Dalam posting ini, kami menunjukkan cara mengonfigurasi fitur autentikasi berbasis OAuth baru untuk digunakan Kepingan salju in Pengatur Data Amazon SageMaker. Snowflake adalah platform data cloud yang menyediakan solusi data untuk pergudangan data hingga ilmu data. Kepingan salju adalah Mitra AWS dengan beberapa akreditasi AWS, termasuk kompetensi AWS dalam pembelajaran mesin (ML), retail, serta data dan analitik.
Data Wrangler menyederhanakan persiapan data dan proses rekayasa fitur, mengurangi waktu yang diperlukan dari beberapa minggu menjadi beberapa menit dengan menyediakan antarmuka visual tunggal bagi ilmuwan data untuk memilih dan membersihkan data, membuat fitur, dan mengotomatiskan persiapan data dalam alur kerja ML tanpa menulis kode apa pun. Anda dapat mengimpor data dari beberapa sumber data, seperti Layanan Penyimpanan Sederhana Amazon (Amazon S3), Amazon Athena, Pergeseran Merah Amazon, Amazon ESDM, dan Kepingan Salju. Dengan fitur baru ini, Anda dapat menggunakan penyedia identitas (IdP) Anda sendiri seperti Okta, Azure AD, atau Federasi Ping untuk terhubung ke Snowflake melalui Data Wrangler.
Ikhtisar solusi
Di bagian berikut, kami menyediakan langkah-langkah bagi administrator untuk menyiapkan IdP, Snowflake, dan Studio. Kami juga merinci langkah-langkah yang dapat diambil ilmuwan data untuk mengonfigurasi aliran data, menganalisis kualitas data, dan menambahkan transformasi data. Terakhir, kami menunjukkan cara mengekspor aliran data dan melatih model menggunakan Autopilot SageMaker.
Prasyarat
Untuk penelusuran ini, Anda harus memiliki prasyarat berikut:
- Untuk pengurus:
- Pengguna Snowflake dengan izin untuk membuat integrasi penyimpanan, dan integrasi keamanan di Snowflake.
- Akun AWS dengan izin untuk membuat Identitas AWS dan Manajemen Akses (IAM) kebijakan dan peran.
- Akses dan izin untuk mengonfigurasi IDP untuk mendaftarkan aplikasi Data Wrangler dan menyiapkan server otorisasi atau API.
- Untuk ilmuwan data:
Pengaturan administrator
Alih-alih meminta pengguna memasukkan kredensial Snowflake mereka secara langsung ke Data Wrangler, Anda dapat meminta mereka menggunakan IdP untuk mengakses Snowflake.
Langkah-langkah berikut terlibat untuk mengaktifkan akses Data Wrangler OAuth ke Snowflake:
- Konfigurasi IdP.
- Konfigurasi Kepingan Salju.
- Konfigurasikan SageMaker Studio.
Konfigurasi IdP
Untuk menyiapkan IdP Anda, Anda harus mendaftarkan aplikasi Data Wrangler dan menyiapkan server otorisasi atau API Anda.
Daftarkan aplikasi Data Wrangler di dalam IdP
Lihat dokumentasi berikut untuk IdP yang didukung Data Wrangler:
Gunakan dokumentasi yang disediakan oleh IdP Anda untuk mendaftarkan aplikasi Data Wrangler Anda. Informasi dan prosedur di bagian ini membantu Anda memahami cara menggunakan dokumentasi yang diberikan oleh IdP Anda dengan benar.
Penyesuaian khusus selain langkah-langkah dalam masing-masing panduan disebutkan dalam subbagian.
- Pilih konfigurasi yang memulai proses pendaftaran Data Wrangler sebagai aplikasi.
- Berikan pengguna dalam IdP akses ke Data Wrangler.
- Aktifkan autentikasi klien OAuth dengan menyimpan kredensial klien sebagai rahasia Pengelola Rahasia.
- Tentukan URL pengalihan menggunakan format berikut:
https://domain-ID.studio.AWS Region.sagemaker.aws/jupyter/default/lab
.
Anda menentukan ID domain SageMaker dan Wilayah AWS yang Anda gunakan untuk menjalankan Data Wrangler. Anda harus mendaftarkan URL untuk setiap domain dan Wilayah tempat Anda menjalankan Data Wrangler. Pengguna dari domain dan Wilayah yang tidak menyiapkan URL pengalihan untuk mereka tidak akan dapat mengautentikasi dengan IdP untuk mengakses koneksi Snowflake.
