Posting ini ditulis bersama oleh Ramdev Wudali dan Kiran Mantripragada dari Thomson Reuters.
Dalam 1992, Thomson Reuters (TR) merilis layanan penelitian hukum AI pertamanya, WIN (Westlaw Is Natural), sebuah inovasi pada saat itu, karena sebagian besar mesin telusur hanya mendukung istilah dan konektor Boolean. Sejak saat itu, TR telah mencapai lebih banyak pencapaian karena produk dan layanan AI-nya terus berkembang dalam jumlah dan variasi, mendukung profesional hukum, pajak, akuntansi, kepatuhan, dan layanan berita di seluruh dunia, dengan miliaran wawasan pembelajaran mesin (ML) yang dihasilkan setiap tahun .
Dengan peningkatan layanan AI yang luar biasa ini, pencapaian berikutnya bagi TR adalah merampingkan inovasi, dan memfasilitasi kolaborasi. Standarisasi pembuatan dan penggunaan kembali solusi AI di seluruh fungsi bisnis dan persona praktisi AI, sambil memastikan kepatuhan terhadap praktik terbaik perusahaan:
- Mengotomatiskan dan menstandarkan upaya rekayasa berulang yang tidak berbeda
- Pastikan isolasi dan kontrol data sensitif yang diperlukan sesuai dengan standar tata kelola umum
- Berikan akses mudah ke sumber daya komputasi yang dapat diskalakan
Untuk memenuhi persyaratan ini, TR membangun platform Enterprise AI dengan lima pilar berikut: layanan data, ruang kerja eksperimen, registri model pusat, layanan penerapan model, dan pemantauan model.
Dalam postingan ini, kami membahas bagaimana TR dan AWS berkolaborasi untuk mengembangkan Platform AI Perusahaan TR yang pertama, alat berbasis web yang akan memberikan kemampuan mulai dari eksperimen ML, pelatihan, registri model pusat, penerapan model, dan pemantauan model. Semua kemampuan ini dibangun untuk mengatasi standar keamanan TR yang terus berkembang dan menyediakan layanan yang sederhana, aman, dan sesuai untuk pengguna akhir. Kami juga membagikan bagaimana TR mengaktifkan pemantauan dan tata kelola untuk model ML yang dibuat di berbagai unit bisnis dengan satu panel kaca.
Tantangan
Secara historis di TR, ML telah menjadi kemampuan untuk tim dengan ilmuwan dan insinyur data tingkat lanjut. Tim dengan sumber daya yang sangat terampil dapat mengimplementasikan proses ML yang rumit sesuai kebutuhan mereka, tetapi dengan cepat menjadi sangat tertutup. Pendekatan diam tidak memberikan visibilitas apa pun untuk memberikan tata kelola ke dalam prediksi pengambilan keputusan yang sangat kritis.
Tim bisnis TR memiliki pengetahuan domain yang luas; namun, keterampilan teknis dan upaya rekayasa berat yang diperlukan dalam ML mempersulit penggunaan keahlian mendalam mereka untuk memecahkan masalah bisnis dengan kekuatan ML. TR ingin mendemokratisasi keterampilan, membuatnya dapat diakses oleh lebih banyak orang di dalam organisasi.
Tim yang berbeda di TR mengikuti praktik dan metodologi mereka sendiri. TR ingin membangun kemampuan yang terbentang di seluruh siklus hidup ML kepada penggunanya untuk mempercepat penyampaian proyek ML dengan memungkinkan tim untuk fokus pada sasaran bisnis dan bukan pada upaya rekayasa berulang yang tidak dibedakan.
Selain itu, peraturan seputar data dan etika AI terus berkembang, mewajibkan standar tata kelola umum di seluruh solusi AI TR.
