Gestructureerde gegevens, gedefinieerd als gegevens die een vast patroon volgen, zoals informatie die is opgeslagen in kolommen in databases, en ongestructureerde gegevens, die een specifieke vorm of patroon missen, zoals tekst, afbeeldingen of berichten op sociale media, blijven beide groeien naarmate ze worden geproduceerd en geconsumeerd. door diverse organisaties. Volgens International Data Corporation (IDC) wordt bijvoorbeeld verwacht dat het datavolume in de wereld tegen 2025 zal vertienvoudigen, waarbij ongestructureerde data een aanzienlijk deel voor hun rekening zullen nemen. Bedrijven willen mogelijk aangepaste metagegevens toevoegen, zoals documenttypen (W-2-formulieren of loonstrookjes), verschillende entiteitstypen zoals namen, organisatie en adres, naast de standaard metagegevens zoals bestandstype, aanmaakdatum of grootte om de intelligente functionaliteit uit te breiden. zoeken terwijl u de documenten opneemt. De aangepaste metagegevens helpen organisaties en ondernemingen informatie op de door hen gewenste manier te categoriseren. Metagegevens kunnen bijvoorbeeld worden gebruikt voor filteren en zoeken. Klanten kunnen de aangepaste metagegevens maken met behulp van Amazon begrijpt het, een dienst voor natuurlijke taalverwerking (NLP) beheerd door AWS om inzichten over de inhoud van documenten te verkrijgen en deze op te nemen in Amazon Kendra samen met hun gegevens in de index. Amazon Kendra is een zeer nauwkeurige en gebruiksvriendelijke zoekservice voor bedrijven, mogelijk gemaakt door Machine Learning (AWS). De aangepaste metadata kunnen vervolgens worden gebruikt om de inhoud nog beter te verrijken filteren en facetten mogelijkheden. In Amazon Kendra zijn facetten gerichte weergaven van een reeks zoekresultaten. U kunt bijvoorbeeld zoekresultaten leveren voor steden over de hele wereld, waarbij documenten worden gefilterd op een specifieke stad waaraan ze zijn gekoppeld. U kunt ook facetten maken om resultaten van een specifieke auteur weer te geven.
Verzekeringsmaatschappijen worden geconfronteerd met steeds meer claims die zij moeten verwerken. Bovendien neemt de complexiteit van de claimverwerking ook toe vanwege de diverse soorten verzekeringsdocumenten die erbij betrokken zijn, en de aangepaste entiteiten in elk van deze documenten. In dit bericht beschrijven we een gebruiksscenario voor aangepaste inhoudverrijking voor verzekeraars. De verzekeringsmaatschappij ontvangt uitbetalingsclaims van de advocaat van de begunstigde voor verschillende soorten verzekeringen, zoals woning-, auto- en levensverzekeringen. In dit gebruiksscenario bevatten de door de verzekeringsmaatschappij ontvangen documenten geen metagegevens waarmee de inhoud kan worden doorzocht op basis van bepaalde entiteiten en klassen. De verzekeringsmaatschappij wil Kendra-inhoud filteren op basis van aangepaste entiteiten en klassen die specifiek zijn voor hun bedrijfsdomein. Dit bericht illustreert hoe je het genereren van metagegevens kunt automatiseren en vereenvoudigen met behulp van aangepaste modellen van Amazon Comprehend. De gegenereerde metadata kunnen worden aangepast tijdens het opnameproces met Amazon Kendra Aangepaste documentverrijking (CDE) aangepaste logica.
Laten we een paar voorbeelden bekijken van Amazon Kendra-zoekopdrachten met of zonder filter- en facetmogelijkheden.
In de volgende schermafbeelding biedt Amazon Kendra een zoekresultaat, maar er is geen optie om de zoekresultaten verder te verfijnen door filters te gebruiken.
De volgende schermafbeelding laat zien dat de zoekresultaten van Amazon Kendra kunnen worden gefilterd door verschillende facetten te gebruiken, zoals advocatenkantoor en polisnummers, gemaakt door aangepaste metagegevens om de zoekresultaten te verfijnen.
