I dati strutturati, definiti come dati che seguono uno schema fisso come le informazioni archiviate in colonne all'interno dei database, e i dati non strutturati, che mancano di una forma o schema specifico come testo, immagini o post sui social media, continuano entrambi a crescere man mano che vengono prodotti e consumati da varie organizzazioni. Ad esempio, secondo International Data Corporation (IDC), si prevede che il volume mondiale di dati aumenterà di dieci volte entro il 2025, di cui i dati non strutturati rappresenteranno una parte significativa. Le aziende potrebbero voler aggiungere metadati personalizzati come tipi di documenti (moduli W-2 o buste paga), vari tipi di entità come nomi, organizzazione e indirizzo, oltre ai metadati standard come tipo di file, data di creazione o dimensione per estendere l'intelligent eseguire la ricerca durante l'acquisizione dei documenti. I metadati personalizzati aiutano le organizzazioni e le imprese a classificare le informazioni nel modo preferito. Ad esempio, i metadati possono essere utilizzati per filtrare e cercare. I clienti possono creare metadati personalizzati utilizzando Amazon Comprehend, un servizio di elaborazione del linguaggio naturale (NLP) gestito da AWS per estrarre informazioni dettagliate sul contenuto dei documenti e inserirli in Amazon Kendra insieme ai relativi dati nell'indice. Amazon Kendra è un servizio di ricerca aziendale altamente accurato e facile da usare basato su Machine Learning (AWS). I metadati personalizzati possono quindi essere utilizzati per arricchire meglio il contenuto filtraggio e sfaccettatura capacità. In Amazon Kendra, i facet sono visualizzazioni mirate di un insieme di risultati di ricerca. Ad esempio, puoi fornire risultati di ricerca per città di tutto il mondo, dove i documenti vengono filtrati in base a una città specifica a cui sono associati. Puoi anche creare facet per visualizzare i risultati di un autore specifico.
Le compagnie di assicurazione sono gravate da un numero crescente di sinistri da elaborare. Inoltre, anche la complessità dell'elaborazione dei sinistri sta aumentando a causa dei diversi tipi di documenti assicurativi coinvolti e delle entità personalizzate in ciascuno di questi documenti. In questo post descriviamo un caso d'uso per l'arricchimento personalizzato dei contenuti per le compagnie assicurative. L'assicuratore riceve richieste di pagamento dall'avvocato del beneficiario per diversi tipi di assicurazione, come l'assicurazione sulla casa, sull'auto e sulla vita. In questo caso d'uso, i documenti ricevuti dall'assicuratore non contengono metadati che consentano di ricercare il contenuto in base a determinate entità e classi. La compagnia assicurativa desidera filtrare i contenuti di Kendra in base a entità e classi personalizzate specifiche del proprio dominio aziendale. Questo post illustra come automatizzare e semplificare la generazione di metadati utilizzando modelli personalizzati di Amazon Comprehend. I metadati generati possono essere personalizzati durante il processo di acquisizione con Amazon Kendra Arricchimento documenti personalizzato (CDE) logica personalizzata.
Diamo un'occhiata ad alcuni esempi di ricerca di Amazon Kendra con o senza funzionalità di filtro e facet.
Nello screenshot seguente, Amazon Kendra fornisce un risultato di ricerca ma non è possibile restringere ulteriormente i risultati della ricerca utilizzando eventuali filtri.
Lo screenshot seguente mostra che i risultati della ricerca di Amazon Kendra possono essere filtrati utilizzando diversi aspetti come Studio legale, Numeri di polizza, creati da metadati personalizzati per restringere i risultati della ricerca.
La soluzione discussa in questo post può essere facilmente applicata anche ad altre attività/casi d'uso, come l'assistenza sanitaria, la produzione e la ricerca.
Panoramica della soluzione
In questa soluzione proposta, 1) classificheremo le richieste di indennizzo assicurativo in varie classi e 2) recupereremo entità specifiche dell'assicurazione da questi documenti. Una volta completata questa operazione, il documento può essere indirizzato al reparto appropriato o al processo a valle.
Il diagramma seguente delinea l'architettura della soluzione proposta.
Amazon Comprehend classificazione personalizzata L'API viene utilizzata per organizzare i tuoi documenti in categorie (classi) da te definite. La classificazione personalizzata è un processo in due fasi. Innanzitutto, addestrerai un modello di classificazione personalizzato (chiamato anche classificatore) per riconoscere le classi che ti interessano. Quindi, utilizzerai il tuo modello per classificare un numero qualsiasi di set di documenti.
