I dagens landskap med en-til-en kundeinteraksjoner for å legge inn bestillinger, fortsetter den rådende praksisen å stole på menneskelige ledsagere, selv i omgivelser som drive-thru-kaféer og fastfood-bedrifter. Denne tradisjonelle tilnærmingen byr på flere utfordringer: den er sterkt avhengig av manuelle prosesser, sliter med å effektivt skalere med økende kundekrav, introduserer potensialet for menneskelige feil og opererer innenfor bestemte timer etter tilgjengelighet. I tillegg, i konkurranseutsatte markeder, kan bedrifter som utelukkende følger manuelle prosesser finne det utfordrende å levere effektiv og konkurransedyktig service. Til tross for teknologiske fremskritt, forblir den menneskesentriske modellen dypt forankret i ordrebehandling, noe som fører til disse begrensningene.
Utsiktene til å bruke teknologi for en-til-en-ordrebehandlingsassistanse har vært tilgjengelig en stund. Imidlertid kan eksisterende løsninger ofte falle inn i to kategorier: regelbaserte systemer som krever betydelig tid og krefter for oppsett og vedlikehold, eller rigide systemer som mangler fleksibiliteten som kreves for menneskelignende interaksjoner med kunder. Som et resultat står bedrifter og organisasjoner overfor utfordringer med å raskt og effektivt implementere slike løsninger. Heldigvis, med ankomsten av generativ AI og store språkmodeller (LLMs), er det nå mulig å lage automatiserte systemer som kan håndtere naturlig språk effektivt, og med en akselerert tidslinje.
Amazonas grunnfjell er en fullstendig administrert tjeneste som tilbyr et utvalg av høyytende grunnmodeller (FM-er) fra ledende AI-selskaper som AI21 Labs, Anthropic, Cohere, Meta, Stability AI og Amazon via et enkelt API, sammen med et bredt sett med funksjoner du trenger å bygge generative AI-applikasjoner med sikkerhet, personvern og ansvarlig AI. I tillegg til Amazon Bedrock, kan du bruke andre AWS-tjenester som Amazon SageMaker JumpStart og Amazon Lex å lage helautomatiserte og lett tilpasningsdyktige generative AI-ordrebehandlingsagenter.
I dette innlegget viser vi deg hvordan du bygger en talekompatibel ordrebehandlingsagent ved å bruke Amazon Lex, Amazon Bedrock og AWS Lambda.
Løsningsoversikt
Følgende diagram illustrerer løsningsarkitekturen.
Arbeidsflyten består av følgende trinn:
- En kunde legger inn bestillingen ved hjelp av Amazon Lex.
- Amazon Lex-boten tolker kundens intensjoner og utløser en
DialogCodeHook
. - En Lambda-funksjon henter den aktuelle ledetekstmalen fra Lambdalaget og formaterer modellforespørsler ved å legge til kundeinndata i den tilknyttede ledetekstmalen.
- De
RequestValidation
ledeteksten bekrefter bestillingen med menyelementet og gir kunden beskjed via Amazon Lex hvis det er noe de ønsker å bestille som ikke er en del av menyen og vil gi anbefalinger. Forespørselen utfører også en foreløpig validering for bestillingskompletthet. - De
ObjectCreator
ledetekst konverterer forespørslene om naturlig språk til en datastruktur (JSON-format). - Lambda-funksjonen for kundevalidering verifiserer de nødvendige attributtene for bestillingen og bekrefter om all nødvendig informasjon er til stede for å behandle bestillingen.
- En kunde Lambda-funksjon tar datastrukturen som et input for å behandle ordren og sender ordresummen tilbake til den orkestrerende Lambda-funksjonen.
- Den orkestrerende Lambda-funksjonen kaller Amazon Bedrock LLM-endepunktet for å generere et endelig ordreoppsummering inkludert ordresummen fra kundedatabasesystemet (f.eks. Amazon DynamoDB).
- Ordresammendraget kommuniseres tilbake til kunden via Amazon Lex. Etter at kunden har bekreftet bestillingen, vil bestillingen bli behandlet.
Forutsetninger
Dette innlegget forutsetter at du har en aktiv AWS-konto og kjennskap til følgende konsepter og tjenester:
For å få tilgang til Amazon Bedrock fra Lambda-funksjonene, må du også sørge for at Lambda-kjøretiden har følgende biblioteker:
- boto3>=1.28.57
- awscli>=1.29.57
- botocore>=1.31.57
Dette kan gjøres med en Lambdalag eller ved å bruke en spesifikk AMI med de nødvendige bibliotekene.
