데이터베이스 내의 열에 저장된 정보와 같이 고정된 패턴을 따르는 데이터로 정의되는 정형 데이터와 텍스트, 이미지, 소셜 미디어 게시물과 같은 특정 형식이나 패턴이 없는 비정형 데이터는 모두 생산되고 소비됨에 따라 지속적으로 증가합니다. 다양한 조직에 의해. 예를 들어 IDC(International Data Corporation)에 따르면 전 세계 데이터 양은 2025년까지 2배 증가할 것으로 예상되며, 비정형 데이터가 상당 부분을 차지할 것으로 예상됩니다. 기업은 파일 유형, 생성 날짜, 크기 등의 표준 메타데이터 외에 문서 유형(W-XNUMX 양식 또는 급여 명세서), 이름, 조직, 주소 등의 다양한 엔터티 유형과 같은 사용자 정의 메타데이터를 추가하여 지능형 기능을 확장할 수 있습니다. 문서를 수집하는 동안 검색합니다. 사용자 정의 메타데이터는 조직과 기업이 원하는 방식으로 정보를 분류하는 데 도움이 됩니다. 예를 들어 메타데이터는 필터링 및 검색에 사용될 수 있습니다. 고객은 다음을 사용하여 사용자 정의 메타데이터를 생성할 수 있습니다. 아마존 이해, 문서 내용에 대한 통찰력을 추출하고 이를 수집하기 위해 AWS에서 관리하는 자연어 처리(NLP) 서비스입니다. 아마존 켄드라 데이터와 함께 인덱스에 추가됩니다. Amazon Kendra는 기계 학습(AWS)을 기반으로 하는 매우 정확하고 사용하기 쉬운 엔터프라이즈 검색 서비스입니다. 그런 다음 사용자 정의 메타데이터를 사용하여 더 나은 콘텐츠를 강화할 수 있습니다. 필터링 및 패싯 능력. Amazon Kendra에서 패싯은 검색 결과 세트의 범위가 지정된 보기입니다. 예를 들어 문서가 연결된 특정 도시를 기준으로 필터링되는 전 세계 도시에 대한 검색 결과를 제공할 수 있습니다. 특정 작성자의 결과를 표시하기 위해 패싯을 생성할 수도 있습니다.
보험 회사는 처리해야 하는 청구 건수가 늘어나는 부담을 안고 있습니다. 또한 관련된 보험 문서의 다양한 유형과 각 문서의 맞춤형 엔터티로 인해 청구 처리의 복잡성도 증가하고 있습니다. 이 게시물에서는 보험 제공업체를 위한 맞춤형 콘텐츠 강화 사용 사례를 설명합니다. 보험사는 주택, 자동차, 생명보험 등 다양한 보험 유형에 대해 수혜자의 변호사로부터 지급 청구를 받습니다. 이 사용 사례에서 보험 공급자가 받은 문서에는 특정 엔터티 및 클래스를 기반으로 콘텐츠를 검색할 수 있는 메타데이터가 포함되어 있지 않습니다. 보험 제공업체는 비즈니스 도메인과 관련된 사용자 지정 엔터티 및 클래스를 기반으로 Kendra 콘텐츠를 필터링하려고 합니다. 이 게시물에서는 Amazon Comprehend의 사용자 지정 모델을 사용하여 메타데이터 생성을 자동화하고 단순화하는 방법을 보여줍니다. 생성된 메타데이터는 Amazon Kendra를 사용하여 수집 프로세스 중에 사용자 정의할 수 있습니다. 사용자 정의 문서 강화(CDE) 사용자 정의 논리.
필터링 및 패싯 기능이 있거나 없는 Amazon Kendra 검색의 몇 가지 예를 살펴보겠습니다.
다음 스크린샷에서 Amazon Kendra는 검색 결과를 제공하지만 필터를 사용하여 검색 결과를 더 좁힐 수 있는 옵션은 없습니다.
다음 스크린샷은 검색 결과 범위를 좁히기 위해 사용자 지정 메타데이터로 생성된 법률 회사, 정책 번호와 같은 다양한 측면을 사용하여 Amazon Kendra 검색 결과를 필터링할 수 있음을 보여줍니다.