De oplossing die in dit bericht wordt besproken, kan ook eenvoudig worden toegepast op andere bedrijven/use-cases, zoals de gezondheidszorg, productie en onderzoek.
Overzicht oplossingen
In deze voorgestelde oplossing zullen we 1) ingediende verzekeringsclaims indelen in verschillende klassen, en 2) verzekeringsspecifieke entiteiten uit deze documenten halen. Wanneer dit is voltooid, kan het document naar de juiste afdeling of het downstream-proces worden gerouteerd.
Het volgende diagram schetst de voorgestelde oplossingsarchitectuur.
Amazon begrijpt het aangepaste classificatie API wordt gebruikt om uw documenten te ordenen in categorieën (klassen) die u definieert. Aangepaste classificatie bestaat uit twee stappen. Eerst traint u een aangepast classificatiemodel (ook wel classifier genoemd) om de klassen te herkennen die voor u interessant zijn. Vervolgens gebruikt u uw model om een willekeurig aantal documentensets te classificeren.
Amazon begrijpt het aangepaste entiteitsherkenning Deze functie wordt gebruikt om specifieke entiteitstypen te identificeren (namen van de verzekeringsmaatschappij, namen van de verzekeraar, polisnummer) die verder gaan dan wat beschikbaar is in de generieke entiteitstypen standaard. Het bouwen van een aangepast entiteitsherkenningsmodel is een effectievere aanpak dan het gebruik van tekenreeksmatches of reguliere expressies om entiteiten uit documenten te extraheren. Een aangepast entiteitsherkenningsmodel kan de context leren waarin deze namen waarschijnlijk zullen verschijnen. Bovendien worden bij het matchen van tekenreeksen geen entiteiten gedetecteerd die typfouten bevatten of nieuwe naamgevingsconventies volgen, terwijl dit wel mogelijk is met behulp van een aangepast model.
Voordat we dieper duiken, nemen we even de tijd om Amazon Kendra te verkennen. Amazon Kendra is een zeer nauwkeurige en gebruiksvriendelijke zoekservice voor bedrijven, mogelijk gemaakt door machine learning. Hiermee kunnen gebruikers de informatie vinden die ze nodig hebben binnen de enorme hoeveelheid inhoud die verspreid is over hun organisatie, variërend van websites en databases tot intranetsites. We zullen eerst een Amazon Kendra-index maken om de documenten op te nemen. Bij het verwerken van de gegevens is het essentieel om rekening te houden met het concept van Custom Data Enrichment (CDE). Met CDE kunt u de zoekmogelijkheden vergroten door externe kennis in de zoekindex op te nemen. Voor meer informatie, zie Uw documenten verrijken tijdens inname. In dit bericht roept de CDE-logica de aangepaste API's van Amazon Comprehend aan om de documenten te verrijken met geïdentificeerde klassen en entiteiten. Ten slotte gebruiken we de Amazon Kendra-zoekpagina om te laten zien hoe de metagegevens de zoekmogelijkheden hebben verbeterd door facetter- en filtermogelijkheden toe te voegen.
De stappen op hoog niveau om deze oplossing te implementeren zijn als volgt:
- Train de aangepaste Amazon Comprehend-classificator met behulp van trainingsgegevens
- Train de Amazon Comprehend-herkenning van aangepaste entiteiten met behulp van trainingsgegevens
- Maak de aangepaste Amazon Comprehend-classificator en aangepaste eindpunten voor entiteitsherkenning
- Creëer en implementeer een Lambda-functie voor verrijking na extractie
- Creëer en vul de Amazon Kendra-index in
- Gebruik de geëxtraheerde entiteiten om zoekopdrachten in Amazon Kendra te filteren
We hebben ook een voorbeeldtoepassing in de GitHub repo als referentie.