Videre er disse bibliotekene påkrevd når du kaller Amazon Bedrock API fra Amazon SageMaker Studio. Dette kan gjøres ved å kjøre en celle med følgende kode:
Til slutt oppretter du følgende policy og knytter den senere til enhver rolle som har tilgang til Amazon Bedrock:
Lag en DynamoDB-tabell
I vårt spesifikke scenario har vi laget en DynamoDB-tabell som vårt kundedatabasesystem, men du kan også bruke Amazon Relational Database Service (Amazon RDS). Fullfør følgende trinn for å klargjøre DynamoDB-tabellen din (eller tilpass innstillingene etter behov for ditt bruksområde):
- Velg på DynamoDB-konsollen tabeller i navigasjonsruten.
- Velg Opprett tabell.
- Til Tabellnavn, skriv inn et navn (for eksempel,
ItemDetails
). - Til Partisjonstast, skriv inn en nøkkel (for dette innlegget bruker vi
Item
). - Til Sorteringsnøkkel, skriv inn en nøkkel (for dette innlegget bruker vi
Size
). - Velg Opprett tabell.
Nå kan du laste dataene inn i DynamoDB-tabellen. For dette innlegget bruker vi en CSV-fil. Du kan laste inn dataene til DynamoDB-tabellen ved å bruke Python-kode i en SageMaker-notisbok.
Først må vi sette opp en profil som heter dev.
- Åpne en ny terminal i SageMaker Studio og kjør følgende kommando:
Denne kommandoen vil be deg om å angi AWS-tilgangsnøkkel-ID, hemmelig tilgangsnøkkel, standard AWS-region og utdataformat.
- Gå tilbake til SageMaker-notisboken og skriv en Python-kode for å sette opp en tilkobling til DynamoDB ved å bruke Boto3-biblioteket i Python. Denne kodebiten oppretter en økt ved hjelp av en spesifikk AWS-profil kalt dev og oppretter deretter en DynamoDB-klient ved å bruke den økten. Følgende er kodeeksemplet for å laste dataene:
Alternativt kan du bruke NoSQL arbeidsbenk eller andre verktøy for å raskt laste inn dataene til DynamoDB-tabellen.
Følgende er et skjermbilde etter at eksempeldataene er satt inn i tabellen.
Lag maler i en SageMaker notatbok ved å bruke Amazon Bedrock invocation API
For å lage vår spørremal for denne brukssaken, bruker vi Amazon Bedrock. Du kan få tilgang til Amazon Bedrock fra AWS-administrasjonskonsoll og via API-anrop. I vårt tilfelle får vi tilgang til Amazon Bedrock via API fra bekvemmeligheten av en SageMaker Studio-notisbok for å lage ikke bare vår spørremal, men vår komplette API-påkallingskode som vi senere kan bruke på Lambda-funksjonen vår.
- På SageMaker-konsollen får du tilgang til et eksisterende SageMaker Studio-domene eller opprette et nytt for å få tilgang til Amazon Bedrock fra en SageMaker-notisbok.
- Etter at du har opprettet SageMaker-domenet og brukeren, velger du brukeren og velger Start og studie. Dette vil åpne et JupyterLab-miljø.
- Når JupyterLab-miljøet er klart, åpner du en ny notatbok og begynner å importere de nødvendige bibliotekene.
Det er mange FM-er tilgjengelig via Amazon Bedrock Python SDK. I dette tilfellet bruker vi Claude V2, en kraftig grunnmodell utviklet av Anthropic.
Ordrebehandleren trenger noen forskjellige maler. Dette kan endres avhengig av brukstilfellet, men vi har designet en generell arbeidsflyt som kan gjelde for flere innstillinger. For dette brukstilfellet vil Amazon Bedrock LLM-malen oppnå følgende:
- Bekreft kundens hensikt
- Bekreft forespørselen
- Opprett ordredatastrukturen
- Send et sammendrag av bestillingen til kunden
- For å starte modellen, lag et grunnfjell-runtime-objekt fra Boto3.
