De IDP godt arkitekttisert tilpasset objektiv er ment for alle AWS-kunder som bruker AWS til å kjøre intelligente dokumentbehandlingsløsninger (IDP) og søker etter veiledning om hvordan man bygger en sikker, effektiv og pålitelig IDP-løsning på AWS.
Å bygge en produksjonsklar løsning i skyen innebærer en rekke avveininger mellom ressurser, tid, kundeforventninger og forretningsresultat. De AWS godt arkitektert rammeverk hjelper deg å forstå fordelene og risikoene ved avgjørelser du tar mens du bygger arbeidsmengder på AWS. Ved å bruke rammeverket vil du lære operasjonelle og arkitektoniske beste praksiser for utforming og drift av pålitelige, sikre, effektive, kostnadseffektive og bærekraftige arbeidsbelastninger i skyen.
Et IDP-prosjekt kombinerer vanligvis optisk tegngjenkjenning (OCR) og naturlig språkbehandling (NLP) for å lese og forstå et dokument og trekke ut spesifikke termer eller ord. IDP Well-Architected Custom Lens skisserer trinnene for å utføre en AWS Well-Architected-gjennomgang som lar deg vurdere og identifisere tekniske risikoer for IDP-arbeidsbelastningene dine. Den gir veiledning for å takle de vanlige utfordringene vi ser i feltet, og støtter deg til å bygge dine IDP-arbeidsmengder i henhold til beste praksis.
Dette innlegget fokuserer på pålitelighetspilaren til IDP-løsningen. Med utgangspunkt i introduksjonen av pålitelighetspilaren og designprinsippene, dykker vi deretter dypt ned i løsningsdesign og implementering med tre fokusområder: fundamenter, endringsledelse og feilhåndtering. Ved å lese dette innlegget vil du lære om pålitelighetspilaren i Well-Architected Framework med IDP-casestudien.
Design prinsipper
Pålitelighetspilaren omfatter evnen til en IDP-løsning til å utføre dokumentbehandling korrekt og konsekvent når det er forventet og i henhold til de definerte forretningsreglene. Dette inkluderer muligheten til å betjene og teste hele IDP-arbeidsflyten og dens totale livssyklus.
Det finnes en rekke prinsipper som kan hjelpe deg med å øke påliteligheten. Ha disse i bakhodet når vi diskuterer beste fremgangsmåter:
- Gjenopprett automatisk etter feil – Ved å overvåke IDP-arbeidsflyten din for nøkkelytelsesindikatorer (KPIer), kan du kjøre automatisering når en terskel brytes. Dette lar deg spore og bli varslet automatisk hvis det oppstår feil og utløse automatiserte gjenopprettingsprosesser som omgår eller reparerer feilen. Basert på KPI-mål kan du også forutse feil og iverksette utbedringshandlinger før de oppstår.
- Test gjenopprettingsprosedyrer – Test hvordan IDP-arbeidsflyten din mislykkes, og valider gjenopprettingsprosedyrer. Bruk automatisering til å simulere forskjellige scenarier eller gjenskape scenarier som førte til feil før.
- Skaler og juster servicekapasitet – Overvåk etterspørsel og bruk av IDP-arbeidsflyt, og juster automatisk AWS-tjenestekapasitet, for å opprettholde det optimale nivået for å tilfredsstille etterspørselen uten over- eller undertilførsel. Kontroller og vær oppmerksom på tjenestekvoter, begrensninger og begrensninger for IDP-komponenttjenestene dine, som f.eks. amazontekst og Amazon Comprehend.
- Automatiser endringer – Bruk automatisering når du bruker endringer i IDP-arbeidsflytinfrastrukturen. Administrer endringer gjennom automatisering, som deretter kan spores og gjennomgås.
Fokusområder
Designprinsippene og beste praksis for pålitelighetspilaren er basert på innsikt samlet fra våre kunder og våre IDP tekniske spesialistmiljøer. Bruk dem som veiledning og støtte for designbeslutningene dine og samkjør dem med forretningskravene til IDP-løsningen din. Bruk av IDP Well-Architected Lens hjelper deg med å validere motstandskraften og effektiviteten til IDP-løsningsdesignet, og gir anbefalinger for å løse eventuelle hull du måtte identifisere.