Ikhtisar solusi
Platform Enterprise AI TR diharapkan dapat menyediakan layanan yang sederhana dan terstandarisasi untuk berbagai persona, menawarkan kemampuan untuk setiap tahap siklus hidup ML. TR telah mengidentifikasi lima kategori utama yang memodulasi semua persyaratan TR:
- Servis data โ Untuk mengaktifkan akses yang mudah dan aman ke aset data perusahaan
- Ruang kerja percobaan โ Untuk memberikan kemampuan untuk bereksperimen dan melatih model ML
- Registri model pusat โ Katalog perusahaan untuk model yang dibangun di berbagai unit bisnis
- Layanan penerapan model โ Untuk menyediakan berbagai opsi penerapan inferensi mengikuti praktik CI/CD perusahaan TR
- Layanan pemantauan model โ Untuk memberikan kemampuan untuk memantau data dan memodelkan bias dan penyimpangan
Seperti yang ditunjukkan dalam diagram berikut, layanan mikro ini dibangun dengan mempertimbangkan beberapa prinsip utama:
- Hapus upaya rekayasa yang tidak dibedakan dari pengguna
- Berikan kemampuan yang diperlukan dengan mengklik tombol
- Amankan dan atur semua kemampuan sesuai standar perusahaan TR
- Bawa satu panel kaca untuk aktivitas ML
Layanan mikro Platform AI TR dibuat dengan Amazon SageMaker sebagai mesin inti, komponen tanpa server AWS untuk alur kerja, dan layanan AWS DevOps untuk praktik CI/CD. Studio SageMaker digunakan untuk eksperimen dan pelatihan, dan registri model SageMaker digunakan untuk mendaftarkan model. Registri model pusat terdiri dari registri model SageMaker dan Amazon DynamoDB tabel. Layanan hosting SageMaker digunakan untuk menyebarkan model, sementara Monitor Model SageMaker dan Klarifikasi SageMaker digunakan untuk memantau model untuk penyimpangan, bias, kalkulator metrik khusus, dan penjelasan.
Bagian berikut menjelaskan layanan ini secara rinci.
Servis data
Siklus hidup proyek ML tradisional dimulai dengan menemukan data. Secara umum, ilmuwan data menghabiskan 60% atau lebih waktunya untuk menemukan data yang tepat saat mereka membutuhkannya. Sama seperti setiap organisasi, TR memiliki banyak penyimpanan data yang berfungsi sebagai satu titik kebenaran untuk domain data yang berbeda. TR mengidentifikasi dua penyimpanan data perusahaan utama yang menyediakan data untuk sebagian besar kasus penggunaan ML mereka: penyimpanan objek dan penyimpanan data relasional. TR membangun layanan data AI Platform untuk menyediakan akses tanpa hambatan ke kedua penyimpanan data dari ruang kerja eksperimen pengguna dan menghilangkan beban dari pengguna untuk menavigasi proses yang rumit untuk memperoleh data sendiri. Platform AI TR mengikuti semua kepatuhan dan praktik terbaik yang ditentukan oleh tim Tata Kelola Data dan Model. Ini mencakup Penilaian Dampak Data wajib yang membantu praktisi ML memahami dan mengikuti penggunaan data yang etis dan sesuai, dengan proses persetujuan formal untuk memastikan akses yang sesuai ke data. Inti dari layanan ini, serta semua layanan platform, adalah keamanan dan kepatuhan sesuai dengan praktik terbaik yang ditentukan oleh TR dan industri.
Layanan Penyimpanan Sederhana Amazon (Amazon S3) penyimpanan objek bertindak sebagai danau data konten. TR membuat proses untuk mengakses data dengan aman dari content data lake ke ruang kerja eksperimen pengguna sambil mempertahankan otorisasi dan kemampuan audit yang diperlukan. Kepingan salju digunakan sebagai penyimpanan data primer relasional perusahaan. Atas permintaan pengguna dan berdasarkan persetujuan dari pemilik data, layanan data AI Platform menyediakan snapshot data kepada pengguna yang tersedia di ruang kerja eksperimen mereka.
Mengakses data dari berbagai sumber merupakan masalah teknis yang dapat dengan mudah dipecahkan. Tetapi kerumitan yang telah dipecahkan oleh TR adalah membangun alur kerja persetujuan yang mengotomatiskan identifikasi pemilik data, mengirimkan permintaan akses, memastikan pemilik data diberi tahu bahwa mereka memiliki permintaan akses yang tertunda, dan berdasarkan status persetujuan mengambil tindakan untuk menyediakan data ke pemohon. Semua peristiwa selama proses ini dilacak dan dicatat untuk auditabilitas dan kepatuhan.
Seperti yang ditunjukkan pada diagram berikut, TR menggunakan Fungsi Langkah AWS untuk mengatur alur kerja dan AWS Lambda untuk menjalankan fungsionalitas. Gerbang API Amazon digunakan untuk mengekspos fungsionalitas dengan titik akhir API untuk dikonsumsi dari portal web mereka.
