さまざまな業界の多くのサービスとしてのソフトウェア(SaaS)プロバイダーは、機械学習(ML)および人工知能(AI)機能をSaaS製品に追加して、パーソナライズされた製品の推奨、不正検出、正確な需要保護などのユースケースに対応しています。 一部のSaaSプロバイダーは、このようなMLおよびAI機能を独自に構築し、マルチテナント環境に展開したいと考えています。 ただし、より高度な顧客を持つ他の顧客は、顧客が自分でMLモデルを構築し、それらを使用してSaaSを追加機能で拡張したり、特定の機能のデフォルト実装をオーバーライドしたりできるようにしたいと考えています。
この投稿では、SaaSオファリングをデータサイエンスワークベンチで強化する方法について説明します。 Amazon SageMakerスタジオ.
XYZという名前の独立系ソフトウェアベンダー(ISV)が、顧客の購入行動を分析するために何百万もの顧客によって使用されている主要なCRMSaaSオファリングを持っているとしましょう。 FOO社のマーケティング担当者(XYZの顧客)は、解約する傾向のある購入者を見つけて、そのような購入者をターゲットにすることで顧客維持プログラムのROIを最適化できるようにしたいと考えています。 彼らは以前、そのような顧客を評価するためにCRMで単純な統計分析を使用していました。 現在、彼らはML技術を使用してROIをさらに改善したいと考えています。 XYZは、この投稿で説明されているソリューションを使用して顧客のCRMを改善し、FOOのデータサイエンスチームがデータの上にモデルを構築できるようにします。
このユースケースに関心のあるSaaSのお客様は、SaaSの一部としてデータサイエンスワークベンチにアクセスしたいと考えています。これにより、SaaS内にあるデータに簡単にアクセスし、分析し、傾向を抽出し、カスタムを構築、トレーニング、展開できます。 MLモデル。 彼らは、データサイエンスワークベンチとSaaSの安全な統合、データサイエンスとMLの包括的で幅広い機能へのアクセス、追加のデータセットをインポートしてSaaSから抽出したデータと結合し、有用な洞察を引き出す機能を求めています。
次の図は、XYZのCRMSaaSオファリングの現状のアーキテクチャを示しています。
このアーキテクチャは、次の要素で構成されています。
- フロントエンドレイヤー –このレイヤーはでホストされています Amazon シンプル ストレージ サービス (Amazon S3)。 アマゾンCloudFrontの グローバルコンテンツ配信ネットワークとして使用され、 アマゾンコグニート ユーザーの認証と承認に使用されます。 このレイヤーには、次のXNUMXつのWebアプリケーションが含まれます。
- 着陸とサインアップ –顧客がCRMソリューションにサインアップするために見つけて使用できる公開ページ。 サインアップすると、登録プロセスがトリガーされます。これには、顧客のシステムに新しいテナントを作成することが含まれます。
- CRMアプリケーション –顧客が機会の管理、自分の顧客の管理などに使用します。 ユーザーの認証と承認はAmazonCognitoに依存しています。
- CRM管理者 –テナントを管理および構成するためにSaaSプロバイダーによって使用されます。
- バックエンドレイヤー –このレイヤーは、で実行されるXNUMXセットのマイクロサービスとして実装されます Amazon Elastic Kubernetesサービス (Amazon EKS):
- SaaSサービス –登録、テナント管理、およびユーザー管理サービスが含まれます。 より完全な実装には、課金と計測のための追加サービスが含まれます。
- アプリケーションサービス –顧客管理、機会管理、および製品カタログサービスが含まれます。 このセットには、CRMソリューションによって提供されるビジネス機能に基づく追加のサービスが含まれる場合があります。
投稿の次のセクションでは、データサイエンスワークベンチが組み込まれた新しいバージョンのCRMSaaSを構築する方法について説明します。
ソリューションの概要
