhez társítva vannak. Létrehozhat szempontokat is, hogy egy adott szerző eredményeit jelenítse meg.
A biztosítótársaságokat egyre több követelés nehezíti, amelyeket el kell intézniük. Ezen túlmenően a kárigényfeldolgozás összetettsége is növekszik a különböző típusú biztosítási dokumentumok és az egyes dokumentumokban szereplő egyedi entitások miatt. Ebben a bejegyzésben egy használati esetet írunk le a biztosítási szolgáltatók egyéni tartalomgazdagítására. A biztosítási szolgáltató megkapja a kifizetési igényeket a kedvezményezett ügyvédjétől különböző biztosítási típusokra, például lakás-, gépjármű- és életbiztosításra. Ebben a felhasználási esetben a biztosítóhoz beérkező dokumentumok nem tartalmaznak olyan metaadatokat, amelyek lehetővé teszik a tartalom keresését bizonyos entitások és osztályok alapján. A biztosítási szolgáltató a Kendra-tartalmakat az üzleti tartományra jellemző egyéni entitások és osztályok alapján szeretné szűrni. Ez a bejegyzés bemutatja, hogyan automatizálhatja és egyszerűsítheti a metaadatok generálását az Amazon Comprehend egyedi modelljei segítségével. A generált metaadatok testreszabhatók a feldolgozási folyamat során az Amazon Kendra segítségével Egyéni dokumentumgazdagítás (CDE) egyéni logika.
Nézzünk meg néhány példát az Amazon Kendra keresésre szűrési és aspektusos képességekkel vagy anélkül.
A következő képernyőképen az Amazon Kendra keresési eredményt ad, de nincs lehetőség a keresési eredmények további szűkítésére szűrők használatával.
A következő képernyőkép azt mutatja, hogy az Amazon Kendra keresési eredményei különböző szempontok használatával szűrhetők, például Ügyvédi Iroda, Házirendszámok, amelyeket egyéni metaadatok hoznak létre a keresési eredmények szűkítése érdekében.
Az ebben a bejegyzésben tárgyalt megoldás könnyen alkalmazható más vállalkozásokra/használati esetekre is, például egészségügyre, gyártásra és kutatásra.
Megoldás áttekintése
Ebben a javasolt megoldásban 1) a biztosítási kárbejelentéseket különböző osztályokba soroljuk, és 2) ezekből a dokumentumokból lekérjük a biztosítás-specifikus entitásokat. Ha ez kész, a dokumentum továbbítható a megfelelő részleghez vagy a későbbi folyamathoz.
A következő diagram a javasolt megoldás architektúráját mutatja be.
Amazon Comprehend egyéni besorolás Az API segítségével a dokumentumokat az Ön által meghatározott kategóriákba (osztályokba) rendezheti. Az egyéni besorolás kétlépcsős folyamat. Először megtanít egy egyéni osztályozási modellt (más néven osztályozót), hogy felismerje az Önt érdeklő osztályokat. Ezután a modell segítségével tetszőleges számú dokumentumkészletet osztályozhat.
Amazon Comprehend egyéni entitás felismerés A funkció az adott entitástípusok azonosítására szolgál (biztosító neve, biztosító neve, kötvényszám) azon túl, ami a általános entitástípusok alapértelmezés szerint. Az egyéni entitásfelismerési modell felépítése hatékonyabb megközelítés, mint a karakterlánc-egyeztetés vagy a reguláris kifejezések használata az entitások dokumentumokból való kinyerésére. Az egyéni entitásfelismerési modell képes megtanulni azt a kontextust, ahol ezek a nevek valószínűleg megjelennek. Ezenkívül a karakterlánc-illesztés nem észleli az elírási hibákat vagy új elnevezési konvenciókat követő entitásokat, bár ez egyéni modell használatával lehetséges.