Gegevensbeveiliging en IAM-overwegingen
Omdat beveiliging de hoogste prioriteit heeft, volgt deze oplossing het principe van de minste bevoegdheden voor de gebruikte services en functies. De IAM-rol die wordt gebruikt door de aangepaste classificatie en aangepaste entiteitsherkenning van Amazon Comprehend heeft alleen machtigingen voor toegang tot de dataset vanuit de testbucket. De Amazon Kendra-service heeft toegang tot een specifieke S3-bucket en Lambda-functie die wordt gebruikt om begrijpende API's aan te roepen. De Lambda-functie heeft alleen machtigingen om de Amazon Comprehend API's aan te roepen. Raadpleeg sectie 1.2 en 1.3 in het notitieblok voor meer informatie.
We raden u aan het volgende te doen in een niet-productieomgeving voordat u de oplossing in de productieomgeving implementeert.
Train de aangepaste classificatie Comprehend met behulp van trainingsgegevens
Amazon Comprehend Custom Classification ondersteunt twee typen gegevensindelingen voor annotatiebestanden:
Omdat onze gegevens al zijn gelabeld en opgeslagen in CSV-bestanden, zullen we als voorbeeld het CSV-bestandsformaat voor het annotatiebestand gebruiken. We moeten de gelabelde trainingsgegevens aanleveren als UTF-8-gecodeerde tekst in een CSV-bestand. Neem geen koprij op in het CSV-bestand. Het toevoegen van een koprij aan uw bestand kan runtimefouten veroorzaken. Een voorbeeld van het CSV-bestand met trainingsgegevens is als volgt:
Raadpleeg voor het voorbereiden van trainingsgegevens van de classificatie Classificatietrainingsgegevens voorbereiden. Voor elke rij in het CSV-bestand bevat de eerste kolom een of meer klasselabels. Een klassenlabel kan elke geldige UTF-8-tekenreeks zijn. We raden u aan duidelijke klassennamen te gebruiken die elkaar qua betekenis niet overlappen. De naam kan witruimte bevatten en kan bestaan uit meerdere woorden die met elkaar zijn verbonden door onderstrepingstekens of koppeltekens. Laat geen spaties achter voor of na de komma's die de waarden in een rij scheiden.
Vervolgens ga je trainen met behulp van Modus met meerdere klassen or Multi-labelmodus. In het bijzonder wijst classificatie in de modus met meerdere klassen één klasse toe aan elk document, terwijl in de modus met meerdere labels individuele klassen verschillende categorieën vertegenwoordigen die elkaar niet uitsluiten. In ons geval gebruiken we de Multi-Class-modus voor modellen met platte tekst.
U kunt afzonderlijke trainings- en testgegevenssets voorbereiden voor Amazon Comprehend-training op maat voor classificatie en modelevaluatie. Of geef slechts één gegevensset op voor zowel training als testen. Comprehend selecteert automatisch 10% van de door u verstrekte dataset om te gebruiken als testgegevens. In dit voorbeeld bieden we afzonderlijke trainings- en testgegevenssets aan.
In het volgende voorbeeld ziet u een CSV-bestand met de klassenamen die aan de verschillende documenten zijn gekoppeld.
Wanneer het aangepaste classificatiemodel wordt getraind, kan het verschillende verzekeringsklassen op de documenten vastleggen (woning-, auto- of levensverzekering).
Train de aangepaste entiteitsherkenner (NER) van Amazon Comprehend met behulp van trainingsgegevens
De trainingsdataset voor Amazon Comprehend Custom Entity Recognition (NER) kan op twee verschillende manieren worden voorbereid:
- Annotaties – Biedt een gegevensset die de geannoteerde entiteiten bevat voor modustraining
- Entiteitslijsten (alleen platte tekst) – Biedt een lijst met entiteiten en hun labeltype (zoals 'Namen van verzekeringsmaatschappijen') en een reeks niet-geannoteerde documenten met deze entiteiten voor modeltraining
Raadpleeg voor meer informatie Trainingsgegevens voor entiteitsherkenner voorbereiden.
Wanneer we een model trainen met behulp van de entiteitenlijst, moeten we twee stukjes informatie verstrekken: een lijst met entiteitsnamen met de bijbehorende aangepaste entiteitstypen en een verzameling niet-geannoteerde documenten waarin de entiteiten voorkomen.