を使用しております アマゾンセージメーカー 私たちのソリューションの要件に対処するため。 SageMakerは、ML向けの最も完全なエンドツーエンドのサービスです。 これは、データサイエンティストと開発者向けのマネージドサービスであり、MLに関連する差別化されていない重労働を取り除き、ビジネスに集中するための時間、リソース、エネルギーを増やすことができます。
SageMakerの機能には、ML用の最初の完全統合開発環境(IDE)であるSageMakerStudioが含まれます。 モデルの構築、トレーニング、調整、デバッグ、デプロイ、および監視に必要なすべてのML開発ステップを実行できる単一のWebベースのビジュアルインターフェイスを提供します。 これにより、データサイエンティストは、IDEを離れることなく、MLモデルを実験から本番環境に移行するために必要なすべてのツールを利用できます。
SageMaker Studioは、データサイエンスワークベンチとしてSaaS内に組み込まれています。SaaS内のリンクを選択して起動し、SageMakerのさまざまな機能にアクセスできます。 SageMaker Studioを使用して、SaaSに保存されている独自のデータを処理および分析し、洞察を抽出できます。 また、SageMaker APIを使用してMLモデルを構築およびデプロイし、SaaSプロセスとワークフローをデプロイされたMLモデルと統合して、より正確なデータ処理を行うこともできます。
この投稿では、ソリューションに必要ないくつかの考慮事項について説明します。
- マルチテナンシーアプローチとアカウント設定 –テナントを分離する方法。 このセクションでは、提案されているアカウント構造についても説明します。
- プロビジョニングと自動化 –データサイエンスワークベンチのプロビジョニングを自動化する方法。
- 統合とID管理– SaaSとSageMakerStudioの統合、およびIDプロバイダー(IdP)との統合。
- データ管理 –データ抽出とそれをデータサイエンスワークベンチで利用できるようにする方法。
これらの概念については、投稿の冒頭で説明したCRMSaaSソリューションのコンテキストで説明します。 次の図は、ソリューションアーキテクチャの概要を示しています。
前の図に示されているように、アーキテクチャの主な変更点は、次のコンポーネントの導入です。
- データ管理サービス – SaaSデータストアからSaaS顧客のデータを抽出し、それをデータサイエンスワークベンチにプッシュする責任があります。
- データサイエンスワークベンチ管理サービス – SaaSのお客様向けにデータサイエンスワークベンチをプロビジョニングし、SaaS内で起動する責任があります。
- データサイエンスワークベンチ – SageMaker Studioに基づいており、別のAWSアカウントで実行されます。 また、SaaSデータストアから抽出されたデータを保存するS3バケットも含まれています。
このソリューションの利点は次のとおりです。
- SaaSのお客様は、別のタブでSaaSからSageMaker Studioを起動することにより、さまざまなデータサイエンスおよびMLタスクを実行し、再認証することなく、それをデータサイエンスワークベンチとして使用できます。 個別のデータサイエンスプラットフォームを構築して管理する必要はありません。
- SaaSのお客様は、SaaSデータストアにあるデータを簡単に抽出して、データエンジニアリングのスキルがなくても、組み込みのデータサイエンスワークベンチで利用できるようにすることができます。 また、構築したMLモデルをSaaSと統合する方が簡単です。
- SaaSのお客様は、SageMakerが提供する最も幅広く完全なML機能のセットにアクセスできます。
マルチテナンシーアプローチとアカウント設定
このセクションでは、さまざまなテナントまたはSaaS顧客向けにSageMaker Studioをプロビジョニングする方法について説明します(テナントとSaaS顧客は密接に関連しているため、同じ意味で使用されます。各SaaS顧客にはテナントがあります)。 次の図は、テナントごとに安全で分離されたSageMaker環境のプロビジョニングをサポートするマルチアカウントセットアップを示しています。 提案された構造は、マルチアカウント設定に関するAWSのベストプラクティスと一致しています。 詳細については、を参照してください。 複数のアカウントを使用してAWS環境を整理する.