이 게시물에서 설명하는 솔루션은 의료, 제조, 연구 등 다른 비즈니스/사용 사례에도 쉽게 적용할 수 있습니다.
솔루션 개요
이 제안된 솔루션에서는 1) 보험 청구 제출을 다양한 클래스로 분류하고 2) 이러한 문서에서 보험 관련 엔터티를 검색합니다. 이 작업이 완료되면 문서가 적절한 부서나 다운스트림 프로세스로 전달될 수 있습니다.
다음 다이어그램은 제안된 솔루션 아키텍처를 간략하게 설명합니다.
아마존 이해 사용자 정의 분류 API는 귀하가 정의한 카테고리(클래스)로 문서를 구성하는 데 사용됩니다. 사용자 정의 분류는 XNUMX단계 프로세스입니다. 먼저, 관심 있는 클래스를 인식하도록 사용자 지정 분류 모델(분류자라고도 함)을 훈련합니다. 그런 다음 모델을 사용하여 원하는 수의 문서 세트를 분류합니다.
아마존 이해 사용자 지정 엔터티 인식 기능은 다음에서 사용할 수 있는 것 이외의 특정 법인 유형(보험 회사 이름, 보험사 이름, 보험 증권 번호)을 식별하는 데 사용됩니다. 일반 엔터티 유형 기본적으로. 사용자 지정 엔터티 인식 모델을 구축하는 것은 문자열 일치나 정규식을 사용하여 문서에서 엔터티를 추출하는 것보다 더 효과적인 접근 방식입니다. 사용자 지정 엔터티 인식 모델은 해당 이름이 나타날 가능성이 있는 컨텍스트를 학습할 수 있습니다. 또한 문자열 일치는 오타가 있거나 새로운 명명 규칙을 따르는 엔터티를 감지하지 않지만 사용자 지정 모델을 사용하면 가능합니다.
더 자세히 알아보기 전에 잠시 Amazon Kendra를 살펴보겠습니다. Amazon Kendra는 기계 학습을 기반으로 하는 매우 정확하고 사용하기 쉬운 엔터프라이즈 검색 서비스입니다. 이를 통해 사용자는 웹 사이트와 데이터베이스에서 인트라넷 사이트에 이르기까지 조직 전체에 분산된 방대한 양의 콘텐츠 내에서 필요한 정보를 찾을 수 있습니다. 먼저 문서를 수집하기 위해 Amazon Kendra 인덱스를 생성하겠습니다. 데이터를 수집하는 동안 CDE(사용자 지정 데이터 강화) 개념을 고려하는 것이 중요합니다. CDE를 사용하면 외부 지식을 검색 색인에 통합하여 검색 기능을 향상시킬 수 있습니다. 자세한 내용은 다음을 참조하세요. 수집 중 문서 강화. 이 게시물에서 CDE 로직은 Amazon Comprehend의 사용자 지정 API를 호출하여 식별된 클래스와 엔터티로 문서를 강화합니다. 마지막으로 Amazon Kendra 검색 페이지를 사용하여 메타데이터에 패싯 및 필터링 기능을 추가하여 검색 기능을 어떻게 향상시켰는지 보여줍니다.
이 솔루션을 구현하는 대략적인 단계는 다음과 같습니다.
- 훈련 데이터를 사용하여 Amazon Comprehend 사용자 지정 분류자를 훈련합니다.
- 훈련 데이터를 사용하여 Amazon Comprehend 사용자 지정 엔터티 인식 훈련
- Amazon Comprehend 사용자 지정 분류자 및 사용자 지정 엔터티 인식 엔드포인트 생성
- 추출 후 강화를 위한 Lambda 함수 생성 및 배포
- Amazon Kendra 인덱스 생성 및 채우기
- 추출된 엔터티를 사용하여 Amazon Kendra에서 검색을 필터링합니다.
우리는 또한 다음에서 샘플 애플리케이션을 제공했습니다. GitHub 레포 참조.