Amazon Comprehend riconoscimento di entità personalizzate viene utilizzata per identificare tipi di entità specifici (nomi della compagnia assicurativa, nomi dell'assicuratore, numero di polizza) oltre a quanto disponibile nel tipi di entità generici per impostazione predefinita. Costruire un modello di riconoscimento delle entità personalizzato è un approccio più efficace rispetto all'utilizzo della corrispondenza di stringhe o delle espressioni regolari per estrarre entità dai documenti. Un modello di riconoscimento delle entità personalizzato può apprendere il contesto in cui è probabile che vengano visualizzati tali nomi. Inoltre, la corrispondenza delle stringhe non rileverà le entità che contengono errori di battitura o che seguono nuove convenzioni di denominazione, mentre ciò è possibile utilizzando un modello personalizzato.
Prima di immergerci più a fondo, prendiamoci un momento per esplorare Amazon Kendra. Amazon Kendra è un servizio di ricerca aziendale estremamente accurato e facile da usare, basato sull'apprendimento automatico. Consente agli utenti di trovare le informazioni di cui hanno bisogno all'interno della grande quantità di contenuti diffusi all'interno della propria organizzazione, che vanno da siti Web e database a siti Intranet. Creeremo innanzitutto un indice Amazon Kendra per acquisire i documenti. Durante l'acquisizione dei dati, è essenziale considerare il concetto di Custom Data Enrichment (CDE). CDE consente di migliorare la capacità di ricerca incorporando la conoscenza esterna nell'indice di ricerca. Per ulteriori informazioni, fare riferimento a Arricchire i tuoi documenti durante l'importazione. In questo post, la logica CDE richiama le API personalizzate di Amazon Comprehend per arricchire i documenti con classi ed entità identificate. Infine, utilizziamo la pagina di ricerca di Amazon Kendra per mostrare come i metadati abbiano migliorato la capacità di ricerca aggiungendo funzionalità di sfaccettatura e filtro.
I passaggi di alto livello per implementare questa soluzione sono i seguenti:
- Addestra il classificatore personalizzato Amazon Comprehend utilizzando i dati di addestramento
- Addestra il riconoscimento dell'entità personalizzata Amazon Comprehend utilizzando i dati di addestramento
- Crea il classificatore personalizzato Amazon Comprehend e gli endpoint di riconoscimento dell'entità personalizzata
- Crea e distribuisci una funzione Lambda per l'arricchimento post-estrazione
- Crea e compila l'indice Amazon Kendra
- Utilizza le entità estratte per filtrare le ricerche in Amazon Kendra
Abbiamo anche fornito un'applicazione di esempio nel file Repository GitHub per riferimento.
Considerazioni sulla sicurezza dei dati e sull'IAM
Con la sicurezza come priorità assoluta, questa soluzione segue il principio delle autorizzazioni con privilegi minimi per i servizi e le funzionalità utilizzate. Il ruolo IAM utilizzato dalla classificazione personalizzata Amazon Comprehend e dal riconoscimento dell'entità personalizzata dispone delle autorizzazioni per accedere al set di dati solo dal bucket di test. Il servizio Amazon Kendra ha accesso a uno specifico bucket S3 e alla funzione Lambda utilizzata per chiamare le API di comprensione. La funzione Lambda dispone delle autorizzazioni per chiamare solo le API Amazon Comprehend. Per ulteriori informazioni, rivedere le sezioni 1.2 e 1.3 del notebook.
Ti consigliamo di effettuare quanto segue in un ambiente non di produzione prima di implementare la soluzione nell'ambiente di produzione.
Addestra il classificatore personalizzato Comprehend utilizzando i dati di addestramento
Amazon Comprehend Custom Classification supporta due tipi di formato dati per i file di annotazioni:
Poiché i nostri dati sono già etichettati e archiviati in file CSV, utilizzeremo come esempio il formato file CSV per il file di annotazioni. Dobbiamo fornire i dati di training etichettati come testo codificato UTF-8 in un file CSV. Non includere una riga di intestazione nel file CSV. L'aggiunta di una riga di intestazione nel file può causare errori di runtime. Un esempio del file CSV dei dati di training è il seguente:
Per preparare i dati di addestramento del classificatore, fare riferimento a Preparazione dei dati di addestramento del classificatore. Per ogni riga nel file CSV, la prima colonna contiene una o più etichette di classe. Un'etichetta di classe può essere qualsiasi stringa UTF-8 valida. Ti consigliamo di utilizzare nomi di classe chiari che non si sovrappongano nel significato. Il nome può includere spazi bianchi e può essere costituito da più parole collegate da trattini bassi o trattini. Non lasciare spazi prima o dopo le virgole che separano i valori in una riga.
