Data terstruktur, didefinisikan sebagai data yang mengikuti pola tetap seperti informasi yang disimpan dalam kolom dalam database, dan data tidak terstruktur, yang tidak memiliki bentuk atau pola tertentu seperti teks, gambar, atau postingan media sosial, keduanya terus bertambah seiring diproduksi dan dikonsumsi. oleh berbagai organisasi. Misalnya, menurut International Data Corporation (IDC), volume data dunia diperkirakan akan meningkat sepuluh kali lipat pada tahun 2025, dengan porsi data yang tidak terstruktur yang signifikan. Perusahaan mungkin ingin menambahkan metadata khusus seperti jenis dokumen (formulir W-2 atau slip pembayaran), berbagai jenis entitas seperti nama, organisasi, dan alamat, selain metadata standar seperti jenis file, tanggal pembuatan, atau ukuran untuk memperluas kecerdasan mencari sambil menelan dokumen. Metadata khusus membantu organisasi dan perusahaan mengkategorikan informasi sesuai keinginan mereka. Misalnya, metadata dapat digunakan untuk memfilter dan mencari. Pelanggan dapat membuat metadata khusus menggunakan Amazon Comprehend, layanan pemrosesan bahasa alami (NLP) yang dikelola oleh AWS untuk mengekstrak wawasan tentang konten dokumen, dan menyerapnya ke dalam AmazonKendra beserta datanya ke dalam indeks. Amazon Kendra adalah layanan pencarian perusahaan yang sangat akurat dan mudah digunakan yang didukung oleh Machine Learning (AWS). Metadata khusus kemudian dapat digunakan untuk memperkaya konten menjadi lebih baik penyaringan dan segi kemampuan. Di Amazon Kendra, faset adalah tampilan tercakup dari serangkaian hasil pencarian. Misalnya, Anda dapat memberikan hasil pencarian untuk kota-kota di seluruh dunia, di mana dokumen difilter berdasarkan kota tertentu yang terkait dengan kota tersebut. Anda juga dapat membuat faset untuk menampilkan hasil dari penulis tertentu.
Perusahaan asuransi terbebani dengan semakin banyaknya klaim yang harus mereka proses. Selain itu, kompleksitas pemrosesan klaim juga semakin meningkat karena beragamnya jenis dokumen asuransi yang terlibat, dan entitas khusus di setiap dokumen tersebut. Dalam postingan ini, kami menjelaskan kasus penggunaan pengayaan konten khusus untuk penyedia asuransi. Penyedia asuransi menerima klaim pembayaran dari pengacara penerima untuk berbagai jenis asuransi, seperti asuransi rumah, mobil, dan jiwa. Dalam use case ini, dokumen yang diterima oleh penyedia asuransi tidak mengandung metadata apa pun yang memungkinkan pencarian konten berdasarkan entitas dan kelas tertentu. Penyedia asuransi ingin memfilter konten Kendra berdasarkan entitas khusus dan kelas khusus untuk domain bisnis mereka. Posting ini mengilustrasikan bagaimana Anda dapat mengotomatisasi dan menyederhanakan pembuatan metadata menggunakan model kustom dari Amazon Comprehend. Metadata yang dihasilkan dapat disesuaikan selama proses penyerapan dengan Amazon Kendra Pengayaan Dokumen Kustom (CDE) logika khusus.
Mari kita lihat beberapa contoh pencarian Amazon Kendra dengan atau tanpa kemampuan pemfilteran dan faset.
Pada tangkapan layar berikut, Amazon Kendra memberikan hasil pencarian tetapi tidak ada opsi untuk lebih mempersempit hasil pencarian dengan menggunakan filter apa pun.
Tangkapan layar berikut menunjukkan hasil pencarian Amazon Kendra dapat difilter dengan menggunakan aspek berbeda seperti Firma Hukum, Nomor Kebijakan, yang dibuat oleh metadata khusus untuk mempersempit hasil pencarian.
Solusi yang dibahas dalam postingan ini juga dapat dengan mudah diterapkan pada bisnis/kasus penggunaan lain, seperti layanan kesehatan, manufaktur, dan penelitian.