La oss starte med å jobbe med forespørselsmalen for intensjonsvalidering. Dette er en iterativ prosess, men takket være Anthropics raske ingeniørveiledning kan du raskt lage en ledetekst som kan utføre oppgaven.
- Lag den første ledetekstmalen sammen med en verktøyfunksjon som vil hjelpe deg med å forberede hoveddelen for API-anropene.
Følgende er koden for prompt_template_intent_validator.txt:
- Lagre denne malen i en fil for å laste opp til Amazon S3 og ringe fra Lambda-funksjonen ved behov. Lagre malene som JSON-serialiserte strenger i en tekstfil. Det forrige skjermbildet viser kodeeksemplet for å oppnå dette også.
- Gjenta de samme trinnene med de andre malene.
Følgende er noen skjermbilder av de andre malene og resultatene når du ringer Amazon Bedrock med noen av dem.
Følgende er koden for prompt_template_request_validator.txt:
Følgende er vårt svar fra Amazon Bedrock ved å bruke denne malen.
Følgende er koden for prompt_template_object_creator.txt
:
Følgende er koden for prompt_template_order_summary.txt:
Som du kan se, har vi brukt ledetekstmalene våre til å validere menyelementer, identifisere manglende nødvendig informasjon, opprette en datastruktur og oppsummere bestillingen. Grunnmodellene som er tilgjengelige på Amazon Bedrock er veldig kraftige, så du kan utføre enda flere oppgaver via disse malene.
Du har fullført utviklingen av ledetekstene og lagret malene i tekstfiler. Du kan nå begynne å lage Amazon Lex-boten og de tilhørende Lambda-funksjonene.
Lag et Lambda-lag med ledetekstmalene
Fullfør følgende trinn for å lage ditt Lambda-lag:
- I SageMaker Studio oppretter du en ny mappe med en undermappe som heter
python
. - Kopier ledetekstfilene til
python
mappe.
- Du kan legge til ZIP-biblioteket i den bærbare forekomsten ved å kjøre følgende kommando.
- Kjør nå følgende kommando for å lage ZIP-filen for opplasting til Lambda-laget.
- Etter at du har opprettet ZIP-filen, kan du laste ned filen. Gå til Lambda, lag et nytt lag ved å laste opp filen direkte eller ved å laste opp til Amazon S3 først.
- Fest deretter dette nye laget til orkestreringslamda-funksjonen.
Nå lagres ledetekstmalfilene lokalt i ditt Lambda-kjøringsmiljø. Dette vil fremskynde prosessen mens boten kjører.
Lag et Lambda-lag med de nødvendige bibliotekene
Fullfør følgende trinn for å lage Lambda-laget ditt med de nødvendige bibliotekene:
- åpne en AWS Cloud9 instansmiljø, opprette en mappe med en undermappe kalt
python
. - Åpne en terminal inne i
python
mappe. - Kjør følgende kommandoer fra terminalen:
- Kjør
cd ..
og plasser deg selv inne i den nye mappen hvor du også harpython
undermappe. - Kjør følgende kommando:
- Etter at du har opprettet ZIP-filen, kan du laste ned filen. Gå til Lambda, lag et nytt lag ved å laste opp filen direkte eller ved å laste opp til Amazon S3 først.
- Fest deretter dette nye laget til orkestreringslamda-funksjonen.
Opprett boten i Amazon Lex v2
For denne brukssaken bygger vi en Amazon Lex-bot som kan gi et input/output-grensesnitt for arkitekturen for å kalle Amazon Bedrock ved å bruke tale eller tekst fra et hvilket som helst grensesnitt. Fordi LLM vil håndtere samtalen til denne ordrebehandlingsagenten, og Lambda vil orkestrere arbeidsflyten, kan du opprette en bot med tre hensikter og ingen spor.
- På Amazon Lex-konsollen oppretter du en ny bot med metoden Lag en tom bot.
Nå kan du legge til en hensikt med en passende innledende ytring for sluttbrukerne for å starte samtalen med boten. Vi bruker enkle hilsener og legger til et første bot-svar slik at sluttbrukere kan gi sine forespørsler. Når du oppretter boten, sørg for å bruke en Lambda-kodekrok med intensjonene; dette vil utløse en Lambda-funksjon som vil orkestrere arbeidsflyten mellom kunden, Amazon Lex og LLM.
