Sebelumnya pos, kami berbicara tentang menganalisis dan menandai aset yang disimpan di Veeva Vault PromoMats menggunakan layanan AI Amazon dan API Platform Veeva Vault. Dalam posting ini, kami mengeksplorasi cara menggunakan Alur Aplikasi Amazon, layanan integrasi terkelola sepenuhnya yang memungkinkan Anda mentransfer data dengan aman dari aplikasi perangkat lunak sebagai layanan (SaaS) seperti Veeva Vault ke AWS. Itu Konektor Amazon AppFlow Veeva memungkinkan Anda menghubungkan lingkungan AWS Anda ke ekosistem Veeva dengan cepat, andal, dan hemat biaya untuk menganalisis konten kaya yang disimpan di Veeva Vault dalam skala besar.
Konektor Amazon AppFlow Veeva adalah konektor Amazon AppFlow pertama yang mendukung transfer otomatis Dokumen Veeva. Hal ini memungkinkan Anda untuk memilih antara versi terbaru (the Stabil versi dalam istilah Veeva) dan semua versi dokumen. Selain itu, Anda dapat mengimpor metadata dokumen.
Dengan beberapa klik, Anda dapat dengan mudah mengatur koneksi terkelola dan memilih dokumen dan metadata Veeva Vault untuk diimpor. Anda dapat menyesuaikan lebih lanjut perilaku impor dengan memetakan bidang sumber ke bidang tujuan. Anda juga dapat menambahkan filter berdasarkan jenis dan subtipe dokumen, klasifikasi, produk, negara, situs, dan lainnya. Terakhir, Anda dapat menambahkan validasi dan mengelola pemicu aliran sesuai permintaan dan terjadwal.
Anda dapat menggunakan konektor Amazon AppFlow Veeva untuk berbagai kasus penggunaan, mulai dari Veeva Vault PromoMats hingga solusi Veeva Vault lainnya seperti QualityDocs, eTMF, atau Regulatory Information Management (RIM). Berikut ini adalah beberapa kasus penggunaan di mana Anda dapat menggunakan konektor:
- Sinkronisasi data โ Anda dapat menggunakan konektor dalam proses membangun konsistensi dan harmonisasi antara data dari sumber Veeva Vault dan sistem hilir apa pun dari waktu ke waktu. Misalnya, Anda dapat membagikan aset pemasaran Veeva PromoMats ke Salesforce. Anda juga dapat menggunakan konektor untuk membagikan Veeva QualityDocs seperti Prosedur Operasi Standar (SOP) atau spesifikasi ke situs web cache yang dapat dicari dari tablet yang ada di lantai produksi.
- Deteksi anomali โ Anda dapat membagikan dokumen Veeva PromoMats ke Amazon Lookout untuk Metrik untuk deteksi anomali. Anda juga dapat menggunakan konektor dengan Vault RIM dalam karya seni, label komersial, templat, atau selebaran pasien sebelum mengimpornya untuk dicetak ke dalam solusi pelabelan perusahaan seperti Loftware.
- Hidrasi danau data โ Konektor dapat menjadi alat yang efektif untuk mereplikasi data terstruktur atau tidak terstruktur ke dalam data lake, untuk mendukung pembuatan dan hidrasi data lake. Misalnya, Anda dapat menggunakan konektor untuk mengekstrak informasi studi standar dari protokol yang disimpan di Vault RIM dan memaparkannya ke tim wawasan analitik medis.
- Translations โ Konektor dapat berguna dalam mengirimkan karya seni, dokumen klinis, materi pemasaran, atau protokol studi untuk terjemahan dalam bahasa asli ke departemen seperti pengemasan, uji klinis, atau pengiriman peraturan.
Posting ini berfokus pada bagaimana Anda dapat menggunakan Layanan Amazon AI dalam kombinasi dengan Amazon AppFlow untuk menganalisis konten yang disimpan di Veeva Vault PromoMats, secara otomatis mengekstrak informasi tag, dan akhirnya memasukkan informasi ini kembali ke sistem Veeva Vault. Postingan tersebut membahas arsitektur keseluruhan, langkah-langkah untuk menerapkan solusi dan dasbor, dan kasus penggunaan penandaan metadata aset. Untuk informasi lebih lanjut tentang bukti basis kode konsep untuk kasus penggunaan ini, lihat: Repositori GitHub.