Ikhtisar solusi
Dalam solusi yang diusulkan ini, kami akan 1) mengklasifikasikan pengajuan klaim asuransi ke dalam berbagai kelas, dan 2) mengambil entitas khusus asuransi dari dokumen-dokumen ini. Ketika ini selesai, dokumen dapat diarahkan ke departemen yang sesuai atau proses hilir.
Diagram berikut menguraikan arsitektur solusi yang diusulkan.
Amazon Comprehend klasifikasi khusus API digunakan untuk mengatur dokumen Anda ke dalam kategori (kelas) yang Anda tentukan. Klasifikasi khusus adalah proses dua langkah. Pertama, Anda melatih model klasifikasi khusus (juga disebut pengklasifikasi) untuk mengenali kelas yang Anda minati. Kemudian, Anda menggunakan model Anda untuk mengklasifikasikan sejumlah kumpulan dokumen.
Amazon Comprehend pengakuan entitas kustom fitur digunakan untuk mengidentifikasi jenis entitas tertentu (nama perusahaan asuransi, nama perusahaan asuransi, nomor polis) di luar yang tersedia di tipe entitas generik secara default. Membangun model pengenalan entitas kustom adalah pendekatan yang lebih efektif daripada menggunakan pencocokan string atau ekspresi reguler untuk mengekstrak entitas dari dokumen. Model pengenalan entitas kustom dapat mempelajari konteks di mana nama-nama tersebut cenderung muncul. Selain itu, pencocokan string tidak akan mendeteksi entitas yang memiliki kesalahan ketik atau mengikuti konvensi penamaan baru, meskipun hal ini dapat dilakukan menggunakan model kustom.
Sebelum menyelam lebih dalam, mari luangkan waktu sejenak untuk menjelajahi Amazon Kendra. Amazon Kendra adalah layanan pencarian perusahaan yang sangat akurat dan mudah digunakan yang didukung oleh pembelajaran mesin. Hal ini memungkinkan pengguna untuk menemukan informasi yang mereka butuhkan dalam sejumlah besar konten yang tersebar di seluruh organisasi mereka, mulai dari situs web dan database hingga situs intranet. Pertama-tama kami akan membuat indeks Amazon Kendra untuk menyerap dokumen. Saat menyerap data, penting untuk mempertimbangkan konsep Pengayaan Data Khusus (CDE). CDE memungkinkan Anda meningkatkan kemampuan pencarian dengan memasukkan pengetahuan eksternal ke dalam indeks pencarian. Untuk informasi lebih lanjut, lihat Memperkaya dokumen Anda selama penyerapan. Dalam postingan ini, logika CDE memanggil API kustom Amazon Comprehend untuk memperkaya dokumen dengan kelas dan entitas yang teridentifikasi. Terakhir, kami menggunakan halaman pencarian Amazon Kendra untuk menunjukkan bagaimana metadata meningkatkan kemampuan pencarian dengan menambahkan kemampuan faceting dan filter.
Langkah-langkah tingkat tinggi untuk menerapkan solusi ini adalah sebagai berikut:
- Latih pengklasifikasi kustom Amazon Comprehend menggunakan data pelatihan
- Latih pengenalan entitas kustom Amazon Comprehend menggunakan data pelatihan
- Buat pengklasifikasi kustom Amazon Comprehend dan titik akhir pengenalan entitas kustom
- Membuat dan menerapkan fungsi Lambda untuk pengayaan pasca ekstraksi
- Buat dan isi indeks Amazon Kendra
- Gunakan entitas yang diekstraksi untuk memfilter pencarian di Amazon Kendra
Kami juga telah menyediakan contoh aplikasi di GitHub repo sebagai referensi.
Keamanan data dan pertimbangan IAM
Dengan keamanan sebagai prioritas utama, solusi ini mengikuti prinsip izin hak istimewa terkecil untuk layanan dan fitur yang digunakan. IAM role yang digunakan oleh klasifikasi kustom Amazon Comprehend dan pengenalan entitas kustom memiliki izin untuk mengakses dataset dari bucket pengujian saja. Layanan Amazon Kendra memiliki akses ke bucket S3 tertentu dan fungsi Lambda yang digunakan untuk memanggil API pemahaman. Fungsi Lambda memiliki izin untuk memanggil API Amazon Comprehend saja. Untuk informasi lebih lanjut, tinjaulah bagian 1.2 dan 1.3 dalam buku catatan.
