Amazon SageMaker 데이터 랭글러 코드를 작성하지 않고 기계 학습(ML) 워크플로에서 데이터를 선택 및 정리하고, 기능을 생성하고, 데이터 준비를 자동화하는 기능을 통해 데이터를 준비하고 기능 엔지니어링을 수행하는 데 필요한 시간을 몇 주에서 몇 분으로 단축하는 단일 시각적 인터페이스입니다.
SageMaker 데이터 랭글러 지원 눈송이, ML을 수행하려는 사용자에게 인기 있는 데이터 소스입니다. 고객 경험을 개선하기 위해 SageMaker Data Wrangler에서 Snowflake 직접 연결을 시작합니다. 이 기능을 출시하기 전에 관리자는 Data Wrangler에서 ML용 기능을 생성하기 위해 Snowflake와 연결하기 위한 초기 스토리지 통합을 설정해야 했습니다. 여기에는 프로비저닝이 포함됩니다. 아마존 단순 스토리지 서비스 (Amazon S3) 버킷, AWS 자격 증명 및 액세스 관리 (IAM) 액세스 권한, 개별 사용자를 위한 Snowflake 스토리지 통합, Amazon S3에서 데이터 복사본을 관리하거나 정리하는 지속적인 메커니즘. 이 프로세스는 데이터 액세스 제어가 엄격하고 사용자 수가 많은 고객에게는 확장할 수 없습니다.
이 게시물에서는 SageMaker Data Wrangler에서 Snowflake의 직접 연결이 관리자의 경험과 데이터 과학자의 ML 여정을 데이터에서 비즈니스 인사이트로 단순화하는 방법을 보여줍니다.
솔루션 개요
이 솔루션에서는 SageMaker Data Wrangler를 사용하여 ML 및 Amazon SageMaker 자동 조종 장치 데이터를 기반으로 ML 모델을 자동으로 구축, 교육 및 미세 조정합니다. 두 서비스 모두 ML 실무자의 생산성을 높이고 가치 창출 시간을 단축하도록 특별히 설계되었습니다. 또한 쿼리에 대한 직접 연결을 통해 SageMaker Data Wrangler에서 Snowflake로 간소화된 데이터 액세스를 시연하고 ML용 기능을 생성합니다.
Snowflake, SageMaker Data Wrangler 및 SageMaker Autopilot을 사용한 로우 코드 ML 프로세스의 개요는 아래 다이어그램을 참조하십시오.
워크 플로우에는 다음 단계가 포함됩니다.
- 데이터 준비 및 기능 엔지니어링 작업을 위해 SageMaker Data Wrangler로 이동합니다.
- SageMaker Data Wrangler와 Snowflake 연결을 설정합니다.
- SageMaker Data Wrangler에서 Snowflake 테이블을 탐색하고, ML 데이터 세트를 생성하고, 기능 엔지니어링을 수행합니다.
- SageMaker Data Wrangler 및 SageMaker Autopilot을 사용하여 모델을 교육하고 테스트합니다.
- 예측을 위해 최상의 모델을 실시간 추론 엔드포인트에 로드합니다.
- Python 노트북을 사용하여 실행된 실시간 추론 엔드포인트를 호출합니다.
사전 조건
이 게시물에 대해 관리자는 다음 전제 조건이 필요합니다.
데이터 과학자는 다음 전제 조건을 갖추어야 합니다.
마지막으로 Snowflake용 데이터를 준비해야 합니다.
- 우리는 신용 카드 거래 데이터를 사용합니다. 카글 사기성 신용 카드 거래를 감지하기 위한 ML 모델을 구축하여 고객이 구매하지 않은 항목에 대해 비용을 청구하지 않도록 합니다. 데이터 세트에는 2013년 XNUMX월 유럽 카드 소지자가 수행한 신용 카드 거래가 포함됩니다.
- 당신은 SnowSQL 클라이언트 로컬 시스템에 설치하여 데이터 세트를 Snowflake 테이블에 업로드하는 데 사용할 수 있습니다.
