Postingan ini ditulis bersama oleh Daryl Martis, Direktur Produk, Salesforce Einstein AI.
Ini adalah postingan kedua dalam seri yang membahas integrasi Salesforce Data Cloud dan Amazon SageMaker. di bagian 1, kami menunjukkan bagaimana integrasi Salesforce Data Cloud dan Einstein Studio dengan SageMaker memungkinkan bisnis mengakses data Salesforce mereka dengan aman menggunakan SageMaker dan menggunakan alatnya untuk membangun, melatih, dan menerapkan model ke titik akhir yang dihosting di SageMaker. Titik akhir kemudian didaftarkan ke Salesforce Data Cloud untuk mengaktifkan prediksi di Salesforce.
Dalam postingan ini, kami memperluas topik ini untuk mendemonstrasikan cara menggunakan Einstein Studio untuk rekomendasi produk. Anda dapat menggunakan integrasi ini untuk model tradisional serta model bahasa besar (LLM).
Ikhtisar solusi
Dalam postingan ini, kami mendemonstrasikan cara membuat model prediktif di SageMaker untuk merekomendasikan produk terbaik berikutnya kepada pelanggan Anda dengan menggunakan data historis seperti demografi pelanggan, keterlibatan pemasaran, dan riwayat pembelian dari Salesforce Data Cloud.
Kami menggunakan yang berikut ini contoh kumpulan data. Untuk menggunakan himpunan data ini di Data Cloud Anda, lihat Buat Aliran Data Amazon S3 di Data Cloud.
Atribut berikut diperlukan untuk membuat model:
- Anggota klub โ Jika pelanggan adalah anggota klub
- Kampanye โ Kampanye yang diikuti oleh pelanggan
- Negara โ Negara bagian atau provinsi tempat pelanggan tinggal
- Bulan โ Bulan pembelian
- Jumlah Kasus โ Jumlah kasus yang diajukan oleh pelanggan
- Pengembalian Jenis Kasus โ Apakah pelanggan mengembalikan produk apa pun dalam setahun terakhir
- Jenis Kasus Pengiriman Rusak โ Apakah pengiriman pelanggan mengalami kerusakan pada tahun lalu
- Skor Keterlibatan โ Tingkat keterlibatan yang dimiliki pelanggan (respons terhadap kampanye pengiriman surat, login ke toko online, dan sebagainya)
- Masa jabatan โ Jangka waktu hubungan pelanggan dengan perusahaan
- Klik โ Jumlah rata-rata klik yang dilakukan pelanggan dalam seminggu sebelum pembelian
- Halaman yang Dikunjungi โ Jumlah rata-rata halaman yang dikunjungi pelanggan dalam seminggu sebelum pembelian
- Produk Dibeli โ Produk sebenarnya yang dibeli
- Id โ ID rekaman
- Tanggal Waktu โ Stempel waktu kumpulan data
Model rekomendasi produk dibuat dan diterapkan di SageMaker dan dilatih menggunakan data di Salesforce Data Cloud. Langkah-langkah berikut memberikan gambaran umum tentang cara menggunakan kemampuan baru yang diluncurkan di SageMaker untuk Salesforce guna mengaktifkan integrasi keseluruhan:
- Siapkan Studio Amazon SageMaker domain dan OAuth antara Salesforce dan akun AWS
s. - Gunakan kemampuan yang baru diluncurkan dari Pengatur Data Amazon SageMaker konektor untuk Salesforce Data Cloud untuk menyiapkan data di SageMaker tanpa menyalin data dari Salesforce Data Cloud.
- Latih model rekomendasi di SageMaker Studio menggunakan data pelatihan yang disiapkan menggunakan SageMaker Data Wrangler.
- Kemas kontainer SageMaker Data Wrangler dan kontainer model rekomendasi terlatih saluran inferensi sehingga permintaan inferensi dapat menggunakan langkah persiapan data yang sama dengan yang Anda buat untuk melakukan praproses data pelatihan. Data panggilan inferensi real-time pertama kali diteruskan ke kontainer SageMaker Data Wrangler di alur inferensi, yang kemudian diproses sebelumnya dan diteruskan ke model terlatih untuk rekomendasi produk. Untuk informasi lebih lanjut tentang proses ini, lihat Baru โ Memperkenalkan Dukungan untuk Inferensi Real-Time dan Batch di Amazon SageMaker Data Wrangler. Meskipun kami menggunakan algoritme khusus untuk melatih model dalam contoh kami, Anda dapat menggunakan algoritme apa pun yang menurut Anda sesuai untuk kasus penggunaan Anda.