Ikhtisar solusi
Diagram berikut mengilustrasikan arsitektur solusi yang diperbarui.
Sebelumnya, untuk mengimpor aset dari Veeva Vault, Anda harus menulis logika kode kustom Anda sendiri menggunakan Veeva Vault API untuk polling untuk perubahan dan mengimpor data ke Layanan Penyimpanan Sederhana Amazon (Amazon S3). Ini bisa menjadi proses manual yang memakan waktu, di mana Anda harus memperhitungkan keterbatasan API, kegagalan, dan percobaan ulang, serta skalabilitas untuk mengakomodasi jumlah aset yang tidak terbatas. Solusi yang diperbarui menggunakan Amazon AppFlow untuk mengabstraksikan kompleksitas pemeliharaan jalur impor data Veeva ke Amazon S3 kustom.
Seperti disebutkan dalam pendahuluan, Amazon AppFlow adalah alat swalayan tanpa kode yang mudah digunakan yang menggunakan konfigurasi titik-dan-klik untuk memindahkan data dengan mudah dan aman antara berbagai aplikasi SaaS dan layanan AWS. AppFlow memungkinkan Anda untuk menarik data (objek dan dokumen) dari sumber yang didukung dan menulis data tersebut ke berbagai tujuan yang didukung. Sumber atau tujuan dapat berupa aplikasi SaaS atau layanan AWS seperti Amazon S3, Pergeseran Merah Amazon, atau Cari Metrik. Selain antarmuka tanpa kode, Amazon AppFlow mendukung konfigurasi melalui API, AWS CLI, dan Formasi AWS Cloud interface.
Alur di Amazon AppFlow menjelaskan bagaimana data dipindahkan, termasuk detail sumber, detail tujuan, kondisi pemicu aliran (sesuai permintaan, sesuai acara, atau terjadwal), dan tugas pemrosesan data seperti pos pemeriksaan, validasi bidang, atau penyembunyian. Saat dipicu, Amazon AppFlow menjalankan aliran yang mengambil data sumber (umumnya melalui API publik aplikasi sumber), menjalankan tugas pemrosesan data, dan mentransfer data yang diproses ke tujuan.
Dalam contoh ini, Anda menerapkan alur yang telah dikonfigurasi sebelumnya menggunakan template CloudFormation. Tangkapan layar berikut menunjukkan yang telah dikonfigurasi sebelumnya veeva-aws-connector
aliran yang dibuat secara otomatis oleh template solusi di konsol Amazon AppFlow.
Alur menggunakan Veeva sebagai sumber dan dikonfigurasi untuk mengimpor objek komponen Veeva Vault. Baik metadata maupun file sumber diperlukan untuk melacak aset yang telah diproses dan mendorong tag kembali pada aset terkait yang benar di sistem sumber. Dalam situasi ini, hanya versi terbaru yang diimpor, dan rendisi tidak disertakan.
Tujuan aliran juga perlu dikonfigurasi. Pada tangkapan layar berikut, kami mendefinisikan format file dan struktur folder untuk bucket S3 yang dibuat sebagai bagian dari template CloudFormation.
Akhirnya, aliran dipicu atas permintaan untuk tujuan demonstrasi. Ini dapat dimodifikasi sehingga aliran berjalan sesuai jadwal, dengan granularitas maksimum 1 menit. Ketika dipicu pada jadwal, mode transfer berubah secara otomatis dari transfer penuh ke mode transfer inkremental. Anda menentukan bidang stempel waktu sumber untuk melacak perubahan. Untuk kasus penggunaan penandaan, kami telah menemukan bahwa: Tanggal Modifikasi Terakhir pengaturan adalah yang paling cocok.
Amazon AppFlow kemudian terintegrasi dengan Jembatan Acara Amazon untuk memublikasikan acara setiap kali alur berjalan selesai.