- Legg til den første intensjonen din, som utløser arbeidsflyten og bruker malen for hensiktsvalidering for å ringe Amazon Bedrock og identifisere hva kunden prøver å oppnå. Legg til noen få enkle ytringer slik at sluttbrukere kan starte samtalen.
Du trenger ikke å bruke noen spor eller innledende lesing i noen av botens hensikter. Faktisk trenger du ikke å legge til ytringer til den andre eller tredje hensikten. Det er fordi LLM vil veilede Lambda gjennom hele prosessen.
- Legg til en bekreftelsesmelding. Du kan tilpasse denne meldingen i Lambda-funksjonen senere.
- Under Kodekroker, plukke ut Bruk en Lambda-funksjon for initialisering og validering.
- Lag en andre hensikt uten ytring og uten innledende respons. Dette er
PlaceOrder
intensjon.
Når LLM identifiserer at kunden prøver å legge inn en bestilling, vil Lambda-funksjonen utløse denne hensikten og validere kundeforespørselen mot menyen, og sørge for at ingen nødvendig informasjon mangler. Husk at alt dette er på ledetekstmalene, så du kan tilpasse denne arbeidsflyten for enhver brukssituasjon ved å endre ledetekstmalene.
- Ikke legg til noen spor, men legg til en bekreftelsesmelding og avslå svar.
- Plukke ut Bruk en Lambda-funksjon for initialisering og validering.
- Lag en tredje hensikt med navnet
ProcessOrder
uten eksempler på ytringer og uten spor. - Legg til et innledende svar, en bekreftelsesmelding og et avslagssvar.
Etter at LLM har validert kundeforespørselen, utløser Lambda-funksjonen den tredje og siste hensikten med å behandle bestillingen. Her vil Lambda bruke malen for objektskaper for å generere ordre-JSON-datastrukturen for å spørre etter DynamoDB-tabellen, og deretter bruke malen for ordresammendrag for å oppsummere hele ordren sammen med totalen slik at Amazon Lex kan sende den til kunden.
- Plukke ut Bruk en Lambda-funksjon for initialisering og validering. Denne kan bruke hvilken som helst Lambda-funksjon for å behandle bestillingen etter at kunden har gitt den endelige bekreftelsen.
- Etter at du har opprettet alle tre intensjonene, går du til Visual Builder for
ValidateIntent
, legg til et gå til intensjonstrinn, og koble utgangen fra den positive bekreftelsen til det trinnet. - Etter at du har lagt til gå-til-hensikten, rediger den og velg PlaceOrder-hensikten som intensjonsnavn.
- På samme måte, for å gå til Visual Builder for
PlaceOrder
hensikt og koble utgangen til den positive bekreftelsen tilProcessOrder
gå til hensikt. Ingen redigering er nødvendig forProcessOrder
intensjon. - Du må nå lage Lambda-funksjonen som orkestrerer Amazon Lex og kaller DynamoDB-tabellen, som beskrevet i den følgende delen.
Lag en Lambda-funksjon for å orkestrere Amazon Lex-boten
Du kan nå bygge Lambda-funksjonen som orkestrerer Amazon Lex-boten og arbeidsflyten. Fullfør følgende trinn:
- Lag en Lambda-funksjon med standard utførelsespolicy og la Lambda lage en rolle for deg.
- I kodevinduet til funksjonen din, legg til noen få verktøyfunksjoner som vil hjelpe: formater ledetekstene ved å legge til lex-konteksten i malen, kall opp Amazon Bedrock LLM API, trekk ut ønsket tekst fra svarene og mer. Se følgende kode:
- Fest Lambda-laget du opprettet tidligere til denne funksjonen.
- I tillegg fester du laget til ledetekstmalene du opprettet.
- I Lambda-utførelsesrollen legger du ved policyen for å få tilgang til Amazon Bedrock, som ble opprettet tidligere.
Lambda-utførelsesrollen bør ha følgende tillatelser.
Fest Orchestration Lambda-funksjonen til Amazon Lex-boten
- Etter at du har opprettet funksjonen i forrige seksjon, gå tilbake til Amazon Lex-konsollen og naviger til boten din.
- Under språk Velg navigasjonsruten Engelsk.
- Til kilde, velg bestillingsbehandlingsroboten din.
- Til Lambda-funksjon versjon eller alias, velg $ SENESTE.
- Velg Spar.