Følgende er beste praksisområder for påliteligheten til en IDP-løsning i skyen:
- Foundations – AWS AI-tjenester som Amazon Textract og Amazon Comprehend gir et sett med myke og harde grenser for ulike bruksdimensjoner. Det er viktig å gå gjennom disse grensene og sørge for at IDP-løsningen din overholder alle myke grenser, uten å overskride noen harde grenser.
- Endringsledelse – Behandle IDP-løsningen din som infrastruktur som kode (IaC), slik at du kan automatisere overvåking og endringsadministrasjon. Bruk versjonskontroll på tvers av komponenter som infrastruktur og Amazon Comprehend-tilpassede modeller, og spor endringer tilbake til utgivelsen på tidspunktet.
- Feilhåndtering – Fordi en IDP-arbeidsflyt er en hendelsesdrevet løsning, må applikasjonen din være motstandsdyktig mot å håndtere kjente og ukjente feil. En godt utformet IDP-løsning har evnen til å forhindre feil og motstå feil når de oppstår ved å bruke logg- og prøvemekanismer. Det er viktig å designe robusthet i IDP-arbeidsflytarkitekturen og planlegge for katastrofegjenoppretting.
Foundations
AWS AI-tjenester gir ferdiglagd intelligens, for eksempel automatisert datautvinning og analyse, ved hjelp av Amazon Textract, Amazon Comprehend og Amazon Augmented AI (Amazon A2I), for IDP-arbeidsflytene dine. Det er tjenestegrenser (eller kvoter) for disse tjenestene for å unngå overprovisionering og for å begrense forespørselsrater for API-operasjoner, for å beskytte tjenestene mot misbruk.
Når du planlegger og designer din IDP-løsningsarkitektur, bør du vurdere følgende beste praksis:
- Vær oppmerksom på uforanderlige Amazon Textract og Amazon Comprehend tjenestekvoter, begrensninger og begrensninger – Aksepterte filformater, størrelse og sideantall, språk, dokumentrotasjoner og bildestørrelse er noen eksempler på disse harde grensene for Amazon Textract som ikke kan endres.
- Godkjente filformater inkluderer JPEG-, PNG-, PDF- og TIFF-filer. (JPEG 2000-kodede bilder i PDF-filer støttes). Dokumentforbehandling er nødvendig før du bruker Amazon Textract hvis filformatet ikke støttes (for eksempel Microsoft Word eller Excel). I dette tilfellet må du konvertere ikke-støttede dokumentformater til PDF- eller bildeformat.
- Amazon Comprehend har forskjellige kvoter for innebygde modeller, tilpassede modeller og svinghjul. Sørg for at din brukstilfelle er på linje med Amazon Comprehend-kvoter.
- Juster Amazon Textract- og Amazon Comprehend-tjenestekvotene for å møte dine behov – Amazon Textract Service Quotas Calculator kan hjelpe deg med å estimere kvoteverdiene som vil dekke brukssaken. Du bør administrere tjenestekvotene dine på tvers av kontoer eller regioner hvis du planlegger en nødgjenopprettingsfeil mellom kontoer eller regioner for løsningen din. Når du ber om en økning av Amazon Textract-kvoter, sørg for å følge disse anbefalingene:
- Bruk Amazon Textract Service Quotas Calculator for å estimere din optimale kvoteverdi.
- Endringer i forespørsler kan forårsake pigg nettverkstrafikk, som påvirker gjennomstrømningen. Bruk en køserverløs arkitektur eller annen mekanisme for å jevne ut trafikken og få mest mulig ut av dine tildelte transaksjoner per sekund (TPS).
- Implementer forsøkslogikk på nytt for å håndtere strupede anrop og avbrutt tilkoblinger.