Eksperimen dan pengembangan model
Kemampuan penting untuk membakukan siklus hidup ML adalah lingkungan yang memungkinkan ilmuwan data bereksperimen dengan kerangka kerja ML dan ukuran data yang berbeda. Mengaktifkan lingkungan yang aman dan sesuai di cloud dalam beberapa menit membebaskan ilmuwan data dari beban penanganan infrastruktur cloud, persyaratan jaringan, dan tindakan standar keamanan, untuk fokus pada masalah ilmu data.
TR membangun ruang kerja eksperimen yang menawarkan akses ke layanan seperti Lem AWS, Amazon ESDM, dan SageMaker Studio untuk mengaktifkan pemrosesan data dan kemampuan ML yang mematuhi standar keamanan cloud perusahaan dan isolasi akun yang diperlukan untuk setiap unit bisnis. TR menghadapi tantangan berikut saat mengimplementasikan solusi:
- Orkestrasi sejak awal tidak sepenuhnya otomatis dan melibatkan beberapa langkah manual. Melacak di mana masalah terjadi tidaklah mudah. TR mengatasi kesalahan ini dengan mengatur alur kerja menggunakan Step Functions. Dengan menggunakan Step Functions, membuat alur kerja yang kompleks, mengelola status, dan menangani kesalahan menjadi jauh lebih mudah.
- Tepat Identitas AWS dan Manajemen Akses Definisi peran (IAM) untuk ruang kerja eksperimen sulit ditentukan. Untuk mematuhi standar keamanan internal TR dan model hak istimewa terkecil, awalnya, peran ruang kerja ditentukan dengan kebijakan sebaris. Akibatnya, kebijakan inline tumbuh seiring waktu dan menjadi bertele-tele, melebihi batas ukuran kebijakan yang diizinkan untuk peran IAM. Untuk mengurangi ini, TR beralih menggunakan lebih banyak kebijakan yang dikelola pelanggan dan mereferensikannya dalam definisi peran ruang kerja.
- TR terkadang mencapai batas sumber daya default yang diterapkan di tingkat akun AWS. Hal ini terkadang menyebabkan kegagalan peluncuran tugas SageMaker (misalnya, tugas pelatihan) karena batas jenis sumber daya yang diinginkan tercapai. TR bekerja sama dengan tim layanan SageMaker dalam masalah ini. Masalah ini teratasi setelah tim AWS meluncurkan SageMaker sebagai layanan yang didukung di Kuota Layanan pada bulan Juni 2022.
Saat ini, ilmuwan data di TR dapat meluncurkan proyek ML dengan membuat ruang kerja independen dan menambahkan anggota tim yang diperlukan untuk berkolaborasi. Skala tak terbatas yang ditawarkan oleh SageMaker ada di ujung jari mereka dengan menyediakan gambar kernel khusus dengan ukuran bervariasi. SageMaker Studio dengan cepat menjadi komponen penting dalam Platform AI TR dan telah mengubah perilaku pengguna dari menggunakan aplikasi desktop yang dibatasi menjadi mesin yang dibuat untuk tujuan tertentu dan dapat diskalakan. Diagram berikut mengilustrasikan arsitektur ini.
Registri model pusat
Registri model menyediakan repositori pusat untuk semua model pembelajaran mesin TR, memungkinkan manajemen risiko dan kesehatan model tersebut dengan cara standar di seluruh fungsi bisnis, dan merampingkan penggunaan kembali model potensial. Oleh karena itu, layanan perlu melakukan hal berikut:
- Menyediakan kemampuan untuk mendaftarkan model baru dan lama, baik yang dikembangkan di dalam maupun di luar SageMaker
- Terapkan alur kerja tata kelola, memungkinkan ilmuwan data, pengembang, dan pemangku kepentingan untuk melihat dan mengelola siklus hidup model secara kolektif
- Tingkatkan transparansi dan kolaborasi dengan membuat tampilan terpusat dari semua model di seluruh TR bersama dengan metadata dan metrik kesehatan
TR memulai desain hanya dengan registri model SageMaker, tetapi salah satu persyaratan utama TR adalah menyediakan kemampuan untuk mendaftarkan model yang dibuat di luar SageMaker. TR mengevaluasi database relasional yang berbeda tetapi akhirnya memilih DynamoDB karena skema metadata untuk model yang berasal dari sumber lama akan sangat berbeda. TR juga tidak ingin memaksakan pekerjaan tambahan apa pun kepada pengguna, jadi mereka menerapkan sinkronisasi otomatis yang mulus antara registri SageMaker ruang kerja AI Platform ke registri SageMaker pusat menggunakan Jembatan Acara Amazon aturan dan peran IAM yang diperlukan. TR menyempurnakan registri pusat dengan DynamoDB untuk memperluas kemampuan mendaftarkan model lawas yang dibuat di desktop pengguna.