Untuk ketahanan yang lebih baik, AVAIAppFlowListener
AWS Lambda fungsi ditransfer ke EventBridge. Saat peristiwa Amazon AppFlow dipicu, itu memverifikasi bahwa alur tertentu telah berhasil diselesaikan, membaca informasi metadata dari semua aset yang diimpor dari alur tertentu, dan mendorong metadata dokumen individual ke dalam Layanan Antrian Sederhana Amazon (Amazon SQS) antrian. Menggunakan Amazon SQS menyediakan sambungan longgar antara bagian produsen dan prosesor dari arsitektur dan juga memungkinkan Anda menerapkan perubahan ke bagian prosesor tanpa menghentikan pembaruan yang masuk.
Fungsi poller kedua (AVAIQueuePoller
) membaca antrian SQS pada interval yang sering (setiap menit) dan memproses aset yang masuk. Untuk waktu reaksi yang lebih baik dari fungsi Lambda, Anda dapat mengganti aturan CloudWatch dengan mengonfigurasi Amazon SQS sebagai pemicu untuk fungsi tersebut.
Bergantung pada jenis pesan masuk, solusinya menggunakan berbagai layanan AWS AI untuk mendapatkan wawasan dari data Anda. Beberapa contoh termasuk:
- File teks - Fungsi menggunakan DeteksiEntitas operasi dari Amazon Memahami Medis, layanan pemrosesan bahasa alami (NLP) yang memudahkan penggunaan ML untuk mengekstrak informasi medis yang relevan dari teks tidak terstruktur. Operasi ini mendeteksi entitas dalam kategori seperti
Anatomy
,Medical_Condition
,Medication
,Protected_Health_Information
, danTest_Treatment_Procedure
. Output yang dihasilkan difilter untukProtected_Health_Information
, dan informasi yang tersisa, bersama dengan skor kepercayaan, diratakan dan dimasukkan ke dalam Amazon DynamoDB meja. Informasi ini diplot pada cluster OpenSearch Kibana. Dalam aplikasi dunia nyata, Anda juga dapat menggunakan Amazon Comprehend Medical ICD-10-CM atau RxNorm fitur untuk menghubungkan informasi yang terdeteksi ke ontologi medis sehingga aplikasi layanan kesehatan hilir dapat menggunakannya untuk analisis lebih lanjut. - Images - Fungsi menggunakan DeteksiLabel metode dari Rekognisi Amazon untuk mendeteksi label pada gambar yang masuk. Label ini dapat bertindak sebagai tag untuk mengidentifikasi informasi kaya yang terkubur dalam gambar Anda, seperti informasi tentang karya seni komersial dan label klinis. Jika label suka
Human
orPerson
terdeteksi dengan skor kepercayaan lebih dari 80%, kode menggunakan Deteksi Wajah metode untuk mencari fitur wajah utama seperti mata, hidung, dan mulut untuk mendeteksi wajah pada gambar input. Amazon Rekognition memberikan semua informasi ini dengan skor kepercayaan terkait, yang diratakan dan disimpan dalam tabel DynamoDB. - Rekaman suara - Untuk aset audio, kode ini menggunakan MulaiTranskripsiJob metode asinkron dari Amazon Transkripsikan untuk menyalin audio yang masuk ke teks, meneruskan pengidentifikasi unik sebagai
TranscriptionJobName
. Kode ini mengasumsikan bahasa audio menjadi Bahasa Inggris (AS), tetapi Anda dapat memodifikasinya untuk dikaitkan dengan informasi yang berasal dari Veeva Vault. Kode panggilan DapatkanTranskripsiPekerjaan metode, meneruskan pengidentifikasi unik yang sama denganTranscriptionJobName
dalam satu lingkaran, sampai pekerjaan selesai. Amazon Transcribe memberikan file output pada bucket S3, yang dibaca oleh kode dan dihapus. Kode ini memanggil alur kerja pemrosesan teks (seperti yang dibahas sebelumnya) untuk mengekstraksi entitas dari audio yang ditranskripsi. - Dokumen yang dipindai (PDF) - Sebagian besar aset ilmu kehidupan diwakili dalam PDF โ ini bisa berupa apa saja dari jurnal ilmiah dan makalah penelitian hingga label obat. Teks Amazon adalah layanan yang secara otomatis mengekstraksi teks dan data dari dokumen yang dipindai. Kode menggunakan MulaiDocumentTextDetection metode untuk memulai pekerjaan asinkron untuk mendeteksi teks dalam dokumen. Kode menggunakan
JobId
dikembalikan sebagai respons terhadap panggilan DapatkanDocumentTextDetection dalam satu lingkaran, sampai pekerjaan selesai. Struktur JSON output berisi garis dan kata-kata dari teks yang terdeteksi, bersama dengan skor kepercayaan untuk setiap elemen yang diidentifikasi, sehingga Anda dapat membuat keputusan berdasarkan informasi tentang cara menggunakan hasil. Kode memproses struktur JSON untuk membuat ulang uraian teks dan memanggil alur kerja pemrosesan teks untuk mengekstraksi entitas dari teks.