데이터 보안 및 IAM 고려 사항
보안을 최우선으로 하는 이 솔루션은 사용되는 서비스 및 기능에 대해 최소 권한 권한 원칙을 따릅니다. Amazon Comprehend 사용자 지정 분류 및 사용자 지정 엔터티 인식에 사용되는 IAM 역할에는 테스트 버킷에서만 데이터 세트에 액세스할 수 있는 권한이 있습니다. Amazon Kendra 서비스는 Comprehend API를 호출하는 데 사용되는 특정 S3 버킷 및 Lambda 함수에 액세스할 수 있습니다. Lambda 함수에는 Amazon Comprehend API만 호출할 수 있는 권한이 있습니다. 자세한 내용은 노트북의 섹션 1.2 및 1.3을 검토하세요.
프로덕션 환경에서 솔루션을 구현하기 전에 비프로덕션 환경에서 다음을 수행하는 것이 좋습니다.
훈련 데이터를 사용하여 Comprehend 사용자 정의 분류기를 훈련시킵니다.
Amazon Comprehend 사용자 지정 분류는 주석 파일에 대해 두 가지 데이터 형식 유형을 지원합니다.
데이터에는 이미 라벨이 지정되어 CSV 파일에 저장되어 있으므로 주석 파일에 CSV 파일 형식을 예로 사용하겠습니다. 레이블이 지정된 훈련 데이터를 CSV 파일의 UTF-8 인코딩 텍스트로 제공해야 합니다. CSV 파일에 헤더 행을 포함하지 마세요. 파일에 헤더 행을 추가하면 런타임 오류가 발생할 수 있습니다. 훈련 데이터 CSV 파일의 예는 다음과 같습니다.
분류기 훈련 데이터를 준비하려면 다음을 참조하세요. 분류기 훈련 데이터 준비. CSV 파일의 각 행에 대해 첫 번째 열에는 하나 이상의 클래스 라벨이 포함됩니다. 클래스 레이블은 유효한 UTF-8 문자열일 수 있습니다. 의미가 겹치지 않는 명확한 클래스 이름을 사용하는 것이 좋습니다. 이름에는 공백이 포함될 수 있으며 밑줄이나 하이픈으로 연결된 여러 단어로 구성될 수 있습니다. 행의 값을 구분하는 쉼표 앞이나 뒤에 공백 문자를 두지 마십시오.
다음으로 다음 중 하나를 사용하여 훈련합니다. 다중 클래스 모드 or 다중 라벨 모드. 특히 다중 클래스 모드에서는 분류가 각 문서에 대해 하나의 클래스를 할당하는 반면 다중 레이블 모드에서는 개별 클래스가 상호 배타적이지 않은 다양한 범주를 나타냅니다. 우리의 경우 일반 텍스트 모델에 다중 클래스 모드를 사용합니다.
Amazon Comprehend 사용자 지정 분류자 훈련 및 모델 평가를 위해 별도의 훈련 및 테스트 데이터 세트를 준비할 수 있습니다. 또는 학습과 테스트 모두에 하나의 데이터세트만 제공하세요. Comprehend는 제공된 데이터 세트의 10%를 자동으로 선택하여 테스트 데이터로 사용합니다. 이 예에서는 별도의 교육 및 테스트 데이터 세트를 제공합니다.
다음 예에서는 다양한 문서와 연관된 클래스 이름이 포함된 CSV 파일을 보여줍니다.
사용자 정의 분류 모델을 훈련하면 문서에서 다양한 보험 클래스(집, 자동차 또는 생명 보험)를 캡처할 수 있습니다.
훈련 데이터를 사용하여 Amazon Comprehend 사용자 지정 엔터티 인식기(NER) 훈련
Amazon Comprehend Custom Entity Recognition(NER)용 교육 데이터 세트는 다음 두 가지 방법 중 하나로 준비할 수 있습니다.
- 주석 – 모드 훈련을 위해 주석이 달린 엔터티가 포함된 데이터 세트를 제공합니다.
- 엔터티 목록(일반 텍스트만) – 엔터티 및 해당 레이블 유형(예: "보험 회사 이름") 목록과 모델 교육을 위해 해당 엔터티가 포함된 주석이 없는 문서 세트를 제공합니다.
자세한 내용은 엔터티 인식기 훈련 데이터 준비.