Mielőtt mélyebbre merülne, szánjunk egy percet az Amazon Kendra felfedezésére. Az Amazon Kendra egy rendkívül pontos és könnyen használható vállalati keresési szolgáltatás, amely gépi tanulásra épül. Lehetővé teszi a felhasználók számára, hogy megtalálják a számukra szükséges információkat a szervezetükben elterjedt hatalmas mennyiségű tartalomban, a webhelyektől és adatbázisoktól az intranetes webhelyekig. Először létrehozunk egy Amazon Kendra indexet a dokumentumok feldolgozásához. Az adatok feldolgozása során elengedhetetlen az egyéni adatgazdagítás (CDE) koncepciójának figyelembe vétele. A CDE lehetővé teszi a keresési képesség javítását azáltal, hogy külső ismereteket épít be a keresési indexbe. További információkért lásd: Dokumentumok gazdagítása a feldolgozás során. Ebben a bejegyzésben a CDE logika az Amazon Comprehend egyéni API-jait hívja meg, hogy azonosított osztályokkal és entitásokkal gazdagítsa a dokumentumokat. Végül az Amazon Kendra keresőoldalt használjuk annak bemutatására, hogy a metaadatok hogyan javították a keresési képességet az arcvonal- és szűrési lehetőségek hozzáadásával.
A megoldás megvalósításának magas szintű lépései a következők:
- Tanítsa meg az Amazon Comprehend egyéni osztályozót edzési adatok segítségével
- Tanítsa meg az Amazon Comprehend egyéni entitásfelismerést a képzési adatok segítségével
- Hozzon létre egy Amazon Comprehend egyéni osztályozót és egyéni entitásfelismerési végpontokat
- Hozzon létre és telepítsen egy Lambda-függvényt a kivonás utáni dúsításhoz
- Hozzon létre és töltse fel az Amazon Kendra indexet
- Használja a kivont entitásokat az Amazon Kendra kereséseinek szűrésére
Pályázati mintát is biztosítottunk a GitHub repo referenciaként.
Adatbiztonsági és IAM szempontok
Mivel a biztonság az elsődleges, ez a megoldás a legkevesebb jogosultság elvét követi a használt szolgáltatásokhoz és szolgáltatásokhoz. Az Amazon Comprehend egyéni besorolása és egyéni entitásfelismerése által használt IAM-szerep csak az adatkészlethez való hozzáférésre jogosult a tesztgyűjtőből. Az Amazon Kendra szolgáltatás hozzáféréssel rendelkezik egy speciális S3 tárolóhoz és Lambda funkcióhoz, amelyet az API-k megértéséhez használnak. A Lambda függvény csak az Amazon Comprehend API-k meghívására jogosult. További információkért tekintse át a notebook 1.2 és 1.3 szakaszát.
Javasoljuk, hogy a megoldás éles környezetben való megvalósítása előtt tegye a következőket nem éles környezetben.
Tanítsa meg a Comprehend egyéni osztályozót edzési adatok segítségével
Az Amazon Comprehend Custom Classification két adatformátum-típust támogat a megjegyzésfájlokhoz:
Mivel adataink már fel vannak címkézve és CSV-fájlokban vannak tárolva, példaként a CSV-fájlformátumot fogjuk használni a megjegyzésfájlhoz. A felcímkézett edzésadatokat UTF-8 kódolású szövegként kell megadnunk egy CSV fájlban. Ne tartalmazzon fejlécet a CSV-fájlban. Fejlécsor hozzáadása a fájlhoz futásidejű hibákat okozhat. A képzési adatok CSV-fájljának példája a következő:
Az osztályozó edzési adatainak elkészítéséhez lásd: Osztályozó képzési adatok előkészítése. A CSV-fájl minden sorához az első oszlop egy vagy több osztálycímkét tartalmaz. Az osztálycímke bármilyen érvényes UTF-8 karakterlánc lehet. Javasoljuk, hogy tiszta osztályneveket használjon, amelyek jelentése nem fedi át egymást. A név tartalmazhat szóközt, és több szóból állhat, amelyeket aláhúzás vagy kötőjel köt össze. Ne hagyjon szóközt az értékeket elválasztó vesszők előtt vagy után.
Ezután bármelyik használatával edzeni Több osztályú mód or Többcímkés mód. Pontosabban, többosztályos módban az osztályozás minden dokumentumhoz egy osztályt rendel, míg többcímkés módban az egyes osztályok különböző kategóriákat képviselnek, amelyek nem zárják ki egymást. A mi esetünkben a Multi-Class módot fogjuk használni az egyszerű szöveges modellekhez.
Külön oktatási és tesztelési adatkészleteket készíthet az Amazon Comprehend egyéni osztályozó képzéséhez és modellértékeléséhez. Vagy csak egy adatkészletet adjon meg a képzéshez és a teszteléshez. A Comprehend automatikusan kiválasztja a megadott adatkészlet 10%-át tesztelési adatként való használatra. Ebben a példában külön képzési és tesztelési adatkészleteket biztosítunk.