- Konfigurer eksponentiell backoff og jitter for å forbedre gjennomstrømningen.
Endringsledelse
Endringer i IDP-arbeidsflyten eller dens miljø, for eksempel etterspørselstopper eller en ødelagt dokumentfil, må forutses og tilpasses for å oppnå høyere pålitelighet av løsningen. Noen av disse endringene dekkes av grunnlagets beste praksis beskrevet i forrige avsnitt, men de alene er ikke nok til å imøtekomme endringer. Følgende beste praksis må også vurderes:
- Bruk Amazon CloudWatch for å overvåke IDP-arbeidsflytkomponentene dine, for eksempel Amazon Textract og Amazon Comprehend. Samle inn beregninger fra IDP-arbeidsflyten, automatiser svar på alarmer og send varsler etter behov til arbeidsflyten og forretningsmålene dine.
- Distribuer din IDP-arbeidsflytløsning og alle infrastrukturendringer med automatisering ved bruk av IaC, som f.eks AWS skyutviklingssett (AWS CDK) og forhåndsbygde IDP AWS CDK-konstruksjoner. Dette fjerner potensialet for å introdusere menneskelige feil og lar deg teste før du bytter til produksjonsmiljøet ditt.
- Hvis brukssaken din krever en tilpasset Amazon Comprehend-modell, bør du vurdere å bruke et svinghjul for å forenkle prosessen med å forbedre den tilpassede modellen over tid. Et svinghjul orkestrerer oppgavene knyttet til opplæring og evaluering av en ny tilpasset modellversjon.
- Hvis brukssaken din krever det, kan du tilpasse utdataene til Amazon Textract-fortrente Queries-funksjonen ved å trene og bruke en adapter for Amazon Textract-basismodellen. Vurder følgende beste fremgangsmåter når du oppretter spørringer for adapterene dine:
- Adapterkvoter definerer de foregående grensene for adaptertrening. Vurder disse grensene og øk en forespørsel om økning av tjenestekvoten, om nødvendig:
- Maksimalt antall adaptere – Antall adaptere tillatt (du kan ha flere adapterversjoner under en enkelt adapter).
- Maksimalt antall adapterversjoner opprettet per måned – Antall vellykkede adapterversjoner som kan opprettes per AWS-konto per måned.
- Maksimal pågående adapterversjoner – Antall pågående adapterversjoner (adapteropplæring) per konto.
- Sørg for å bruke et sett med dokumenter som er representativt for brukssaken din (minimum fem opplæringsdokumenter og fem testdokumenter).
- Gi så mange dokumenter for opplæring som mulig (opptil 2,500 sider med opplæringsdokumenter og 1,000 for testdokumenter).
- Annoter spørsmål ved å bruke en rekke svar. For eksempel, hvis svaret på en forespørsel er «Ja» eller «Nei», bør de kommenterte prøvene ha forekomster av både «Ja» og «Nei».
- Oppretthold konsistens i kommentarstilen og mens du merker felt med mellomrom.
- Bruk det nøyaktige søket som brukes i trening for slutninger.
- Etter hver runde med adaptertrening, se gjennom ytelsesberegningene for å finne ut om du trenger å forbedre adapteren ytterligere for å nå målene dine. Last opp et nytt dokumentsett for opplæring eller se gjennom dokumentanmerkninger som har lave nøyaktighetsscore før du starter en ny opplæring for å lage en forbedret versjon av adapteren.
- Bruke
AutoUpdate
funksjon for tilpassede adaptere. Denne funksjonen forsøker automatisk omskolering hvisAutoUpdate
flagget er aktivert på en adapter.
- Adapterkvoter definerer de foregående grensene for adaptertrening. Vurder disse grensene og øk en forespørsel om økning av tjenestekvoten, om nødvendig:
Feilhåndtering
Når man designer en IDP-løsning, er et viktig aspekt å vurdere dens motstandskraft, hvordan man håndterer kjente og ukjente feil som kan oppstå. IDP-løsningen bør ha muligheten til å logge feil og prøve mislykkede operasjoner på nytt under de forskjellige stadiene av IDP-arbeidsflyten. I denne delen diskuterer vi detaljene om hvordan du utformer IDP-arbeidsflyten din for å håndtere feil.