엔터티 목록을 사용하여 모델을 학습할 때 두 가지 정보, 즉 연관된 사용자 지정 엔터티 유형이 포함된 엔터티 이름 목록과 엔터티가 표시되는 주석이 없는 문서 컬렉션을 제공해야 합니다.
자동 학습에는 샘플 문서와 엔터티 목록 또는 주석이라는 두 가지 유형의 정보가 필요합니다. 인식기가 훈련되면 이를 사용하여 문서에서 사용자 정의 엔터티를 감지할 수 있습니다. 작은 텍스트 본문을 실시간으로 빠르게 분석하거나, 비동기 작업을 통해 대규모 문서 세트를 분석할 수 있습니다.
Amazon Comprehend 사용자 지정 엔터티 인식기 훈련 및 모델 평가를 위해 별도의 훈련 및 테스트 데이터 세트를 준비할 수 있습니다. 또는 훈련과 테스트 모두에 하나의 데이터세트만 제공하세요. Amazon Comprehend는 제공된 데이터 세트의 10%를 자동으로 선택하여 테스트 데이터로 사용합니다. 아래 예에서는 교육 데이터 세트를 다음과 같이 지정했습니다. Documents.S3Uri
아래에 InputDataConfig
.
다음 예에서는 엔터티가 포함된 CSV 파일을 보여줍니다.
NER(맞춤형 엔터티) 모델이 학습되면 '와 같은 다양한 엔터티를 추출할 수 있습니다.PAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
".
Amazon Comprehend 사용자 지정 분류자 및 사용자 지정 엔터티(NER) 엔드포인트 생성
Amazon Comprehend의 엔드포인트를 사용하면 사용자 지정 모델을 실시간 분류에 사용할 수 있습니다. 엔드포인트를 생성한 후 비즈니스 요구 사항이 발전함에 따라 엔드포인트를 변경할 수 있습니다. 예를 들어 엔드포인트 활용도를 모니터링하고 Auto Scaling을 적용하여 용량 요구 사항에 맞게 엔드포인트 프로비저닝을 자동으로 설정할 수 있습니다. 단일 보기에서 모든 엔드포인트를 관리할 수 있으며, 엔드포인트가 더 이상 필요하지 않은 경우 엔드포인트를 삭제하여 비용을 절약할 수 있습니다. Amazon Comprehend는 동기식 옵션과 비동기식 옵션을 모두 지원합니다. 사용 사례에 실시간 분류가 필요하지 않은 경우 비동기식 데이터 분류를 위해 Amazon Comprehend에 배치 작업을 제출할 수 있습니다.
이 사용 사례에서는 사용자 지정 모델을 실시간 분석에 사용할 수 있도록 엔드포인트를 생성합니다.
텍스트 처리 요구 사항을 충족하려면 추론 단위를 엔드포인트에 할당하고 각 단위는 초당 100자의 처리량을 허용합니다. 그런 다음 처리량을 높이거나 낮출 수 있습니다.
추출 후 강화를 위한 Lambda 함수 생성 및 배포
추출 후 Lambda 함수를 사용하면 수집된 문서에서 Amazon Kendra가 추출한 텍스트를 처리하는 논리를 구현할 수 있습니다. 우리가 구성한 추출 후 기능은 Amazon Comprehend를 호출하여 사용자 지정 엔터티를 감지하고 Amazon Kendra에서 추출한 텍스트에서 문서를 사용자 지정 분류하는 코드를 구현하고 이를 사용하여 Amazon Kendra 검색에서 패싯으로 표시되는 문서 메타데이터를 업데이트합니다. . 기능 코드는 노트북에 내장되어 있습니다. 그만큼 PostExtractionLambda
코드는 다음과 같이 작동합니다:
- 이해의 최대 바이트 길이 제한을 초과하지 않는 섹션으로 페이지 텍스트를 분할합니다.
detect_entities
API. (보다 제한 ).
주의사항 스크립트는 단순화를 위해 순진한 문자 길이 분할 알고리즘을 사용합니다. 프로덕션 사용 사례에서는 UTF8 바이트 길이를 기반으로 중복 또는 문장 경계 분할을 구현해야 합니다. - 텍스트의 각 섹션에 대해 사용자 지정 엔터티 및 사용자 지정 분류자를 위한 포괄적인 실시간 엔드포인트를 호출하여 다음 엔터티 유형을 감지합니다.
PAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
","INSURANCE_TYPE
"]. - 신뢰도 점수 임계값보다 낮은 감지된 엔터티를 필터링합니다. 우리는 0.50 임계값을 사용하고 있습니다. 이는 신뢰도가 50% 이상인 엔터티만 사용된다는 의미입니다. 이는 사용 사례 및 요구 사항에 따라 조정될 수 있습니다.
- 각 엔터티의 빈도 수를 추적합니다.
- 발생 빈도를 기준으로 각 페이지에 대해 상위 N(10)개의 고유 엔터티만 선택합니다.
- 문서 분류의 경우 다중 클래스 분류자는 각 문서에 대해 하나의 클래스만 할당합니다. 이 Lambda 함수에서 문서는 자동차 보험, 주택 보험 또는 생명 보험으로 분류됩니다.
이 글을 쓰는 시점에서 CDE는 동기 호출만 지원하며 비동기여야 하는 경우 명시적인 대기 루프가 필요합니다. 사후 추출 람다의 경우 최대 실행 시간 1분입니다. Lambda 사용자 지정 로직은 사용 사례에 맞는 요구 사항에 따라 변경될 수 있습니다.
Amazon Kendra 인덱스 생성 및 채우기
이 단계에서는 데이터를 Amazon Kendra 인덱스로 수집하여 사용자가 검색할 수 있도록 만듭니다. 수집 중에 이전 단계에서 생성된 Lambda 함수를 추출 후 단계로 사용하고 Lambda 함수는 사용자 지정 분류 및 사용자 지정 엔터티 인식(NER) 엔드포인트를 호출하여 사용자 지정 메타데이터 필드를 생성합니다.
이 솔루션을 구현하는 대략적인 단계는 다음과 같습니다.
- 만들기 아마존 켄드라 지수.
- 만들기 Amazon Kendra 데이터 소스 – 데이터 세트를 수집하는 데 사용할 수 있는 다양한 데이터 소스가 있습니다. 이 게시물에서는 S3 버킷을 사용합니다.
- 패싯 생성
Law_Firm
,Payout
,Insurance_Company
,Policy_Number
,Policy_Holder_Name
,Insurance_Type
문자열 유형이 'STRING_LIST_VALUE
'. - Kendra CDE를 생성하고 이전에 생성된 추출 후 Lambda 함수를 지정합니다.
- 데이터세트를 수집하려면 동기화 프로세스를 수행하세요.
완료되면 사후 추출 람다가 포함된 Kendra CDE를 사용하여 보험 데이터로 인덱스를 채울 수 있으며 사용자 정의 엔터티 유형 및 사용자 정의 분류를 기반으로 검색을 필터링할 수 있습니다.
추출된 엔터티를 사용하여 Kendra에서 검색을 필터링합니다.
이제 인덱스가 채워지고 사용할 준비가 되었습니다. Amazon Kendra 콘솔에서 다음을 선택합니다. 데이터 관리에서 색인화된 콘텐츠 검색 그리고 다음을 수행합니다.
다음을 쿼리합니다. 늦게 제출하여 보험 목록이 실패했습니까?
결과에는 정책 유형의 답변이 표시됩니다. HOME INSURANCE
가져다 text_18
및 text_14
최고의 결과로.
왼쪽에서 '검색 결과 필터링'을 선택합니다. 이제 Comprehend를 사용하여 추출된 모든 항목 유형 및 분류 값을 볼 수 있으며, 각 항목 값 및 분류에 대해 일치하는 문서의 수가 표시됩니다.
$XNUMX Million 미만 INSURANCE_TYPE
“자동차 보험”을 선택하시면 다음의 답변을 받으실 수 있습니다. text_25
파일.
결과는 스크린샷에 표시된 결과와 약간 다를 수 있습니다.
자신만의 쿼리로 검색해 보고 Amazon Comprehend가 식별한 엔터티 및 문서 분류를 통해 어떻게 신속하게 다음을 수행할 수 있는지 관찰해 보세요.