Automatische training vereist twee soorten informatie: voorbeelddocumenten en de entiteitenlijst of annotaties. Zodra de herkenner is getraind, kunt u deze gebruiken om aangepaste entiteiten in uw documenten te detecteren. U kunt snel een kleine hoeveelheid tekst in realtime analyseren, of u kunt een grote reeks documenten analyseren met een asynchrone taak.
Je kunt afzonderlijke trainings- en testgegevenssets voorbereiden voor Amazon Comprehend-training en modelevaluatie op maat voor entiteitsherkenners. Of geef slechts één dataset op voor zowel training als testen. Amazon Comprehend selecteert automatisch 10% van de door u verstrekte dataset om te gebruiken als testgegevens. In het onderstaande voorbeeld hebben we de trainingsgegevensset gespecificeerd als Documents.S3Uri
voor InputDataConfig
.
In het volgende voorbeeld ziet u een CSV-bestand met de entiteiten:
Zodra het aangepaste entiteitenmodel (NER) is getraind, kan het de verschillende entiteiten extraheren, zoals “PAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
'.
Maak de aangepaste classificatie en aangepaste entiteiten (NER)-eindpunten van Amazon Comprehend
De eindpunten van Amazon Comprehend maken uw aangepaste modellen beschikbaar voor realtime classificatie. Nadat u een eindpunt hebt gemaakt, kunt u er wijzigingen in aanbrengen naarmate uw bedrijfsbehoeften zich ontwikkelen. U kunt bijvoorbeeld het gebruik van uw eindpunten monitoren en automatisch schalen toepassen om de inrichting van eindpunten automatisch in te stellen op basis van uw capaciteitsbehoeften. U kunt al uw endpoints vanuit één overzicht beheren en wanneer u een endpoint niet langer nodig heeft, kunt u deze verwijderen om kosten te besparen. Amazon Comprehend ondersteunt zowel synchrone als asynchrone opties. Als realtime classificatie niet vereist is voor uw gebruik, kunt u een batchtaak indienen bij Amazon Comprehend voor asynchrone gegevensclassificatie.
Voor dit gebruiksscenario maakt u een eindpunt om uw aangepaste model beschikbaar te maken voor realtime analyse.
Om aan uw tekstverwerkingsbehoeften te voldoen, wijst u gevolgtrekkingseenheden toe aan het eindpunt, en elke eenheid staat een doorvoersnelheid van 100 tekens per seconde toe. Vervolgens kunt u de doorvoer naar boven of beneden aanpassen.
Creëer en implementeer een Lambda-functie voor verrijking na extractie
Met de Lambda-functie na extractie kunt u de logica implementeren om de tekst te verwerken die door Amazon Kendra uit het opgenomen document is geëxtraheerd. De post-extractiefunctie die we hebben geconfigureerd, implementeert de code om Amazon Comprehend aan te roepen om aangepaste entiteiten te detecteren en de documenten op maat te classificeren uit de tekst die door Amazon Kendra is geëxtraheerd, en gebruikt deze om de metagegevens van het document bij te werken, die als facetten worden gepresenteerd in een Amazon Kendra-zoekopdracht . De functiecode is in het notebook ingebed. De PostExtractionLambda
code werkt als volgt:
- Splitst de paginatekst op in secties die de maximale bytelengtelimiet van het begrip niet overschrijden
detect_entities
API. (Zien Grenzen ).
NOTITIE het script gebruikt voor de eenvoud een naïef algoritme voor het splitsen van tekenlengtes. Productiegebruiksscenario's moeten overlappende of zinsgrenssplitsingen implementeren, gebaseerd op UTF8-bytelengte. - Roept voor elke sectie van de tekst de omvattende real-time eindpunten op voor aangepaste entiteiten en aangepaste classificatie om de volgende entiteitstypen te detecteren: [“
PAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
","INSURANCE_TYPE
- Filtert gedetecteerde entiteiten uit die zich onder de drempelwaarde voor de betrouwbaarheidsscore bevinden. We gebruiken een drempelwaarde van 0.50, wat betekent dat alleen entiteiten met een betrouwbaarheid van 50% of meer zullen worden gebruikt. Dit kan worden afgestemd op basis van de use case en vereisten.