- Gunakan templat proyek yang disediakan SageMaker yang baru diluncurkan untuk integrasi Salesforce Data Cloud guna menyederhanakan penerapan langkah-langkah sebelumnya dengan menyediakan templat berikut:
- Contoh buku catatan yang menampilkan persiapan data, pembuatan, pelatihan, dan pendaftaran model.
- SageMaker menyediakan templat proyek untuk integrasi Salesforce Data Cloud, yang mengotomatiskan pembuatan titik akhir SageMaker yang menghosting model saluran inferensi. Ketika versi model di Registri Model Amazon SageMaker disetujui, titik akhir diekspos sebagai API dengan Gerbang API Amazon menggunakan otorisasi Salesforce JSON Web Token (JWT) khusus. API Gateway diperlukan untuk memungkinkan Salesforce Data Cloud membuat prediksi terhadap titik akhir SageMaker menggunakan token JWT yang dibuat dan diteruskan oleh Salesforce dengan permintaan saat membuat prediksi dari Salesforce. JWT dapat digunakan sebagai bagian dari kerangka OpenID Connect (OIDC) dan OAuth 2.0 untuk membatasi akses klien ke API Anda.
- Setelah Anda membuat API, sebaiknya daftarkan titik akhir model di Salesforce Einstein Studio. Untuk instruksi, lihat Hadirkan Model AI Anda Sendiri ke Salesforce dengan Einstein Studio
Diagram berikut menggambarkan arsitektur solusi.
Buat domain SageMaker Studio
Pertama, buat domain SageMaker Studio. Untuk instruksi, lihat Masuk ke Domain Amazon SageMaker. Anda harus mencatat ID domain dan peran eksekusi yang dibuat dan akan digunakan oleh profil pengguna Anda. Anda menambahkan izin ke peran ini di langkah berikutnya.
Tangkapan layar berikut menunjukkan domain yang kami buat untuk posting ini.
Tangkapan layar berikut menunjukkan contoh profil pengguna untuk postingan ini.
Siapkan aplikasi yang terhubung dengan Salesforce
Selanjutnya, kami membuat aplikasi yang terhubung dengan Salesforce untuk mengaktifkan aliran OAuth dari SageMaker Studio ke Salesforce Data Cloud. Selesaikan langkah-langkah berikut:
- Masuk ke Salesforce dan navigasikan ke Pengaturan.
- Pencarian untuk App Manager dan buat aplikasi baru yang terhubung.
- Berikan masukan berikut:
- Untuk Nama Aplikasi Terhubung, masukkan nama.
- Untuk Nama API, biarkan sebagai default (akan terisi secara otomatis).
- Untuk Kontak Email, masukkan alamat email kontak Anda.
- Pilih Aktifkan Setelan OAuth.
- Untuk URL panggilan balik, Masuk
https://<domain-id>.studio.<region>.sagemaker.aws/jupyter/default/lab
, dan berikan ID domain yang Anda ambil saat membuat domain SageMaker dan Wilayah domain SageMaker Anda.
- Bawah Cakupan OAuth yang dipilih, pindahkan yang berikut dari Cakupan OAuth yang Tersedia untuk Cakupan OAuth yang dipilih Dan pilihlah Save:
- Kelola data pengguna melalui API (api)
- Lakukan permintaan kapan saja (
refresh_token
,offline_access
) - Melakukan kueri ANSI SQL pada data Salesforce Data Cloud (Data Cloud_query_api)
- Kelola data profil Platform Data Pelanggan Salesforce (Data Cloud_profile_api
- Akses layanan URL identitas (id, profil, email, alamat, telepon)
- Akses pengidentifikasi pengguna unik (
openid
)
Untuk informasi lebih lanjut tentang membuat aplikasi yang terhubung, lihat Buat Aplikasi yang Terhubung.
- Kembali ke aplikasi yang terhubung dan navigasikan ke Kunci dan Rahasia Konsumen.
- Pilih Kelola Detail Konsumen.
- Salin kunci dan rahasianya.
Anda mungkin diminta untuk masuk ke organisasi Salesforce Anda sebagai bagian dari autentikasi dua faktor di sini.