- 검색 결과가 카테고리 전체에 어떻게 분포되어 있는지 확인하세요.
- 엔터티/분류 값을 필터링하여 검색 범위를 좁힙니다.
정리
검색을 실험하고 Github 리포지토리에 제공된 노트북을 사용해 본 후에는 원치 않는 비용이 발생하지 않도록 AWS 계정에서 프로비저닝한 인프라를 삭제하십시오. 노트북에서 정리 셀을 실행할 수 있습니다. 또는 AWS 콘솔을 통해 리소스를 수동으로 삭제할 수 있습니다.
- 아마존 켄드라 지수
- 사용자 정의 분류자 및 사용자 정의 엔터티 인식(NER) 엔드포인트 이해
- 사용자 정의 분류자 및 사용자 정의 엔터티 인식(NER) 사용자 정의 모델을 이해합니다.
- 람다 함수
- S3 버킷
- IAM 역할 및 정책
결론
이 게시물에서는 Amazon Comprehend 사용자 지정 엔터티 및 사용자 지정 분류자를 사용하여 CDE 기능으로 구동되는 Amazon Kendra 검색을 통해 최종 사용자가 구조적/비구조적 데이터에 대해 더 나은 검색을 수행할 수 있도록 돕는 방법을 보여주었습니다. Amazon Comprehend의 사용자 지정 엔터티와 사용자 지정 분류자는 다양한 사용 사례와 다양한 도메인별 데이터에 매우 유용합니다. Amazon Comprehend 사용 방법에 대한 자세한 내용은 다음을 참조하십시오. Amazon Comprehend 개발자 리소스 Amazon Kendra의 경우 다음을 참조하세요. Amazon Kendra 개발자 리소스.
귀하의 사용 사례에 맞게 이 솔루션을 사용해 보십시오. 의견 섹션에 피드백을 남겨 주시기 바랍니다.
저자에 관하여
아미트 초더리 Amazon Web Services의 수석 솔루션 아키텍트입니다. 그의 주력 분야는 AI/ML이며, 생성 AI, 대규모 언어 모델 및 신속한 엔지니어링으로 고객을 돕습니다. 업무 외에 Amit은 가족과 함께 시간을 보내는 것을 즐깁니다.
장옌얀 AWS Professional Services의 에너지 전달 팀의 수석 데이터 과학자입니다. 그녀는 고객이 AI/ML 지식을 통해 실제 문제를 해결하도록 돕는 데 열정을 쏟고 있습니다. 최근 그녀는 Generative AI와 LLM의 잠재력을 탐구하는 데 주력하고 있습니다. 직장 밖에서 그녀는 여행, 운동, 새로운 것을 탐구하는 것을 좋아합니다.
니킬 자 Amazon Web Services의 수석 기술 계정 관리자입니다. 그의 초점 영역에는 AI/ML 및 분석이 포함됩니다. 여가 시간에는 딸과 함께 배드민턴을 치거나 야외 활동을 즐깁니다.