を使用しております AWS Control Tower 提案されたマルチアカウント設定を実装します。 AWS Control Towerは、セキュリティとコンプライアンスのベストプラクティスに基づいて、適切に設計されたマルチアカウントAWS環境をセットアップおよび拡張するためのフレームワークを提供します。 AWS Control Towerは、他の複数のAWSサービスを使用しています。 AWS組織, AWSサービスカタログ, AWS CloudFormation、アカウント構造を構築し、ガードレールを適用します。 ガードレールは、AWSOrganizationsのサービスコントロールポリシーまたは AWSConfig ルール。 アカウントファクトリは、一元化されたロギングと監査のための適切なベースラインを使用して新しいアカウントプロビジョニングの標準化を可能にするAWS Control Towerの機能であり、オンボーディングプロセスの一部として顧客のSageMaker環境への新しいアカウントのプロビジョニングを自動化するために使用されます。 参照する AWS Control Tower –マルチアカウントAWS環境のセットアップと管理 AWS Control Towerの詳細と、マルチアカウント設定をセットアップおよび管理するために内部で他のAWSサービスをどのように使用するかについては。
お客様のSageMaker環境をホストするすべてのアカウントは、共通のガードレールと自動化を適用できるようにするための共通の組織単位(OU)の下にあります。これには、SageMaker Studioドメインを作成するベースライン構成、SaaSデータストアから抽出されたデータセットが存在するS3バケット、クロスアカウント AWS IDおよびアクセス管理 (IAM)SaaS内からSageMakerコンポーネントにアクセスできるようにするロールなど。
テナントの分離
SaaSのコンテキストでは、さまざまなテナント分離戦略を検討できます。
- サイロモデル –各テナントは完全にサイロ化されたリソースのスタックを実行しています
- プールモデル –同じインフラストラクチャとリソースがテナント間で共有されます
- ブリッジモデル –サイロモデルとプールモデルを組み合わせたソリューション
Job Status ページの下部にある SaaSテナント分離戦略ホワイトペーパー SaaSテナント分離戦略の詳細については。
サイロモデルはSageMakerに使用されます。個別の、または独立したSageMaker Studioドメインが、データサイエンスワークベンチのインスタンスとして、個別のアカウントの各顧客にプロビジョニングされます。 サイロモデルは、セキュリティのセットアップと分離を簡素化します。 また、テナントによるさまざまなSageMaker機能の消費に関連するコストの計算を簡素化するなどの他の利点も提供します。
サイロ分離戦略はSageMaker環境で使用されますが、プールモデルは他のコンポーネント(データサイエンスワークベンチ管理サービスなど)で使用されます。 各テナントが独自のインフラストラクチャ(この場合はAWSアカウント)で動作するサイロモデルでの分離の確立は、インフラストラクチャが共有されるプールモデルと比較してはるかに簡単です。 前述のホワイトペーパーは、プールモデルを使用して分離を確立する方法に関するガイダンスを提供します。 この投稿では、次のアプローチを使用します。
- ユーザーは、認証のためにIdP(この場合はAmazon Cognito)にリダイレクトされます。 ユーザーはユーザー名とパスワードを入力し、認証が成功すると、IdPはユーザー情報とテナントIDを含むトークンを返します。 フロントエンドは、フロントエンドからマイクロサービスに送信される後続のHTTPリクエストに返されたトークンを含めます。
- マイクロサービスはリクエストを受信すると、HTTPリクエストに含まれているトークンからテナント識別子を抽出し、テナントに対応するIAMの役割を引き受けます。 想定されるIAMロールのアクセス許可は、テナントに固有のリソースに制限されています。 したがって、マイクロサービスの開発者がコードを間違えて別のテナントに属するリソースにアクセスしようとしても、想定されるIAMの役割ではそのアクションを続行できません。
- テナントに対応するIAMロールは、テナントの登録とオンボーディングの一部として作成されます。
プールモードで分離を確立するための他のアプローチには、実行時にマイクロサービスによって引き継がれるポリシーとロールの動的生成が含まれます。 詳細については、を参照してください。 SaaSテナント分離戦略ホワイトペーパー。 もうXNUMXつの方法は、ABACIAMポリシーを使用することです。 ABACとAWSIAMを使用してSaaSテナントの分離を実装する方法 のガイドをご参照ください。