Kami menyarankan Anda melakukan hal berikut di lingkungan non-produksi sebelum menerapkan solusi di lingkungan produksi.
Latih Pemahaman pengklasifikasi khusus menggunakan data pelatihan
Klasifikasi Kustom Amazon Comprehend mendukung dua tipe format data untuk file anotasi:
Karena data kita sudah diberi label dan disimpan dalam file CSV, kita akan menggunakan format file CSV untuk file anotasi sebagai contoh. Kami harus menyediakan data pelatihan berlabel sebagai teks berkode UTF-8 dalam file CSV. Jangan sertakan baris header dalam file CSV. Menambahkan baris header di file Anda dapat menyebabkan error runtime. Contoh file CSV data pelatihan adalah sebagai berikut:
Untuk menyiapkan data pelatihan pengklasifikasi, lihat Mempersiapkan data pelatihan pengklasifikasi. Untuk setiap baris dalam file CSV, kolom pertama berisi satu atau lebih label kelas. Label kelas dapat berupa string UTF-8 apa pun yang valid. Sebaiknya gunakan nama kelas yang jelas dan tidak tumpang tindih maknanya. Nama dapat menyertakan spasi, dan dapat terdiri dari beberapa kata yang dihubungkan dengan garis bawah atau tanda hubung. Jangan tinggalkan karakter spasi apa pun sebelum atau sesudah koma yang memisahkan nilai dalam satu baris.
Selanjutnya, Anda akan berlatih menggunakan Mode multi-kelas or Mode multi-label. Secara khusus, dalam mode multi-kelas, klasifikasi menetapkan satu kelas untuk setiap dokumen, sedangkan dalam mode multi-label, masing-masing kelas mewakili kategori berbeda yang tidak eksklusif satu sama lain. Dalam kasus kami, kami akan menggunakan mode Multi-Kelas untuk model teks biasa.
Anda dapat menyiapkan set data pelatihan dan pengujian terpisah untuk pelatihan pengklasifikasi khusus Amazon Comprehend dan evaluasi model. Atau, hanya sediakan satu kumpulan data untuk pelatihan dan pengujian. Comprehend akan secara otomatis memilih 10% dari kumpulan data yang Anda berikan untuk digunakan sebagai data pengujian. Dalam contoh ini, kami menyediakan kumpulan data pelatihan dan pengujian terpisah.
Contoh berikut memperlihatkan file CSV yang berisi nama kelas yang terkait dengan berbagai dokumen.
Saat model klasifikasi khusus dilatih, model tersebut dapat mencakup berbagai kelas asuransi pada dokumen (asuransi Rumah, Mobil, atau Jiwa).
Latih pengenal entitas kustom (NER) Amazon Comprehend menggunakan data pelatihan
Dataset pelatihan untuk Amazon Comprehend Custom Entity Recognition (NER) dapat disiapkan dengan salah satu dari dua cara berbeda:
- Penjelasan โ Menyediakan kumpulan data yang berisi entitas beranotasi untuk pelatihan mode
- Daftar entitas (hanya teks biasa) โ Memberikan daftar entitas dan jenis labelnya (seperti โNama perusahaan asuransiโ) dan sekumpulan dokumen tanpa anotasi yang berisi entitas tersebut untuk pelatihan model
Untuk informasi lebih lanjut, lihat Mempersiapkan data pelatihan pengenal entitas.
Saat melatih model menggunakan daftar entitas, kita perlu menyediakan dua informasi: daftar nama entitas dengan jenis entitas kustom terkait dan kumpulan dokumen tanpa anotasi tempat entitas tersebut muncul.