- Pastikan kode otorisasi dan jenis pemberian token penyegaran diizinkan untuk aplikasi Data Wrangler Anda.
Siapkan server otorisasi atau API dalam IdP
Dalam IdP, Anda harus menyiapkan server otorisasi atau antarmuka pemrograman aplikasi (API). Untuk setiap pengguna, server otorisasi atau API mengirimkan token ke Data Wrangler dengan Snowflake sebagai audiens.
Kepingan salju menggunakan konsep peran yang berbeda dari peran IAM yang digunakan di AWS. Anda harus mengonfigurasi IdP untuk menggunakan Peran APA PUN untuk menggunakan peran default yang terkait dengan akun Snowflake. Misalnya, jika pengguna memiliki systems administrator
sebagai peran default dalam profil Snowflake mereka, koneksi dari Data Wrangler ke Snowflake digunakan systems administrator
sebagai peran.
Gunakan prosedur berikut untuk menyiapkan server otorisasi atau API dalam IdP Anda:
- Dari IdP Anda, mulailah proses penyiapan server atau API.
- Konfigurasikan server otorisasi untuk menggunakan kode otorisasi dan menyegarkan jenis pemberian token.
- Tentukan masa pakai token akses.
- Tetapkan batas waktu tidak aktif token penyegaran.
Batas waktu tidak aktif adalah waktu token penyegaran kedaluwarsa jika tidak digunakan. Jika Anda menjadwalkan tugas di Data Wrangler, sebaiknya buat waktu tunggu tidak aktif lebih besar daripada frekuensi tugas pemrosesan. Jika tidak, beberapa pekerjaan pemrosesan mungkin gagal karena token penyegaran kedaluwarsa sebelum dapat dijalankan. Saat token penyegaran kedaluwarsa, pengguna harus mengautentikasi ulang dengan mengakses koneksi yang mereka buat ke Snowflake melalui Data Wrangler.
Perhatikan bahwa Data Wrangler tidak mendukung token penyegaran yang berputar. Menggunakan token penyegaran yang berputar dapat mengakibatkan kegagalan akses atau pengguna harus sering masuk.
Jika token penyegaran kedaluwarsa, pengguna Anda harus mengautentikasi ulang dengan mengakses koneksi yang mereka buat ke Snowflake melalui Data Wrangler.
- Menentukan
session:role-any
sebagai ruang lingkup baru.
Untuk Azure AD, Anda juga harus menentukan pengidentifikasi unik untuk cakupan.
Setelah menyiapkan penyedia OAuth, Anda memberikan Data Wrangler informasi yang diperlukan untuk terhubung ke penyedia. Anda dapat menggunakan dokumentasi dari IdP untuk mendapatkan nilai untuk kolom berikut:
- URL Token โ URL token yang dikirimkan IdP ke Data Wrangler
- URL otorisasi โ URL server otorisasi IdP
- ID pelanggan โ ID IdP
- Rahasia klien โ Rahasia yang hanya dikenali oleh server otorisasi atau API
- Cakupan OAuth โ Ini hanya untuk Azure AD
Konfigurasi Kepingan Salju
Untuk mengonfigurasi Snowflake, selesaikan instruksi di Impor data dari Snowflake.
Gunakan dokumentasi Snowflake untuk IdP Anda guna menyiapkan integrasi OAuth eksternal di Snowflake. Lihat bagian sebelumnya Daftarkan aplikasi Data Wrangler di dalam IdP untuk informasi selengkapnya tentang cara menyiapkan integrasi OAuth eksternal.
Saat Anda menyiapkan integrasi keamanan di Snowflake, pastikan Anda mengaktifkannya external_oauth_any_role_mode
.
Konfigurasikan SageMaker Studio
Anda menyimpan bidang dan nilai dalam rahasia Pengelola Rahasia dan menambahkannya ke Konfigurasi Siklus Hidup Studio yang Anda gunakan untuk Data Wrangler. Konfigurasi Siklus Hidup adalah skrip shell yang secara otomatis memuat kredensial yang disimpan dalam rahasia saat pengguna masuk ke Studio. Untuk informasi tentang membuat rahasia, lihat Pindahkan rahasia hardcode ke AWS Secrets Manager. Untuk informasi tentang menggunakan Lifecycle Configurations di Studio, lihat Gunakan Konfigurasi Siklus Hidup dengan Amazon SageMaker Studio.