A következő példa egy CSV-fájlt mutat be, amely tartalmazza a különböző dokumentumokhoz társított osztályneveket.
Az egyéni besorolási modell betanítása esetén különböző biztosítási osztályokat rögzíthet a dokumentumokon (otthon-, autó- vagy életbiztosítás).
Tanítsa meg az Amazon Comprehend egyéni entitásfelismerőt (NER) a betanítási adatok segítségével
Az Amazon Comprehend Custom Entity Recognition (NER) képzési adatkészlete két különböző módon készíthető el:
- Magyarázatok – Olyan adatkészletet biztosít, amely tartalmazza a módoktatáshoz szükséges megjegyzésekkel ellátott entitásokat
- Entitáslisták (csak egyszerű szöveg) – Megadja az entitások listáját és címketípusukat (például „Biztosítási társaságok nevei”), valamint az ezeket az entitásokat tartalmazó, megjegyzés nélküli dokumentumokat a modellképzéshez
További információ: Entitásfelismerő betanítási adatok előkészítése.
Amikor egy modellt entitáslista használatával tanítunk, két információt kell megadnunk: az entitásnevek listáját a hozzájuk tartozó egyéni entitástípusokkal, valamint a megjegyzés nélküli dokumentumok gyűjteményét, amelyben az entitások megjelennek.
Az automatikus betanításhoz kétféle információ szükséges: mintadokumentum és entitáslista vagy megjegyzések. A felismerő betanítása után használhatja egyéni entitások észlelésére a dokumentumokban. Gyorsan elemezhet egy kis szövegrészt valós időben, vagy elemezhet nagy mennyiségű dokumentumot egy aszinkron feladattal.
Külön oktatási és tesztelési adatkészleteket készíthet az Amazon Comprehend egyéni entitásfelismerő betanításhoz és modellértékeléshez. Vagy csak egy adatkészletet biztosítson a képzéshez és a teszteléshez. Az Amazon Comprehend automatikusan kiválasztja a megadott adatkészlet 10%-át tesztelési adatként való használatra. Az alábbi példában a képzési adatkészletet a következőképpen adtuk meg Documents.S3Uri
alatt InputDataConfig
.
A következő példa egy CSV-fájlt mutat be, amely az entitásokat tartalmazza:
Az egyéni entitások (NER) modell betanítása után képes lesz kinyerni a különféle entitásokat, példáulPAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
".
Hozzon létre egy Amazon Comprehend egyéni osztályozót és egyéni entitások (NER) végpontjait
Az Amazon Comprehend végpontjai elérhetővé teszik egyéni modelljeit valós idejű osztályozáshoz. A végpont létrehozása után módosíthatja azt, ahogy az üzleti igényei fejlődnek. Például figyelemmel kísérheti a végpontok kihasználtságát, és automatikus méretezést alkalmazhat, hogy automatikusan beállítsa a végpont-kiépítést a kapacitásszükségleteihez. Az összes végpontot egyetlen nézetből kezelheti, és ha már nincs szüksége végpontra, a költségek megtakarítása érdekében törölheti azt. Az Amazon Comprehend támogatja mind a szinkron, mind az aszinkron opciókat, ha a valós idejű osztályozás nem szükséges az Ön használati esetéhez, akkor küldhet kötegelt munkát az Amazon Comprehendnek az aszinkron adatosztályozáshoz.
Ebben a felhasználási esetben létre kell hoznia egy végpontot, hogy az egyéni modell elérhetővé váljon valós idejű elemzéshez.
A szövegfeldolgozási igények kielégítése érdekében következtetési egységeket rendel a végponthoz, és mindegyik egység másodpercenként 100 karakter átviteli sebességet tesz lehetővé. Ezután felfelé vagy lefelé állíthatja az átviteli sebességet.