Pelatihan otomatis memerlukan dua jenis informasi: dokumen sampel dan daftar entitas atau anotasi. Setelah pengenal dilatih, Anda dapat menggunakannya untuk mendeteksi entitas kustom dalam dokumen Anda. Anda dapat dengan cepat menganalisis sekumpulan kecil teks secara real-time, atau Anda dapat menganalisis sekumpulan besar dokumen dengan pekerjaan asinkron.
Anda dapat menyiapkan set data pelatihan dan pengujian terpisah untuk pelatihan pengenal entitas kustom dan evaluasi model Amazon Comprehend. Atau sediakan hanya satu kumpulan data untuk pelatihan dan pengujian. Amazon Comprehend akan secara otomatis memilih 10% dari kumpulan data yang Anda berikan untuk digunakan sebagai data pengujian. Dalam contoh di bawah ini, kami menetapkan kumpulan data pelatihan sebagai Documents.S3Uri
bawah InputDataConfig
.
Contoh berikut memperlihatkan file CSV yang berisi entitas:
Setelah model entitas kustom (NER) dilatih, model tersebut akan dapat mengekstrak berbagai entitas seperti โPAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
".
Buat pengklasifikasi kustom Amazon Comprehend dan titik akhir entitas kustom (NER).
Titik akhir Amazon Comprehend membuat model kustom Anda tersedia untuk klasifikasi waktu nyata. Setelah Anda membuat titik akhir, Anda dapat mengubahnya seiring berkembangnya kebutuhan bisnis Anda. Misalnya, Anda dapat memantau pemanfaatan titik akhir dan menerapkan penskalaan otomatis untuk mengatur penyediaan titik akhir secara otomatis agar sesuai dengan kebutuhan kapasitas Anda. Anda dapat mengelola semua titik akhir dari satu tampilan, dan ketika Anda tidak lagi memerlukan titik akhir, Anda dapat menghapusnya untuk menghemat biaya. Amazon Comprehend mendukung opsi sinkron dan asinkron, jika klasifikasi real-time tidak diperlukan untuk kasus penggunaan Anda, Anda dapat mengirimkan tugas batch ke Amazon Comprehend untuk klasifikasi data asinkron.
Untuk kasus penggunaan ini, Anda membuat titik akhir agar model kustom Anda tersedia untuk analisis waktu nyata.
Untuk memenuhi kebutuhan pemrosesan teks, Anda menetapkan unit inferensi ke titik akhir, dan setiap unit memungkinkan throughput 100 karakter per detik. Anda kemudian dapat menyesuaikan throughput ke atas atau ke bawah.
Membuat dan menerapkan fungsi Lambda untuk pengayaan pasca ekstraksi
Fungsi Lambda pasca-ekstraksi memungkinkan Anda mengimplementasikan logika untuk memproses teks yang diekstraksi oleh Amazon Kendra dari dokumen yang diserap. Fungsi pasca-ekstraksi yang kami konfigurasikan mengimplementasikan kode untuk memanggil Amazon Comprehend untuk mendeteksi entitas kustom dan mengklasifikasikan dokumen secara kustom dari teks yang diekstraksi oleh Amazon Kendra, dan menggunakannya untuk memperbarui metadata dokumen, yang disajikan sebagai faset dalam pencarian Amazon Kendra . Kode fungsi tertanam di notebook. Itu PostExtractionLambda
kode berfungsi sebagai berikut:
- Membagi teks halaman menjadi beberapa bagian yang tidak melebihi batas panjang byte maksimal pemahaman
detect_entities
API. (Melihat Batas ).
CATATAN skrip menggunakan algoritme pemisahan panjang karakter yang naif untuk kesederhanaan โ kasus penggunaan produksi harus menerapkan pemisahan batas kalimat atau tumpang tindih, berdasarkan panjang byte UTF8. - Untuk setiap bagian teks, panggil titik akhir pemahaman real-time untuk entitas kustom dan pengklasifikasi kustom untuk mendeteksi tipe entitas berikut: [โ
PAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
","INSURANCE_TYPE
"]. - Memfilter entitas terdeteksi yang berada di bawah ambang batas skor keyakinan. Kami menggunakan ambang batas 0.50 yang berarti hanya entitas dengan keyakinan 50% atau lebih yang akan digunakan. Ini dapat disesuaikan berdasarkan kasus penggunaan dan persyaratan.