Opprett assisterende Lambda-funksjoner
Fullfør følgende trinn for å lage flere Lambda-funksjoner:
- Opprett en Lambda-funksjon for å spørre DynamoDB-tabellen som du opprettet tidligere:
- Naviger til Konfigurasjon fanen i Lambda-funksjonen og velg Tillatelser.
- Legg ved en ressursbasert policyerklæring som lar bestillingsbehandlingen lambda-funksjonen påkalle denne funksjonen.
- Naviger til IAM-utførelsesrollen for denne Lambda-funksjonen og legg til en policy for å få tilgang til DynamoDB-tabellen.
- Opprett en annen Lambda-funksjon for å validere om alle nødvendige attributter ble sendt fra kunden. I det følgende eksempelet validerer vi om størrelsesattributtet er registrert for en ordre:
- Naviger til Konfigurasjon fanen i Lambda-funksjonen og velg Tillatelser.
- Legg ved en ressursbasert policyerklæring som lar bestillingsbehandlingen lambda-funksjonen påkalle denne funksjonen.
Test løsningen
Nå kan vi teste løsningen med eksempelbestillinger som kunder legger inn via Amazon Lex.
For vårt første eksempel ba kunden om en frappuccino, som ikke er på menyen. Modellen validerer ved hjelp av ordrevalideringsmal og foreslår noen anbefalinger basert på menyen. Etter at kunden har bekreftet sin bestilling, blir de varslet om ordresummen og ordresammendraget. Bestillingen vil bli behandlet basert på kundens endelige bekreftelse.
I vårt neste eksempel bestiller kunden stor cappuccino og endrer deretter størrelsen fra stor til medium. Modellen fanger opp alle nødvendige endringer og ber kunden bekrefte bestillingen. Modellen presenterer ordresum og ordresammendrag, og behandler ordren basert på kundens endelige bekreftelse.
For vårt siste eksempel la kunden inn en bestilling på flere varer og størrelsen mangler for et par varer. Modellen og Lambda-funksjonen vil verifisere om alle nødvendige attributter er tilstede for å behandle bestillingen, og deretter be kunden om å oppgi den manglende informasjonen. Etter at kunden har oppgitt den manglende informasjonen (i dette tilfellet størrelsen på kaffen), vises ordresummen og ordresammendraget. Bestillingen vil bli behandlet basert på kundens endelige bekreftelse.
LLM-begrensninger
LLM-utdata er stokastiske av natur, noe som betyr at resultatene fra vår LLM kan variere i format, eller til og med i form av usann innhold (hallusinasjoner). Derfor må utviklere stole på en god feilhåndteringslogikk gjennom hele koden for å håndtere disse scenariene og unngå en forringet sluttbrukeropplevelse.
Rydd opp
Hvis du ikke lenger trenger denne løsningen, kan du slette følgende ressurser:
- Lambda fungerer
- Amazon Lex boks
- DynamoDB-bord
- S3 bøtte
I tillegg, slå av SageMaker Studio-forekomsten hvis applikasjonen ikke lenger er nødvendig.
Kostnadsvurdering
For prisinformasjon for hovedtjenestene som brukes av denne løsningen, se følgende:
Merk at du kan bruke Claude v2 uten behov for klargjøring, så de totale kostnadene forblir på et minimum. For å redusere kostnadene ytterligere kan du konfigurere DynamoDB-tabellen med on-demand-innstillingen.
konklusjonen
Dette innlegget demonstrerte hvordan man bygger en taleaktivert AI-ordrebehandlingsagent ved å bruke Amazon Lex, Amazon Bedrock og andre AWS-tjenester. Vi viste hvordan rask utvikling med en kraftig generativ AI-modell som Claude kan muliggjøre robust naturlig språkforståelse og samtaleflyter for ordrebehandling uten behov for omfattende opplæringsdata.
Løsningsarkitekturen bruker serverløse komponenter som Lambda, Amazon S3 og DynamoDB for å muliggjøre en fleksibel og skalerbar implementering. Ved å lagre ledetekstmalene i Amazon S3 kan du tilpasse løsningen for ulike brukstilfeller.
De neste trinnene kan omfatte utvidelse av agentens evner til å håndtere et bredere spekter av kundeforespørsler og kantsaker. Spørsmålene gir en måte å iterativt forbedre agentens ferdigheter. Ytterligere tilpasninger kan innebære å integrere ordredataene med backend-systemer som inventar, CRM eller POS. Til slutt kan agenten gjøres tilgjengelig på tvers av ulike kundekontaktpunkter som mobilapper, drive-thru, kiosker og mer ved å bruke flerkanalsfunksjonene til Amazon Lex.