- Navigasi kembali ke Kelola Aplikasi yang Terhubung .
- Buka aplikasi terhubung yang Anda buat dan pilih Mengelola.
- Pilih Sunting Kebijakan dan berubah Relaksasi IP untuk Melonggarkan pembatasan IP, lalu simpan pengaturan Anda.
Konfigurasikan izin SageMaker dan aturan siklus hidup
Di bagian ini, kita akan mempelajari langkah-langkah untuk mengonfigurasi izin SageMaker dan aturan manajemen siklus hidup.
Buat rahasia di AWS Secrets Manager
Aktifkan integrasi OAuth dengan Salesforce Data Cloud dengan menyimpan kredensial dari aplikasi Anda yang terhubung dengan Salesforce Manajer Rahasia AWS:
- Pada konsol Manajer Rahasia, pilih Simpan rahasia baru.
- Pilih Jenis rahasia lainnya.
- Buat rahasia Anda dengan pasangan nilai kunci berikut:
- Tambahkan tag dengan kunci
sagemaker:partner
dan pilihan nilai Anda. - Simpan rahasianya dan catat ARN rahasianya.
Konfigurasikan aturan siklus hidup SageMaker
Peran eksekusi domain SageMaker Studio akan diperlukan Identitas AWS dan Manajemen Akses (IAM) izin untuk mengakses rahasia yang dibuat pada langkah sebelumnya. Untuk informasi lebih lanjut, lihat Membuat peran dan melampirkan kebijakan (konsol).
- Di konsol IAM, lampirkan kebijakan berikut ke perannya masing-masing (peran ini akan digunakan oleh proyek SageMaker untuk penerapan):
- Tambahkan kebijakan
AmazonSageMakerPartnerServiceCatalogProductsCloudFormationServiceRolePolicy
ke peran layananAmazonSageMakerServiceCatalogProductsCloudformationRole
. - Tambahkan kebijakan
AmazonSageMakerPartnerServiceCatalogProductsApiGatewayServiceRolePolicy
ke peran layananAmazonSageMakerServiceCatalogProductsApiGatewayRole
. - Tambahkan kebijakan
AmazonSageMakerPartnerServiceCatalogProductsLambdaServiceRolePolicy
ke peran layananAmazonSageMakerServiceCatalogProductsLambdaRole
.
- Tambahkan kebijakan
- Di konsol IAM, navigasikan ke peran eksekusi domain SageMaker.
- Pilih Tambahkan izin dan pilih Buat kebijakan sebaris.
- Masukkan kebijakan berikut di editor kebijakan JSON:
Studio SageMaker konfigurasi siklus hidup menyediakan skrip shell yang dijalankan saat buku catatan dibuat atau dimulai. Konfigurasi siklus hidup akan digunakan untuk mengambil rahasia dan mengimpornya ke runtime SageMaker.
- Di konsol SageMaker, pilih Konfigurasi siklus hidup di panel navigasi.
- Pilih Buat konfigurasi.
- Biarkan pilihan default Aplikasi Server Jupyter Dan pilihlah Selanjutnya.
- Beri nama pada konfigurasi tersebut.
- Masukkan skrip berikut di editor, berikan ARN untuk rahasia yang Anda buat sebelumnya:
- Pilih Kirim untuk menyimpan konfigurasi siklus hidup.
- Pilih Domain di panel navigasi dan buka domain Anda.
- pada Lingkungan Hidup tab, pilih Melampirkan untuk melampirkan konfigurasi siklus hidup Anda.
- Pilih konfigurasi siklus hidup yang Anda buat dan pilih Lampirkan ke domain.
- Pilih Ditetapkan sebagai default.
Jika Anda adalah pengguna kembali SageMaker Studio, untuk memastikan Salesforce Data Cloud diaktifkan, tingkatkan ke kernel Jupyter dan SageMaker Data Wrangler terbaru.
Ini menyelesaikan penyiapan untuk mengaktifkan akses data dari Salesforce Data Cloud ke SageMaker Studio untuk membangun model AI dan pembelajaran mesin (ML).
Buat proyek SageMaker
Untuk mulai menggunakan solusinya, pertama-tama buat proyek menggunakan Proyek Amazon SageMaker. Selesaikan langkah-langkah berikut:
- Di SageMaker Studio, di bawah penyebaran di panel navigasi, pilih Proyek.