- Melacak jumlah frekuensi setiap entitas.
- Hanya memilih N (10) entitas unik teratas untuk setiap halaman, berdasarkan frekuensi kemunculan.
- Untuk klasifikasi dokumen, pengklasifikasi kelas jamak hanya menetapkan satu kelas untuk setiap dokumen. Dalam fungsi Lambda ini, dokumen akan diklasifikasikan menjadi Asuransi Kendaraan, Asuransi Rumah, atau Asuransi Jiwa.
Perhatikan bahwa pada tulisan ini, CDE hanya mendukung panggilan sinkron atau jika harus asinkron, maka diperlukan loop tunggu eksplisit. Untuk pasca ekstraksi Lambda the waktu eksekusi maksimal adalah 1 menit. Logika khusus Lambda dapat diubah berdasarkan persyaratan yang sesuai dengan kasus penggunaan Anda.
Buat dan isi indeks Amazon Kendra
Pada langkah ini, kami akan memasukkan data ke indeks Amazon Kendra dan membuatnya dapat dicari oleh pengguna. Selama proses penyerapan, kita akan menggunakan fungsi Lambda yang dibuat pada langkah sebelumnya sebagai langkah pasca ekstraksi dan fungsi Lambda akan memanggil klasifikasi kustom dan titik akhir pengenalan entitas kustom (NER) untuk membuat bidang metadata kustom.
Langkah-langkah tingkat tinggi untuk menerapkan solusi ini adalah sebagai berikut:
- membuat Indeks Amazon Kendra.
- membuat Sumber Data Amazon Kendra โ Ada berbagai sumber data yang dapat digunakan untuk menyerap kumpulan data. Dalam posting ini kami menggunakan bucket S3.
- Buat Aspek
Law_Firm
,Payout
,Insurance_Company
,Policy_Number
,Policy_Holder_Name
,Insurance_Type
dengan tipe string sebagai 'STRING_LIST_VALUE
'. - Buat Kendra CDE dan arahkan ke fungsi Lambda pasca-ekstraksi yang dibuat sebelumnya.
- Lakukan proses sinkronisasi untuk menyerap kumpulan data.
Setelah selesai, Anda dapat mengisi indeks dengan data asuransi, menggunakan CDE Kendra dengan lambda pasca ekstraksi, Anda dapat memfilter pencarian berdasarkan jenis entitas khusus dan klasifikasi khusus sebagai bidang metadata khusus.
Gunakan entitas yang diekstraksi untuk memfilter pencarian di Kendra
Sekarang indeks sudah terisi dan siap digunakan. Di konsol Amazon Kendra, pilih Cari Konten Terindeks di bawah Manajemen Data dan lakukan hal berikut.
Kueri yang berikut ini: Daftar asuransi gagal karena terlambat pengajuan?
Hasilnya menunjukkan jawaban dari jenis kebijakan โ HOME INSURANCE
dan membawa text_18
dan text_14
sebagai hasil teratas.
Pilih โFilter hasil pencarianโ di sebelah kiri. Sekarang Anda akan melihat semua tipe Entitas dan nilai klasifikasi yang diekstraksi menggunakan Comprehend, dan untuk setiap nilai dan klasifikasi entitas Anda akan melihat jumlah dokumen yang cocok.
Bawah INSURANCE_TYPE
pilih โAsuransi Otomatisโ, dan kemudian Anda akan mendapatkan jawabannya text_25
file.
Perhatikan bahwa hasil Anda mungkin sedikit berbeda dari hasil yang ditampilkan pada tangkapan layar.
Cobalah mencari dengan pertanyaan Anda sendiri, dan amati bagaimana entitas dan klasifikasi dokumen yang diidentifikasi oleh Amazon Comprehend dengan cepat memungkinkan Anda untuk:
- Lihat bagaimana hasil pencarian Anda didistribusikan ke seluruh kategori.
- Persempit pencarian Anda dengan memfilter salah satu nilai entitas/klasifikasi.