- 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. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
- PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/use-custom-metadata-created-by-amazon-comprehend-to-intelligently-process-insurance-claims-using-amazon-kendra/
- :있다
- :이다
- :아니
- :어디
- $UP
- 1
- 1.3
- 10
- 100
- 19
- 2025
- 33
- 50
- 500
- 7
- 9
- a
- 할 수 있는
- 소개
- ACCESS
- 에 따르면
- 계정
- 회계
- 정확한
- 가로질러
- 더하다
- 첨가
- 또한
- 또한
- 주소
- 후
- AI
- AI / ML
- 연산
- All
- 수
- 따라
- 이미
- 또한
- 아마존
- 아마존 이해
- 아마존 켄드라
- Amazon Web Services
- 양
- an
- 분석
- 분석
- 분석하다
- 및
- 답변
- 어떤
- API를
- API
- 표시
- 어플리케이션
- 적용된
- 신청
- 접근
- 적당한
- 아키텍처
- 있군요
- 지역
- 지역
- AS
- 관련
- At
- 변호사
- 저자
- 자동
- 자동화
- 자동적으로
- 가능
- 피하기
- AWS
- AWS 전문 서비스
- 기반으로
- BE
- 된
- 전에
- 이하
- 더 나은
- 그 너머
- 몸
- 두
- 경계
- 돋보이게
- 건물
- 사업
- 비자 면제 프로그램에 해당하는 국가의 시민권을 가지고 있지만
- by
- 전화
- 라는
- 통화
- CAN
- 기능
- 능력
- 생산 능력
- 포착
- 케이스
- 가지 경우
- 카테고리
- 원인
- 셀
- 어떤
- 변경
- 변경
- 문자
- 문자
- 요금
- 왼쪽 메뉴에서
- 도시
- City
- 주장
- 수업
- 수업
- 분류
- 분류 한
- 분류
- 선명한
- 암호
- 수집
- 단
- 열
- 댓글
- 기업
- 회사
- 완전한
- 진행완료
- 복잡성
- 이해하다
- 개념
- 자신
- 구성
- 연결
- 고려
- 콘솔에서
- 소비
- 포함하는
- 이 포함되어 있습니다
- 함유량
- 문맥
- 계속
- 규칙
- 법인
- 비용
- 수
- 만들
- 만든
- 관습
- 고객
- 사용자 정의
- 데이터
- 데이터 강화
- 데이터 관리
- 데이터 과학자
- 데이터 세트
- 데이터베이스
- 데이터 세트
- 날짜
- 깊이
- 태만
- 밝히다
- 한정된
- 배달
- 학과
- 배포
- 설명
- 검색
- 탐지 된
- 개발자
- 다른
- 다르게
- 논의 된
- 디스플레이
- 분산
- 몇몇의
- 다이빙
- do
- 문서
- 서류
- 도메인
- 돈
- 말라
- 아래 (down)
- 두
- ...동안
- e
- E & T
- 마다
- 용이하게
- 사용하기 쉬운
- 유효한
- 중
- el
- 임베디드
- 수
- 종점
- 에너지
- 엔지니어링
- 강화
- 강화
- 높이다
- 농축
- Enterprise
- 기업
- 엔티티
- 실재
- 환경
- 오류
- 필수
- 평가
- 진화시키다
- 예
- 예
- 넘다
- 외
- 예외
- 독점
- 실행
- 종료
- 기대하는
- 탐험
- 탐색
- 표현
- 확장
- 외부
- 추출물
- 추출
- 패싯
- 실패한
- 가족
- 특색
- 특징
- 피드백
- 를
- Fields
- 입양 부모로서의 귀하의 적합성을 결정하기 위해 미국 이민국에
- 파일
- 철하기
- 필터링
- 필터링
- 필터
- 최종적으로
- Find
- 굳은
- 먼저,
- 맞게
- 고정
- 초점
- 따라
- 수행원
- 다음
- 럭셔리
- 형태
- 체재
- 양식
- 진동수
- 에
- 기능
- 추가
- 생성
- 세대
- 생성적인
- 제너레이티브 AI
- 얻을
- GitHub의
- 성장
- 있다
- 데
- he
- 건강 관리
- 도움
- 도움이
- 도움이
- 그녀의
- 고수준
- 더 높은
- 최고
- 고도로
- 그의
- 홈
- 방법
- How To
- HTML
- HTTPS
- i
- IDC
- 확인
- 확인
- if
- 설명하다
- 형상
- 구현
- 구현
- 구현하다
- in
- 포함
- 통합
- 증가
- 증가
- 색인
- 색인
- 개인
- 정보
- 인프라
- 입력
- 통찰력
- 예
- 보험
- 지능형
- 관심
- 국제 노동자 동맹
- 국제 데이터 공사(IDC)
- 으로
- 초대
- 호출
- 참여
- IT
- 일
- JSON
- 지식
- 라벨
- 레이블
- 언어
- 넓은
- 늦은
- 법
- 법률 사무소
- 배우다
- 배우기
- 가장 작은
- 휴가
- 왼쪽 (left)
- 길이
- 생활
- 처럼
- 아마도
- 제한
- 명부
- 기울기
- LLM
- 논리
- 이상
- 보기
- loves
- 기계
- 기계 학습
- 확인
- 제작
- 관리
- 관리
- 구축
- 매니저
- 수동으로
- 제조
- 어울리는
- 최대
- XNUMX월..