Registri model pusat AI Platform TR terintegrasi ke dalam portal AI Platform dan menyediakan antarmuka visual untuk mencari model, memperbarui metadata model, dan memahami metrik baseline model dan metrik pemantauan kustom berkala. Diagram berikut mengilustrasikan arsitektur ini.
Penerapan model
TR mengidentifikasi dua pola utama untuk mengotomatiskan penerapan:
- Model yang dikembangkan menggunakan SageMaker melalui tugas transformasi batch SageMaker untuk mendapatkan inferensi pada jadwal yang diinginkan
- Model yang dikembangkan di luar SageMaker pada desktop lokal menggunakan pustaka sumber terbuka, melalui pendekatan bawa wadah Anda sendiri menggunakan tugas pemrosesan SageMaker untuk menjalankan kode inferensi khusus, sebagai cara yang efisien untuk memigrasikan model tersebut tanpa memfaktorkan ulang kode
Dengan layanan penerapan AI Platform, pengguna TR (ilmuwan data dan insinyur ML) dapat mengidentifikasi model dari katalog dan menerapkan tugas inferensi ke akun AWS pilihan mereka dengan memberikan parameter yang diperlukan melalui alur kerja berbasis UI.
TR mengotomatiskan penerapan ini menggunakan layanan AWS DevOps seperti Pipa Kode AWS dan Pembuatan Kode AWS. TR menggunakan Step Functions untuk mengatur alur kerja pembacaan dan prapemrosesan data untuk membuat tugas inferensi SageMaker. TR menyebarkan komponen yang diperlukan sebagai kode menggunakan Formasi AWS Cloud template. Diagram berikut mengilustrasikan arsitektur ini.
Pemantauan model
Siklus hidup ML tidak lengkap tanpa bisa memantau model. Tim tata kelola perusahaan TR juga mengamanatkan dan mendorong tim bisnis untuk memantau kinerja model mereka dari waktu ke waktu untuk mengatasi setiap tantangan regulasi. TR dimulai dengan model pemantauan dan data untuk penyimpangan. TR menggunakan SageMaker Model Monitor untuk menyediakan baseline data dan kebenaran dasar inferensi untuk memantau secara berkala bagaimana data dan inferensi TR berubah. Bersama dengan metrik pemantauan model SageMaker, TR menyempurnakan kemampuan pemantauan dengan mengembangkan metrik khusus khusus untuk model mereka. Ini akan membantu ilmuwan data TR memahami kapan harus melatih ulang model mereka.
Seiring dengan monitoring drift, TR juga ingin memahami bias dalam model. Kemampuan out-of-the-box dari SageMaker Clarify digunakan untuk membangun layanan bias TR. TR memantau bias data dan model dan menyediakan metrik tersebut untuk penggunanya melalui portal AI Platform.
Untuk membantu semua tim mengadopsi standar perusahaan ini, TR telah menjadikan layanan ini independen dan tersedia melalui portal AI Platform. Tim bisnis TR dapat masuk ke portal dan menerapkan tugas pemantauan model atau tugas pemantauan bias sendiri dan menjalankannya sesuai jadwal pilihan mereka. Mereka diberi tahu tentang status pekerjaan dan metrik untuk setiap proses.
TR menggunakan layanan AWS untuk penerapan CI/CD, orkestrasi alur kerja, kerangka kerja tanpa server, dan titik akhir API untuk membangun layanan mikro yang dapat dipicu secara independen, seperti yang ditunjukkan dalam arsitektur berikut.
Hasil dan perbaikan di masa depan
Platform AI TR diluncurkan pada Q3 2022 dengan kelima komponen utama: layanan data, ruang kerja eksperimen, registri model pusat, penerapan model, dan pemantauan model. TR melakukan sesi pelatihan internal untuk unit bisnisnya untuk mengaktifkan platform dan menawarkan video pelatihan mandiri kepada mereka.