Buat rahasia untuk kredensial Snowflake
Untuk membuat rahasia Anda untuk kredensial Snowflake, selesaikan langkah-langkah berikut:
- Pada konsol Manajer Rahasia, pilih Simpan rahasia baru.
- Untuk Tipe rahasia, pilih Jenis rahasia lainnya.
- Tentukan detail rahasia Anda sebagai pasangan nilai kunci.
Nama kunci memerlukan huruf kecil karena sensitivitas huruf besar-kecil. Data Wrangler memberi peringatan jika Anda salah memasukkan salah satu dari ini. Masukkan nilai rahasia sebagai key-value pair Kunci/nilai jika Anda mau, atau gunakan Teks biasa .
Berikut format secret yang digunakan untuk Okta. Jika Anda menggunakan Azure AD, Anda perlu menambahkan datasource_oauth_scope
lapangan.
- Perbarui nilai sebelumnya dengan IdP pilihan Anda dan informasi yang dikumpulkan setelah pendaftaran aplikasi.
- Pilih Selanjutnya.
- Untuk Nama rahasia, tambahkan awalan
AmazonSageMaker
(Misalnya, rahasia kami adalahAmazonSageMaker-DataWranglerSnowflakeCreds
). - Dalam majalah Tag bagian, tambahkan tag dengan kunci
SageMaker
dan nilaitrue
. - Pilih Selanjutnya.
- Bidang lainnya adalah opsional; memilih Selanjutnya sampai Anda memiliki pilihan untuk memilih Toko untuk menyimpan rahasia.
Setelah Anda menyimpan rahasia, Anda kembali ke konsol Manajer Rahasia.
- Pilih rahasia yang baru saja Anda buat, lalu ambil ARN rahasia.
- Simpan ini di editor teks pilihan Anda untuk digunakan nanti saat Anda membuat sumber data Data Wrangler.
Buat Konfigurasi Siklus Hidup Studio
Untuk membuat Konfigurasi Siklus Hidup di Studio, selesaikan langkah-langkah berikut:
- Di konsol SageMaker, pilih Konfigurasi siklus hidup di panel navigasi.
- Pilih Buat konfigurasi.
- Pilih aplikasi server Jupyter.
- Buat konfigurasi siklus hidup baru atau tambahkan yang sudah ada dengan konten berikut:
Konfigurasi membuat file dengan nama ".snowflake_identity_provider_oauth_config"
, berisi rahasia di folder utama pengguna.
- Pilih Buat Konfigurasi.
Tetapkan Konfigurasi Siklus Hidup default
Selesaikan langkah-langkah berikut untuk menyetel Lifecycle Configuration yang baru saja Anda buat sebagai default:
- Di konsol SageMaker, pilih Domain di panel navigasi.
- Pilih domain Studio yang akan Anda gunakan untuk contoh ini.
- pada Lingkungan Hidup tab, di Konfigurasi siklus proses untuk aplikasi Studio pribadi bagian, pilih Melampirkan.
- Untuk sumber, pilih Konfigurasi yang ada.
- Pilih konfigurasi yang baru saja Anda buat, lalu pilih Lampirkan ke domain.
- Pilih konfigurasi baru dan pilih Ditetapkan sebagai default, Lalu pilih Ditetapkan sebagai default lagi di pesan pop-up.
Pengaturan baru Anda sekarang akan terlihat di bawah Konfigurasi siklus proses untuk aplikasi Studio pribadi sebagai default.
- Matikan aplikasi Studio dan luncurkan kembali agar perubahan diterapkan.
Pengalaman ilmuwan data
Di bagian ini, kami membahas bagaimana data scientist dapat terhubung ke Snowflake sebagai sumber data di Data Wrangler dan menyiapkan data untuk ML.
Buat aliran data baru
Untuk membuat aliran data Anda, selesaikan langkah-langkah berikut:
- Di konsol SageMaker, pilih Studio Amazon SageMaker di panel navigasi.
- Pilih Buka Studio.