Successivamente, ti allenerai utilizzando Modalità multiclasse or Modalità multietichetta. Nello specifico, in modalità multiclasse, la classificazione assegna una classe per ciascun documento, mentre in modalità multietichetta le singole classi rappresentano categorie diverse che non si escludono a vicenda. Nel nostro caso utilizzeremo la modalità Multiclasse per i modelli in testo semplice.
Puoi preparare set di dati di test e formazione separati per la formazione del classificatore personalizzato Amazon Comprehend e la valutazione del modello. Oppure fornisci un solo set di dati sia per l'addestramento che per il test. Comprehend selezionerà automaticamente il 10% del set di dati fornito da utilizzare come dati di test. In questo esempio, forniamo set di dati di formazione e test separati.
L'esempio seguente mostra un file CSV contenente i nomi delle classi associate ai vari documenti.
Una volta addestrato il modello di classificazione personalizzato, è possibile acquisire diverse classi di assicurazione sui documenti (assicurazione sulla casa, sull'auto o sulla vita).
Addestra il riconoscimento di entità personalizzate (NER) di Amazon Comprehend utilizzando i dati di addestramento
Il set di dati di addestramento per Amazon Comprehend Custom Entity Recognition (NER) può essere preparato in due modi diversi:
- Annotazioni – Fornisce un set di dati che contiene le entità annotate per il mode training
- Elenchi di entità (solo testo normale) – Fornisce un elenco di entità e il relativo tipo di etichetta (come “nomi di compagnie assicurative”) e una serie di documenti senza annotazioni contenenti tali entità per la formazione del modello
Per ulteriori informazioni, fare riferimento a Preparazione dei dati di training del riconoscimento entità.
Quando si addestra un modello utilizzando l'elenco di entità, è necessario fornire due informazioni: un elenco di nomi di entità con i tipi di entità personalizzati associati e una raccolta di documenti senza annotazioni in cui vengono visualizzate le entità.
L'addestramento automatico richiede la presenza di due tipi di informazioni: documenti di esempio e elenco di entità o annotazioni. Una volta addestrato il sistema di riconoscimento, puoi utilizzarlo per rilevare entità personalizzate nei tuoi documenti. È possibile analizzare rapidamente un piccolo corpo di testo in tempo reale oppure analizzare un insieme di documenti di grandi dimensioni con un processo asincrono.
Puoi preparare set di dati di test e formazione separati per la formazione del sistema di riconoscimento entità personalizzato Amazon Comprehend e la valutazione del modello. Oppure fornisci un solo set di dati sia per l'addestramento che per il test. Amazon Comprehend selezionerà automaticamente il 10% del set di dati fornito da utilizzare come dati di test. Nell'esempio seguente, abbiamo specificato il set di dati di addestramento come Documents.S3Uri
per InputDataConfig
.
L'esempio seguente mostra un file CSV contenente le entità:
Una volta addestrato il modello delle entità personalizzate (NER), sarà in grado di estrarre le varie entità come "PAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
".
Creare il classificatore personalizzato e gli endpoint delle entità personalizzate (NER) Amazon Comprehend
Gli endpoint di Amazon Comprehend rendono i tuoi modelli personalizzati disponibili per la classificazione in tempo reale. Dopo aver creato un endpoint, puoi apportarvi modifiche in base all'evoluzione delle esigenze aziendali. Ad esempio, puoi monitorare l'utilizzo degli endpoint e applicare la scalabilità automatica per impostare automaticamente il provisioning degli endpoint in base alle tue esigenze di capacità. Puoi gestire tutti i tuoi endpoint da un'unica visualizzazione e, quando un endpoint non ti serve più, puoi eliminarlo per risparmiare sui costi. Amazon Comprehend supporta sia le opzioni sincrone che asincrone, se la classificazione in tempo reale non è richiesta per il tuo caso d'uso, puoi inviare un processo batch ad Amazon Comprehend per la classificazione asincrona dei dati.