- 의미
- 방법
- 미디어
- 소개
- 메타 데이터
- 분
- 모드
- 모델
- 모델
- 순간
- 모니터
- 배우기
- 가장
- 여러
- 절대로 필요한 것
- 서로
- name
- 이름
- 명명
- 폭이 좁은
- 필요
- 필요
- 요구
- 신제품
- nlp
- 아니
- 수첩
- 지금
- 번호
- 숫자
- 대상
- 사물
- 관찰
- 발생
- of
- on
- 일단
- ONE
- 만
- 선택권
- 옵션
- or
- 조직
- 조직
- 기타
- 우리의
- 아웃
- 야외에서
- 요점
- 외부
- 자신의
- 페이지
- 쌍
- 열렬한
- 무늬
- 용
- 수행
- 권한
- 개
- 평원
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 연주
- 포인트 적립
- 정책
- 인구가 많은
- 일부
- 가능한
- 게시하다
- 게시물
- 가능성
- powered
- 선호하는
- Prepare
- 준비
- 제시
- 너무 이른
- 이전에
- 원칙
- 이전에
- 우선
- 특권
- 문제
- 방법
- 처리
- 생산
- 생산
- 링크를
- 제안 된
- 제공
- 제공
- 공급자
- 제공
- 제공
- 제공
- 쿼리
- 빨리
- 인용 부호
- 이르기까지
- 읽기
- 준비
- 현실
- 실시간
- 접수
- 수신
- 최근에
- 인식
- 인식
- 인정
- 권하다
- 참조
- 참고
- 정규병
- 저장소
- 대표
- 필수
- 요구조건 니즈
- 필요
- 연구
- 제품 자료
- 결과
- 결과
- return
- 리뷰
- 직위별
- 역할
- 열
- 달리기
- 런타임
- 같은
- 찜하기
- 스케일링
- 과학자
- 점수
- 스크립트
- 검색
- 검색
- 수색
- 둘째
- 섹션
- 섹션
- 보안
- 참조
- 고르다
- 연장자
- 문장
- 별도의
- 서비스
- 서비스
- 세트
- 설정
- 그녀
- 영상을
- 표시
- 보여
- 표시
- 쇼
- 상당한
- 간단
- 단순화
- 단일
- 사이트
- 크기
- 작은
- So
- 사회적
- 소셜 미디어
- 소셜 미디어 게시물
- 해결책
- 솔루션
- 풀다
- 지우면 좋을거같음 . SM
- 스페이스 버튼
- 구체적인
- 구체적으로
- 지정
- 지출
- 스플릿
- 전파
- 표준
- 단계
- 단계
- 저장
- 저장
- 끈
- 제출
- 제출
- 이러한
- SUPPORT
- 지원
- 동조.
- 받아
- 팀
- 테크니컬
- test
- 지원
- 본문
- 보다
- 그
- XNUMXD덴탈의
- 정보
- 세계
- 그들의
- 그들
- 그때
- 그곳에.
- Bowman의
- 그들
- 일
- 이
- 그
- 임계값
- 을 통하여
- 처리량
- 시간
- 에
- 상단
- 선로
- Train
- 훈련 된
- 트레이닝
- 여행
- 치료
- 시도
- 시도
- 조정 된
- 두
- 유형
- 유형
- 아래에
- 밑줄
- 유일한
- 단위
- 단위
- 불필요한
- 업데이트
- 사용
- 유스 케이스
- 익숙한
- 사용자
- 사용
- 사용
- 유효한
- 가치
- 마케팅은:
- 여러
- 거대한
- 대단히
- 관측
- 보기
- 음량
- 기다리다
- 필요
- 원
- 방법..
- 방법
- we
- 웹
- 웹 서비스
- 웹 사이트
- 잘
- 뭐
- 언제
- 어느
- 동안
- 화이트
- 의지
- 과
- 이내
- 없이
- 말
- 작업
- 일하는
- 운동
- 일
- 세계
- 세계
- 쓰기
- 쓴
- 자신의
- 너의
- 제퍼 넷