다음 단계에서는 데이터 세트를 준비하고 Snowflake 데이터베이스에 로드하는 방법을 보여줍니다. 이것은 일회성 설정입니다.
눈송이 테이블 및 데이터 준비
이 일회성 설정을 위해 다음 단계를 완료하십시오.
- 먼저 관리자로서 Snowflake 가상 웨어하우스, 사용자 및 역할을 생성하고 데이터 과학자와 같은 다른 사용자에게 액세스 권한을 부여하여 ML 사용 사례에 대한 데이터베이스 및 스테이징 데이터를 생성합니다.
- 이제 데이터 과학자로서 데이터베이스를 생성하고 신용 카드 거래를 Snowflake 데이터베이스로 가져와서 SageMaker Data Wrangler의 데이터에 액세스해 보겠습니다. 설명을 위해 이름이 Snowflake 데이터베이스입니다.
SF_FIN_TRANSACTION
: - 데이터 세트 CSV 파일을 로컬 머신에 다운로드하고 데이터를 데이터베이스 테이블에 로드하는 단계를 생성합니다. 생성된 단계로 데이터를 가져오기 위해 PUT 명령을 실행하기 전에 다운로드한 데이터 세트 위치를 가리키도록 파일 경로를 업데이트합니다.
- 다음과 같은 테이블 만들기
credit_card_transactions
: - 스테이지에서 생성된 테이블로 데이터를 가져옵니다.
SageMaker Data Wrangler 및 Snowflake 연결 설정
SageMaker Data Wrangler와 함께 사용할 데이터 세트를 준비한 후 SageMaker Data Wrangler에서 새 Snowflake 연결을 생성하여 sf_fin_transaction
Snowflake의 데이터베이스 및 쿼리 credit_card_transaction
표:
- 왼쪽 메뉴에서 눈송이 SageMaker 데이터 랭글러에서 연결 페이지.
- 연결을 식별할 이름을 제공하십시오.
- Snowflake 데이터베이스에 연결할 인증 방법을 선택합니다.
- 기본 인증을 사용하는 경우 Snowflake 관리자가 공유한 사용자 이름과 암호를 제공하십시오. 이 게시물에서는 기본 인증을 사용하여 이전 단계에서 만든 사용자 자격 증명을 사용하여 Snowflake에 연결합니다.
- OAuth를 사용하는 경우 ID 공급자 자격 증명을 제공합니다.
SageMaker Data Wrangler는 기본적으로 S3 버킷에 데이터 복사본을 생성하지 않고 Snowflake에서 직접 데이터를 쿼리합니다. SageMaker Data Wrangler의 새로운 유용성 향상 기능은 Apache Spark를 사용하여 Snowflake와 통합하여 ML 여정을 위한 데이터 세트를 준비하고 원활하게 생성합니다.
지금까지 Snowflake에 데이터베이스를 생성하고, CSV 파일을 Snowflake 테이블로 가져오고, Snowflake 자격 증명을 생성하고, SageMaker Data Wrangler에 커넥터를 생성하여 Snowflake에 연결했습니다. 구성된 Snowflake 연결의 유효성을 검사하려면 생성된 Snowflake 테이블에서 다음 쿼리를 실행합니다.
이전에 필요했던 스토리지 통합 옵션은 이제 고급 설정에서 선택 사항입니다.
Snowflake 데이터 탐색
쿼리 결과의 유효성을 검사한 후 다음을 선택합니다. 수입 쿼리 결과를 데이터 세트로 저장합니다. 이 추출된 데이터 세트를 탐색적 데이터 분석 및 기능 엔지니어링에 사용합니다.
SageMaker Data Wrangler UI에서 Snowflake의 데이터를 샘플링하도록 선택할 수 있습니다. 또 다른 옵션은 SageMaker Data Wrangler 처리 작업을 사용하여 ML 모델 교육 사용 사례에 대한 전체 데이터를 다운로드하는 것입니다.