- Pilih Buat proyek.
- Pilih templat proyek yang disebut Penerapan model untuk Salesforce.
- Pilih Pilih template proyek.
- Masukkan nama dan deskripsi opsional untuk proyek Anda.
- Masukkan nama grup model.
- Masukkan nama rahasia Secrets Manager yang Anda buat sebelumnya.
- Pilih Buat proyek.
Proyek ini mungkin memerlukan waktu 1โ2 menit untuk dimulai.
Anda dapat melihat dua repositori baru. Yang pertama adalah untuk contoh buku catatan yang dapat Anda gunakan apa adanya atau dikustomisasi untuk mempersiapkan, melatih, membuat, dan mendaftarkan model di SageMaker Model Registry. Repositori kedua adalah untuk mengotomatiskan penerapan model, termasuk mengekspos titik akhir SageMaker sebagai API.
- Pilih klon repo untuk kedua buku catatan.
Untuk postingan kali ini kami menggunakan contoh rekomendasi produk yang dapat ditemukan di sagemaker-<YOUR-PROJECT-NAME>-p-<YOUR-PROJECT-ID>-example-nb/product-recommendation
direktori yang baru saja Anda kloning. Sebelum kita menjalankan notebook product-recommendation.ipynb, mari lakukan beberapa persiapan data untuk membuat data pelatihan menggunakan SageMaker Data Wrangler.
Siapkan data dengan SageMaker Data Wrangler
Selesaikan langkah-langkah berikut:
- Di SageMaker Studio, di File menu, pilih New dan Aliran data Wrangler.
- Setelah Anda membuat aliran data, pilih (klik kanan) tab dan pilih Rename untuk mengganti nama file.
- Pilih Impor data.
- Pilih Buat koneksi.
- Pilih Awan Data Tenaga Penjualan.
- Untuk Nama, Masuk
salesforce-data-cloud-sagemaker-connection
. - Untuk URL organisasi tenaga penjualan, masukkan URL organisasi Salesforce Anda.
- Pilih Simpan + Hubungkan.
- Dalam tampilan Data Explorer, pilih dan pratinjau tabel dari Salesforce Data Cloud untuk membuat dan menjalankan kueri guna mengekstrak kumpulan data yang diperlukan.
- Kueri Anda akan terlihat seperti di bawah ini dan Anda dapat menggunakan nama tabel yang Anda gunakan saat mengunggah data di Salesforce Data Cloud.
- Pilih Buat set data.
Membuat kumpulan data mungkin memerlukan waktu.
Dalam tampilan aliran data, kini Anda dapat melihat node baru ditambahkan ke grafik visual.
Untuk informasi selengkapnya tentang bagaimana Anda dapat menggunakan SageMaker Data Wrangler untuk membuat Laporan Kualitas Data dan Wawasan, lihat Dapatkan Wawasan Tentang Data dan Kualitas Data.
SageMaker Data Wrangler menawarkan lebih dari 300 transformasi bawaan. Pada langkah ini, kami menggunakan beberapa transformasi ini untuk menyiapkan kumpulan data untuk model ML. Untuk petunjuk rinci tentang cara menerapkan transformasi ini, lihat Transformasi Data.
- Gunakan Kelola kolom langkah dengan Jatuhkan kolom transformasi untuk menjatuhkan kolom
id__c
. - Gunakan Menangani hilang langkah dengan Jatuh hilang transform untuk menghapus baris dengan nilai yang hilang untuk berbagai fitur. Kami menerapkan transformasi ini di semua kolom.
- Gunakan langkah transformasi khusus untuk membuat nilai kategorikal
state__c
,case_count__c
, dantenure
fitur. Gunakan kode berikut untuk transformasi ini: - Gunakan Proses numerik langkah dengan Nilai skala mengubah dan memilih Penskala standar untuk mengukur
clicks__c
,engagement__score
, danpages__visited__c
fitur. - Gunakan Enkode kategoris langkah dengan Enkode satu-panas transform untuk mengubah variabel kategori menjadi numerik
case__type__return___c
,case__type_shipment__damaged
,month__c
,club__member__c
, dancampaign__c
fitur (semua fitur kecualiclicks__c
,engagement__score
,pages__visited__c
, danproduct_purchased__c
).