Per questo caso d'uso, crei un endpoint per rendere il tuo modello personalizzato disponibile per l'analisi in tempo reale.
Per soddisfare le tue esigenze di elaborazione del testo, assegni unità di inferenza all'endpoint e ciascuna unità consente una velocità effettiva di 100 caratteri al secondo. È quindi possibile aumentare o diminuire la velocità effettiva.
Crea e distribuisci una funzione Lambda per l'arricchimento post-estrazione
La funzione Lambda post-estrazione consente di implementare la logica per elaborare il testo estratto da Amazon Kendra dal documento acquisito. La funzione di post-estrazione che abbiamo configurato implementa il codice per richiamare Amazon Comprehend per rilevare entità personalizzate e classificare i documenti dal testo estratto da Amazon Kendra e li utilizza per aggiornare i metadati del documento, che vengono presentati come sfaccettature in una ricerca Amazon Kendra . Il codice funzione è incorporato nel notebook. IL PostExtractionLambda
il codice funziona come segue:
- Divide il testo della pagina in sezioni che non superano il limite massimo di lunghezza in byte di comprensione
detect_entities
API. (Vedere Limiti ).
NOTA lo script utilizza un ingenuo algoritmo di suddivisione della lunghezza dei caratteri per semplicità: i casi d'uso in produzione dovrebbero implementare sovrapposizioni o suddivisioni dei limiti della frase, in base alla lunghezza dei byte UTF8. - Per ogni sezione del testo, chiama gli endpoint in tempo reale di comprensione per le entità personalizzate e il classificatore personalizzato per rilevare i seguenti tipi di entità: ["
PAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
","INSURANCE_TYPE
“]. - Filtra le entità rilevate che sono al di sotto della soglia del punteggio di confidenza. Stiamo utilizzando la soglia 0.50, il che significa che verranno utilizzate solo le entità con una confidenza pari o superiore al 50%. Questo può essere ottimizzato in base al caso d'uso e ai requisiti.
- Tiene traccia del conteggio della frequenza di ciascuna entità.
- Seleziona solo le prime N (10) entità univoche per ciascuna pagina, in base alla frequenza di occorrenza.
- Per la classificazione dei documenti, il classificatore multiclasse assegna solo una classe per ciascun documento. In questa funzione Lambda, i documenti verranno classificati come Assicurazione auto, Assicurazione sulla casa o Assicurazione sulla vita.
Si noti che al momento della stesura di questo documento, CDE supporta solo chiamate sincrone o, se deve essere asincrono, è necessario un ciclo di attesa esplicito. Per la post estrazione Lambda the tempo massimo di esecuzione è 1 minuto La logica personalizzata Lambda può essere modificata in base ai requisiti adatti al tuo caso d'uso.
Crea e compila l'indice Amazon Kendra
In questa fase, inseriremo i dati nell'indice Amazon Kendra e li renderemo ricercabili per gli utenti. Durante l'acquisizione, utilizzeremo la funzione Lambda creata nella fase precedente come fase di post-estrazione e la funzione Lambda chiamerà gli endpoint di classificazione personalizzata e di riconoscimento dell'entità personalizzata (NER) per creare i campi di metadati personalizzati.
I passaggi di alto livello per implementare questa soluzione sono i seguenti:
- Creare Indice Amazon Kendra.
- Creare Origine dati Amazon Kendra – Esistono diverse origini dati che possono essere utilizzate per acquisire il set di dati. In questo post utilizziamo un bucket S3.
- Crea sfaccettature
Law_Firm
,Payout
,Insurance_Company
,Policy_Number
,Policy_Holder_Name
,Insurance_Type
con tipo stringa come 'STRING_LIST_VALUE
'. - Crea il CDE Kendra e puntalo alla funzione Lambda post-estrazione creata in precedenza.
- Eseguire il processo di sincronizzazione per acquisire il set di dati.
Una volta completato, puoi popolare l'indice con i dati assicurativi, utilizzando il CDE Kendra con lambda post estrazione, puoi filtrare le ricerche in base ai tipi di entità personalizzati e alla classificazione personalizzata come campi di metadati personalizzati.