For å lære mer, se følgende relaterte ressurser:
- Distribuere og administrere flerkanalsroboter:
- Rask utvikling for Claude og andre modeller:
- Serverløse arkitektoniske mønstre for skalerbare AI-assistenter:
Om forfatterne
Moumita Dutta er partnerløsningsarkitekt hos Amazon Web Services. I sin rolle samarbeider hun tett med partnere for å utvikle skalerbare og gjenbrukbare eiendeler som effektiviserer skydistribusjoner og forbedrer operasjonell effektivitet. Hun er medlem av AI/ML-fellesskapet og en Generativ AI-ekspert hos AWS. På fritiden liker hun hagearbeid og sykling.
Fernando Lammoglia er en Partner Solutions Architect hos Amazon Web Services, og jobber tett med AWS-partnere for å gå i spissen for utvikling og bruk av banebrytende AI-løsninger på tvers av forretningsenheter. En strategisk leder med ekspertise innen skyarkitektur, generativ AI, maskinlæring og dataanalyse. Han spesialiserer seg på å utføre strategier for å gå til markedet og levere slagkraftige AI-løsninger i tråd med organisasjonens mål. På fritiden elsker han å tilbringe tid med familien og reise til andre land.
Mitul Patel er senior løsningsarkitekt hos Amazon Web Services. I sin rolle som skyteknologi-enabler jobber han med kundene for å forstå deres mål og utfordringer, og gir foreskrivende veiledning for å nå deres mål med AWS-tilbud. Han er medlem av AI/ML-fellesskapet og en Generativ AI-ambassadør hos AWS. På fritiden liker han å gå tur og spille fotball.
- 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/transform-one-on-one-customer-interactions-build-speech-capable-order-processing-agents-with-aws-and-generative-ai/
- : har
- :er
- :ikke
- :hvor
- $3
- $OPP
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 173
- 200
- 24
- 250
- 28
- 29
- 31
- 320
- 385
- 40
- 400
- 500
- 7
- 75
- 8
- 9
- 900
- a
- ovenfor
- akselerert
- Aksepterer
- adgang
- Tilgang
- utrette
- Ifølge
- Logg inn
- Oppnå
- tvers
- Handling
- aktiv
- tilpasse
- legge til
- la til
- legge
- tillegg
- Ytterligere
- I tillegg
- fester seg
- justere
- Adopsjon
- fremskritt
- advent
- Etter
- en gang til
- mot
- Agent
- agenter
- AI
- AI / ML
- justert
- Alle
- tillate
- tillate
- tillater
- langs
- også
- alltid
- am
- Amazon
- Amazon Lex
- Amazon RDS
- Amazon Web Services
- Ambassadør
- an
- analytics
- og
- En annen
- Antropisk
- noen
- api
- Søknad
- søknader
- Påfør
- tilnærming
- hensiktsmessig
- hensiktsmessig
- apps
- arkitektonisk
- arkitektur
- ER
- AS
- spør
- Eiendeler
- Assistanse
- Assistent
- assistenter
- bistå
- assosiert
- antar
- At
- feste
- attendants
- attributter
- Automatisert
- tilgjengelighet
- tilgjengelig
- unngå
- AWS
- tilbake
- Backend
- basert
- BE
- fordi
- vært
- begynne
- mellom
- kroppen
- Bot
- både
- roboter
- bred
- bygge
- bygger
- virksomhet
- bedrifter
- men
- by
- beregne
- ring
- som heter
- ringer
- Samtaler
- CAN
- evner
- fanget
- fanger
- saken
- saker
- kategorier
- celle
- utfordringer
- utfordrende
- endring
- Endringer
- endring
- tegn
- sjekk
- valg
- Velg
- kunde
- Lukke
- tett
- Cloud
- SKYETEKNOLOGI
- kode
- Kaffe
- samarbeider
- samle
- kommunisert