Pembuatan model, pelatihan, dan penerapan
Untuk membangun, melatih, dan menerapkan model, selesaikan langkah-langkah berikut:
- Kembali ke proyek SageMaker, buka notebook product-recommendation.ipynb, dan jalankan tugas pemrosesan untuk melakukan praproses data menggunakan konfigurasi SageMaker Data Wrangler yang Anda buat.
- Ikuti langkah-langkah di buku catatan untuk melatih model dan mendaftarkannya ke SageMaker Model Registry.
- Pastikan untuk memperbarui nama grup model agar sesuai dengan nama grup model yang Anda gunakan saat membuat proyek SageMaker.
Untuk menemukan nama grup model, buka proyek SageMaker yang Anda buat sebelumnya dan navigasikan ke Settings Tab.
Demikian pula, file alur yang direferensikan di buku catatan harus cocok dengan nama file alur yang Anda buat sebelumnya.
- Untuk posting ini, kami menggunakan
product-recommendation
sebagai nama grup model, jadi kami memperbarui notebook denganproject-recommendation
sebagai nama grup model di buku catatan.
Setelah notebook dijalankan, model yang dilatih didaftarkan di Model Registry. Untuk mempelajari lebih lanjut tentang Model Registry, lihat Daftarkan dan Terapkan Model dengan Model Registry.
- Pilih versi model yang Anda buat dan perbarui statusnya Disetujui.
Sekarang setelah Anda menyetujui model terdaftar, langkah penerapan proyek SageMaker Salesforce akan disediakan dan dipicu Pipa Kode AWS.
CodePipeline memiliki langkah-langkah untuk membangun dan menerapkan titik akhir SageMaker untuk inferensi yang berisi langkah-langkah prapemrosesan SageMaker Data Wrangler dan model yang dilatih. Titik akhir akan diekspos ke Salesforce Data Cloud sebagai API melalui API Gateway. Tangkapan layar berikut menunjukkan alur yang diawali dengan Sagemaker-salesforce-product-recommendation-xxxxx
. Kami juga menunjukkan kepada Anda titik akhir dan API yang dibuat oleh proyek SageMaker untuk Salesforce.
Jika mau, Anda dapat melihat langkah penerapan CodePipeline yang menggunakan Formasi AWS Cloud skrip untuk membuat titik akhir SageMaker dan API Gateway dengan otorisasi JWT khusus.
Ketika penerapan alur selesai, Anda dapat menemukan titik akhir SageMaker di konsol SageMaker.
Anda dapat menjelajahi API Gateway yang dibuat oleh templat proyek di konsol API Gateway.
Pilih tautan untuk menemukan URL API Gateway.
Anda dapat menemukan detail pemberi otorisasi JWT dengan memilih Pemberi kuasa di konsol API Gateway. Anda juga bisa pergi ke AWS Lambda konsol untuk meninjau kode fungsi Lambda yang dibuat oleh templat proyek.
Untuk menemukan skema yang akan digunakan saat memanggil API dari Einstein Studio, pilih Informasi di panel navigasi Model Registry. Anda akan melihat sebuah Layanan Penyimpanan Sederhana Amazon (Amazon S3) tautan ke file metadata. Salin dan tempel tautan ke URL tab browser baru.
Mari kita lihat filenya tanpa mendownloadnya. Pada halaman detail file, pilih Tindakan objek menu dan pilih Permintaan dengan S3 Select.
Pilih Jalankan kueri SQL dan catat URL dan skema API Gateway karena Anda akan memerlukan informasi ini saat mendaftar ke Einstein Studio. Jika Anda tidak melihat APIGWURL
kuncinya, mungkin modelnya tidak disetujui, penerapan masih berlangsung, atau penerapan gagal.
Gunakan Salesforce Einstein Studio API untuk prediksi
Salesforce Einstein Studio adalah pengalaman baru dan terpusat di Salesforce Data Cloud yang dapat digunakan oleh tim ilmu data dan teknik untuk dengan mudah mengakses model tradisional dan LLM yang digunakan dalam AI generatif. Selanjutnya, kami menyiapkan URL API dan client_id
yang Anda atur di Secrets Manager sebelumnya di Salesforce Einstein Studio untuk mendaftar dan menggunakan inferensi model di Salesforce Einstein Studio. Untuk instruksi, lihat Hadirkan Model AI Anda Sendiri ke Salesforce dengan Einstein Studio.