SageMaker Data Wrangler에서 탐색적 데이터 분석 수행
Data Wrangler 내의 데이터는 훈련되기 전에 엔지니어링되어야 합니다. 이 섹션에서는 SageMaker Data Wrangler의 내장 기능을 사용하여 Snowflake의 데이터에서 기능 엔지니어링을 수행하는 방법을 보여줍니다.
먼저, Data Quality and Insights Report
SageMaker Data Wrangler의 기능을 사용하여 데이터 품질을 자동으로 확인하고 Snowflake 데이터의 이상을 감지하는 보고서를 생성합니다.
보고서를 사용하여 데이터를 정리하고 처리할 수 있습니다. 결 측값 수 및 이상치 수와 같은 정보를 제공합니다. 데이터에 목표 누출 또는 불균형과 같은 문제가 있는 경우 인사이트 보고서를 통해 이러한 문제에 주의를 기울일 수 있습니다. 보고서 세부 정보를 이해하려면 다음을 참조하십시오. Amazon SageMaker Data Wrangler의 데이터 품질 및 통찰력으로 데이터 준비 가속화.
SageMaker Data Wrangler가 적용한 데이터 유형 일치를 확인한 후 다음 단계를 완료하십시오.
- 옆에 있는 더하기 기호를 선택합니다. 자료형 선택하고 분석 추가.
- 럭셔리 분석 유형선택한다. 데이터 품질 및 통찰력 보고서.
- 왼쪽 메뉴에서 만들기.
- 우선 순위가 높은 경고를 확인하려면 데이터 품질 및 인사이트 보고서 세부 정보를 참조하세요.
ML 여정을 진행하기 전에 보고된 경고를 해결하도록 선택할 수 있습니다.
대상 열 Class
예측할 문자열로 분류됩니다. 먼저 오래된 빈 문자를 제거하는 변환을 적용해 보겠습니다.
- 왼쪽 메뉴에서 단계 추가 선택하고 형식 문자열.
- 변환 목록에서 다음을 선택합니다. 왼쪽과 오른쪽을 벗기다.
- 제거할 문자를 입력하고 선택합니다. 추가.
다음으로 대상 열을 변환합니다. Class
트랜잭션이 합법적이거나 사기적이기 때문에 문자열 데이터 유형에서 부울로 바꿉니다.
- 왼쪽 메뉴에서 단계 추가.
- 왼쪽 메뉴에서 열을 유형으로 구문 분석.
- 열에 대해 다음을 선택합니다.
Class
. - 럭셔리 ~선택한다. 끈.
- 럭셔리 에선택한다. 부울.
- 왼쪽 메뉴에서 추가.
대상 열 변환 후 원래 데이터 집합에 30개가 넘는 기능이 있으므로 기능 열 수를 줄입니다. PCA(Principal Component Analysis)를 사용하여 기능 중요도에 따라 차원을 줄입니다. PCA 및 차원 감소에 대한 자세한 내용은 다음을 참조하십시오. 주성분 분석(PCA) 알고리즘.
- 왼쪽 메뉴에서 단계 추가.
- 왼쪽 메뉴에서 차원 축소.
- 럭셔리 변환선택한다. 주요 구성 요소 분석.
- 럭셔리 입력 열, 대상 열을 제외한 모든 열을 선택하십시오.
Class
. - 옆에 있는 더하기 기호를 선택합니다. 데이터 흐름 선택하고 분석을 추가합니다.
- 럭셔리 분석 유형선택한다. 빠른 모델.
- 럭셔리 분석 이름이름을 입력하십시오.
- 럭셔리 라벨선택한다.
Class
. - 왼쪽 메뉴에서 달리기.
PCA 결과에 따라 모델 구축에 사용할 기능을 결정할 수 있습니다. 다음 스크린샷에서 그래프는 대상 클래스를 예측하기 위해 가장 높은 중요도에서 가장 낮은 중요도에 따라 정렬된 기능(또는 차원)을 보여줍니다. 이 데이터 세트에서는 거래가 사기인지 유효한지 여부입니다.
이 분석을 기반으로 기능 수를 줄이도록 선택할 수 있지만 이 게시물에서는 기본값을 그대로 둡니다.