Hozzon létre és telepítsen egy Lambda-függvényt a kivonás utáni dúsításhoz
A kicsomagolás utáni Lambda funkció lehetővé teszi az Amazon Kendra által a bevitt dokumentumból kivont szöveg feldolgozásához szükséges logika megvalósítását. Az általunk konfigurált utólagos kibontási funkció megvalósítja a kódot az Amazon Comprehend meghívására az egyéni entitások észlelésére és a dokumentumok egyéni besorolására az Amazon Kendra által kinyert szövegből, és ezek segítségével frissíti a dokumentum metaadatait, amelyek aspektusként jelennek meg az Amazon Kendra keresésben. . A funkciókód be van ágyazva a notebookba. A PostExtractionLambda
kód a következőképpen működik:
- Az oldal szövegét olyan szakaszokra osztja, amelyek nem haladják meg a megértés maximális bájthosszúságát
detect_entities
API. (Lát Korlátok ).
JEGYZET a szkript naiv karakterhossz-felosztó algoritmust használ az egyszerűség kedvéért – az éles felhasználási eseteknek átfedést vagy mondathatár-felosztást kell megvalósítaniuk az UTF8 bájthossz alapján. - A szöveg minden egyes szakaszához meghívja az egyéni entitások valós idejű végpontjait és az egyéni osztályozót a következő entitástípusok észleléséhez: [“
PAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
","INSURANCE_TYPE
"]. - Kiszűri az észlelt entitásokat, amelyek a megbízhatósági pontszám küszöbértéke alatt vannak. 0.50-es küszöböt használunk, ami azt jelenti, hogy csak az 50%-os vagy annál nagyobb megbízhatóságú entitások kerülnek felhasználásra. Ez a használati eset és a követelmények alapján hangolható.
- Nyomon követi az egyes entitások gyakorisági számát.
- Csak a legjobb N (10) egyedi entitást választja ki minden oldalhoz, az előfordulás gyakorisága alapján.
- A dokumentumosztályozáshoz a többosztályos osztályozó minden dokumentumhoz csak egy osztályt rendel. Ebben a Lambda funkcióban a dokumentumok gépjármű-, lakás- vagy életbiztosítási osztályba kerülnek.
Ne feledje, hogy jelen pillanatban a CDE csak a szinkron hívásokat támogatja, vagy ha aszinkronnak kell lennie, akkor explicit várakozási hurokra van szükség. Az utólagos kivonáshoz Lambda a max végrehajtási idő 1 perc. A lambda egyedi logikája az Ön használati esetének megfelelő követelmények alapján módosítható.
Hozzon létre és töltse fel az Amazon Kendra indexet
Ebben a lépésben feldolgozzuk az adatokat az Amazon Kendra indexbe, és kereshetővé tesszük a felhasználók számára. A feldolgozás során az előző lépésben létrehozott Lambda függvényt használjuk utólagos kibontási lépésként, a Lambda függvény pedig meghívja az egyéni osztályozási és egyéni entitásfelismerési (NER) végpontokat az egyéni metaadatmezők létrehozásához.
A megoldás megvalósításának magas szintű lépései a következők:
- Teremt Amazon Kendra Index.
- Teremt Amazon Kendra adatforrás – Különféle adatforrások használhatók az adatkészlet feldolgozására. Ebben a bejegyzésben egy S3 vödröt használunk.
- Hozzon létre szempontokat
Law_Firm
,Payout
,Insurance_Company
,Policy_Number
,Policy_Holder_Name
,Insurance_Type
karakterlánctípussal mint 'STRING_LIST_VALUE
". - Hozzon létre Kendra CDE-t, és mutasson rá a korábban létrehozott kivonatolás utáni Lambda függvényre.
- Hajtsa végre a szinkronizálási folyamatot az adatkészlet feldolgozásához.
Miután elkészült, feltöltheti az indexet a biztosítási adatokkal, a Kendra CDE utólagos kivonatolási lambdával szűrheti a kereséseket az egyéni entitástípusok és az egyéni besorolás alapján, mint egyéni metaadat-mezők.
Használja a kivont entitásokat a Kendra kereséseinek szűrésére
Az index feltöltve és használatra kész. Az Amazon Kendra konzolon válassza a lehetőséget Indexelt tartalom keresése az Adatkezelés alatt és tegye a következőket.
Kérdezze meg a következőket: A késedelmes bejelentés miatt meghiúsult biztosítás listája?
Az eredmények azt mutatják, hogy a házirend típusa – HOME INSURANCE
és hozza text_18
és a text_14
mint a legjobb eredmények.