- Di Studio Beranda halaman, pilih Impor & siapkan data secara visual. Alternatifnya, di File tarik-turun, pilih New, Lalu pilih Alur Wrangler Data SageMaker.
Membuat alur baru dapat memakan waktu beberapa menit.
- pada Impor data halaman, pilih Buat koneksi.
- Pilih Kepingan salju dari daftar sumber data.
- Untuk Metode otentikasi, pilih OAuth.
Jika Anda tidak melihat OAuth, verifikasi langkah-langkah Konfigurasi Siklus Hidup sebelumnya.
- Masukkan detail untuk Nama akun kepingan salju dan Integrasi penyimpanan.
- Masukkan nama koneksi dan pilih Terhubung.
Anda dialihkan ke halaman autentikasi IdP. Untuk contoh ini, kami menggunakan Okta.
- Masukkan nama pengguna dan kata sandi Anda, lalu pilih Sign in.
Setelah autentikasi berhasil, Anda dialihkan ke halaman aliran data Studio.
- pada Impor data dari Snowflake halaman, telusuri objek database, atau jalankan kueri untuk data yang ditargetkan.
- Di editor kueri, masukkan kueri dan pratinjau hasilnya.
Dalam contoh berikut, kami memuat Data Pinjaman dan mengambil semua kolom dari 5,000 baris.
- Pilih impor.
- Masukkan nama dataset (untuk posting ini, kami menggunakan
snowflake_loan_dataset
) dan pilih Add.
Anda dialihkan ke Mempersiapkan halaman, tempat Anda dapat menambahkan transformasi dan analisis ke data.
Data Wrangler memudahkan untuk menelan data dan melakukan tugas persiapan data seperti analisis data eksplorasi, pemilihan fitur, dan rekayasa fitur. Kami hanya membahas beberapa kemampuan Data Wrangler dalam postingan tentang persiapan data ini; Anda dapat menggunakan Data Wrangler untuk analisis data yang lebih canggih seperti kepentingan fitur, kebocoran target, dan penjelasan model menggunakan antarmuka pengguna yang mudah dan intuitif.
Menganalisis kualitas data
Gunakan Kualitas Data dan Laporan Wawasan untuk melakukan analisis data yang telah Anda impor ke Data Wrangler. Data Wrangler membuat laporan dari data sampel.
- Pada halaman alur Data Wrangler, pilih tanda tambah di sebelah Tipe data, Lalu pilih Dapatkan wawasan data.
- Pilih Laporan Kualitas Data Dan Wawasan untuk Jenis analisis.
- Untuk Kolom sasaran, pilih kolom target Anda.
- Untuk Jenis masalah, pilih Klasifikasi.
- Pilih membuat.
Laporan wawasan memiliki ringkasan singkat data, yang mencakup informasi umum seperti nilai yang hilang, nilai yang tidak valid, jenis fitur, jumlah outlier, dan lainnya. Anda dapat mendownload laporan atau melihatnya secara online.
Tambahkan transformasi ke data
Data Wrangler memiliki lebih dari 300 transformasi bawaan. Di bagian ini, kami menggunakan beberapa transformasi ini untuk menyiapkan kumpulan data untuk model ML.
- Pada halaman alur Data Wrangler, pilih tanda tambah, lalu pilih Tambahkan transformasi.
Jika Anda mengikuti langkah-langkah dalam postingan, Anda akan diarahkan ke sini secara otomatis setelah menambahkan dataset Anda.
- Verifikasi dan ubah tipe data kolom.
Melihat melalui kolom, kami mengidentifikasi bahwa MNTHS_SINCE_LAST_DELINQ
dan MNTHS_SINCE_LAST_RECORD
kemungkinan besar harus direpresentasikan sebagai tipe angka daripada string.
- Setelah menerapkan perubahan dan menambahkan langkah, Anda dapat memverifikasi bahwa tipe data kolom diubah menjadi float.
Melihat melalui data, kita dapat melihat bahwa bidang EMP_TITLE
, URL
, DESCRIPTION
, dan TITLE
kemungkinan besar tidak akan memberikan nilai pada model kami dalam kasus penggunaan kami, sehingga kami dapat menghapusnya.
- Pilih Tambahkan Langkah, Lalu pilih Kelola kolom.