Membersihkan
Setelah Anda bereksperimen dengan pencarian dan mencoba notebook yang disediakan di repositori Github, hapus infrastruktur yang Anda sediakan di akun AWS Anda untuk menghindari biaya yang tidak diinginkan. Anda dapat menjalankan sel pembersihan di buku catatan. Alternatifnya, Anda dapat menghapus sumber daya secara manual melalui konsol AWS:
- Indeks Amazon Kendra
- Memahami pengklasifikasi khusus dan titik akhir pengenalan entitas khusus (NER).
- Memahami model kustom pengklasifikasi kustom dan pengenalan entitas kustom (NER).
- Fungsi Lambda
- Ember S3
- Peran dan kebijakan IAM
Kesimpulan
Dalam postingan ini, kami menunjukkan bagaimana entitas kustom dan pengklasifikasi kustom Amazon Comprehend mengaktifkan pencarian Amazon Kendra yang didukung oleh fitur CDE untuk membantu pengguna akhir melakukan pencarian lebih baik pada data terstruktur/tidak terstruktur. Entitas khusus Amazon Comprehend dan pengklasifikasi khusus membuatnya sangat berguna untuk berbagai kasus penggunaan dan berbagai data spesifik domain. Untuk informasi lebih lanjut tentang cara menggunakan Amazon Comprehend, lihat Amazon Memahami sumber daya pengembang dan untuk Amazon Kendra, lihat Sumber daya pengembang Amazon Kendra.
Cobalah solusi ini untuk kasus penggunaan Anda. Kami mengundang Anda untuk meninggalkan tanggapan Anda di bagian komentar.
Tentang Penulis
Amit Chaudhary adalah Arsitek Solusi Senior di Amazon Web Services. Area fokusnya adalah AI/ML, dan dia membantu pelanggan dengan AI generatif, model bahasa besar, dan rekayasa cepat. Di luar pekerjaan, Amit senang menghabiskan waktu bersama keluarganya.
Yan Yan Zhang adalah Ilmuwan Data Senior di tim Pengiriman Energi dengan Layanan Profesional AWS. Dia bersemangat membantu pelanggan memecahkan masalah nyata dengan pengetahuan AI/ML. Baru-baru ini, fokusnya adalah mengeksplorasi potensi AI Generatif dan LLM. Di luar pekerjaan, dia suka bepergian, berolahraga, dan menjelajahi hal-hal baru.
Nikhil Jha adalah Manajer Akun Teknis Senior di Amazon Web Services. Area fokusnya meliputi AI/ML, dan analitik. Di waktu luangnya, ia menikmati bermain bulu tangkis dengan putrinya dan menjelajahi alam bebas.
- 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. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/use-custom-metadata-created-by-amazon-comprehend-to-intelligently-process-insurance-claims-using-amazon-kendra/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 1
- 1.3
- 10
- 100
- 19
- 2025
- 33
- 50
- 500
- 7
- 9
- a
- Sanggup
- Tentang Kami
- mengakses
- Menurut
- Akun
- akuntansi
- tepat
- di seluruh
- menambahkan
- menambahkan
- tambahan
- Selain itu
- alamat
- Setelah
- AI
- AI / ML
- algoritma
- Semua
- memungkinkan
- sepanjang
- sudah
- juga
- Amazon
- Amazon Comprehend
- AmazonKendra
- Amazon Web Services
- jumlah
- an
- analisis
- analisis
- menganalisa
- dan
- menjawab
- Apa pun
- api
- Lebah
- muncul
- Aplikasi
- terapan
- Mendaftar
- pendekatan
- sesuai
- arsitektur
- ADALAH
- DAERAH
- daerah
- AS
- terkait
- At
- pengacara
- penulis
- mobil
- mengotomatisasikan
- secara otomatis
- tersedia
- menghindari
- AWS