Platform AI telah memberikan kemampuan kepada tim TR yang belum pernah ada sebelumnya; itu telah membuka berbagai kemungkinan bagi tim tata kelola perusahaan TR untuk meningkatkan standar kepatuhan dan memusatkan registri, memberikan satu panel tampilan kaca di semua model ML dalam TR.
TR mengakui bahwa tidak ada produk yang terbaik pada rilis awal. Semua komponen TR berada pada tingkat kematangan yang berbeda, dan tim Enterprise AI Platform TR berada dalam fase peningkatan berkelanjutan untuk menyempurnakan fitur produk secara berulang. Saluran kemajuan TR saat ini mencakup penambahan opsi inferensi SageMaker tambahan seperti titik akhir real-time, asinkron, dan multi-model. TR juga berencana menambahkan penjelasan model sebagai fitur ke layanan pemantauan modelnya. TR berencana untuk menggunakan kemampuan penjelasan dari SageMaker Clarify untuk mengembangkan layanan penjelasan internalnya.
Kesimpulan
TR sekarang dapat memproses data dalam jumlah besar dengan aman dan menggunakan kemampuan AWS lanjutan untuk membawa proyek ML dari pembuatan ide ke produksi dalam rentang waktu beberapa minggu, dibandingkan dengan waktu berbulan-bulan sebelumnya. Dengan kemampuan out-of-the-box dari layanan AWS, tim dalam TR dapat mendaftarkan dan memantau model ML untuk pertama kalinya, mencapai kepatuhan dengan standar tata kelola model mereka yang terus berkembang. TR memberdayakan ilmuwan data dan tim produk untuk mengeluarkan kreativitas mereka secara efektif guna memecahkan masalah yang paling kompleks.
Untuk mengetahui lebih lanjut tentang Enterprise AI Platform TR di AWS, lihat Sesi AWS re:Invent 2022. Jika Anda ingin mempelajari bagaimana TR mempercepat penggunaan pembelajaran mesin menggunakan Lab Data AWS program, lihat studi kasus.
Tentang Penulis
Ramdev Wudali adalah Arsitek Data, membantu arsitek dan membangun Platform AI/ML untuk memungkinkan ilmuwan data dan peneliti mengembangkan solusi pembelajaran mesin dengan berfokus pada ilmu data dan bukan pada kebutuhan infrastruktur. Di waktu senggangnya, dia suka melipat kertas untuk membuat origami tessellation, dan memakai kaos oblong.
Kiran Mantrapragada adalah Direktur Senior Platform AI di Thomson Reuters. Tim AI Platform bertanggung jawab untuk mengaktifkan aplikasi perangkat lunak AI tingkat produksi dan memungkinkan pekerjaan ilmuwan data dan peneliti pembelajaran mesin. Dengan hasrat terhadap sains, AI, dan teknik, Kiran suka menjembatani kesenjangan antara penelitian dan produksi untuk menghadirkan inovasi AI yang sesungguhnya kepada konsumen akhir.
Bhavana Chirumamilla adalah Sr. Resident Architect di AWS. Dia sangat tertarik dengan operasi data dan ML, dan membawa banyak antusiasme untuk membantu perusahaan membangun data dan strategi ML. Di waktu luangnya, ia menikmati waktu bersama keluarganya dengan jalan-jalan, hiking, berkebun, dan menonton film dokumenter.
Srinivasa Shaik adalah Arsitek Solusi di AWS yang berbasis di Boston. Dia membantu pelanggan perusahaan mempercepat perjalanan mereka ke cloud. Dia sangat tertarik dengan wadah dan teknologi pembelajaran mesin. Di waktu senggangnya, ia senang menghabiskan waktu bersama keluarga, memasak, dan jalan-jalan.
Qing Wei Li adalah Spesialis Pembelajaran Mesin di Amazon Web Services. Dia menerima gelar PhD dalam Riset Operasi setelah dia melanggar akun hibah penelitian penasihatnya dan gagal memberikan Hadiah Nobel yang dia janjikan. Saat ini, dia membantu pelanggan di industri layanan keuangan dan asuransi membangun solusi pembelajaran mesin di AWS. Di waktu luangnya, dia suka membaca dan mengajar.