A bal oldalon válassza a „Keresési eredmények szűrése” lehetőséget. Most látni fogja az összes entitástípust és besorolási értéket, amelyeket a Comprehend segítségével kinyertek, és minden entitásértékhez és osztályozáshoz látni fogja a megfelelő dokumentumok számát.
Alatt INSURANCE_TYPE
válassza az „Gépjármű-biztosítás” lehetőséget, és akkor kap választ text_25
fájlt.
Vegye figyelembe, hogy az eredmények kissé eltérhetnek a képernyőképen látható eredményektől.
Próbáljon saját lekérdezéseivel keresni, és figyelje meg, hogy az Amazon Comprehend által azonosított entitások és dokumentumosztályozás hogyan teszi lehetővé gyorsan:
- Tekintse meg, hogyan oszlanak meg keresési eredményei a kategóriák között.
- Szűkítse a keresést bármely entitás/besorolási érték szűrésével.
Tisztítsuk meg
Miután kísérletezett a kereséssel, és kipróbálta a Github-tárhelyben található notebookot, törölje az AWS-fiókjában biztosított infrastruktúrát a nem kívánt költségek elkerülése érdekében. Futtathatja a tisztító cellákat a notebookban. Alternatív megoldásként manuálisan is törölheti az erőforrásokat az AWS-konzolon keresztül:
- Amazon Kendra Index
- Ismerje meg az egyéni osztályozó és egyéni entitásfelismerési (NER) végpontokat
- Ismerje meg az egyéni osztályozó és egyéni entitásfelismerő (NER) egyéni modelleket
- Lambda funkció
- S3 vödör
- IAM szerepek és irányelvek
Következtetés
Ebben a bejegyzésben bemutattuk, hogy az Amazon Comprehend egyéni entitások és egyéni osztályozó hogyan teszi lehetővé az Amazon Kendra keresést a CDE funkcióval, hogy segítse a végfelhasználókat a strukturált/strukturálatlan adatok jobb keresésében. Az Amazon Comprehend egyéni entitásai és az egyéni osztályozó nagyon hasznossá teszik a különféle használati esetek és különböző tartományspecifikus adatok esetén. Az Amazon Comprehend használatával kapcsolatos további információkért lásd: Amazon Comprehend fejlesztői erőforrások az Amazon Kendra esetében pedig lásd Amazon Kendra fejlesztői erőforrások.
Próbálja ki ezt a megoldást az Ön használati esetéhez. Meghívjuk Önt, hogy írja meg véleményét a megjegyzés rovatban.
A szerzőkről
Amit Chaudhary az Amazon Web Services vezető megoldási építésze. Fókuszterülete az AI/ML, és az ügyfeleket generatív AI-val, nagy nyelvi modellekkel és gyors tervezéssel segíti. A munkán kívül Amit szívesen tölt időt a családjával.
Yanyan Zhang vezető adattudós az Energy Delivery csapatban, az AWS professzionális szolgáltatásaival. Szenvedélyesen segíti ügyfeleit valódi problémák megoldásában AI/ML tudással. Mostanában a Generative AI és az LLM lehetőségeinek feltárására összpontosított. Munkán kívül szeret utazni, edzeni és új dolgokat felfedezni.
Nikhil Jha az Amazon Web Services vezető műszaki ügyfélmenedzsere. Fókuszterületei közé tartozik az AI/ML és az analitika. Szabadidejében szívesen tollaszik a lányával és felfedezi a szabadban.