Forbered IDP-arbeidsflyten din for å administrere og motstå feil
"Alt feiler, hele tiden," er et kjent sitat fra AWS CTO Werner Vogels. IDP-løsningen din, som alt annet, vil til slutt mislykkes. Spørsmålet er hvordan den kan motstå feil uten å påvirke brukerne av IDP-løsningen. Din IDP-arkitekturdesign må være oppmerksom på feil når de oppstår og iverksette tiltak for å unngå innvirkning på tilgjengeligheten. Dette må gjøres automatisk, og uten brukerpåvirkning. Vurder følgende beste fremgangsmåter:
- Bruk Amazon enkel lagringstjeneste (Amazon S3) som ditt skalerbare datalager for IDP-arbeidsflytdokumenter å behandle. Amazon S3 gir en svært holdbar lagringsinfrastruktur designet for virksomhetskritisk og primær datalagring.
- Sikkerhetskopier alle IDP-arbeidsflytdataene dine i henhold til forretningskravene dine. Implementer en strategi for å gjenopprette eller reprodusere data i tilfelle datatap. Juster denne strategien med et definert Recovery Point Objective (RPO) og Recovery Time Objective (RTO) som oppfyller forretningskravene dine.
- Om nødvendig, planlegg og implementer en failover-strategi for katastrofegjenoppretting av IDP-løsningen din på tvers av AWS-kontoer og regioner.
- Bruk Amazon Textract
OutputConfig
funksjon og Amazon ComprehendOutputDataConfig
funksjon for å lagre resultatene av asynkron behandling fra Amazon Textract eller Amazon Comprehend til en angitt S3-bøtte. Dette lar arbeidsflyten fortsette fra det punktet i stedet for å gjenta Amazon Textract- eller Amazon Comprehend-påkallelsen. Følgende kode viser hvordan du starter en Amazon Textract asynkron API-jobb for å analysere et dokument og lagre kryptert slutningsutdata i en definert S3-bøtte. For ytterligere informasjon, se Amazon Textract klientdokumentasjon.
Design din IDP-arbeidsflyt for å forhindre feil
Påliteligheten til en arbeidsbelastning starter med forhåndsdesignbeslutninger. Arkitekturvalg vil påvirke arbeidsbelastningsatferden din og dens motstandskraft. Følg disse beste fremgangsmåtene for å forbedre påliteligheten til IDP-løsningen din.
Design først arkitekturen din etter IDP-arbeidsflyten. Selv om stadiene i en IDP-arbeidsflyt kan variere og påvirkes av brukstilfeller og forretningskrav, er stadiene med datafangst, dokumentklassifisering, tekstutvinning, innholdsberikelse, gjennomgang og validering og forbruk vanligvis deler av IDP-arbeidsflyten. Disse veldefinerte stadiene kan brukes til å skille funksjonaliteter og isolere dem i tilfelle feil.
Du kan bruke Amazon enkel køtjeneste (Amazon SQS) for å koble fra IDP-arbeidsflytstadier. Et frakoblingsmønster hjelper til med å isolere oppførselen til arkitekturkomponenter fra andre komponenter som er avhengige av det, og øker spensten og smidigheten.
For det andre, kontroller og begrens anrop på nytt. AWS-tjenester som Amazon Textract kan mislykkes hvis det maksimale antallet tildelte TPS overskrides, noe som får tjenesten til å strupe applikasjonen din eller avbryte forbindelsen din.
Du bør administrere struping og mistede tilkoblinger ved automatisk å prøve operasjonen på nytt (både synkrone og asynkrone operasjoner). Du bør imidlertid også spesifisere et begrenset antall forsøk, hvoretter operasjonen mislykkes og gir et unntak. Hvis du ringer for mange til Amazon Textract i løpet av kort tid, struper den samtalene dine og sender en ProvisionedThroughputExceededExceptionerror
i operasjonssvaret.