- 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/how-thomson-reuters-built-an-ai-platform-using-amazon-sagemaker-to-accelerate-delivery-of-ml-projects/
- 100
- 2022
- 7
- a
- Sanggup
- Tentang Kami
- mempercepat
- dipercepat
- mengakses
- dapat diakses
- Menurut
- Akun
- akuntansi
- dicapai
- mencapai
- memperoleh
- di seluruh
- Tindakan
- tindakan
- Tambahan
- alamat
- mengambil
- maju
- Setelah
- AI
- Platform AI
- Layanan AI
- AI / ML
- Semua
- memungkinkan
- di samping
- Amazon
- Amazon SageMaker
- Amazon Web Services
- jumlah
- dan
- api
- aplikasi
- terapan
- pendekatan
- pendekatan
- persetujuan
- arsitektur
- sekitar
- otorisasi
- mengotomatisasikan
- Otomatis
- secara otomatis
- tersedia
- AWS
- berdasarkan
- Dasar
- karena
- sebelum
- makhluk
- TERBAIK
- Praktik Terbaik
- antara
- prasangka
- miliaran
- boston
- JEMBATAN
- membawa
- Membawa
- Broke
- membangun
- Bangunan
- membangun
- dibangun di
- beban
- bisnis
- fungsi bisnis
- kemampuan
- kasus
- katalog
- kategori
- disebabkan
- pusat
- terpusat
- tantangan
- memeriksa
- memilih
- terpilih
- rapat
- awan
- infrastruktur cloud
- Cloud Security
- kode
- Berkolaborasi
- berkolaborasi
- kolaborasi
- kolektif
- kedatangan
- Umum
- dibandingkan
- lengkap
- kompleks
- kompleksitas
- pemenuhan
- compliant
- komponen
- komponen
- Terdiri dari
- komputasi
- dikonsumsi
- Konsumen
- Wadah
- Wadah
- Konten
- terus
- kontinu
- kontrol
- Core
- membuat
- dibuat
- membuat
- kreativitas
- kritis
- sangat penting
- terbaru
- Sekarang
- adat
- pelanggan
- data
- Danau Data
- pengolahan data
- ilmu data
- database
- Pengambilan Keputusan
- mendalam
- keahlian yang mendalam
- Default
- menyampaikan
- pengiriman
- mendemokrasikan
- menyebarkan
- penyebaran
- menyebarkan
- menggambarkan
- Mendesain
- Desktop
- rinci
- ditentukan
- mengembangkan
- dikembangkan
- pengembang
- berkembang
- Pengembangan
- berbeda
- sulit
- Kepala
- membahas
- dokumenter
- domain
- domain
- turun
- Awal
- mudah
- mudah
- efektif
- efisien
- usaha
- diberdayakan
- aktif
- diaktifkan
- memungkinkan
- memungkinkan
- mendorong
- Titik akhir
- Mesin
- Teknik
- Insinyur
- Mesin
- ditingkatkan
- memastikan
- memastikan
- Enterprise
- perusahaan
- antusiasme
- Lingkungan Hidup
- kesalahan
- penting
- etis
- dievaluasi
- peristiwa
- pERNAH
- berkembang
- berkembang
- contoh
- eksperimen
- keahlian
- memperpanjang
- sangat
- memudahkan
- Gagal
- keluarga
- Fitur
- Fitur
- beberapa
- terakhir
- keuangan
- servis keuangan
- Menemukan
- temuan
- Pertama
- pertama kali
- Fokus
- berfokus
- mengikuti
- berikut
- berikut
- resmi
- kerangka
- dari
- Memenuhi
- sepenuhnya
- fungsi
- fungsi
- masa depan
- celah
- Umum
- dihasilkan
- mendapatkan
- kaca
- Go
- Anda
- pemerintahan
- memberikan
- Tanah
- Pertumbuhan
- Penanganan
- Sulit
- Kesehatan
- membantu
- membantu
- membantu
- sangat
- tuan
- Seterpercayaapakah Olymp Trade? Kesimpulan
- Namun
- HTML
- HTTPS
- diidentifikasi
- mengenali
- mengidentifikasi
- identitas
- gambar
- Dampak
- melaksanakan
- diimplementasikan
- mengimplementasikan
- memaksakan
- memperbaiki
- in
- termasuk
- Meningkatkan
- independen
- secara mandiri
- industri
- Infrastruktur
- mulanya
- Innovation
- wawasan
- sebagai gantinya
- asuransi
- terpadu
- Antarmuka
- intern
- terlibat