Membersihkan
Untuk menghapus semua sumber daya yang dibuat oleh proyek SageMaker, pada halaman proyek, pilih Tindakan menu dan pilih Delete.
Untuk menghapus sumber daya (titik akhir API Gateway dan SageMaker) yang dibuat oleh CodePipeline, navigasikan ke konsol AWS CloudFormation dan hapus tumpukan yang telah dibuat.
Kesimpulan
Dalam postingan ini, kami menjelaskan bagaimana Anda dapat membangun dan melatih model ML di SageMaker Studio menggunakan SageMaker Data Wrangler untuk mengimpor dan menyiapkan data yang dihosting di Salesforce Data Cloud dan menggunakan konektor JDBC Salesforce Data Cloud yang baru diluncurkan di SageMaker Data Wrangler dan yang pertama Templat Salesforce -party di SageMaker menyediakan templat proyek untuk integrasi Salesforce Data Cloud. Templat proyek SageMaker untuk Salesforce memungkinkan Anda menerapkan model dan membuat titik akhir serta mengamankan API untuk model terdaftar. Anda kemudian menggunakan API untuk membuat prediksi di Salesforce Einstein Studio untuk kasus penggunaan bisnis Anda.
Meskipun kami menggunakan contoh rekomendasi produk untuk menunjukkan langkah-langkah penerapan integrasi ujung ke ujung, Anda dapat menggunakan templat proyek SageMaker untuk Salesforce guna membuat titik akhir dan API untuk model tradisional SageMaker dan LLM apa pun yang terdaftar di SageMaker Registri Model. Kami menantikan apa yang Anda buat di SageMaker menggunakan data dari Salesforce Data Cloud dan memberdayakan aplikasi Salesforce Anda menggunakan model ML yang dihosting SageMaker!
Postingan ini merupakan kelanjutan dari seri mengenai integrasi Salesforce Data Cloud dan SageMaker. Untuk gambaran umum tingkat tinggi dan mempelajari lebih lanjut tentang dampak bisnis yang dapat Anda hasilkan dengan pendekatan integrasi ini, lihat bagian 1.
Sumber daya tambahan
Tentang penulis
Daryl Martis adalah Direktur Produk Einstein Studio di Salesforce Data Cloud. Dia memiliki pengalaman lebih dari 10 tahun dalam merencanakan, membangun, meluncurkan, dan mengelola solusi kelas dunia untuk pelanggan perusahaan termasuk solusi AI/ML dan cloud. Dia sebelumnya bekerja di industri jasa keuangan di New York City. Ikuti dia https://www.linkedin.com/in/darylmartis.
Rakhna Chadha adalah Arsitek Solusi Utama AI/ML dalam Akun Strategis di AWS. Rachna adalah seorang optimis yang percaya bahwa penggunaan AI yang etis dan bertanggung jawab dapat memperbaiki masyarakat di masa depan dan membawa kesejahteraan ekonomi dan sosial. Di waktu luangnya, Rachna senang menghabiskan waktu bersama keluarga, mendaki gunung, dan mendengarkan musik.
Ife Stewart adalah Arsitek Solusi Utama di segmen ISV Strategis di AWS. Dia telah terlibat dengan Salesforce Data Cloud selama 2 tahun terakhir untuk membantu membangun pengalaman pelanggan terintegrasi di seluruh Salesforce dan AWS. Ife memiliki pengalaman lebih dari 10 tahun di bidang teknologi. Dia adalah pendukung keberagaman dan inklusi di bidang teknologi.
Dharmendra Kumar Rai (DK Rai) adalah Sr. Arsitek Data, Data Lake & AI/ML, yang melayani pelanggan strategis. Dia bekerja sama dengan pelanggan untuk memahami bagaimana AWS dapat membantu mereka memecahkan masalah, terutama di bidang AI/ML dan analitik. DK memiliki pengalaman bertahun-tahun dalam membangun solusi intensif data di berbagai sektor industri, termasuk teknologi tinggi, FinTech, asuransi, dan aplikasi yang berhubungan dengan konsumen.