Utilizza le entità estratte per filtrare le ricerche in Kendra
Ora l'indice è popolato e pronto per l'uso. Nella console Amazon Kendra, scegli Cerca contenuto indicizzato in Gestione dati e procedi come segue.
Interroga quanto segue: Elenco delle assicurazioni fallito a causa della presentazione tardiva?
I risultati mostrano una risposta dal tipo di politica: HOME INSURANCE
e porta text_18
ed text_14
come i migliori risultati.
Scegli "Filtra risultati di ricerca" a sinistra. Ora vedrai tutti i tipi di entità e i valori di classificazione estratti utilizzando Comprehend e per ciascun valore di entità e classificazione vedrai il numero di documenti corrispondenti.
Sotto INSURANCE_TYPE
scegli "Assicurazione auto" e riceverai una risposta text_25
file.
Tieni presente che i risultati potrebbero variare leggermente rispetto a quelli mostrati nello screenshot.
Prova a effettuare ricerche con le tue query e osserva come le entità e la classificazione dei documenti identificate da Amazon Comprehend ti consentono rapidamente di:
- Scopri come sono distribuiti i risultati della ricerca tra le categorie.
- Restringi la ricerca filtrando uno qualsiasi dei valori di entità/classificazione.
ripulire
Dopo aver sperimentato la ricerca e provato il notebook fornito nel repository Github, elimina l'infrastruttura di cui hai effettuato il provisioning nel tuo account AWS per evitare addebiti indesiderati. È possibile eseguire le celle di pulizia nel notebook. In alternativa, puoi eliminare manualmente le risorse tramite la console AWS:
- Indice Amazon Kendra
- Comprendere il classificatore personalizzato e gli endpoint di riconoscimento dell'entità personalizzata (NER).
- Comprendere i modelli personalizzati di classificatore personalizzato e riconoscimento entità personalizzato (NER).
- Funzione Lambda
- Benna S3
- Ruoli e politiche IAM
Conclusione
In questo post, abbiamo mostrato come le entità personalizzate e il classificatore personalizzato di Amazon Comprehend abilitano la ricerca di Amazon Kendra basata sulla funzionalità CDE per aiutare gli utenti finali a eseguire ricerche migliori sui dati strutturati/non strutturati. Le entità personalizzate di Amazon Comprehend e il classificatore personalizzato lo rendono molto utile per diversi casi d'uso e vari dati specifici del dominio. Per ulteriori informazioni su come utilizzare Amazon Comprehend, fare riferimento a Risorse per gli sviluppatori di Amazon Comprehend e per Amazon Kendra, fare riferimento a Risorse per sviluppatori Amazon Kendra.
Prova questa soluzione per il tuo caso d'uso. Ti invitiamo a lasciare il tuo feedback nella sezione commenti.
Informazioni sugli autori
Amit Chaudhary è un Senior Solutions Architect presso Amazon Web Services. La sua area di interesse è l'intelligenza artificiale/ML e aiuta i clienti con l'intelligenza artificiale generativa, modelli linguistici di grandi dimensioni e ingegneria tempestiva. Al di fuori del lavoro, Amit ama trascorrere del tempo con la sua famiglia.
Yanyan Zhang è un Senior Data Scientist nel team Energy Delivery di AWS Professional Services. La sua passione è aiutare i clienti a risolvere problemi reali con la conoscenza dell'intelligenza artificiale/ML. Recentemente, la sua attenzione si è concentrata sull'esplorazione del potenziale dell'intelligenza artificiale generativa e del LLM. Al di fuori del lavoro, ama viaggiare, allenarsi ed esplorare cose nuove.
Nikhil Jha è un Senior Technical Account Manager presso Amazon Web Services. Le sue aree di interesse includono AI/ML e analisi. Nel tempo libero, gli piace giocare a badminton con sua figlia ed esplorare la vita all'aria aperta.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
- PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
- PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
- Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/use-custom-metadata-created-by-amazon-comprehend-to-intelligently-process-insurance-claims-using-amazon-kendra/
- :ha
- :È
- :non
- :Dove
- $ SU
- 1
- 1.3
- 10
- 100
- 19
- 2025
- 33
- 50
- 500
- 7
- 9
- a
- capace
- Chi siamo
- accesso
- Secondo
- Il mio account
- Contabilità
- preciso
- operanti in
- aggiungere
- l'aggiunta di
- aggiunta
- Inoltre
- indirizzo
- Dopo shavasana, sedersi in silenzio; saluti;
- AI
- AI / ML
- algoritmo
- Tutti
- consente
- lungo
- già
- anche
- Amazon
- Amazon Comprehend
- Amazon Kendra
- Amazon Web Services
- quantità
- an
- .