추가 최적화를 수행하기 전에 데이터를 이해하기 위해 빠른 모델을 실행하고 데이터 품질 및 인사이트 보고서를 다시 생성하도록 선택할 수 있지만 이것으로 기능 엔지니어링 프로세스가 완료됩니다.
데이터 내보내기 및 모델 학습
다음 단계에서는 SageMaker Autopilot을 사용하여 데이터를 기반으로 최상의 ML 모델을 자동으로 구축, 교육 및 조정합니다. SageMaker Autopilot을 사용하면 여전히 데이터와 모델에 대한 완전한 제어와 가시성을 유지할 수 있습니다.
이제 탐색 및 기능 엔지니어링을 완료했으므로 데이터 세트에서 모델을 교육하고 데이터를 내보내 SageMaker Autopilot을 사용하여 ML 모델을 교육해 보겠습니다.
- 에 트레이닝 탭에서 수출 및 훈련.
완료될 때까지 기다리는 동안 내보내기 진행 상황을 모니터링할 수 있습니다.
예측하려는 대상과 문제 유형을 지정하여 자동화된 교육 작업을 실행하도록 SageMaker Autopilot을 구성해 보겠습니다. 이 경우 거래가 사기인지 유효한지 예측하기 위해 데이터 세트를 교육하고 있기 때문에 이진 분류를 사용합니다.
- 실험 이름을 입력하고 S3 위치 데이터를 제공한 다음 다음: 대상 및 기능.
- 럭셔리 목표선택한다.
Class
예측할 열로. - 왼쪽 메뉴에서 다음: 교육 방법.
SageMaker Autopilot이 데이터 세트를 기반으로 교육 방법을 결정하도록 허용해 보겠습니다.
- 럭셔리 학습 방법 및 알고리즘, 고르다 자동차.
SageMaker Autopilot에서 지원하는 교육 모드에 대한 자세한 내용은 다음을 참조하십시오. 훈련 모드 및 알고리즘 지원합니다.
- 왼쪽 메뉴에서 다음: 배포 및 고급 설정.
- 럭셔리 배포 옵션선택한다. Data Wrangler의 변환으로 최고의 모델 자동 배포, 실험이 완료된 후 추론에 가장 적합한 모델을 로드합니다.
- 끝점의 이름을 입력합니다.
- 럭셔리 기계 학습 문제 유형 선택선택한다. 이진 분류.
- 럭셔리 이의 제기 측정항목선택한다. F1.
- 왼쪽 메뉴에서 다음: 검토 및 생성.
- 왼쪽 메뉴에서 실험 만들기.
이렇게 하면 하이퍼파라미터 조합을 사용하여 목표 지표를 최적화하는 일련의 교육 작업을 생성하는 SageMaker Autopilot 작업이 시작됩니다.
SageMaker Autopilot이 모델 구축을 완료하고 최상의 ML 모델을 평가할 때까지 기다립니다.
최고의 모델을 테스트하기 위해 실시간 추론 엔드포인트를 시작합니다.
SageMaker Autopilot은 신용 카드 거래를 합법적 또는 사기로 분류할 수 있는 최상의 모델을 결정하기 위해 실험을 실행합니다.
SageMaker Autopilot이 실험을 완료하면 평가 지표와 함께 교육 결과를 보고 SageMaker Autopilot 작업 설명 페이지에서 최상의 모델을 탐색할 수 있습니다.
- 최고의 모델을 선택하고 선택하십시오 모델 배포.
실시간 추론 엔드포인트를 사용하여 SageMaker Autopilot을 통해 생성된 최상의 모델을 테스트합니다.
- 선택 실시간 예측.
엔드포인트를 사용할 수 있으면 페이로드를 전달하고 추론 결과를 얻을 수 있습니다.
추론 엔드포인트를 사용하기 위해 Python 노트북을 시작하겠습니다.
- SageMaker Studio 콘솔에서 탐색 창의 폴더 아이콘을 선택하고 노트 만들기.