プロビジョニングと自動化
前に示したように、AWS Organizations、AWS Service Catalog、およびAWS CloudFormation StackSetsを使用して、必要なマルチアカウントセットアップを実装します。 その重要な側面は、SageMaker環境をホストするために顧客ごとに新しいAWSアカウントを作成することと、このプロセスを完全に自動化する方法です。
顧客のアカウントでSageMakerをプロビジョニングするためのStackSetは、管理アカウントで作成されます。StackSetのターゲットはMLOUです。 ML OUの下に新しいアカウントが作成されると、管理アカウントで定義されたStackSetに関連付けられたテンプレートに基づくスタックが新しいアカウントに自動的に作成されます。
テナント用のSageMaker環境のプロビジョニングは、完了するまでに数分かかる複数のステップからなるプロセスです。 したがって、 Amazon DynamoDB SageMaker環境プロビジョニングのステータスを保存するためにテーブルが作成されます。
次の図は、データサイエンスワークベンチをプロビジョニングするためのフローを示しています。
データサイエンスワークベンチ管理マイクロサービスは、SaaS顧客向けにデータサイエンスワークベンチをプロビジョニングするためのさまざまなアクティビティを調整します。 AWSサービスカタログを呼び出します ProvisionProduct
AWSアカウントの作成を開始するためのAPI。
前述のように、ML OUに接続されたStackSetは、AWSサービスカタログの呼び出しの結果としてアカウントがML OUの下に作成されるとすぐに、顧客アカウントにSageMakerStudioドメインおよびその他のリソースの作成をトリガーします ProvisionProduct
API。 これを実現するもうXNUMXつの方法は、AWSサービスカタログを使用することです。SageMakerStudio環境をプロビジョニングするための製品を作成し、それをポートフォリオに追加できます。 次に、ポートフォリオはMLOUの下ですべてのAWSアカウントと共有されます。 データサイエンスワークベンチ管理マイクロサービスは、AWSアカウントの作成が完了した後、AWS Service Catalog APIを明示的に呼び出して、SageMakerStudio環境の作成をトリガーする必要があります。 AWS Service Catalogは、複数のデータサイエンスワークベンチバリアントをサポートする必要がある場合に非常に役立ちます。ユーザーはバリアントのリストから選択し、データサイエンスワークベンチ管理マイクロサービスはユーザー選択をAWSServiceCatalogで定義された製品にマッピングします。 次に、を呼び出します ProvisionProduct
対応する製品IDを持つAPI。
AWSアカウントの作成後、 CreateManagedAccount
イベントはAWSControlTowerから アマゾンイベントブリッジ。 送信するルールがEventBridgeで構成されています CreateManagedAccount
イベントへの Amazon シンプル キュー サービス (Amazon SQS)キュー。 データサイエンスワークベンチ管理マイクロサービスはSQSキューをポーリングし、取得します CreateManagedAccount
イベントを実行し、テナント管理サービスを呼び出して、作成されたAWSアカウント番号(イベントメッセージの一部)をテナントメタデータに追加します。
データサイエンスワークベンチのプロビジョニングリクエストの状態はDynamoDBテーブルに保存されるため、ユーザーはいつでもそれについて問い合わせることができます。
統合とID管理
このセクションでは、SaaSとSageMaker Studio(SaaS内からのSageMaker Studioの起動について説明します)とID管理の統合に焦点を当てます。 このソリューションではIdPとしてAmazonCognitoを使用していますが、SaaSがOAuth 2.0 / OpenID Connectをサポートする別のIdPとすでに統合されている場合は、同じ設計が適用されるため、引き続き使用できます。
SageMaker Studioは、を介した認証をサポートしています AWSシングルサインオン (AWS SSO)およびIAM。 この場合のAWS組織はSaaSプロバイダーによって管理されているため、AWSSSOはSaaSカスタマーIdPではなくSaaSプロバイダーIdPに接続されている可能性があります。 したがって、IAMを使用して、SageMakerStudioにアクセスするユーザーを認証します。