- analitica
- analizzare
- ed
- rispondere
- in qualsiasi
- api
- API
- apparire
- Applicazioni
- applicato
- APPLICA
- approccio
- opportuno
- architettura
- SONO
- RISERVATA
- aree
- AS
- associato
- At
- rappresentante legale
- autore
- auto
- automatizzare
- automaticamente
- disponibile
- evitare
- AWS
- Servizi professionali AWS
- basato
- BE
- stato
- prima
- sotto
- Meglio
- Al di là di
- stile di vita
- entrambi
- confine
- Porta
- Costruzione
- affari
- ma
- by
- chiamata
- detto
- Bandi
- Materiale
- funzionalità
- capacità
- Ultra-Grande
- catturare
- Custodie
- casi
- categoria
- Causare
- Celle
- certo
- cambiato
- Modifiche
- carattere
- caratteri
- oneri
- Scegli
- Città
- Città
- classe
- classi
- classificazione
- classificato
- classificare
- pulire campo
- codice
- collezione
- Colonna
- colonne
- Commenti
- Aziende
- azienda
- completamento di una
- Completato
- complessità
- comprendere
- concetto
- fiducia
- configurato
- collegato
- Prendere in considerazione
- consolle
- consumato
- contenere
- contiene
- contenuto
- contesto
- continua
- convenzioni
- SOCIETÀ
- Costi
- potuto
- creare
- creato
- costume
- Clienti
- personalizzate
- dati
- arricchimento dei dati
- gestione dei dati
- scienziato di dati
- set di dati
- banche dati
- dataset
- Data
- più profondo
- Predefinito
- definire
- definito
- consegna
- Shirts Department
- schierare
- descrivere
- individuare
- rilevato
- Costruttori
- diverso
- diversamente
- discusso
- Dsiplay
- distribuito
- paesaggio differenziato
- immersione
- do
- documento
- documenti
- dominio
- don
- Dont
- giù
- dovuto
- durante
- e
- E&T
- ogni
- facilmente
- facile da usare
- Efficace
- o
- el
- incorporato
- Abilita
- endpoint
- energia
- Ingegneria
- accrescere
- migliorata
- arricchire
- arricchimento
- Impresa
- aziende
- entità
- entità
- Ambiente
- errori
- essential
- valutazione
- evolvere
- esempio
- Esempi
- superare
- Tranne
- eccezione
- Exclusive
- esecuzione
- Uscita
- previsto
- esplora
- Esplorare
- espressioni
- estendere
- esterno
- estratto
- estrazione
- sfaccettature
- fallito
- famiglia
- caratteristica
- Caratteristiche
- feedback
- pochi
- campi
- Compila il
- File
- Limatura
- filtro
- filtraggio
- filtri
- Infine
- Trovare
- Impresa
- Nome
- in forma
- fisso
- Focus
- seguire
- i seguenti
- segue
- Nel
- modulo
- formato
- forme
- Frequenza
- da
- function
- ulteriormente
- generato
- ELETTRICA
- generativo
- AI generativa
- ottenere
- GitHub
- Crescere
- Avere
- avendo
- he
- assistenza sanitaria
- Aiuto
- aiutare
- aiuta
- suo
- alto livello
- superiore
- massimo
- vivamente
- il suo
- Casa
- Come
- Tutorial
- HTML
- HTTPS
- i
- IDC
- identificato
- identificare
- if
- illustra
- immagini
- realizzare
- Implementazione
- attrezzi
- in
- includere
- incorporando
- Aumento
- crescente
- Index
- indicizzati
- individuale
- informazioni
- Infrastruttura
- ingresso
- intuizioni
- esempio
- assicurazione
- Intelligente
- interesse
- Internazionale
- Società internazionale di dati (IDC)
- ai miglioramenti
- invitare
- invoca
- coinvolto
- IT
- Lavoro
- json
- conoscenze
- Discografica
- per il tuo brand
- Lingua
- grandi
- In ritardo
- Legge
- studio legale
- IMPARARE
- apprendimento
- meno
- Lasciare
- a sinistra
- Lunghezza
- Vita
- piace
- probabile
- LIMITE
- Lista
- elenchi
- LLM
- logica
- più a lungo
- Guarda
- ama
- macchina
- machine learning
- make
- FA
- gestire
- gestito
- gestione
- direttore
- manualmente
- consigliato per la
- corrispondenza
- max
- Maggio..