- Houdt de frequentietelling van elke entiteit bij.
- Selecteert alleen de top N (10) unieke entiteiten voor elke pagina, op basis van de frequentie van voorkomen.
- Voor documentclassificatie wijst de classificatie met meerdere klassen slechts één klasse toe aan elk document. In deze Lambda-functie worden de documenten geclassificeerd als autoverzekering, woningverzekering of levensverzekering.
Houd er rekening mee dat CDE op het moment van schrijven alleen synchrone oproepen ondersteunt. Als het asynchroon moet zijn, is er een expliciete wachtlus nodig. Voor na-extractie Lambda de maximale uitvoeringstijd bedraagt 1 minuut. De aangepaste logica van Lambda kan worden gewijzigd op basis van de vereisten die bij uw gebruiksscenario passen.
Creëer en vul de Amazon Kendra-index in
In deze stap zullen we de gegevens opnemen in de Amazon Kendra-index en deze doorzoekbaar maken voor de gebruikers. Tijdens de opname gebruiken we de Lambda-functie die in de vorige stap is gemaakt als post-extractiestap en roept de Lambda-functie de aangepaste classificatie en aangepaste entiteitsherkenning (NER)-eindpunten aan om de aangepaste metagegevensvelden te maken.
De stappen op hoog niveau om deze oplossing te implementeren zijn als volgt:
- creëren Amazon Kendra-index.
- creëren Amazon Kendra-gegevensbron – Er zijn verschillende gegevensbronnen die kunnen worden gebruikt om de gegevensset op te nemen. In dit bericht gebruiken we een S3-bucket.
- Facetten maken
Law_Firm
,Payout
,Insurance_Company
,Policy_Number
,Policy_Holder_Name
,Insurance_Type
met tekenreekstype als 'STRING_LIST_VALUE
. - Maak Kendra CDE en wijs deze naar de eerder gemaakte Lambda-functie na extractie.
- Voer het synchronisatieproces uit om de gegevensset op te nemen.
Eenmaal voltooid, kunt u de index vullen met de verzekeringsgegevens. Met behulp van de Kendra CDE met post-extractie lambda kunt u zoekopdrachten filteren op basis van de aangepaste entiteitstypen en aangepaste classificatie als aangepaste metagegevensvelden.
Gebruik de geëxtraheerde entiteiten om zoekopdrachten in Kendra te filteren
Nu is de index gevuld en klaar voor gebruik. Kies in de Amazon Kendra-console Zoek naar geïndexeerde inhoud onder Gegevensbeheer en doe het volgende.
Vraag het volgende: Lijst met verzekeringen mislukt vanwege te late indiening?
De resultaten laten een antwoord zien van het beleidstype: HOME INSURANCE
en brengt text_18
en text_14
als topresultaten.
Kies aan de linkerkant voor ‘Zoekresultaten filteren’. Nu ziet u alle entiteitstypen en classificatiewaarden die zijn geëxtraheerd met behulp van Comprehend, en voor elke entiteitswaarde en classificatie ziet u het aantal overeenkomende documenten.
Onder INSURANCE_TYPE
kies “Autoverzekering”, en dan krijg je antwoord van text_25
bestand.
Houd er rekening mee dat uw resultaten enigszins kunnen afwijken van de resultaten die in de schermafbeelding worden weergegeven.
Probeer te zoeken met uw eigen zoekopdrachten en kijk hoe u met de door Amazon Comprehend geïdentificeerde entiteiten en documentclassificatie snel het volgende kunt doen:
- Bekijk hoe uw zoekresultaten over de categorieën zijn verdeeld.
- Verfijn uw zoekopdracht door te filteren op een van de entiteits-/classificatiewaarden.