I tillegg bruk eksponentiell backoff og jitter for nye forsøk for å forbedre gjennomstrømmingen. For eksempel, bruk Amazon Textract, spesifiser antall forsøk ved å inkludere config
parameter når du oppretter Amazon Textract-klienten. Vi anbefaler at du prøver fem på nytt. I den følgende eksempelkoden bruker vi config
parameter for å automatisk prøve en operasjon på nytt med adaptiv modus og maksimalt fem forsøk:
Dra nytte av AWS SDK-er, for eksempel AWS SDK for Python (Boto3), for å hjelpe til prøver klientanrop på nytt til AWS-tjenester som Amazon Textract og Amazon Comprehend. Det er tre prøvemoduser tilgjengelig:
- Legacy-modus – Forsøk på nytt krever et begrenset antall feil og unntak og inkluderer en eksponentiell backoff med en grunnfaktor på 2.
- standard-modus – Standardiserer logikken og virkemåten for gjenforsøk i samsvar med andre AWS SDK-er og utvider funksjonaliteten til gjenforsøk utover det som finnes i eldre modus. Ethvert forsøk på nytt vil inkludere en eksponentiell backoff med en grunnfaktor på 2 for en maksimal backoff-tid på 20 sekunder.
- Adaptiv modus – Inkluderer alle funksjonene i standardmodus, og den introduserer en hastighetsbegrensning på klientsiden ved bruk av en token-bøtte og hastighetsgrensevariabler som oppdateres dynamisk ved hvert forsøk på nytt. Den tilbyr fleksibilitet i gjenforsøk på klientsiden som tilpasser seg feil- eller unntakstilstandsresponsen fra en AWS-tjeneste. Med hvert nytt forsøk på nytt, modifiserer adaptiv modus hastighetsgrensevariablene basert på feilen, unntaket eller HTTP-statuskoden presentert i svaret fra AWS-tjenesten. Disse takstgrensevariablene brukes deretter til å beregne en ny samtaletakst for klienten. Hvert unntak, feil eller mislykket HTTP-svar fra en AWS-tjeneste oppdaterer hastighetsgrensevariablene etter hvert som gjentatte forsøk inntreffer til en suksess er nådd, token-bøtten er oppbrukt eller den konfigurerte maksimale forsøksverdien er nådd. Eksempler på unntak, feil eller mislykkede HTTP-svar:
konklusjonen
I dette innlegget delte vi designprinsipper, fokusområder, grunnlag og beste praksis for pålitelighet i din IDP-løsning.
AWS er forpliktet til IDP Well-Architected Lens som et levende verktøy. Etter hvert som IDP-løsningene og relaterte AWS AI-tjenester utvikler seg og nye AWS-tjenester blir tilgjengelige, vil vi oppdatere IDP Lens Well-Architected tilsvarende.
Hvis du vil lære mer om AWS Well-Architected Framework, se AWS godt arkitekttisert.
Hvis du trenger ytterligere ekspertveiledning, kontakt AWS-kontoteamet ditt for å engasjere en IDP Specialist Solutions Architect.
Om forfatterne
Rui Cardoso er partnerløsningsarkitekt hos Amazon Web Services (AWS). Han fokuserer på AI/ML og IoT. Han jobber med AWS-partnere og støtter dem i å utvikle løsninger i AWS. Når han ikke jobber, liker han å sykle, gå på tur og lære nye ting.
Brijesh Pati er en Enterprise Solutions Architect hos AWS. Hans primære fokus er å hjelpe bedriftskunder å ta i bruk skyteknologier for arbeidsbelastningene deres. Han har bakgrunn fra applikasjonsutvikling og bedriftsarkitektur og har jobbet med kunder fra ulike bransjer som sport, finans, energi og profesjonelle tjenester. Hans interesser inkluderer serverløse arkitekturer og AI/ML.