- 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/use-custom-metadata-created-by-amazon-comprehend-to-intelligently-process-insurance-claims-using-amazon-kendra/
- :van
- :is
- :nem
- :ahol
- $ UP
- 1
- 1.3
- 10
- 100
- 19
- 2025
- 33
- 50
- 500
- 7
- 9
- a
- Képes
- Rólunk
- hozzáférés
- Szerint
- Fiók
- számvitel
- pontos
- át
- hozzá
- hozzáadásával
- mellett
- Ezen kívül
- cím
- Után
- AI
- AI / ML
- algoritmus
- Minden termék
- lehetővé teszi, hogy
- mentén
- már
- Is
- amazon
- Amazon Comprehend
- Amazon Kendra
- Az Amazon Web Services
- összeg
- an
- elemzés
- analitika
- elemez
- és a
- válasz
- bármilyen
- api
- API-k
- megjelenik
- Alkalmazás
- alkalmazott
- alkalmaz
- megközelítés
- megfelelő
- építészet
- VANNAK
- TERÜLET
- területek
- AS
- társult
- At
- ügyvéd
- szerző
- auto
- automatizált
- automatikusan
- elérhető
- elkerülése érdekében
- AWS
- AWS professzionális szolgáltatások
- alapján
- BE
- óta
- előtt
- lent
- Jobb
- Túl
- test
- mindkét
- határ
- Bring
- Épület
- üzleti
- de
- by
- hívás
- hívott
- kéri
- TUD
- képességek
- képesség
- Kapacitás
- elfog
- eset
- esetek
- kategóriák
- Okoz
- Cellák
- bizonyos
- megváltozott
- Változások
- karakter
- karakter
- díjak
- 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
- városok
- Város
- követelések
- osztály
- osztályok
- besorolás
- osztályozott
- osztályoz
- világos
- kód
- gyűjtemény
- Oszlop
- Oszlopok
- Hozzászólások
- Companies
- vállalat
- teljes
- Befejezett
- bonyolultság
- megért
- koncepció
- bizalom
- konfigurálva
- összefüggő
- Fontolja
- Konzol
- fogyasztott
- tartalmaz
- tartalmaz
- tartalom
- kontextus
- folytatódik
- Egyezmények
- VÁLLALAT
- kiadások
- tudott
- teremt
- készítette
- szokás
- Ügyfelek
- szabott
- dátum
- az adatok gazdagítása
- adatkezelés
- adattudós
- adatkészlet
- adatbázisok
- adatkészletek
- találka
- mélyebb
- alapértelmezett
- meghatározott
- meghatározott
- kézbesítés
- osztály
- telepíteni
- leírni
- kimutatására
- észlelt
- Fejlesztő
- különböző
- eltérően
- tárgyalt
- kijelző
- megosztott
- számos
- búvárkodás
- do
- dokumentum
- dokumentumok
- domain
- Don
- ne
- le-
- két
- alatt
- e
- E&T
- minden
- könnyen
- könnyen használható
- Hatékony
- bármelyik
- el
- beágyazott
- lehetővé teszi
- Endpoint
- energia
- Mérnöki
- növelése
- fokozott
- gazdagítják
- gazdagítás
- Vállalkozás
- Vállalatok
- Szervezetek
- egység
- Környezet
- hibák
- alapvető
- értékelés
- fejlődik
- példa
- példák
- haladja meg
- Kivéve
- kivétel
- Kizárólagos
- végrehajtás
- Kilépés
- várható
- feltárása
- Feltárása
- kifejezések
- terjed
- külső
- kivonat
- kitermelés
- metszettel
- Sikertelen
- család
- Funkció
- Jellemzők
- Visszacsatolás
- kevés
- Fields
- filé
- Fájlok
- Benyújtás
- szűrő
- szűrő
- Szűrők
- Végül
- Találjon
- Cég
- vezetéknév
- megfelelő
- rögzített
- Összpontosít
- következik
- következő
- következik
- A
- forma
- formátum
- formák
- Frekvencia
- ból ből
- funkció
- további
- generált
- generáció
- nemző
- Generatív AI
- kap
- GitHub
- Nő
- Legyen
- tekintettel
- he
- egészségügyi
- segít
- segít
- segít
- neki
- magas szinten
- <p></p>
- legnagyobb
- nagyon
- övé
- Kezdőlap
- Hogyan
- How To
- HTML
- HTTPS
- i
- IDC
- azonosított
- azonosítani
- if
- illusztrálja
- képek
- végre
- végrehajtási
- munkagépek
- in
- tartalmaz
- amely magában foglalja
- Növelje
- növekvő
- index
- indexelt
- egyéni
- információ
- Infrastruktúra
- bemenet
- meglátások
- példa
- biztosítás
- Intelligens
- kamat
- Nemzetközi
- International Data Corporation (IDC)
- bele
- meghívni
- behívja
- részt
- IT
- Munka
- json
- tudás
- Címke
- Címkék
- nyelv
- nagy
- Késő
- Törvény
- ügyvédi Iroda
- TANUL
- tanulás
- legkevésbé
- Szabadság
- balra
- Hossz
- élet
- mint
- Valószínű
- LIMIT
- Lista
- listák
- LLM
- logika
- hosszabb
- néz
- szeret
- gép
- gépi tanulás
- csinál
- KÉSZÍT
- kezelése
- sikerült
- vezetés
- menedzser
- kézzel
- gyártási
- egyező
- max
- Lehet..