- Untuk Mengubah, pilih Jatuhkan kolom.
- Untuk Kolom untuk dijatuhkan, sebutkan
EMP_TITLE
,URL
,DESCRIPTION
, danTITLE
. - Pilih Preview dan Add.
Selanjutnya, kami ingin mencari data kategorikal di dataset kami. Data Wrangler memiliki fungsi bawaan untuk mengkodekan data kategorikal menggunakan pengkodean ordinal dan one-hot. Melihat dataset kami, kami dapat melihat bahwa TERM
, HOME_OWNERSHIP
, dan PURPOSE
kolom semua tampak kategoris di alam.
- Tambahkan langkah lain dan pilih Enkode kategoris.
- Untuk Mengubah, pilih Enkode satu-panas.
- Untuk Kolom masukan, pilih
TERM
. - Untuk Gaya keluaran, pilih Kolom.
- Biarkan semua pengaturan lainnya sebagai default, lalu pilih Preview dan Add.
Grafik HOME_OWNERSHIP
kolom memiliki empat kemungkinan nilai: RENT
, MORTGAGE
, OWN
, dan lainnya.
- Ulangi langkah-langkah sebelumnya untuk menerapkan pendekatan enkode one-hot pada nilai-nilai ini.
Terakhir, PURPOSE
kolom memiliki beberapa kemungkinan nilai. Untuk data ini, kami juga menggunakan pendekatan penyandian satu-panas, tetapi kami menyetel output ke vektor, bukan kolom.
- Untuk Mengubah, pilih Enkode satu-panas.
- Untuk Kolom masukan, pilih
PURPOSE
. - Untuk Gaya keluaran, pilih vektor.
- Untuk kolom keluaran, kami menyebut kolom ini
PURPOSE_VCTR
.
Ini menjaga yang asli PURPOSE
kolom, jika kita memutuskan untuk menggunakannya nanti.
- Biarkan semua pengaturan lainnya sebagai default, lalu pilih Preview dan Add.
Ekspor aliran data
Terakhir, kami mengekspor seluruh aliran data ini ke penyimpanan fitur dengan tugas Pemrosesan SageMaker, yang membuat notebook Jupyter dengan kode yang telah diisi sebelumnya.
- Pada halaman alur data , pilih tanda plus dan Ekspor ke.
- Pilih tempat untuk mengekspor. Untuk kasus penggunaan kami, kami memilih Toko Fitur SageMaker.
Notebook yang diekspor kini siap dijalankan.
Ekspor data dan latih model dengan Autopilot
Sekarang kita bisa melatih model menggunakan Autopilot Amazon SageMaker.
- Pada halaman aliran data, pilih Pelatihan Tab.
- Untuk Lokasi Amazon S3, masukkan lokasi untuk menyimpan data.
- Pilih Ekspor dan kereta api.
- Tentukan pengaturan di Target dan fitur, Metode pelatihan, Penyebaran dan pengaturan lanjutan, dan Tinjau dan buat bagian.
- Pilih Buat eksperimen untuk menemukan model terbaik untuk masalah Anda.
Membersihkan
Jika pekerjaan Anda dengan Data Wrangler selesai, matikan instance Data Wrangler Anda untuk menghindari biaya tambahan.
Kesimpulan
Dalam posting ini, kami mendemonstrasikan koneksi Data Wrangler ke Snowflake menggunakan OAuth, mengubah dan menganalisis kumpulan data, dan terakhir mengekspornya ke aliran data sehingga dapat digunakan di notebook Jupyter. Terutama, kami membuat saluran pipa untuk persiapan data tanpa harus menulis kode sama sekali.
Untuk memulai dengan Data Wrangler, lihat Siapkan Data ML dengan Amazon SageMaker Data Wrangler.
Tentang penulis
Ajjay Govindaram adalah Arsitek Solusi Senior di AWS. Dia bekerja dengan pelanggan strategis yang menggunakan AI/ML untuk memecahkan masalah bisnis yang kompleks. Pengalamannya terletak pada memberikan arahan teknis serta bantuan desain untuk penyebaran aplikasi AI/ML skala kecil hingga besar. Pengetahuannya berkisar dari arsitektur aplikasi hingga data besar, analitik, dan pembelajaran mesin. Dia menikmati mendengarkan musik sambil beristirahat, menikmati alam bebas, dan menghabiskan waktu bersama orang yang dicintainya.