Mia Chang er en ML Specialist Solutions Architect for Amazon Web Services. Hun jobber med kunder i EMEA og deler beste praksis for å kjøre AI/ML-arbeidsbelastninger på skyen med bakgrunnen hennes innen anvendt matematikk, informatikk og AI/ML. Hun fokuserer på NLP-spesifikke arbeidsmengder, og deler sin erfaring som konferansetaler og bokforfatter. På fritiden liker hun å gå tur, brettspill og brygge kaffe.
Tim Condello er en senior arkitekt for kunstig intelligens (AI) og maskinlæring (ML) spesialistløsninger hos Amazon Web Services (AWS). Hans fokus er naturlig språkbehandling og datasyn. Tim liker å ta kundeideer og gjøre dem om til skalerbare løsninger.
Sherry Ding er en senior arkitekt for kunstig intelligens (AI) og maskinlæring (ML) spesialistløsninger hos Amazon Web Services (AWS). Hun har lang erfaring innen maskinlæring med doktorgrad i informatikk. Hun jobber hovedsakelig med kunder i offentlig sektor på ulike AI/ML-relaterte forretningsutfordringer, og hjelper dem med å akselerere sin maskinlæringsreise på AWS Cloud. Når hun ikke hjelper kunder, liker hun utendørsaktiviteter.
Suyin Wang er AI/ML Specialist Solutions Architect hos AWS. Hun har en tverrfaglig utdanningsbakgrunn innen maskinlæring, finansiell informasjonstjeneste og økonomi, sammen med mange års erfaring med å bygge datavitenskap og maskinlæringsapplikasjoner som løste forretningsproblemer i den virkelige verden. Hun liker å hjelpe kunder med å identifisere de riktige forretningsspørsmålene og bygge de riktige AI/ML-løsningene. På fritiden elsker hun å synge og lage mat.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
- PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
- PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
- PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
- kilde: https://aws.amazon.com/blogs/machine-learning/build-well-architected-idp-solutions-with-a-custom-lens-part-3-reliability/
- : har
- :er
- :ikke
- $OPP
- 000
- 1
- 100
- 15%
- 17
- 20
- 500
- 7
- a
- evne
- Om oss
- misbruk
- akselerere
- akseptert
- imøtekomme
- Ifølge
- tilsvar
- Logg inn
- kontoer
- nøyaktighet
- Oppnå
- tvers
- Handling
- handlinger
- Aktiviteter
- adaptive
- tilpasser
- tillegg
- Ytterligere
- Tilleggsinformasjon
- adresse
- adoptere
- Fordel
- påvirker
- Etter
- AI
- AI-tjenester
- AI / ML
- justere
- justert
- Alle
- allokert
- tillatt
- tillate
- tillater
- alene
- langs
- også
- Selv
- Amazon
- Amazon Comprehend
- amazontekst
- Amazon Web Services
- Amazon Web Services (AWS)
- blant
- an
- analyse
- analysere
- og
- besvare
- svar
- forutse
- forventet
- noen
- api
- Søknad
- Applikasjonutvikling
- søknader
- anvendt
- Påfør
- påføring
- arkitektonisk
- arkitektur
- ER
- områder
- rundt
- kunstig
- kunstig intelligens
- Kunstig intelligens (AI)
- AS
- aspektet
- vurdere
- bistå
- assosiert
- At
- forsøk
- forsøk
- augmented
- forfatter
- automatisere
- Automatisert
- automatisk
- Automatisering
- tilgjengelighet
- tilgjengelig
- unngå
- klar
- AWS
- tilbake
- bakgrunn
- basen
- basert
- BE
- fordi