- samfunnet
- Selskaper
- konkurranse
- fullføre
- Terminado
- fullført
- ferdigstillelse
- komponenter
- konsepter
- Bekrefte
- bekreftelse
- BEKREFTET
- Koble
- tilkobling
- består
- Konsoll
- innhold
- kontekst
- fortsetter
- bekvemmelighet
- Samtale
- konvertere
- korrigere
- Kostnader
- kunne
- land
- Par
- skape
- opprettet
- skaper
- Opprette
- skaperverket
- skaperen
- CRM
- Gjeldende
- skikk
- kunde
- Kunder
- tilpasse
- skjærekant
- dato
- Data Analytics
- Data struktur
- Database
- Avslå
- dypt
- Misligholde
- definere
- leverer
- levere
- Etterspørsel
- krav
- demonstrert
- benektet
- avhengig
- avhenger
- distribusjoner
- designet
- ønsket
- Til tross for
- detaljert
- dev
- utvikle
- utviklet
- utviklere
- Utvikling
- diagram
- gJORDE
- forskjellig
- direkte
- utsendelse
- do
- gjør
- domene
- Don
- gjort
- ikke
- ned
- nedlasting
- under
- e
- hver enkelt
- Tidligere
- lett
- Edge
- effekt
- effektivitet
- effektiv
- effektivt
- innsats
- ellers
- muliggjøre
- enabler
- Endpoint
- Ingeniørarbeid
- forbedre
- Enter
- Miljø
- feil
- feil
- Selv
- Event
- eksempel
- eksempler
- Unntatt
- unntak
- utførende
- gjennomføring
- eksisterende
- avslutter
- ekspanderende
- erfaring
- Expert
- ekspertise
- omfattende
- trekke ut
- Face
- Faktisk
- Fall
- Familiær
- familie
- Noen få
- filet
- Filer
- slutt~~POS=TRUNC
- fullføre
- Finn
- Først
- fleksibilitet
- fleksibel
- Flows
- etter
- Til
- skjema
- format
- Heldigvis
- funnet
- Fundament
- grunn
- Gratis
- fra
- fullt
- funksjon
- funksjoner
- videre
- general
- generere
- generative
- Generativ AI
- få
- Gi
- gitt
- Go
- Gå til markedet
- Mål
- god
- fikk
- grand
- flott
- hilsen
- Hilsener
- veiledning
- veilede
- håndtere
- Håndtering
- Ha
- å ha
- he
- høre
- tungt
- hjelpe
- her
- her.
- hi
- høytytende
- hans
- Honning
- TIMER
- Hvordan
- Hvordan
- Men
- HTML
- http
- HTTPS
- menneskelig
- i
- ID
- identifiserer
- identifisere
- identifisering
- if
- illustrerer
- innflytelsesrik
- gjennomføring
- implementere
- importere
- importere
- forbedre
- in
- inkludere
- Inkludert
- Innkommende
- økende
- indeks
- informasjon
- inngrodd
- innledende
- inngang
- innganger
- innsiden
- installere
- f.eks
- i stedet
- instruksjoner
- Integrering
- hensikt
- interaksjoner
- Interface
- inn
- Introduserer
- inventar
- involvere
- IT
- varer
- jpg
- JSON
- bare
- Hold
- nøkkel
- kiosker
- Vet
- Labs
- maling
- landskap
- Språk
- stor
- Siste
- til slutt
- seinere
- lag
- leder
- ledende
- LÆRE
- læring
- limonade
- la
- Lar
- bibliotekene
- Bibliotek
- i likhet med
- begrensninger
- Liste
- LLM
- laste
- lokalt
- logging
- logikk
- lenger
- UTSEENDE
- elsker
- maskin
- maskinlæring
- laget
- Hoved
- gjøre
- fikk til
- ledelse
- administrerende
- håndbok
- mange
- merket
- Markets
- me
- midler
- medium
- medlem
- Meny
- melding
- meldinger
- Meta
- metode
- kunne
- Melk
- minimum
- savnet
- mangler
- Mobil
- mobil-apps
- modell
- modeller
- modifisert
- modifisere
- øyeblikk
- mer
- flere
- my
- navn
- oppkalt
- Naturlig
- Natur
- Naviger
- Navigasjon
- nødvendig
- Trenger
- nødvendig
- behov
- Ny
- neste
- Nei.