Opruimen
Nadat u met de zoekopdracht hebt geëxperimenteerd en de notebook in de Github-repository hebt geprobeerd, verwijdert u de infrastructuur die u in uw AWS-account hebt ingericht om ongewenste kosten te voorkomen. U kunt de opschooncellen in het notitieblok uitvoeren. Als alternatief kunt u de bronnen handmatig verwijderen via de AWS-console:
- Amazon Kendra-index
- Begrijp aangepaste classificatie en aangepaste entiteitsherkenningseindpunten (NER).
- Begrijp aangepaste classificatie- en aangepaste entiteitsherkenningsmodellen (NER).
- Lambda-functie
- S3 emmer
- IAM-rollen en -beleid
Conclusie
In dit bericht hebben we laten zien hoe Amazon Comprehend aangepaste entiteiten en aangepaste classificatie de Amazon Kendra-zoekopdracht mogelijk maakt, mogelijk gemaakt door de CDE-functie om eindgebruikers te helpen betere zoekopdrachten uit te voeren op de gestructureerde/ongestructureerde gegevens. De aangepaste entiteiten van Amazon Comprehend en de aangepaste classificatie maken het zeer nuttig voor verschillende gebruiksscenario's en verschillende domeinspecifieke gegevens. Voor meer informatie over het gebruik van Amazon Comprehend raadpleegt u Bronnen voor Amazon Comprehend-ontwikkelaars en voor Amazon Kendra, zie Bronnen voor Amazon Kendra-ontwikkelaars.
Probeer deze oplossing eens voor uw gebruiksscenario. Wij nodigen u uit om uw feedback achter te laten in de opmerkingensecties.
Over de auteurs
Amit Chaudhary is een Senior Solutions Architect bij Amazon Web Services. Zijn focusgebied is AI/ML en hij helpt klanten met generatieve AI, grote taalmodellen en snelle engineering. Buiten zijn werk brengt Amit graag tijd door met zijn gezin.
Yanyan Zhang is een Senior Data Scientist in het Energy Delivery-team van AWS Professional Services. Ze heeft een passie voor het helpen van klanten bij het oplossen van echte problemen met AI/ML-kennis. Recentelijk lag haar focus op het verkennen van het potentieel van Generatieve AI en LLM. Buiten haar werk houdt ze van reizen, sporten en nieuwe dingen ontdekken.
Nikhil Jha is Senior Technical Account Manager bij Amazon Web Services. Zijn aandachtsgebieden zijn onder meer AI/ML en analytics. In zijn vrije tijd speelt hij graag badminton met zijn dochter en gaat hij graag de natuur in.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
- PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
- PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
- Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/use-custom-metadata-created-by-amazon-comprehend-to-intelligently-process-insurance-claims-using-amazon-kendra/
- : heeft
- :is
- :niet
- :waar
- $UP
- 1
- 1.3
- 10
- 100
- 19
- 2025
- 33
- 50
- 500
- 7
- 9
- a
- in staat
- Over
- toegang
- Volgens
- Account
- Accounting
- accuraat
- over
- toevoegen
- toe te voegen
- toevoeging
- Daarnaast
- adres
- Na
- AI
- AI / ML
- algoritme
- Alles
- toestaat
- langs
- al
- ook
- Amazone
- Amazon begrijpt het
- Amazon Kendra
- Amazon Web Services
- bedragen
- an
- analyse
- analytics
- analyseren
- en
- beantwoorden
- elke
- api
- APIs
- verschijnen
- Aanvraag
- toegepast
- Solliciteer
- nadering
- passend
- architectuur
- ZIJN
- GEBIED
- gebieden
- AS
- geassocieerd
- At
- advocaat
- auteur
- auto
- automatiseren
- webmaster.
- Beschikbaar
- vermijd
- AWS
- AWS professionele services
- gebaseerde
- BE
- geweest
- vaardigheden
- onder
- Betere
- Verder
- lichaam
- zowel
- grens
- Brengt
- Gebouw
- bedrijfsdeskundigen
- maar
- by
- Bellen
- Dit betekent dat we onszelf en onze geliefden praktisch vergiftigen.