- bli
- før du
- atferd
- Fordeler
- BEST
- beste praksis
- mellom
- borde
- Board Games
- bok
- både
- bygge
- Bygning
- innebygd
- virksomhet
- men
- by
- beregne
- ring
- Samtaler
- CAN
- evner
- Kapasitet
- fangst
- saken
- case study
- Årsak
- forårsaker
- utfordringer
- endring
- endret
- Endringer
- endring
- karakter
- karaktergjenkjenning
- valg
- klassifisering
- kunde
- Cloud
- kode
- koder
- Kaffe
- samle
- skurtreskerne
- forpliktet
- Felles
- Communities
- komponenter
- fatte
- datamaskin
- informatikk
- Datamaskin syn
- Konferanse
- konfigurert
- tilkobling
- Tilkoblinger
- Vurder
- ansett
- konsistent
- konsekvent
- begrensninger
- konstruerer
- forbruk
- kontakt
- innhold
- fortsette
- kontroll
- konvertere
- riktig
- ødelagt
- kostnadseffektiv
- dekke
- dekket
- skape
- opprettet
- Opprette
- CTO
- skikk
- kunde
- Kunder
- tilpasse
- dato
- Data Loss
- datavitenskap
- datalagring
- avgjørelser
- dyp
- definere
- definert
- Grad
- Etterspørsel
- avhenge
- beskrevet
- utforming
- designprinsipper
- utpekt
- designet
- utforme
- detaljer
- Bestem
- utvikle
- Utvikling
- forskjellig
- dimensjoner
- katastrofe
- diskutere
- dykk
- dokument
- dokumenter
- gjort
- Drop
- droppet
- under
- dynamisk
- hver enkelt
- Økonomi
- Kunnskap
- effektivitet
- effektiv
- ellers
- EMEA
- aktivert
- muliggjør
- Omfatter
- kryptert
- energi
- engasjere
- nok
- berikelse
- sikre
- Enterprise
- Miljø
- feil
- feil
- anslag
- evaluere
- etter hvert
- alt
- utvikle seg
- eksempel
- eksempler
- skredet
- stiger
- Excel
- unntak
- forventning
- forventet
- erfaring
- Expert
- eksponentiell
- strekker
- omfattende
- Omfattende erfaring
- trekke ut
- utdrag
- faktor
- FAIL
- Mislyktes
- mislykkes
- Failure
- feil
- berømt
- Trekk
- Egenskaper
- felt
- Felt
- filet
- Filer
- finansiere
- finansiell
- økonomisk informasjon
- fem
- fleksibilitet
- Fokus
- fokuserer
- fokusering
- følge
- etter
- Til
- format
- skjemaer
- funnet
- Foundations
- Rammeverk
- Gratis
- fra
- fullt
- funksjonalitet
- funksjonalitet
- videre
- Games
- hull
- samlet
- få
- Mål
- veiledning
- håndtere
- Håndtering
- Hard
- Ha
- he
- hjelpe
- hjelpe
- hjelper
- her
- høyere
- svært
- hans
- Hvordan
- Hvordan
- Men
- HTML
- http
- HTTPS
- menneskelig
- Ideer
- identifisere
- if
- bilde
- bilder
- Påvirkning
- slag
- iverksette
- gjennomføring
- importere
- viktig
- viktig aspekt
- forbedre
- forbedret
- bedre
- in
- inkludere
- inkluderer
- Inkludert
- Øke
- økende
- indikatorer
- bransjer
- påvirket
- informasjon
- Infrastruktur
- innsikt
- Intelligens
- Intelligent
- Intelligent dokumentbehandling
- tiltenkt
- interesser
- inn
- Introduserer
- innføre
- Introduksjon
- IOT
- IT
- DET ER
- Jobb
- reise
- jpg
- Hold
- nøkkel
- kjent
- Språk
- språk
- Layout
- LÆRE
- læring
- Led
- Legacy
- Nivå
- Livssyklus
- i likhet med
- BEGRENSE
- Begrenset
- begrense
- grenser
- levende
- logging
- logikk
- tap
- elsker
- Lav
- maskin
- maskinlæring
- hovedsakelig
- vedlikeholde
- gjøre
- administrer
- ledelse
- mange
- matematikk
- maksimal
- Kan..