IAMを使用してSageMakerStudioにアクセスするユーザーを認証するには、SageMakerドメインの各ユーザーのユーザープロファイルを作成し、AmazonCognitoで作成されたユーザープロファイルにユーザーのIDをマッピングする必要があります。 これを実現する簡単な方法のXNUMXつは、AmazonCognitoのユーザー名をSageMakerStudioドメインのユーザープロファイル名として使用することです。 SageMakerは CreateUserProfile
API。ユーザーが初めてSageMakerStudioを起動しようとしたときに、プログラムでユーザープロファイルを作成するために使用できます。
SaaS内からのSageMakerStudioの起動に関して、SageMakerは CreatePresignedDomainUrl
API。SageMakerStudioの事前署名されたURLを生成します。 生成された事前署名されたURLはUIに渡され、別のブラウザタブでSageMakerStudioを起動します。
次の図は、SaaSとSageMakerStudio間の統合を確立するためのアーキテクチャを示しています。
データサイエンスワークベンチ管理マイクロサービスは、顧客アカウントに存在するSageMakerStudioを起動するために使用される事前署名されたURLの生成を処理します。 テナント管理マイクロサービスを呼び出して、リクエストに含まれるテナントIDに対応するAWSアカウント番号を取得し、必要な権限を持つこのアカウントでIAMロールを引き受け、SageMakerを呼び出します CreatePresignedDomainUrl
事前署名されたURLを生成するためのAPI。
ユーザーがSageMakerStudioを初めて起動する場合は、最初にユーザープロファイルを作成する必要があります。 これは、SageMakerを呼び出すことで実現されます CreateUserProfile
APIです。
ユーザーは、データサイエンスワークベンチを使用して、大規模なデータ処理を実行し、MLモデルをトレーニングしてバッチ推論に使用し、充実したデータセットを作成できます。 また、MLモデルの構築とトレーニングに使用したり、このMLモデルをホストしたりすることもできます。 SageMakerマネージドホスティング、SaaSから呼び出して、投稿の冒頭で述べたようなユースケースを実現します(顧客の解約を予測する単純な統計分析機能を、顧客自身がモデルを構築する高度なMLベースの機能に置き換えます)。 次の図は、これを実現するためのXNUMXつのアプローチを示しています。
SaaSカスタマーデータサイエンティストは、データサイエンスワークベンチ(SageMaker Studio)を起動し、それを使用して、以下を使用して抽出されたデータを前処理します。 SageMakerの処理 (または、使用することができます SageMakerデータラングラー)。 使用するMLアルゴリズムを決定し、開始します SageMakerトレーニング 前処理されたデータを使用してモデルをトレーニングするジョブ。 次に、SageMaker Studioノートブックで必要なモデル評価を行い、結果に満足している場合は、SageMakerマネージドホスティングを使用して、生成されたMLモデルをデプロイおよびホストします。
MLがデプロイされた後、データサイエンティストはSaaSにアクセスし、MLモデルをホストしているSageMakerエンドポイントの詳細を提供します。 これにより、テナント管理マイクロサービスへの呼び出しがトリガーされ、SageMakerエンドポイントの詳細がテナント情報に追加されます。 次に、カスタマー管理マイクロサービスが呼び出されると、テナント管理マイクロサービスを呼び出して、AWSアカウント番号やSageMakerエンドポイントの詳細などのテナント情報を取得します。 次に、必要な権限を持つカスタマーアカウントでIAMの役割を引き受け、SageMakerエンドポイントを呼び出してカスタマーチャーンの確率を計算し、応答メッセージに出力を含めます。
顧客管理マイクロサービスによって呼び出されるMLエンドポイントは動的です(テナント管理サービスから取得されます)が、インターフェイスは固定されており、SaaSプロバイダーによって事前定義されています。これにはフォーマット(例:application / json)が含まれます。 SaaSがMLモデルに送信する機能、それらの順序、および出力も同様です。 SaaSのお客様は、SaaSプロバイダーによって定義されたインターフェースと整合するMLモデルを構築することが期待されています。 インターフェースの詳細とサンプルの要求/応答は、アプリページでSaaSの顧客に提示され、独自のMLモデルで実装をオーバーライドできるようになります。 SaaSマイクロサービス(上の図の顧客管理マイクロサービス)は、必要な変換とシリアル化を実行して、MLエンドポイントが期待する機能を指定された形式で生成し、MLエンドポイントを呼び出し、必要な逆シリアル化と変換を実行してから、推論出力を含めますマイクロサービスによって返される応答で。