- jelenti
- eszközök
- Média
- Találkozik
- Metaadatok
- perc
- Mód
- modell
- modellek
- pillanat
- monitor
- több
- a legtöbb
- többszörös
- kell
- közösen
- név
- nevek
- elnevezési
- keskeny
- Szükség
- szükséges
- igények
- Új
- NLP
- nem
- jegyzetfüzet
- Most
- szám
- számok
- tárgy
- objektumok
- megfigyelni
- esemény
- of
- on
- egyszer
- ONE
- csak
- opció
- Opciók
- or
- szervezet
- szervezetek
- Más
- mi
- ki
- szabadban
- körvonalak
- kívül
- saját
- oldal
- pár
- szenvedélyes
- Mintás
- mert
- Teljesít
- engedélyek
- darabok
- Egyszerű
- Plató
- Platón adatintelligencia
- PlatoData
- játék
- pont
- politika
- benépesített
- porció
- lehetséges
- állás
- Hozzászólások
- potenciális
- powered
- előnyben részesített
- Készít
- előkészített
- bemutatott
- előző
- korábban
- alapelv
- Előzetes
- prioritás
- kiváltság
- problémák
- folyamat
- feldolgozás
- Készült
- Termelés
- szakmai
- javasolt
- ad
- feltéve,
- ellátó
- szolgáltatók
- biztosít
- amely
- lekérdezések
- gyorsan
- idézetek
- kezdve
- Olvass
- kész
- igazi
- real-time
- kapott
- kap
- nemrég
- elismerés
- elismerik
- elismert
- ajánl
- utal
- referencia
- szabályos
- raktár
- képvisel
- kötelező
- követelmények
- megköveteli,
- kutatás
- Tudástár
- eredményez
- Eredmények
- visszatérés
- Kritika
- Szerep
- szerepek
- SOR
- futás
- futásidejű
- azonos
- Megtakarítás
- skálázás
- Tudós
- pontszám
- forgatókönyv
- Keresés
- keresések
- keres
- Második
- Rész
- szakaszok
- biztonság
- lát
- válasszuk
- idősebb
- mondat
- különálló
- szolgáltatás
- Szolgáltatások
- készlet
- Szettek
- ő
- kellene
- előadás
- kimutatta,
- mutatott
- Műsorok
- jelentős
- egyszerűség
- egyszerűsítése
- egyetlen
- Webhely (ek)
- Méret
- kicsi
- So
- Közösség
- Közösségi média
- Közösségi média bejegyzések
- megoldások
- Megoldások
- SOLVE
- Források
- Hely
- különleges
- kifejezetten
- meghatározott
- Költési
- szakadások
- terjedése
- standard
- Lépés
- Lépései
- tárolni
- memorizált
- Húr
- Beküldött
- beküldése
- ilyen
- támogatás
- Támogatja
- szinkronizál.
- Vesz
- csapat
- Műszaki
- teszt
- Tesztelés
- szöveg
- mint
- hogy
- A
- az információ
- a világ
- azok
- Őket
- akkor
- Ott.
- Ezek
- ők
- dolgok
- ezt
- azok
- küszöb
- Keresztül
- áteresztőképesség
- idő
- nak nek
- felső
- vágány
- Vonat
- kiképzett
- Képzések
- Utazó
- kezelésére
- kipróbált
- megpróbál
- hangolt
- kettő
- típus
- típusok
- alatt
- aláhúzás
- egyedi
- egység
- egységek
- felesleges
- Frissítések
- használ
- használati eset
- használt
- Felhasználók
- használ
- segítségével
- érvényes
- érték
- Értékek
- különféle
- Hatalmas
- nagyon
- Megnézem
- nézetek
- kötet
- várjon
- akar
- akar
- Út..
- módon
- we
- háló
- webes szolgáltatások
- honlapok
- JÓL
- Mit
- Mi
- amikor
- ami
- míg
- fehér
- lesz
- val vel
- belül
- nélkül
- szavak
- Munka
- dolgozó
- edzeni
- művek
- világ
- világ
- írás
- írott
- te
- A te
- zephyrnet