Tabel DynamoDB menyimpan semua data yang diproses. Solusinya gunakan Aliran DynamoDB dan pemicu Lambda (AVAIPopulateES
) untuk mengisi data ke dalam cluster OpenSearch Kibana. Fungsi AVAIPopulateES berjalan untuk setiap operasi pembaruan, penyisipan, dan penghapusan yang terjadi di tabel DynamoDB, dan menyisipkan satu rekaman terkait dalam indeks OpenSearch. Anda dapat memvisualisasikan catatan ini menggunakan Kibana.
Untuk menutup loop umpan balik, AVAICustomFieldPopulator
Fungsi Lambda telah dibuat. Ini dipicu oleh peristiwa di aliran DynamoDB dari tabel metadata DynamoDB. Untuk setiap DocumentID
dalam catatan DynamoDB, fungsi mencoba memasukkan informasi tag ke dalam properti bidang kustom yang telah ditentukan sebelumnya dari aset dengan ID yang sesuai di Veeva, menggunakan Veeva API. Untuk menghindari penyisipan noise ke dalam bidang kustom, fungsi Lambda memfilter tag apa pun yang telah diidentifikasi dengan skor kepercayaan lebih rendah dari 0.9. Permintaan yang gagal diteruskan ke antrean surat mati (DLQ) untuk inspeksi manual atau coba ulang otomatis.
Solusi ini menawarkan pendekatan tanpa server, pembayaran sesuai kebutuhan untuk memproses, menandai, dan memungkinkan pencarian komprehensif pada aset digital Anda. Selain itu, setiap komponen yang dikelola memiliki ketersediaan tinggi yang tertanam dalam penyebaran otomatis di beberapa Zona Ketersediaan. Untuk Layanan Pencarian Terbuka Amazon (penerus Amazon Elasticsearch Service), Anda dapat memilih opsi tiga AZ untuk menyediakan ketersediaan yang lebih baik untuk domain Anda.
Prasyarat
Untuk penelusuran ini, Anda harus memiliki prasyarat berikut:
- An Akun AWS dengan tepat Identitas AWS dan Manajemen Akses (IAM) izin untuk meluncurkan template CloudFormation
- Kredensial akses yang sesuai untuk domain Veeva Vault PromoMats (URL domain, nama pengguna, dan kata sandi)
- Tag konten khusus yang ditentukan di Veeva untuk aset digital yang ingin Anda beri tag (sebagai contoh, kami membuat
AutoTags
tag konten khusus) - Aset digital di Gudang PromoMats dapat diakses oleh kredensial sebelumnya
Terapkan solusi Anda
Anda menggunakan tumpukan CloudFormation untuk menyebarkan solusi. Tumpukan menciptakan semua sumber daya yang diperlukan, termasuk:
- Ember S3 untuk menyimpan aset yang masuk.
- Alur Amazon AppFlow untuk mengimpor aset secara otomatis ke dalam bucket S3.
- Aturan EventBridge dan fungsi Lambda untuk bereaksi terhadap peristiwa yang dihasilkan oleh Amazon AppFlow (
AVAIAppFlowListener
). - Antrian SQS FIFO untuk bertindak sebagai sambungan longgar antara fungsi pendengar (
AVAIAppFlowListener
) dan fungsi poller (AVAIQueuePoller
). - Tabel DynamoDB untuk menyimpan output layanan Amazon AI.