Marc Karpa adalah Arsitek ML dengan tim Layanan SageMaker. Dia berfokus membantu pelanggan merancang, menerapkan, dan mengelola beban kerja ML dalam skala besar. Di waktu luangnya, ia senang jalan-jalan dan menjelajahi tempat-tempat baru.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Otomotif / EV, Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- BlockOffset. Modernisasi Kepemilikan Offset Lingkungan. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/use-the-amazon-sagemaker-and-salesforce-data-cloud-integration-to-power-your-salesforce-apps-with-ai-ml/
- :memiliki
- :adalah
- :Di mana
- $NAIK
- 1
- 10
- 100
- 12
- 14
- 30
- 7
- 8
- 9
- a
- Tentang Kami
- mengakses
- Akun
- di seluruh
- Tindakan
- tindakan
- sebenarnya
- menambahkan
- menambahkan
- alamat
- pengacara
- terhadap
- AI
- Model AI
- AI / ML
- algoritma
- Semua
- mengizinkan
- memungkinkan
- juga
- Meskipun
- Amazon
- Amazon SageMaker
- Amazon Web Services
- an
- analisis
- dan
- Apa pun
- api
- Lebah
- aplikasi
- aplikasi
- Mendaftar
- pendekatan
- sesuai
- disetujui
- aplikasi
- arsitektur
- ADALAH
- AS
- At
- melampirkan
- atribut
- Otentikasi
- mengotomatiskan
- secara otomatis
- mengotomatisasi
- rata-rata
- AWS
- Formasi AWS Cloud
- kembali
- BE
- karena
- menjadi
- sebelum
- percaya
- di bawah
- TERBAIK
- antara
- kedua
- membawa
- Browser
- membangun
- Bangunan
- dibangun di
- built-in
- bisnis
- bisnis
- by
- panggilan
- Kampanye
- Kampanye
- CAN
- kemampuan
- kemampuan
- ditangkap
- kasus
- kasus
- KUCING
- terpusat
- perubahan
- pilihan
- Pilih
- memilih
- Kota
- klien
- rapat
- awan
- klub
- kode
- Kolom
- Kolom
- lengkap
- Selesaikan
- kondisi
- konfigurasi
- Terhubung
- terhubung
- konsul
- konsumen
- kontak
- Wadah
- kelanjutan
- mengubah
- penyalinan
- membuat
- dibuat
- menciptakan
- membuat
- Surat kepercayaan
- adat
- pelanggan
- data pelanggan
- pelanggan
- menyesuaikan
- data
- akses data
- Danau Data
- Platform Data
- Persiapan data
- ilmu data
- Default
- Demografi
- mendemonstrasikan
- menyebarkan
- dikerahkan
- penyebaran
- deskripsi
- Mendesain
- terperinci
- rincian
- Kepala
- menemukan
- mendiskusikan
- Keragaman
- Keanekaragaman dan inklusi
- do
- domain
- Dont
- turun
- Menjatuhkan
- Terdahulu
- mudah
- Ekonomis
- editor
- efek
- einstein
- antara
- memberdayakan
- aktif
- diaktifkan
- memungkinkan
- ujung ke ujung
- Titik akhir
- bertunangan
- interaksi
- Pertunangan
- Teknik
- memastikan
- Enter
- Enterprise
- terutama
- etis
- contoh
- Kecuali
- eksekusi
- Lihat lebih lanjut
- pengalaman
- Pengalaman
- menjelaskan
- menyelidiki
- penjelajah
- Menjelajahi
- terkena
- ekstrak
- Gagal
- keluarga
- Fitur
- bidang
- File
- keuangan
- jasa keuangan
- Menemukan
- fintech
- Pertama
- aliran
- berfokus
- mengikuti
- berikut
- Untuk
- Depan
- ditemukan
- dari
- fungsi
- fungsi
- masa depan
- pintu gerbang
- generatif
- AI generatif
- Memberikan
- Go
- grafik
- Kelompok
- memiliki
- Memiliki
- he
- membantu
- membantu
- dia
- di sini
- tingkat tinggi
- dia
- -nya
- historis
- sejarah
- host
- tuan
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- http
- HTTPS
- ID
- pengidentifikasi
- identitas
- if
- menggambarkan
- Dampak
- melaksanakan
- mengimplementasikan
- mengimpor
- memperbaiki
- in
- termasuk
- Termasuk
- penyertaan
- industri
- informasi
- memulai
- input
- wawasan
- instruksi
- asuransi
- terpadu
- integrasi
- ke
- memperkenalkan
- IP
- IT
- NYA
- Pekerjaan
- jpg
- json
- hanya
- Jwt
- kunci
- danau
- bahasa
- besar
- Terakhir
- Terbaru
- diluncurkan
- peluncuran
- BELAJAR
- pengetahuan
- Meninggalkan
- Tingkat
- siklus hidup
- 'like'
- 'like
- LINK
- Listening
- LLM
- mencatat
- melihat
- terlihat seperti
- mesin
- Mesin belajar
- terbuat
- membuat
- Membuat
- mengelola
- pengelolaan
- manajer
- pelaksana
- banyak
- Marketing
- Cocok
- Mungkin..