- isolasi
- isu
- IT
- Pekerjaan
- Jobs
- perjalanan
- kunci
- Tahu
- pengetahuan
- danau
- jalankan
- diluncurkan
- peluncuran
- BELAJAR
- pengetahuan
- Warisan
- Informasi
- Tingkat
- adalah ide yang bagus
- perpustakaan
- MEMBATASI
- batas
- hidup
- lokal
- mesin
- Mesin belajar
- terbuat
- utama
- MEMBUAT
- Membuat
- mengelola
- pengelolaan
- pelaksana
- mandat
- cara
- panduan
- banyak
- kematangan
- ukuran
- Anggota
- Metadata
- metodologi
- metrik
- Metrik
- microservices
- bermigrasi
- batu
- Milestones
- keberatan
- menit
- Mengurangi
- ML
- model
- model
- Memantau
- pemantauan
- monitor
- bulan
- lebih
- paling
- beberapa
- Alam
- Arahkan
- Perlu
- kebutuhan
- jaringan
- New
- berita
- berikutnya
- Penghargaan Nobel
- jumlah
- obyek
- sesekali
- ditawarkan
- menawarkan
- Penawaran
- Di atas kapal
- ONE
- open source
- dibuka
- Operasi
- Opsi
- teknik mengatur musik
- organisasi
- semula
- di luar
- sendiri
- pemilik
- pane
- kertas
- parameter
- gairah
- bergairah
- pola
- Konsultan Ahli
- prestasi
- berkala
- tahap
- pipa saluran
- perencanaan
- rencana
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- Titik
- Kebijakan
- kebijaksanaan
- Portal
- kemungkinan
- Pos
- potensi
- kekuasaan
- praktek
- Prediksi
- disukai
- primer
- prinsip-prinsip
- hadiah
- Masalah
- masalah
- proses
- proses
- pengolahan
- Produk
- Produksi
- Produk
- profesional
- program
- proyek
- memprojeksikan
- dijanjikan
- memberikan
- disediakan
- menyediakan
- menyediakan
- Q3
- q3 2022
- segera
- jarak
- mulai
- RE
- tercapai
- Bacaan
- nyata
- real-time
- diterima
- daftar
- pendaftaran
- peraturan
- regulator
- melepaskan
- dirilis
- menghapus
- gudang
- permintaan
- wajib
- Persyaratan
- penelitian
- peneliti
- sumber
- Sumber
- tanggung jawab
- Reuters
- Risiko
- Peran
- peran
- aturan
- Run
- pembuat bijak
- Inferensi SageMaker
- terukur
- Skala
- menjadwalkan
- Ilmu
- ilmuwan
- mulus
- mulus
- Pencarian
- Mesin pencari
- bagian
- aman
- Dijamin
- aman
- keamanan
- mengirim
- senior
- peka
- melayani
- Tanpa Server
- layanan
- Layanan
- sesi
- beberapa
- Share
- ditunjukkan
- Sederhana
- sejak
- tunggal
- Ukuran
- ukuran
- terampil
- keterampilan
- Potret
- So
- Perangkat lunak
- larutan
- Solusi
- MEMECAHKAN
- sumber
- spesialis
- tertentu
- menghabiskan
- Pengeluaran
- Tahap
- stakeholder
- standardisasi
- standar
- mulai
- dimulai
- Negara
- Status
- Langkah
- Tangga
- penyimpanan
- menyimpan
- toko
- strategi
- mempersingkat
- studio
- seperti itu
- Didukung
- pendukung
- beralih
- sinkronisasi
- tabel
- Mengambil
- pajak
- Pengajaran
- tim
- tim
- Teknis
- keterampilan teknis
- Teknologi
- template
- istilah
- Grafik
- mereka
- karena itu
- Thomson Reuters
- Melalui
- di seluruh
- waktu
- untuk
- alat
- Pelacakan
- tradisional
- Pelatihan VE
- Pelatihan
- Mengubah
- Transparansi
- Perjalanan
- dahsyat
- dipicu
- memahami
- satuan
- unit
- melancarkan
- tak terbatas
- Memperbarui
- menggunakan
- Pengguna
- Pengguna
- variasi
- berbagai
- Luas
- melalui
- Video
- View
- jarak penglihatan
- menonton
- jaringan
- layanan web
- berbasis web
- minggu
- apakah
- sementara
- lebar
- Rentang luas
- akan
- menang
- dalam
- tanpa
- Kerja
- bekerja
- Alur kerja
- industri udang di seluruh dunia.
- akan
- tahun
- Anda
- zephyrnet.dll