- Cluster Amazon OpenSearch Kibana (ELK) untuk memvisualisasikan tag yang dianalisis.
- Fungsi Lambda untuk mendorong kembali tag yang diidentifikasi ke Veeva (
AVAICustomFieldPopulator
), dengan DLQ yang sesuai. - Fungsi Lambda yang dibutuhkan:
- AVAIAppFlowListener โ Dipicu oleh peristiwa yang didorong oleh Amazon AppFlow ke EventBridge. Digunakan untuk validasi flow run dan mendorong pesan ke antrian SQS.
- AVAIQueuePoller - Dipicu setiap 1 menit. Digunakan untuk polling antrian SQS, memproses aset menggunakan layanan Amazon AI, dan mengisi tabel DynamoDB.
- TERSEDIA Populasi - Dipicu ketika ada pembaruan, masukkan, atau hapus pada tabel DynamoDB. Digunakan untuk menangkap perubahan dari DynamoDB dan mengisi cluster ELK.
- AVAICustomFieldPopulator โ Dipicu saat ada update, insert, atau delete pada tabel DynamoDB. Digunakan untuk memasukkan kembali informasi tag ke dalam Veeva.
- Grafik Acara Amazon CloudWatch aturan yang memicu
AVAIQueuePoller
fungsi. Pemicu ini ada diDISABLED
negara secara default. - Peran dan kebijakan IAM yang diperlukan untuk berinteraksi dengan EventBridge dan layanan AI secara terbatas.
Untuk memulai, selesaikan langkah-langkah berikut:
- Masuk ke Konsol Manajemen AWS dengan akun yang memiliki izin IAM prasyarat.
- Pilih Luncurkan Stack dan buka di tab baru:
- pada Buat tumpukan halaman, pilih Selanjutnya.
- pada Tentukan detail tumpukan halaman, masukkan nama untuk tumpukan.
- Masukkan nilai untuk parameter.
- Pilih Selanjutnya.
- pada Konfigurasikan opsi tumpukan halaman, biarkan semuanya sebagai default dan pilih Selanjutnya.
- pada ULASAN halaman, di halaman Kemampuan dan transformasi bagian, pilih tiga kotak centang.
- Pilih Buat tumpukan.
- Tunggu hingga tumpukan selesai. Anda dapat memeriksa berbagai peristiwa dari proses pembuatan tumpukan di Acara Tab.
- Setelah pembuatan tumpukan selesai, Anda dapat melihat pada Sumber tab untuk melihat semua sumber daya templat CloudFormation dibuat.
- pada Output tab, salin nilai
ESDomainAccessPrincipal
.
Ini adalah ARN dari peran IAM yang dimiliki oleh AVAIPopulateES
fungsi mengasumsikan. Anda menggunakannya nanti untuk mengonfigurasi akses ke domain Amazon OpenSearch Service.
Siapkan Layanan Amazon OpenSearch dan Kibana
Bagian ini memandu Anda dalam mengamankan klaster Amazon OpenSearch Service dan menginstal proxy lokal untuk mengakses Kibana dengan aman.
- Di konsol Amazon OpenSearch Service, pilih domain yang dibuat oleh template.
- pada tindakan menu, pilih Ubah kebijakan akses.
- Untuk Kebijakan akses domain, pilih Kebijakan akses khusus.
- Dalam majalah Kebijakan akses akan dihapus jendela pop-up, pilih Bersihkan dan lanjutkan.
- Pada halaman berikutnya, konfigurasikan pernyataan berikut untuk mengunci akses ke domain Amazon OpenSearch Service:
- Izinkan alamat IPv4 - Alamat IP Anda.
- Izinkan IAM ARN - Nilai dari
ESDomainAccessPrincipal
Anda menyalin sebelumnya.
- Pilih Kirim.
Ini membuat kebijakan akses yang memberikan akses ke fungsi AVAIPopulateES dan akses Kibana dari alamat IP Anda. Untuk informasi lebih lanjut tentang mengurangi kebijakan akses Anda, lihat Mengonfigurasi kebijakan akses.
- Tunggu status domain ditampilkan sebagai
Active
. - Di konsol Amazon EventBridge, di bawah Acara, pilih Peraturan. Anda dapat melihat dua aturan yang dibuat oleh template CloudFormation.