- målinger
- mekanisme
- mekanismer
- Møt
- Metrics
- Microsoft
- kunne
- tankene
- minimum
- ML
- Mote
- modell
- modeller
- moduser
- Overvåke
- overvåking
- Måned
- mer
- mest
- må
- navn
- Naturlig
- Natural Language Processing
- Trenger
- nettverk
- nettverkstrafikk
- Ny
- nlp
- varslinger
- Antall
- Målet
- mål
- OCR
- of
- Tilbud
- on
- ONE
- betjene
- drift
- drift
- operasjonell
- Drift
- Optisk karaktergjenkjennelse
- optimal
- or
- Annen
- vår
- ut
- Utfallet
- skisserer
- produksjon
- enn
- side
- sider
- parameter
- del
- partner
- partnere
- deler
- Mønster
- for
- Utfør
- ytelse
- utfører
- perioden
- phd
- Pillar
- fly
- planlegging
- plato
- Platon Data Intelligence
- PlatonData
- Point
- mulig
- Post
- potensiell
- praksis
- praksis
- presentert
- forebygge
- forrige
- primære
- prinsipper
- problemer
- prosedyrer
- prosess
- Prosesser
- prosessering
- Produksjon
- profesjonell
- prosjekt
- beskytte
- gi
- gir
- offentlig
- Python
- spørsmål
- spørsmål
- spørsmål
- sitere
- heve
- Sats
- priser
- heller
- nådd
- Lese
- Lesning
- virkelige verden
- anerkjennelse
- anbefaler
- anbefalinger
- Gjenopprette
- utvinning
- referere
- regioner
- i slekt
- slipp
- pålitelighet
- pålitelig
- Fjerner
- reparasjon
- gjenta
- representant
- anmode
- forespørsler
- krever
- påkrevd
- Krav
- Krever
- resiliens
- spenstig
- Ressurser
- svar
- svar
- Resultater
- anmeldelse
- anmeldt
- ikke sant
- risikoer
- runde
- regler
- Kjør
- rennende
- skalerbar
- scenarier
- Vitenskap
- SDK
- sdks
- søker
- Sekund
- sekunder
- Seksjon
- sektor
- sikre
- se
- send
- sender
- senior
- separat
- Serien
- server~~POS=TRUNC
- tjeneste
- Tjenester
- sett
- flere
- delt
- Aksjer
- hun
- Kort
- bør
- Viser
- signaturer
- Enkelt
- forenkle
- enkelt
- Størrelse
- Ro ned
- glatter
- Soft
- løsning
- Solutions
- noen
- mellomrom
- Høyttaler
- spesialist
- spesifikk
- spesielt
- pigger
- Sports
- stadier
- Standard
- Begynn
- Start
- starter
- Tilstand
- status
- Steps
- lagring
- oppbevare
- Strategi
- String
- Studer
- stil
- suksess
- vellykket
- slik
- støtte
- Støttes
- Støtte
- sikker
- bærekraftig
- takle
- Ta
- ta
- oppgaver
- lag
- Teknisk
- Technologies
- vilkår
- test
- Testing
- tekst
- enn
- Det
- De
- deres
- Dem
- deretter
- Der.
- Disse
- de
- ting
- denne
- De
- tre
- terskel
- Gjennom
- gjennomstrømning
- Tim
- tid
- til
- token
- også
- verktøy
- Totalt
- tps
- spor
- trafikk
- Kurs
- Transaksjoner
- behandle
- utløse
- Turning
- typisk
- etter
- forstå
- ukjent
- til
- Oppdater
- oppdatert
- oppdateringer
- bruk
- bruke
- bruk sak
- brukt
- Bruker
- Brukere
- ved hjelp av
- vanligvis
- VALIDERE
- validering
- verdi
- Verdier
- variasjon
- ulike
- versjon
- versjoner
- syn
- ønsker
- we
- web
- webtjenester
- veldefinerte
- når
- hvilken
- mens
- HVEM
- vil
- med
- innenfor
- uten
- ord
- ord
- Arbeid
- arbeidet
- arbeidsflyt
- arbeidsflyt
- arbeid
- virker
- år
- Du
- Din
- zephyrnet