Bosco Alburquerque adalah Sr. Partner Solutions Architect di AWS dan memiliki pengalaman lebih dari 20 tahun dalam bekerja dengan produk database dan analitik dari vendor database perusahaan dan penyedia cloud. Dia telah membantu perusahaan teknologi besar merancang solusi analitik data dan telah memimpin tim teknik dalam merancang dan mengimplementasikan platform analitik data dan produk data.
Matt Marzillo adalah Senior Partner Sales Engineer di Snowflake. Dia memiliki 10 tahun pengalaman dalam ilmu data dan peran pembelajaran mesin baik dalam konsultasi maupun dengan organisasi industri. Matt memiliki pengalaman mengembangkan dan menerapkan model AI dan ML di banyak organisasi berbeda di berbagai bidang seperti pemasaran, penjualan, operasi, klinis, dan keuangan, serta memberi nasihat dalam peran konsultatif.
Huong Nguyen adalah pemimpin produk untuk Amazon SageMaker Data Wrangler di AWS. Dia memiliki 15 tahun pengalaman menciptakan produk yang berorientasi pada pelanggan dan berdasarkan data untuk ruang perusahaan dan konsumen. Di waktu luangnya, dia menikmati buku audio, berkebun, hiking, dan menghabiskan waktu bersama keluarga dan teman-temannya.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/access-snowflake-data-using-oauth-based-authentication-in-amazon-sagemaker-data-wrangler/
- :adalah
- $NAIK
- 000
- 10
- 100
- 15 tahun
- 20 tahun
- 7
- 8
- 9
- a
- Sanggup
- Tentang Kami
- mengakses
- Akses ke data
- mengakses
- Akun
- di seluruh
- Ad
- tambahan
- Tambahan
- admin
- memajukan
- maju
- menasihati
- Setelah
- AI
- AI / ML
- Semua
- Amazon
- Amazon SageMaker
- Pengatur Data Amazon SageMaker
- Analisis
- analisis
- analisis
- menganalisa
- menganalisis
- dan
- Lain
- api
- aplikasi
- muncul
- Aplikasi
- Mendaftar
- Menerapkan
- pendekatan
- aplikasi
- arsitektur
- ADALAH
- daerah
- AS
- Bantuan
- terkait
- At
- melampirkan
- para penonton
- audio
- mengotentikasi
- Otentikasi
- otorisasi
- mengotomatisasikan
- secara otomatis
- AWS
- Biru langit
- BE
- karena
- sebelum
- mulai
- TERBAIK
- Besar
- Big data
- tubuh
- Buku-buku
- built-in
- bisnis
- by
- panggilan
- bernama
- CAN
- kemampuan
- kasus
- KUCING
- Perubahan
- pilihan
- Pilih
- klien
- Klinis
- awan
- kode
- Kolom
- Kolom
- Perusahaan
- lengkap
- kompleks
- konsep
- konfigurasi
- Terhubung
- Menghubungkan
- koneksi
- konsul
- konsultasi
- konsumen
- Konten
- bisa
- menutupi
- tercakup
- membuat
- dibuat
- menciptakan
- membuat
- Surat kepercayaan
- pelanggan
- data
- analisis data
- Data Analytics
- Platform Data
- Persiapan data
- ilmu data
- ilmuwan data
- Data-driven
- Basis Data
- memutuskan
- Default
- menunjukkan
- penggelaran
- penyebaran
- Mendesain
- merancang
- rinci
- rincian
- berkembang
- berbeda
- arah
- langsung
- berbeda
- dokumentasi
- Tidak
- domain
- Dont
- turun
- Download
- Menjatuhkan
- setiap
- editor
- efek
- antara
- aktif
- insinyur
- Teknik
- Enter
- Enterprise
- Lingkungan Hidup
- contoh
- ada
- pengalaman
- mengalami
- Analisis Data Eksplorasi
- ekspor
- luar
- GAGAL
- keluarga
- Fitur
- Fitur
- Biaya
- beberapa
- bidang
- Fields
- File
- Akhirnya
- keuangan
- Menemukan
- Mengapung