- Pilih
AVAIQueuePollerSchedule
aturan dan aktifkan dengan mengklik Aktifkan.
Dalam 5โ8 menit, data akan mulai mengalir masuk dan entitas dibuat di klaster Amazon OpenSearch Service. Anda sekarang dapat memvisualisasikan entitas ini di Kibana. Untuk melakukan ini, Anda menggunakan proxy sumber terbuka yang disebut aws-es-kibana. Untuk menginstal proxy di komputer Anda, masukkan kode berikut:
aws-es-kibana your_OpenSearch_domain_endpoint
Anda dapat menemukan titik akhir domain di Output tab tumpukan CloudFormation di bawah ESDomainEndPoint
. Anda akan melihat output berikut:
Buat visualisasi dan analisis konten yang diberi tag
Silakan merujuk ke aslinya blogpost.
Membersihkan
Untuk menghindari timbulnya biaya di masa mendatang, hapus sumber daya saat tidak digunakan. Anda dapat dengan mudah menghapus semua sumber daya dengan menghapus tumpukan CloudFormation terkait. Perhatikan bahwa Anda perlu mengosongkan bucket konten S3 yang dibuat agar penghapusan tumpukan berhasil.
Kesimpulan
Dalam posting ini, kami menunjukkan bagaimana Anda dapat menggunakan layanan Amazon AI dalam kombinasi dengan Amazon AppFlow untuk memperluas fungsionalitas Veeva Vault PromoMats dan mengekstrak informasi berharga dengan cepat dan mudah. Mekanisme loop back bawaan memungkinkan Anda memperbarui tag kembali ke Veeva Vault dan mengaktifkan pemberian tag otomatis pada aset Anda. Hal ini memudahkan tim Anda untuk menemukan dan menemukan aset dengan cepat.
Meskipun tidak ada keluaran ML yang sempurna, itu bisa sangat mendekati kinerja manusia dan membantu mengimbangi sebagian besar upaya tim Anda. Anda dapat menggunakan kapasitas tambahan ini untuk tugas bernilai tambah, sambil mendedikasikan kapasitas kecil untuk memeriksa keluaran solusi ML. Solusi ini juga dapat membantu mengoptimalkan biaya, mencapai konsistensi penandaan, dan memungkinkan penemuan aset yang ada dengan cepat.
Terakhir, Anda dapat mempertahankan kepemilikan atas data Anda dan memilih layanan AWS mana yang dapat memproses, menyimpan, dan menghosting konten. AWS tidak mengakses atau menggunakan konten Anda untuk tujuan apa pun tanpa persetujuan Anda, dan tidak pernah menggunakan data pelanggan untuk memperoleh informasi untuk pemasaran atau iklan. Untuk informasi lebih lanjut, lihat FAQ Privasi Data.
Anda juga dapat memperluas fungsionalitas solusi ini lebih jauh dengan peningkatan tambahan. Misalnya, selain layanan AI dan ML di postingan ini, Anda dapat dengan mudah menambahkan model ML kustom apa pun yang dibuat menggunakan Amazon SageMaker ke arsitektur.
Jika Anda tertarik untuk menjelajahi kasus penggunaan tambahan untuk Veeva dan AWS, hubungi tim akun AWS Anda.
Veeva Systems telah meninjau dan menyetujui konten ini. Untuk pertanyaan tambahan terkait Veeva Vault, silakan hubungi Dukungan Veeva.
Tentang penulis
Mayank Thakkar adalah Kepala Pengembangan Bisnis AI/ML, Perawatan Kesehatan Global dan Ilmu Kehidupan di AWS. Dia memiliki lebih dari 18 tahun pengalaman di berbagai industri seperti perawatan kesehatan, ilmu kehidupan, asuransi, dan ritel, yang mengkhususkan diri dalam membangun solusi tanpa server, kecerdasan buatan, dan pembelajaran mesin untuk memecahkan masalah industri dunia nyata. Di AWS, dia bekerja erat dengan perusahaan farmasi besar di seluruh dunia untuk membangun solusi mutakhir dan membantu mereka di sepanjang perjalanan cloud mereka. Selain pekerjaan, Mayank bersama istrinya sibuk membesarkan dua anak laki-laki yang energik dan nakal, Aaryan (6) dan Kiaan (4), sambil berusaha menjaga rumah agar tidak terbakar atau kebanjiran!