SaaSのお客様が、モデルに関係のない機能を除外したり、SaaSが通過したものに加えて機能を追加したりする場合があります。 これは、レバレッジを活用して達成できます 独自の推論コードを使用する、推論コードを完全に制御できます。
データ管理
このセクションでは、データ管理マイクロサービスを構築するために提案されたアーキテクチャについて説明します。これは、SaaSの顧客がSaaSデータストアにあるデータにアクセスできるようにするために従うことができるアプローチのXNUMXつです。 データ管理マイクロサービスは、データサイエンティストからデータ抽出リクエストを受信し、SaaSデータストアのパフォーマンスに悪影響を与えないように、これらのリクエストを制御された方法で実行します。 マイクロサービスは、SaaSデータストア(データ抽出に含まれるデータ要素)へのアクセス、および必要に応じてデータのマスキングと匿名化を制御する役割も果たします。
次の図は、データ管理マイクロサービスの潜在的な設計を示しています。
データ管理マイクロサービスは、次のXNUMXつのコンポーネントに分割されます。
- データ管理 –データ抽出要求を受信してキューに入れ、応答として確認応答を送信します
- データ管理ワーカー –キューから要求を取得し、を呼び出すことによってそれを処理します AWSグルー ジョブ
このデカップリングにより、データ抽出要求の量に関係なく、XNUMXつのコンポーネントを個別にスケーリングし、SaaSデータストアの負荷を制御できます。
AWS Glueジョブは、データベースのプライマリインスタンスではなく、トランザクションデータベースのレプリカからデータを抽出します。 これにより、データ抽出要求がSaaSのパフォーマンスに悪影響を与えるのを防ぎます。
AWS Glueジョブは、抽出されたデータを、特定の顧客を作成したAWSアカウントのS3バケットにアップロードします。 したがって、データ管理ワーカーコンポーネントは、テナント管理マイクロサービスを呼び出して、テナント情報の一部であるAWSアカウント番号を取得する必要があります。
データ抽出リクエストの状態はDynamoDBテーブルに保存されるため、ユーザーはいつでもそれについて問い合わせることができます。
まとめ
この投稿では、SageMakerStudioを使用してSaaS内にデータサイエンスワークベンチを構築する方法を紹介しました。 AWSアカウント構造、テナントの分離、SaaSデータストアからのデータの抽出とデータサイエンスワークベンチへのアクセスの可能化、SaaS内からのSageMaker Studioの起動、IDの管理、最後に自動化されたデータサイエンスワークベンチのプロビジョニングなどの側面について説明しました。 AWS Control Tower、AWS Organizations、AWSCloudFormationなどのサービスを使用する方法。
これにより、SaaSでのMLの使用が拡大し、顧客が提供するML機能を利用し、ML機能を自分で構築できるより柔軟なソリューションが顧客に提供されることを願っています。
著者について
イスラムMahgoub はAWSのソリューションアーキテクトであり、アプリケーション、統合、テクノロジーアーキテクチャで15年の経験があります。 AWSでは、お客様が新しいクラウドネイティブソリューションを構築し、AWSサービスを活用してレガシーアプリケーションを最新化するのを支援しています。 仕事以外では、イスラム教は散歩、映画鑑賞、音楽鑑賞を楽しんでいます。
ジュゼッペアンジェロポルチェッリ アマゾンウェブサービスのプリンシパル機械学習スペシャリストソリューションアーキテクトです。 MLのバックグラウンドをソフトウェアエンジニアリングする数年の経験を持つ彼は、あらゆる規模の顧客と協力して、ビジネスと技術のニーズを深く理解し、AWSクラウドとAmazonMachineLearningスタックを最大限に活用するAIと機械学習ソリューションを設計しています。 彼は、MLOps、Computer Vision、NLPなどのさまざまなドメインでプロジェクトに取り組み、幅広いAWSサービスを使用してきました。 自由時間には、ジュゼッペはサッカーを楽しんでいます。
アルンプラサト・シャンカール は、AWSの人工知能と機械学習(AI / ML)スペシャリストソリューションアーキテクトであり、世界中のお客様がクラウドでAIソリューションを効果的かつ効率的に拡張できるよう支援しています。 余暇には、SF映画を見たり、クラシック音楽を聴いたりしています。