- none
- bærbare
- nå
- objekt
- Målet
- forekom
- of
- tilbud
- Tilbud
- ofte
- Okay
- on
- På etterspørsel
- ONE
- bare
- åpen
- opererer
- operasjonell
- Alternativ
- alternativer
- or
- orkestrere
- orkestre
- rekkefølge
- ordrer
- organisasjons
- organisasjoner
- Annen
- vår
- produksjon
- utganger
- samlet
- brød
- parametere
- del
- partner
- partnere
- passere
- bestått
- passerer
- banen
- mønstre
- betaling
- prosent
- utfører
- kanskje
- tillatelser
- brikke
- Sted
- steder
- plassering
- plato
- Platon Data Intelligence
- PlatonData
- spiller
- vær så snill
- poeng
- politikk
- PoS
- positurer
- posisjon
- positiv
- mulig
- Post
- potensiell
- kraftig
- praksis
- innledende
- Forbered
- forbereder
- forbereder
- presentere
- gaver
- forrige
- pris
- prising
- privatliv
- fortsette
- prosess
- Bearbeidet
- Prosesser
- prosessering
- Profil
- ledetekster
- prospektet
- gi
- forutsatt
- leverandør
- gir
- forsyning
- Trekker
- sette
- Python
- spørring
- raskt
- R
- heve
- område
- Raw
- RE
- Lese
- Lesning
- klar
- anbefaler
- anbefalinger
- redusere
- referere
- region
- regelmessig
- i slekt
- avhengige
- forbli
- forblir
- husker
- fjerne
- erstatning
- anmode
- forespørsler
- påkrevd
- ressurs
- Ressurser
- Svare
- svar
- svar
- ansvarlig
- resultere
- Resultater
- retur
- avkastning
- gjenbruk
- rigid
- robust
- Rolle
- Rute
- RAD
- Kjør
- rennende
- går
- runtime
- s
- sagemaker
- samme
- sample
- Spar
- lagret
- sier
- skalerbar
- Skala
- scenario
- scenarier
- skjermbilder
- SDK
- Sekund
- Secret
- Seksjon
- sikkerhet
- se
- velg
- senior
- server~~POS=TRUNC
- tjeneste
- Tjenester
- Session
- sett
- innstilling
- innstillinger
- oppsett
- flere
- hun
- Shell
- butikker
- bør
- Vis
- viste
- vist
- Viser
- stengt
- Slå
- Enkelt
- enkelt
- Størrelse
- ferdigheter
- slot
- spilleautomater
- liten
- tekstutdrag
- So
- Fotball
- utelukkende
- løsning
- Solutions
- noen
- Noen
- noe
- snakke
- spydspiss
- spesiell
- spesialisert
- spesifikk
- fart
- bruke
- Stabilitet
- Standard
- Begynn
- Start
- Tilstand
- Uttalelse
- Trinn
- Steps
- lagret
- lagring
- Strategisk
- strategier
- effektivisere
- struktur
- kamper
- studio
- betydelig
- vellykket
- slik
- sukker
- foreslår
- foreslår
- oppsummere
- SAMMENDRAG
- Støttes
- sikker
- raskt
- system
- Systemer
- bord
- TAG
- tar
- Oppgave
- oppgaver
- smak
- teknologisk
- Teknologi
- mal
- maler
- terminal
- test
- tekst
- Takk
- Det
- De
- informasjonen
- deres
- Dem
- deretter
- Der.
- derfor
- Disse
- de
- ting
- Tredje
- denne
- tre
- Gjennom
- hele
- tid
- tidslinje
- til
- i dag
- dagens
- verktøy
- Totalt
- tradisjonelle
- Kurs
- Transform
- reiser
- utløse
- problemer
- prøve
- prøver
- to
- typen
- forstå
- forståelse
- lomper
- Opplasting
- bruke
- bruk sak
- brukt
- Bruker
- bruker
- ved hjelp av
- verktøyet
- utnytte
- gyldig
- VALIDERE
- validert
- validering
- Validator
- verdi
- Verdier
- variabel
- ulike
- variere
- verifisere
- versjon
- veldig
- av
- visuell
- Voice
- ønsker
- ønsker
- var
- Vei..
- we
- web
- webtjenester
- VI VIL
- var
- Hva
- når
- hvilken
- mens
- hele
- bredere
- vil
- vindu
- med
- innenfor
- uten
- arbeidsflyt
- arbeid
- virker
- ville
- skrive
- XML
- ja
- Du
- Din
- deg selv
- zephyrnet
- Zip