Anamari Todor adalah Arsitek Solusi Senior yang berbasis di Kopenhagen, Denmark. Dia melihat komputer pertamanya ketika dia berusia 4 tahun dan tidak pernah membiarkan ilmu komputer dan teknik pergi sejak itu. Dia telah bekerja di berbagai peran teknis mulai dari pengembang tumpukan penuh, hingga insinyur data, pimpinan teknis, dan CTO di berbagai perusahaan Denmark. Anamaria memiliki gelar sarjana di bidang Teknik Terapan dan Ilmu Komputer, gelar master di bidang Ilmu Komputer, dan lebih dari 10 tahun pengalaman langsung di AWS. Di AWS, dia bekerja erat dengan perusahaan perawatan kesehatan dan ilmu kehidupan di segmen perusahaan. Saat dia tidak bekerja atau bermain video game, dia melatih para gadis dan profesional wanita dalam memahami dan menemukan jalan mereka melalui teknologi.
- Coinsmart. Pertukaran Bitcoin dan Crypto Terbaik Eropa.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. AKSES GRATIS.
- CryptoHawk. Radar Altcoin. Uji Coba Gratis.
- Sumber: https://aws.amazon.com/blogs/machine-learning/analyze-and-tag-assets-stored-in-veeva-vault-promomats-using-amazon-appflow-and-amazon-ai-services/
- "
- 10
- 100
- 7
- 9
- a
- Tentang Kami
- ABSTRAK
- mengakses
- dapat diakses
- menampung
- Akun
- Mencapai
- di seluruh
- Bertindak
- tambahan
- Tambahan
- alamat
- pengiklanan
- AI
- Layanan AI
- Semua
- memungkinkan
- Amazon
- jumlah
- analisis
- analisis
- menganalisa
- selain
- api
- Lebah
- Aplikasi
- aplikasi
- terapan
- pendekatan
- sesuai
- arsitektur
- sekitar
- buatan
- kecerdasan buatan
- karya seni
- aset
- Aktiva
- terkait
- audio
- secara otomatis
- secara otomatis
- tersedianya
- AWS
- sebelum
- makhluk
- Lebih baik
- antara
- batas
- membangun
- Bangunan
- built-in
- bisnis
- panggilan
- kemampuan
- Kapasitas
- kasus
- kasus
- beban
- Pilih
- klasifikasi
- uji klinis
- awan
- pembinaan
- kode
- kombinasi
- bagaimana
- kedatangan
- komersial
- Perusahaan
- lengkap
- komponen
- luas
- komputer
- Komputer Ilmu
- konsep
- Kondisi
- kepercayaan
- konfigurasi
- Terhubung
- koneksi
- persetujuan
- konsul
- kontak
- mengandung
- Konten
- Sesuai
- Biaya
- bisa
- negara
- membuat
- dibuat
- menciptakan
- penciptaan
- Surat kepercayaan
- CTO
- adat
- pelanggan
- canggih
- dasbor
- data
- pengolahan data
- keputusan
- memberikan
- Permintaan
- menunjukkan
- Denmark
- menyebarkan
- penyebaran
- tujuan
- tujuan
- rincian
- terdeteksi
- Deteksi
- Pengembang
- Pengembangan
- digital
- Aset-Aset Digital
- penemuan
- dokumen
- Tidak
- domain
- domain
- turun
- obat
- setiap
- mudah
- mudah digunakan
- ekosistem
- Efektif
- upaya
- aktif
- memungkinkan
- Titik akhir
- insinyur
- Teknik
- Inggris
- Enter
- Enterprise
- entitas
- Lingkungan Hidup
- Acara
- peristiwa
- segala sesuatu
- contoh
- contoh
- ada
- pengalaman
- menyelidiki
- memperpanjang
- Ekstrak
- wajah
- Fitur
- Fitur
- umpan balik
- wanita
- Fields
- filter
- temuan
- Pertama
- aliran
- berfokus
- berikut
- format