- "
- &
- 100
- 私たちについて
- アクセス
- 正確な
- 達成
- 越えて
- Action
- 活動
- NEW
- 住所
- 高度な
- AI
- アルゴリズム
- すべて
- 既に
- Amazon
- Amazon Webサービス
- 分析
- 別の
- API
- API
- アプリ
- 申し込み
- 適用
- アプローチ
- 建築
- 人工の
- 人工知能
- 人工知能(AI)
- 人工知能と機械学習
- 認証
- 承認
- 自動化
- オートメーション
- 利用できます
- AWS
- 背景
- ベースライン
- 開始
- 利点
- BEST
- ベストプラクティス
- 請求
- ブラウザ
- ビルド
- 建物
- ビジネス
- コール
- 機能
- 例
- 変化する
- クラウド
- コード
- コマンドと
- 会社
- 比べ
- コンプライアンス
- コンポーネント
- 消費する
- 消費
- 含まれています
- コンテンツ
- 続ける
- コントロール
- コスト
- 作成します。
- 作成
- Customers
- データ
- データ管理
- データ処理
- データサイエンス
- データサイエンティスト
- データベース
- 配達
- 需要
- 展開します
- 設計
- 検出
- Developer
- 開発者
- 開発
- 異なります
- 話し合います
- そうではありません
- ドメイン
- ドメイン
- ダイナミック
- 簡単に
- エンドポイント
- エネルギー
- エンジニアリング
- 豊かな
- 入ります
- 環境
- 確立する
- イベント
- イベント
- 詳細
- 予想される
- 体験
- 伸ばす
- 抽出物
- 工場
- 特徴
- 特徴
- 最後に
- 名
- 初回
- フロー
- フォーカス
- フォロー中
- サッカー
- 形式でアーカイブしたプロジェクトを保存します.
- フレームワーク
- 詐欺
- 無料版
- フル
- 機能性
- 生成する
- グローバル
- 行く
- ハッピー
- 持って
- ことができます
- 認定条件
- How To
- HTTPS
- アイデンティティ
- アイデンティティ管理
- 実装する
- 実装
- 重要
- 改善します
- include
- 含まれました
- 含めて
- 産業
- 情報
- インフラ関連事業
- 洞察
- 統合する
- 統合された
- 統合
- インテリジェンス
- インタフェース
- 分離
- IT
- ジョブ
- join
- キー
- 起動する
- 起動
- 発射
- 主要な
- 学習
- Legacy
- 限定的
- LINK
- リスト
- 耳を傾ける
- 負荷
- 機械
- 機械学習
- 作成
- 管理
- 管理する
- ゲレンデマップ
- 何百万
- ML
- モデル
- 最も
- 動画
- 音楽を聴く際のスピーカーとして
- ネットワーク
- ノート
- 数
- 提供すること
- オファリング
- 新人研修
- 機会
- 機会
- 組織
- 組織
- その他
- パスワード
- パフォーマンス
- プラットフォーム
- ポリシー
- プール
- ポートフォリオ
- 主要な
- 校長
- プロセス
- ラボレーション
- 作り出す
- 生産された
- プロダクト
- 生産
- プロフィール
- プログラム
- プロジェクト(実績作品)
- 保護
- 提供します
- は、大阪で
- 購入
- 参加申し込み
- の提出が必要です
- 要件
- リソース
- 応答
- 責任
- 結果
- 収益
- ROI
- ルール
- ランニング
- 規模
- 科学
- 科学者
- 科学者たち
- 安全に
- セキュリティ
- サービス
- サービス
- セッションに
- shared
- 簡単な拡張で
- サイズ
- スキル
- So
- ソフトウェア
- サービスとしてのソフトウェア
- ソフトウェア工学
- ソリューション
- split
- スタック
- 都道府県
- 統計的
- Status:
- ストレージ利用料
- 店舗
- 店舗
- 作戦
- 戦略
- 研究
- 成功した
- サポート
- サポート
- ターゲット
- タスク
- チーム
- 技術的
- テクニック
- テクノロジー
- 介して
- 時間
- トークン
- 豊富なツール群
- top
- 取引
- 変換
- トレンド
- ui
- わかる
- つかいます
- users
- 詳しく見る
- ビジョン
- ボリューム
- ウォーキング
- ウェブ
- Webアプリケーション
- Webサービス
- ウェブベースの
- この試験は
- ホワイトペーパー
- 誰
- 以内
- 無し
- 仕事
- 働いていました
- 作品
- 年