- Layanan Profesional AWS
- berdasarkan
- BE
- menjadi
- sebelum
- di bawah
- Lebih baik
- Luar
- tubuh
- kedua
- batas
- Membawa
- Bangunan
- bisnis
- tapi
- by
- panggilan
- bernama
- Panggilan
- CAN
- kemampuan
- kemampuan
- Kapasitas
- menangkap
- kasus
- kasus
- kategori
- Menyebabkan
- Sel
- tertentu
- berubah
- Perubahan
- karakter
- karakter
- beban
- Pilih
- kota
- Kota
- klaim
- kelas
- kelas-kelas
- klasifikasi
- tergolong
- Klasifikasi
- jelas
- kode
- koleksi
- Kolom
- Kolom
- komentar
- Perusahaan
- perusahaan
- lengkap
- Lengkap
- kompleksitas
- memahami
- konsep
- kepercayaan
- dikonfigurasi
- terhubung
- Mempertimbangkan
- konsul
- dikonsumsi
- mengandung
- mengandung
- Konten
- konteks
- terus
- konvensi
- PERUSAHAAN
- Biaya
- bisa
- membuat
- dibuat
- adat
- pelanggan
- disesuaikan
- data
- pengayaan data
- manajemen data
- ilmuwan data
- kumpulan data
- database
- kumpulan data
- Tanggal
- lebih dalam
- Default
- menetapkan
- didefinisikan
- pengiriman
- Departemen
- menyebarkan
- menggambarkan
- menemukan
- terdeteksi
- Pengembang
- berbeda
- berbeda
- dibahas
- Display
- didistribusikan
- beberapa
- penyelaman
- do
- dokumen
- dokumen
- domain
- don
- Dont
- turun
- dua
- selama
- e
- E&T
- setiap
- mudah
- mudah digunakan
- Efektif
- antara
- el
- tertanam
- memungkinkan
- Titik akhir
- energi
- Teknik
- mempertinggi
- ditingkatkan
- memperkaya
- penyuburan
- Enterprise
- perusahaan
- entitas
- entitas
- Lingkungan Hidup
- kesalahan
- penting
- evaluasi
- berkembang
- contoh
- contoh
- melebihi
- Kecuali
- pengecualian
- Eksklusif
- eksekusi
- Keluar
- diharapkan
- menyelidiki
- Menjelajahi
- ekspresi
- memperpanjang
- luar
- ekstrak
- ekstraksi
- segi
- Gagal
- keluarga
- Fitur
- Fitur
- umpan balik
- beberapa
- Fields
- File
- File
- Filing
- menyaring
- penyaringan
- filter
- Akhirnya
- Menemukan
- Perusahaan
- Pertama
- cocok
- tetap
- Fokus
- mengikuti
- berikut
- berikut
- Untuk
- bentuk
- format
- bentuk
- Frekuensi
- dari
- fungsi
- lebih lanjut
- dihasilkan
- generasi
- generatif
- AI generatif
- mendapatkan
- GitHub
- Tumbuh
- Memiliki
- memiliki
- he
- kesehatan
- membantu
- membantu
- membantu
- dia
- tingkat tinggi
- lebih tinggi
- paling tinggi
- sangat
- -nya
- Beranda
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- HTTPS
- i
- IDC
- diidentifikasi
- mengenali
- if
- menggambarkan
- gambar
- melaksanakan
- mengimplementasikan
- mengimplementasikan
- in
- memasukkan
- menggabungkan
- Meningkatkan
- meningkatkan
- indeks
- diindeks
- sendiri-sendiri
- informasi
- Infrastruktur
- memasukkan
- wawasan
- contoh
- asuransi
- Cerdas
- bunga
- Internasional
- Perusahaan Data Internasional (IDC)
- ke
- mengundang
- memanggil
- terlibat
- IT
- Pekerjaan
- json
- pengetahuan
- label
- Label
- bahasa
- besar
- Terlambat
- Hukum
- firma hukum
- BELAJAR
- pengetahuan
- paling sedikit
- Meninggalkan
- meninggalkan
- Panjang
- Hidup
- 'like'
- Mungkin
- MEMBATASI
- Daftar
- daftar
- LLM
- logika
- lagi
- melihat
- mencintai
- mesin
- Mesin belajar
- membuat
- MEMBUAT
- mengelola
- berhasil
- pengelolaan
- manajer
- manual
- pabrik
- sesuai
- max
- Mungkin..