- ditemukan
- dari
- penuh
- fungsi
- fungsi
- fungsi
- lebih lanjut
- masa depan
- Games
- umumnya
- dihasilkan
- mendapatkan
- gadis
- Aksi
- beasiswa
- hands-on
- kepala
- kesehatan
- membantu
- High
- Rumah
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTTPS
- manusia
- identifier
- mengenali
- identitas
- gambar
- gambar
- pengimporan
- memasukkan
- termasuk
- Termasuk
- indeks
- sendiri-sendiri
- industri
- industri
- informasi
- informasi
- memasukkan
- Sisipan
- wawasan
- wawasan
- install
- asuransi
- terpadu
- integrasi
- Intelijen
- berinteraksi
- tertarik
- Antarmuka
- IP
- Alamat IP
- IT
- Pekerjaan
- perjalanan
- Menjaga
- kunci
- pelabelan
- Label
- bahasa
- Bahasa
- besar
- Terbaru
- jalankan
- memimpin
- Meninggalkan
- Biologi
- baris
- LINK
- lokal
- melihat
- mesin
- memelihara
- membuat
- MEMBUAT
- mengelola
- berhasil
- pengelolaan
- cara
- panduan
- pabrik
- pemetaan
- Marketing
- tuan
- bahan
- mekanisme
- medis
- tersebut
- Metrik
- ML
- model
- lebih
- paling
- pindah
- beberapa
- Alam
- perlu
- kebutuhan
- berikutnya
- Kebisingan
- Penawaran
- mengimbangi
- Buka
- operasi
- operasi
- Optimize
- Opsi
- urutan
- asli
- Lainnya
- secara keseluruhan
- sendiri
- kepemilikan
- bagian
- Lewat
- Kata Sandi
- pasien
- persentase
- sempurna
- prestasi
- Pharma
- bermain
- silahkan
- Kebijakan
- kebijaksanaan
- pemilihan
- pop-up
- menyajikan
- sebelumnya
- pribadi
- masalah
- proses
- proses
- pengolahan
- Prosesor
- produsen
- Produk
- profesional
- bukti
- bukti konsep
- milik
- protokol
- memberikan
- menyediakan
- wakil
- publik
- menerbitkan
- tujuan
- tujuan
- terdorong
- Cepat
- segera
- pemeliharaan
- mulai
- mencapai
- Bereaksi
- reaksi
- catatan
- arsip
- regulator
- relevan
- yang tersisa
- diwakili
- permintaan
- penelitian
- Sumber
- tanggapan
- dihasilkan
- Hasil
- eceran
- Peran
- aturan
- Run
- sama
- Skalabilitas
- Skala
- dijadwalkan
- Ilmu
- ILMU PENGETAHUAN
- aman
- ruas
- Tanpa Server
- layanan
- Layanan
- set
- pengaturan
- Share
- Menunjukkan
- Sederhana
- sejak
- situs web
- situasi
- kecil
- So
- Perangkat lunak
- perangkat lunak sebagai layanan
- padat
- larutan
- Solusi
- MEMECAHKAN
- beberapa
- mengkhususkan diri
- tertentu
- spesifikasi
- tumpukan
- standar
- awal
- mulai
- Negara
- Laporan
- Status
- penyimpanan
- menyimpan
- toko
- aliran
- tersusun
- Belajar
- besar
- sukses
- berhasil
- mendukung
- Didukung
- pendukung
- Mendukung
- sistem
- sistem
- tugas
- tim
- tim
- Teknis
- Teknologi
- template
- istilah
- Grafik
- Sumber
- Dunia
- tiga
- Melalui
- TIE
- waktu
- membuang-buang waktu
- alat
- terhadap
- jalur
- Pelacakan
- transfer
- transfer
- Terjemahan
- dipicu
- bawah
- pemahaman
- unik
- tak terbatas
- Memperbarui
- Pembaruan
- us
- menggunakan
- pengesahan
- nilai
- berbagai
- Kubah
- versi
- Video
- Video game
- situs web
- sementara
- tanpa
- kata
- Kerja
- bekerja
- kerja
- bekerja
- dunia
- tahun
- Anda