- menu
- Metadata
- menit
- hilang
- ML
- model
- model
- Bulan
- lebih
- pindah
- musik
- harus
- nama
- Arahkan
- Navigasi
- Perlu
- dibutuhkan
- New
- NY
- new york city
- baru saja
- berikutnya
- simpul
- buku catatan
- sekarang
- jumlah
- sumpah
- of
- Penawaran
- on
- ONE
- secara online
- Buka
- or
- urutan
- kami
- lebih
- secara keseluruhan
- ikhtisar
- sendiri
- halaman
- halaman
- pasang
- pane
- bagian
- pasangan
- Lulus
- melewati
- Izin
- telepon
- pipa saluran
- Tempat
- perencanaan
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- Kebijakan
- kebijaksanaan
- diisi
- Pos
- kekuasaan
- Prediksi
- persiapan
- Mempersiapkan
- siap
- Preview
- sebelumnya
- sebelumnya
- Utama
- Sebelumnya
- masalah
- proses
- pengolahan
- Produk
- Profil
- Kemajuan
- proyek
- kemakmuran
- memberikan
- disediakan
- menyediakan
- menyediakan
- ketentuan
- membeli
- kualitas
- query
- menonjol
- jarak
- real-time
- sarankan
- Rekomendasi
- rekomendasi
- mengenai
- wilayah
- daftar
- terdaftar
- mendaftar
- pendaftaran
- hubungan
- laporan
- gudang
- permintaan
- permintaan
- membutuhkan
- wajib
- sumber
- Sumber
- itu
- tanggapan
- tanggung jawab
- membatasi
- kembali
- ulasan
- Klik kanan
- Peran
- peran
- aturan
- Run
- pembuat bijak
- tenaga penjualan
- sama
- Save
- Skala
- Ilmu
- script
- Kedua
- Rahasia
- Bagian
- aman
- aman
- melihat
- melihat
- ruas
- seleksi
- Seri
- layanan
- Layanan
- porsi
- set
- pengaturan
- penyiapan
- dia
- Kulit
- harus
- Menunjukkan
- menampilkan
- menampilkan
- Pertunjukkan
- Sederhana
- So
- Sosial
- Masyarakat
- larutan
- Solusi
- MEMECAHKAN
- beberapa
- Space
- tertentu
- Pengeluaran
- tumpukan
- awal
- mulai
- Negara
- Pernyataan
- Status
- Langkah
- Tangga
- Masih
- penyimpanan
- menyimpan
- menyimpan
- Strategis
- aliran
- mempersingkat
- studio
- selanjutnya
- seperti itu
- mendukung
- yakin
- tabel
- MENANDAI
- Mengambil
- tim
- tim
- Teknologi
- Template
- template
- dari
- bahwa
- Grafik
- Masa depan
- Negara
- mereka
- Mereka
- kemudian
- Ini
- ini
- Melalui
- waktu
- timestamp
- untuk
- token
- alat
- tema
- tradisional
- Pelatihan VE
- terlatih
- Pelatihan
- Mengubah
- Transformasi
- transformasi
- Perjalanan
- memicu
- dua
- mengetik
- bawah
- memahami
- unik
- Memperbarui
- meningkatkan
- Mengunggah
- URL
- menggunakan
- gunakan case
- bekas
- Pengguna
- kegunaan
- menggunakan
- nilai
- Nilai - Nilai
- berbagai
- versi
- vertikal
- melalui
- View
- mengunjungi
- adalah
- we
- jaringan
- layanan web
- minggu
- BAIK
- Apa
- ketika
- apakah
- yang
- sementara
- SIAPA
- akan
- dengan
- dalam
- tanpa
- bekerja
- bekerja
- kelas dunia
- akan
- tahun
- York
- Kamu
- Anda
- zephyrnet.dll