- oproepen
- CAN
- mogelijkheden
- bekwaamheid
- Inhoud
- vangen
- geval
- gevallen
- categorieën
- Veroorzaken
- Cellen
- zeker
- veranderd
- Wijzigingen
- karakter
- tekens
- lasten
- Kies
- Steden
- Plaats
- vorderingen
- klasse
- klassen
- classificatie
- geklasseerd
- classificeren
- duidelijk
- code
- Collectie
- Kolom
- columns
- opmerkingen
- Bedrijven
- afstand
- compleet
- Voltooid
- ingewikkeldheid
- begrijpen
- concept
- vertrouwen
- geconfigureerd
- gekoppeld blijven
- Overwegen
- troosten
- geconsumeerd
- bevatten
- bevat
- content
- verband
- voortzetten
- conventies
- BEDRIJF
- Kosten
- kon
- en je merk te creëren
- aangemaakt
- gewoonte
- Klanten
- aangepaste
- gegevens
- gegevensverrijking
- gegevensbeheer
- data scientist
- gegevensset
- databanken
- datasets
- Datum
- diepere
- Standaard
- bepalen
- gedefinieerd
- levering
- afdeling
- implementeren
- beschrijven
- opsporen
- gedetecteerd
- Ontwikkelaar
- anders
- anders
- besproken
- Display
- verdeeld
- diversen
- duiken
- do
- document
- documenten
- domein
- don
- Dont
- beneden
- twee
- gedurende
- e
- E & T
- elk
- gemakkelijk
- gemakkelijk te gebruiken
- effectief
- beide
- el
- ingebed
- maakt
- Endpoint
- energie-niveau
- Engineering
- verhogen
- verbeterde
- verrijken
- verrijking
- Enterprise
- bedrijven
- entiteiten
- entiteit
- Milieu
- fouten
- essentieel
- evaluatie
- ontwikkelen
- voorbeeld
- voorbeelden
- overtreffen
- Behalve
- uitzondering
- Nieuwste vermeldingen
- uitvoering
- Spannend
- verwacht
- Verken
- Verkennen
- uitdrukkingen
- verlengen
- extern
- extract
- extractie
- facetten
- Mislukt
- familie
- Kenmerk
- Voordelen
- feedback
- weinig
- Velden
- Dien in
- Bestanden
- Filing
- filter
- filtering
- filters
- Tot slot
- VIND DE PLEK DIE PERFECT VOOR JOU IS
- Stevig
- Voornaam*
- geschikt
- vast
- Focus
- volgen
- volgend
- volgt
- Voor
- formulier
- formaat
- formulieren
- Frequentie
- oppompen van
- functie
- verder
- gegenereerde
- generatie
- generatief
- generatieve AI
- krijgen
- GitHub
- Groeien
- Hebben
- met
- he
- gezondheidszorg
- hulp
- het helpen van
- helpt
- haar
- high-level
- hoger
- hoogst
- zeer
- zijn
- Home
- Hoe
- How To
- HTML
- HTTPS
- i
- IDC
- geïdentificeerd
- identificeren
- if
- illustreert
- afbeeldingen
- uitvoeren
- uitvoering
- gereedschap
- in
- omvatten
- opnemen
- Laat uw omzet
- meer
- index
- geïndexeerd
- individueel
- informatie
- Infrastructuur
- invoer
- inzichten
- instantie
- verzekering
- Intelligent
- belang
- Internationale
- Internationale gegevensmaatschappij (IDC)
- in
- uitnodigt
- oproept
- betrokken zijn
- IT
- Jobomschrijving:
- json
- kennis
- label
- labels
- taal
- Groot
- Laat
- Wet
- advocatenkantoor
- LEARN
- leren
- minst
- Verlof
- links
- Lengte
- Life
- als
- Waarschijnlijk
- LIMIT
- Lijst
- lijsten
- LLM
- logica
- langer
- Kijk
- houdt
- machine
- machine learning
- maken
- MERKEN
- beheer
- beheerd
- management
- manager
- handmatig
- productie
- matching
- max
- Mei..