- aliran
- berikut
- Untuk
- format
- Frekuensi
- sering
- teman
- dari
- fungsi
- Umum
- mendapatkan
- memberikan
- memberikan
- lebih besar
- Panduan
- Memiliki
- memiliki
- membantu
- membantu
- di sini
- Beranda
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- http
- HTTPS
- ID
- identifier
- mengenali
- identitas
- Siaga
- mengimplementasikan
- mengimpor
- pentingnya
- in
- termasuk
- Termasuk
- salah
- industri
- informasi
- memasukkan
- wawasan
- wawasan
- instruksi
- integrasi
- integrasi
- Antarmuka
- intuitif
- terlibat
- IT
- Pekerjaan
- Jobs
- jpg
- kunci
- pengetahuan
- besar
- besar-besaran
- pemimpin
- pengetahuan
- Dipimpin
- terletak
- siklus hidup
- seumur hidup
- 'like'
- Mungkin
- Daftar
- Listening
- memuat
- beban
- tempat
- melihat
- mencari
- dicintai
- mesin
- Mesin belajar
- terbuat
- membuat
- MEMBUAT
- Membuat
- manajer
- banyak
- Marketing
- pesan
- mungkin
- menit
- hilang
- ML
- model
- model
- memodifikasi
- lebih
- paling
- beberapa
- musik
- nama
- nama
- Alam
- Navigasi
- Perlu
- membutuhkan
- kebutuhan
- New
- berikutnya
- terutama
- buku catatan
- jumlah
- sumpah
- objek
- of
- Oke
- on
- ONE
- secara online
- Operasi
- pilihan
- organisasi
- asli
- Lainnya
- jika tidak
- di luar rumah
- keluaran
- sendiri
- halaman
- pasang
- pane
- pasangan
- Kata Sandi
- Melakukan
- Izin
- pribadi
- pipa saluran
- Platform
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- plus
- Kebijakan
- pop-up
- mungkin
- Pos
- disukai
- Mempersiapkan
- prasyarat
- Preview
- sebelumnya
- Masalah
- masalah
- Prosedur
- proses
- pengolahan
- Produk
- Produk
- Profil
- Pemrograman
- tepat
- memberikan
- disediakan
- pemberi
- penyedia
- menyediakan
- menyediakan
- kualitas
- agak
- siap
- sarankan
- redirect
- mengurangi
- wilayah
- daftar
- mendaftar
- Pendaftaran
- meluncurkan kembali
- melaporkan
- diwakili
- membutuhkan
- itu
- ISTIRAHAT
- mengakibatkan
- Hasil
- eceran
- Peran
- peran
- Run
- berjalan
- pembuat bijak
- penjualan
- penjadwalan
- Ilmu
- ilmuwan
- ilmuwan
- cakupan
- Rahasia
- Bagian
- bagian
- keamanan
- seleksi
- senior
- Kepekaan
- set
- pengaturan
- pengaturan
- beberapa
- Kulit
- harus
- Menunjukkan
- menandatangani
- Sederhana
- tunggal
- So
- Solusi
- MEMECAHKAN
- beberapa
- sumber
- sumber
- spasi
- Pengeluaran
- mulai
- dimulai
- Langkah
- Tangga
- penyimpanan
- menyimpan
- tersimpan
- menyimpan
- Strategis
- Tali
- studio
- sukses
- seperti itu
- RINGKASAN
- mendukung
- Mendukung
- MENANDAI
- Mengambil
- Dibutuhkan
- target
- ditargetkan
- tugas
- tim
- Teknis
- Teknologi
- perusahaan teknologi
- bahwa
- Grafik
- informasi
- mereka
- Mereka
- Ini
- Melalui
- waktu
- untuk
- token
- Token
- Pelatihan VE
- Mengubah
- transformasi
- mengubah
- jenis
- bawah
- memahami
- unik
- Memperbarui
- URL
- menggunakan
- gunakan case
- Pengguna
- User Interface
- Pengguna
- nilai
- Nilai - Nilai
- vendor
- memeriksa
- melalui
- View
- terlihat
- walkthrough
- peringatan
- minggu
- BAIK
- yang
- sementara
- SIAPA
- seluruh
- akan
- dengan
- dalam
- tanpa
- Kerja
- Alur kerja
- kerja
- bekerja
- menulis
- penulisan
- tahun
- Kamu
- Anda
- zephyrnet.dll