- makna
- cara
- Media
- Pelajari
- Metadata
- menit
- mode
- model
- model
- saat
- Memantau
- lebih
- paling
- beberapa
- harus
- saling
- nama
- nama
- penamaan
- sempit
- Perlu
- dibutuhkan
- kebutuhan
- New
- nLP
- tidak
- buku catatan
- sekarang
- jumlah
- nomor
- obyek
- objek
- mengamati
- kejadian
- of
- on
- sekali
- ONE
- hanya
- pilihan
- Opsi
- or
- organisasi
- organisasi
- Lainnya
- kami
- di luar
- di luar rumah
- menguraikan
- di luar
- sendiri
- halaman
- pasangan
- bergairah
- pola
- untuk
- Melakukan
- Izin
- potongan-potongan
- Polos
- plato
- Kecerdasan Data Plato
- Data Plato
- bermain
- Titik
- kebijaksanaan
- diisi
- bagian
- mungkin
- Pos
- Posts
- potensi
- didukung
- disukai
- Mempersiapkan
- siap
- disajikan
- sebelumnya
- sebelumnya
- prinsip
- Sebelumnya
- prioritas
- hak istimewa
- masalah
- proses
- pengolahan
- Diproduksi
- Produksi
- profesional
- diusulkan
- memberikan
- disediakan
- pemberi
- penyedia
- menyediakan
- menyediakan
- query
- segera
- tanda kutip
- mulai
- Baca
- siap
- nyata
- real-time
- diterima
- menerima
- baru-baru ini
- pengakuan
- mengenali
- diakui
- sarankan
- lihat
- referensi
- reguler
- gudang
- mewakili
- wajib
- Persyaratan
- membutuhkan
- penelitian
- Sumber
- mengakibatkan
- Hasil
- kembali
- ulasan
- Peran
- peran
- BARIS
- Run
- runtime
- sama
- Save
- skala
- ilmuwan
- skor
- naskah
- Pencarian
- pencarian
- mencari
- Kedua
- Bagian
- bagian
- keamanan
- melihat
- memilih
- senior
- putusan pengadilan
- terpisah
- layanan
- Layanan
- set
- set
- dia
- harus
- Menunjukkan
- menunjukkan
- ditunjukkan
- Pertunjukkan
- penting
- kesederhanaan
- menyederhanakan
- tunggal
- Situs
- Ukuran
- kecil
- So
- Sosial
- media sosial
- Posting Media Sosial
- larutan
- Solusi
- MEMECAHKAN
- sumber
- Space
- tertentu
- Secara khusus
- ditentukan
- Pengeluaran
- Berpisah
- penyebaran
- standar
- Langkah
- Tangga
- menyimpan
- tersimpan
- Tali
- Submissions
- menyerahkan
- seperti itu
- mendukung
- Mendukung
- sinkronisasi.
- Mengambil
- tim
- Teknis
- uji
- pengujian
- teks
- dari
- bahwa
- Grafik
- informasi
- Dunia
- mereka
- Mereka
- kemudian
- Sana.
- Ini
- mereka
- hal
- ini
- itu
- ambang
- Melalui
- keluaran
- waktu
- untuk
- puncak
- jalur
- Pelatihan VE
- terlatih
- Pelatihan
- Perjalanan
- mengobati
- mencoba
- mencoba
- disetel
- dua
- mengetik
- jenis
- bawah
- garis bawah
- unik
- satuan
- unit
- tidak diinginkan
- Memperbarui
- menggunakan
- gunakan case
- bekas
- Pengguna
- kegunaan
- menggunakan
- sah
- nilai
- Nilai - Nilai
- berbagai
- Luas
- sangat
- View
- 'view'
- volume
- menunggu
- ingin
- ingin
- Cara..
- cara
- we
- jaringan
- layanan web
- situs web
- BAIK
- Apa
- Apa itu
- ketika
- yang
- sementara
- putih
- akan
- dengan
- dalam
- tanpa
- kata
- Kerja
- kerja
- berolahraga
- bekerja
- dunia
- dunia
- penulisan
- tertulis
- Kamu
- Anda
- zephyrnet.dll