- betekenis
- middel
- Media
- Maak kennis met
- Metadata
- Min
- Mode
- model
- modellen
- moment
- monitor
- meer
- meest
- meervoudig
- Dan moet je
- onderling
- naam
- namen
- naamgeving
- smal
- Noodzaak
- nodig
- behoeften
- New
- nlp
- geen
- notitieboekje
- nu
- aantal
- nummers
- object
- objecten
- waarnemen
- voorval
- of
- on
- eens
- EEN
- Slechts
- Keuze
- Opties
- or
- organisatie
- organisaties
- Overige
- onze
- uit
- buiten
- outlines
- buiten
- het te bezitten.
- pagina
- paar
- hartstochtelijk
- Patronen
- voor
- Uitvoeren
- permissies
- stukken
- Eenvoudig
- Plato
- Plato gegevensintelligentie
- PlatoData
- spelen
- punt
- beleidsmaatregelen
- bevolkte
- deel
- mogelijk
- Post
- Berichten
- potentieel
- aangedreven
- bij voorkeur
- Voorbereiden
- bereid
- gepresenteerd
- vorig
- die eerder
- principe
- Voorafgaand
- prioriteit
- privilege
- problemen
- verwerking
- geproduceerd
- productie
- professioneel
- voorgestelde
- zorgen voor
- mits
- leverancier
- providers
- biedt
- het verstrekken van
- queries
- snel
- citaten
- variërend
- Lees
- klaar
- vast
- real-time
- ontvangen
- ontvangt
- onlangs
- erkenning
- herkennen
- erkend
- adviseren
- verwijzen
- referentie
- regelmatig
- bewaarplaats
- vertegenwoordigen
- nodig
- Voorwaarden
- vereist
- onderzoek
- Resources
- resultaat
- Resultaten
- terugkeer
- beoordelen
- Rol
- rollen
- RIJ
- lopen
- runtime
- dezelfde
- Bespaar
- scaling
- Wetenschapper
- partituur
- script
- Ontdek
- zoekopdrachten
- zoeken
- Tweede
- sectie
- secties
- veiligheid
- zien
- kiezen
- senior
- zin
- apart
- service
- Diensten
- reeks
- Sets
- ze
- moet
- tonen
- vertoonde
- getoond
- Shows
- aanzienlijke
- eenvoud
- vereenvoudigen
- single
- Locaties
- Maat
- Klein
- So
- Social
- social media
- Posts op sociale media
- oplossing
- Oplossingen
- OPLOSSEN
- bronnen
- Tussenruimte
- specifiek
- specifiek
- gespecificeerd
- Uitgaven
- splits
- verspreiden
- standaard
- Stap voor
- Stappen
- shop
- opgeslagen
- Draad
- Inzending
- voorleggen
- dergelijk
- ondersteuning
- steunen
- synchroniseren.
- Nemen
- team
- Technisch
- proef
- Testen
- tekst
- neem contact
- dat
- De
- de informatie
- de wereld
- hun
- Ze
- harte
- Er.
- Deze
- ze
- spullen
- dit
- die
- drempel
- Door
- doorvoer
- niet de tijd of
- naar
- top
- spoor
- Trainen
- getraind
- Trainingen
- Reizend
- behandelen
- probeerden
- proberen
- tuned
- twee
- type dan:
- types
- voor
- underscores
- unieke
- eenheid
- eenheden
- ongewenste
- bijwerken
- .
- use case
- gebruikt
- gebruikers
- toepassingen
- gebruik
- geldig
- waarde
- Values
- divers
- groot
- zeer
- Bekijk
- .
- volume
- wachten
- willen
- wil
- Manier..
- manieren
- we
- web
- webservices
- websites
- GOED
- Wat
- Wat is
- wanneer
- welke
- en
- wit
- wil
- Met
- binnen
- zonder
- woorden
- Mijn werk
- werkzaam
- trainen
- Bedrijven
- wereld
- s werelds
- het schrijven van
- geschreven
- You
- Your
- zephyrnet