- 다음 Python 코드를 사용하여 배포된 실시간 추론 엔드포인트를 호출합니다.
출력 결과는 다음과 같이 표시됩니다. false
, 이는 샘플 기능 데이터가 사기가 아님을 의미합니다.
정리
이 자습서를 완료한 후 비용이 발생하지 않도록 하려면 SageMaker Data Wrangler 애플리케이션 종료 및 노트북 인스턴스 종료 추론을 수행하는 데 사용됩니다. 당신은 또한 추론 끝점 삭제 추가 비용을 방지하기 위해 SageMaker Autopilot을 사용하여 생성했습니다.
결론
이 게시물에서는 프로세스에서 중간 복사본을 만들지 않고 Snowflake에서 직접 데이터를 가져오는 방법을 시연했습니다. 전체 데이터 세트를 샘플링하거나 Snowflake에서 직접 SageMaker Data Wrangler로 로드할 수 있습니다. 그런 다음 SageMaker Data Wrangler의 시각적 인터페이스를 사용하여 데이터를 탐색하고, 데이터를 정리하고, 특성 엔지니어링을 수행할 수 있습니다.
또한 SageMaker Data Wrangler 사용자 인터페이스에서 직접 SageMaker Autopilot을 사용하여 모델을 쉽게 교육하고 튜닝하는 방법을 강조했습니다. SageMaker Data Wrangler와 SageMaker Autopilot 통합을 통해 기능 엔지니어링을 완료한 후 코드를 작성하지 않고도 신속하게 모델을 구축할 수 있습니다. 그런 다음 실시간 엔드포인트를 사용하여 추론을 실행하기 위해 SageMaker Autopilot의 최고의 모델을 참조했습니다.
지금 SageMaker Data Wrangler와 새로운 Snowflake 직접 통합을 시도하여 SageMaker를 사용하여 데이터로 ML 모델을 쉽게 구축하십시오.
저자 소개
하리하란 수레시 AWS의 선임 솔루션 아키텍트입니다. 그는 데이터베이스, 기계 학습 및 혁신적인 솔루션 설계에 열정적입니다. AWS에 합류하기 전에 Hariharan은 제품 설계자, 코어 뱅킹 구현 전문가 및 개발자였으며 11년 이상 BFSI 조직과 함께 일했습니다. 기술 외에 그는 패러글라이딩과 사이클링을 즐깁니다.
아파라지탄 바이디야나단 AWS의 수석 엔터프라이즈 솔루션 아키텍트입니다. 그는 엔터프라이즈 고객이 AWS 클라우드에서 워크로드를 마이그레이션하고 현대화하도록 지원합니다. 엔터프라이즈, 대규모 및 분산 소프트웨어 시스템을 설계하고 개발한 경력이 23년 이상인 클라우드 설계자입니다. 그는 데이터 및 기능 엔지니어링 도메인에 중점을 둔 기계 학습 및 데이터 분석을 전문으로 합니다. 그는 야심 찬 마라톤 선수이며 취미로는 하이킹, 자전거 타기, 아내 및 두 아들과 시간 보내기 등이 있습니다.
팀 송 AWS SageMaker의 소프트웨어 개발 엔지니어로 소프트웨어 개발자, 컨설턴트 및 기술 리더로서 10년 이상의 경험을 가지고 있으며 확장 가능하고 안정적인 제품을 제공하고 복잡한 문제를 해결할 수 있는 능력을 입증했습니다. 여가 시간에는 자연, 야외 달리기, 하이킹 등을 즐깁니다.