- significato
- si intende
- Media
- Soddisfare
- Metadati
- verbale
- Moda
- modello
- modelli
- momento
- Monitorare
- Scopri di più
- maggior parte
- multiplo
- devono obbligatoriamente:
- reciprocamente
- Nome
- nomi
- di denominazione
- stretto
- Bisogno
- di applicazione
- esigenze
- New
- nlp
- no
- taccuino
- adesso
- numero
- numeri
- oggetto
- oggetti
- osservare
- evento
- of
- on
- una volta
- ONE
- esclusivamente
- Opzione
- Opzioni
- or
- organizzazione
- organizzazioni
- Altro
- nostro
- su
- all'aperto
- lineamenti
- al di fuori
- proprio
- pagina
- coppia
- appassionato
- Cartamodello
- per
- Eseguire
- permessi
- pezzi
- pianura
- Platone
- Platone Data Intelligence
- PlatoneDati
- gioco
- punto
- politica
- popolata
- porzione
- possibile
- Post
- Post
- potenziale
- alimentato
- preferito
- Preparare
- preparato
- presentata
- precedente
- in precedenza
- principio
- Precedente
- priorità
- privilegio
- problemi
- processi
- lavorazione
- Prodotto
- Produzione
- professionale
- proposto
- fornire
- purché
- fornitore
- fornitori
- fornisce
- fornitura
- query
- rapidamente
- virgolette
- che vanno
- Leggi
- pronto
- di rose
- tempo reale
- ricevuto
- riceve
- recentemente
- riconoscimento
- riconoscere
- riconosciuto
- raccomandare
- riferimento
- riferimento
- Basic
- deposito
- rappresentare
- necessario
- Requisiti
- richiede
- riparazioni
- Risorse
- colpevole
- Risultati
- ritorno
- recensioni
- Ruolo
- ruoli
- RIGA
- Correre
- runtime
- stesso
- Risparmi
- scala
- Scienziato
- Punto
- copione
- Cerca
- Ricerche
- ricerca
- Secondo
- Sezione
- sezioni
- problemi di
- vedere
- select
- anziano
- condanna
- separato
- servizio
- Servizi
- set
- Set
- lei
- dovrebbero
- mostrare attraverso le sue creazioni
- ha mostrato
- mostrato
- Spettacoli
- significativa
- semplicità
- semplificare
- singolo
- Siti
- Taglia
- piccole
- So
- Social
- Social Media
- Post sui social media
- soluzione
- Soluzioni
- RISOLVERE
- fonti
- lo spazio
- specifico
- in particolare
- specificato
- Spendere
- Si divide
- diffondere
- Standard
- step
- Passi
- Tornare al suo account
- memorizzati
- Corda
- Articoli
- inviare
- tale
- supporto
- supporti
- sync.
- Fai
- team
- Consulenza
- test
- Testing
- testo
- di
- che
- I
- le informazioni
- il mondo
- loro
- Li
- poi
- Là.
- Strumenti Bowman per analizzare le seguenti finiture:
- di
- cose
- questo
- quelli
- soglia
- Attraverso
- portata
- tempo
- a
- top
- pista
- Treni
- allenato
- Training
- Di viaggio
- trattare
- provato
- prova
- sintonizzato
- seconda
- Digitare
- Tipi di
- per
- sottolineature
- unico
- unità
- unità
- non desiderato
- Aggiornanento
- uso
- caso d'uso
- utilizzato
- utenti
- usa
- utilizzando
- un valido
- APPREZZIAMO
- Valori
- vario
- Fisso
- molto
- Visualizza
- visualizzazioni
- volume
- aspettare
- volere
- vuole
- Modo..
- modi
- we
- sito web
- servizi web
- siti web
- WELL
- Che
- Che cosa è l'
- quando
- quale
- while
- bianca
- volere
- con
- entro
- senza
- parole
- Lavora
- lavoro
- risolvendo
- lavori
- mondo
- Il mondo di
- scrittura
- scritto
- Tu
- Trasferimento da aeroporto a Sharm
- zefiro