보스코 앨버 커키 AWS의 수석 파트너 솔루션 아키텍트이며 엔터프라이즈 데이터베이스 벤더 및 클라우드 공급자의 데이터베이스 및 분석 제품 작업에 20년 이상의 경험이 있습니다. 그는 대기업이 데이터 분석 솔루션을 설계하도록 도왔고 데이터 분석 플랫폼 및 데이터 제품을 설계하고 구현하는 엔지니어링 팀을 이끌었습니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
- PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 플라톤ESG. 자동차 / EV, 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
- BlockOffsets. 환경 오프셋 소유권 현대화. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/accelerate-time-to-business-insights-with-the-amazon-sagemaker-data-wrangler-direct-connection-to-snowflake/
- :있다
- :이다
- :아니
- $UP
- 1
- 10
- 100
- 11
- 12
- 14
- 15%
- 20
- 20년
- 2013
- 27
- 30
- 40
- 500
- 7
- 9
- a
- 능력
- 소개
- 가속
- ACCESS
- 계정
- 추가
- 관리자
- 많은
- 후
- 다시
- AI / ML
- All
- 수
- 또한
- 이기는하지만
- 아마존
- 아마존 세이지 메이커
- Amazon SageMaker 데이터 랭글러
- Amazon Web Services
- 양
- an
- 분석
- 분석
- 및
- 다른
- 어떤
- 아파치
- API를
- 적용된
- 신청
- 있군요
- AS
- 열망하는
- At
- 주의
- 인증
- 자동화
- 자동화
- 자동적으로
- 가능
- AWS
- 은행
- 기반으로
- 기본
- BE
- 때문에
- 전에
- 이하
- BEST
- BFSI
- 몸
- 두
- 가져
- 빌드
- 건물
- 내장
- 사업
- 비자 면제 프로그램에 해당하는 국가의 시민권을 가지고 있지만
- by
- CAN
- 기능
- 포착
- 카드
- 케이스
- 가지 경우
- 문자
- 청구 된
- 요금
- 검사
- 왼쪽 메뉴에서
- 수업
- 분류
- 분류 한
- 분류
- 클라이언트
- 클라우드
- 암호
- 단
- 열
- 조합
- 기업
- 완전한
- 진행완료
- 완료
- 완료
- 복잡한
- 구성 요소
- 구성
- 연결하기
- 연결
- 콘솔에서
- 컨설턴트
- 계속
- 제어
- 변하게 하다
- 핵심
- 코어뱅킹
- 만들
- 만든
- 생성
- 만들기
- 신임장
- 신용
- 크레디트 카드
- 고객
- 고객 경험
- 고객
- 데이터
- 데이터 액세스
- 데이터 분석
- 데이터 분석
- 데이터 준비
- 데이터 과학자
- 데이터베이스
- 데이터베이스
- 결정하다
- 태만
- 기본값
- 배달하다
- 보여
- 시연
- 배포
- 배포
- 전개
- 설명
- 디자인
- 설계
- 설계
- 세부설명
- 결정
- 개발자
- 개발
- 개발
- 치수
- 곧장
- 직접
- 분산
- 도메인
- 말라
- 아래 (down)
- 다운로드
- 용이하게
- 중
- 종점
- 기사
- 엔지니어링
- 엔터 버튼
- Enterprise
- 등
- 유럽
- 평가
- 외
- 존재
- 경험
- 실험
- 실험
- 탐구
- 탐색 적 데이터 분석
- 탐험
- 수출
- 멀리
- 특색
- 특징
- 특색
- 입양 부모로서의 귀하의 적합성을 결정하기 위해 미국 이민국에
- 금융
- 마무리
- 먼저,
- 흙손
- 초점
- 수행원
- 럭셔리
- 체재
- 사기의
- 에
- 가득 찬
- 추가
- 생성
- 얻을
- 제공
- 부여
- 그래프
- 있다
- he
- 도움
- 도움
- 최고
- 강조
- 그의
- 방법
- How To
- HTML
- HTTP
- HTTPS
- ICON
- 확인
- 통합 인증
- if
- 불규형
- 이행
- 구현
- import
- 중요성
- 가져 오기
- 수입
- 개선
- in
- 포함
- 포함
- 증가
- 개인
- 정보
- 처음에는
- 혁신적인
- 통찰력
- 설치
- 통합
- 완성
- 인터페이스
- 내부의
- 으로
- 문제
- IT
- 항목
- 일
- 작업
- 가입
- 여행
- JPG
- JSON
- 넓은
- 대규모
- 시작
- 시작
- 리더
- 배우기
- 휴가
- 지도
- 왼쪽 (left)
- 합법적 인
- 하자
- 도서관
- 제한
- 명부
- 하중
- 잔뜩
- 지방의
- 위치
- 가장 낮은
- 기계
- 기계 학습
- 만든
- 유지하다
- 확인
- 관리
- 마라톤
- 어울리는
- XNUMX월..
- 기구
- 방법
- 메트릭
- 통계
- 이전
- 회의록
- 누락
- ML
- 모델
- 모델
- 현대화
- 모드
- 모니터
- 배우기
- name
- 이름
- 자연
- 카테고리
- 요구
- 신제품
- 다음 것
- 수첩
- 지금
- 번호
- 맹세
- 대상
- 목표
- of
- on
- 지속적으로
- 최적화
- 선택권
- or
- 주문
- 조직
- 실물
- OS
- 기타
- 우리의
- 아웃
- 출력
- 외부
- 위에
- 개요
- 페이지
- 빵
- 파트너
- 패스
- 열렬한
- 비밀번호
- 통로
- 수행
- 실행할 수 있는
- 권한
- 플랫폼
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- ...을 더한
- 포인트 적립
- 인기 문서
- 게시하다
- 예측
- 예측
- 예측
- 준비
- Prepare
- 전제 조건
- 예방
- 너무 이른
- 교장
- 인쇄
- 이전에
- 문제
- 문제
- 방법
- 처리
- 프로덕트
- 생산력
- 제품
- 진행
- 제공
- 공급자
- 제공
- 공개
- 매수
- 목적
- 놓다
- Python
- 품질
- 쿼리
- 빠른
- 빨리
- 실시간
- 감소
- 감소
- 축소
- 신뢰할 수있는
- 제거
- 교체
- 신고
- 보고
- 보고서
- 의뢰
- 필수
- 응답
- 결과
- 결과
- 리뷰
- 승마
- 직위별
- 달리기
- 러너
- 달리는
- s
- 현자
- 찜하기
- 확장성
- 과학자
- 과학자
- 완벽하게
- 섹션
- 보내다
- 연장자
- XNUMX월
- 서비스
- 세트
- 설정
- 설치
- 공유
- 영상을
- 표시
- 쇼
- 기호
- 단순, 간단, 편리
- 단순화
- 단일
- So
- 소프트웨어
- 소프트웨어 개발
- 해결책
- 솔루션
- 풀다
- 노래
- 출처
- 불꽃
- 전문가
- 전문적으로
- 구체적으로
- 속도
- 지출
- 단계
- 시작
- 단계
- 단계
- 아직도
- 저장
- 저장
- 엄격한
- 끈
- 스튜디오
- 제출
- 성공한
- 성공적으로
- 이러한
- SUPPORT
- 지원
- 지원
- 시스템은
- 테이블
- 목표
- 작업
- 팀
- 기술
- Technology
- 기술 회사
- test
- 그
- XNUMXD덴탈의
- 그래프
- 그들의
- 그때
- 그곳에.
- 그들
- 이
- 그
- 을 통하여
- 시간
- 에
- 오늘
- Train
- 훈련 된
- 트레이닝
- 거래
- 거래 내역
- 변환
- 변환
- 참된
- 지도 시간
- 두
- 유형
- ui
- 이해
- 업데이트
- us
- 유용성
- 사용
- 익숙한
- 사용자
- 시간을 아껴주는 인터페이스
- 사용자
- 사용
- 사용
- v1
- 유효 기간
- 가치
- 마케팅은:
- 공급 업체
- 확인
- 관측
- 온라인
- 가시성
- 기다리다
- 필요
- 였다
- we
- 웹
- 웹 서비스
- 주
- 했다
- 여부
- 어느
- 동안
- 누구
- 아내
- 과
- 이내
- 없이
- 작업
- 일
- 워크플로우
- 워크 플로우
- 일하는
- 쓰기
- 년
- 자신의
- 너의
- 제퍼 넷