Pogromca danych Amazon SageMaker to pojedynczy interfejs wizualny, który skraca czas potrzebny do przygotowania danych i inżynierii funkcji z tygodni do minut, z możliwością wybierania i czyszczenia danych, tworzenia funkcji i automatyzacji przygotowywania danych w przepływach pracy uczenia maszynowego (ML) bez pisania kodu.
SageMaker Data Wrangler obsługuje Snowflake, popularne źródło danych dla użytkowników, którzy chcą korzystać z uczenia maszynowego. Uruchamiamy bezpośrednie połączenie Snowflake z SageMaker Data Wrangler, aby poprawić jakość obsługi klienta. Przed uruchomieniem tej funkcji administratorzy musieli skonfigurować początkową integrację pamięci masowej, aby połączyć się z Snowflake w celu stworzenia funkcji dla ML w Data Wrangler. Obejmuje to udostępnianie Usługa Amazon Simple Storage (Amazon S3) łyżki, AWS Zarządzanie tożsamością i dostępem Uprawnienia dostępu (IAM), integracja pamięci masowej Snowflake dla poszczególnych użytkowników oraz stały mechanizm zarządzania lub czyszczenia kopii danych w Amazon S3. Ten proces nie jest skalowalny dla klientów ze ścisłą kontrolą dostępu do danych i dużą liczbą użytkowników.
W tym poście pokazujemy, w jaki sposób bezpośrednie połączenie Snowflake w SageMaker Data Wrangler upraszcza doświadczenie administratora i podróż naukowca danych ML od danych do wglądu biznesowego.
Omówienie rozwiązania
W tym rozwiązaniu używamy SageMaker Data Wrangler, aby przyspieszyć przygotowanie danych do ML i Autopilot Amazon SageMaker aby automatycznie budować, trenować i dostrajać modele ML na podstawie Twoich danych. Obie usługi zostały zaprojektowane specjalnie w celu zwiększenia produktywności i skrócenia czasu uzyskania korzyści przez praktyków ML. Demonstrujemy również uproszczony dostęp do danych z SageMaker Data Wrangler do Snowflake z bezpośrednim połączeniem do zapytań i tworzenia funkcji dla ML.
Zapoznaj się z poniższym diagramem, aby zapoznać się z procesem uczenia maszynowego z niskim kodem za pomocą Snowflake, SageMaker Data Wrangler i SageMaker Autopilot.
Przepływ pracy obejmuje następujące kroki:
- Przejdź do SageMaker Data Wrangler w celu przygotowania danych i zadań związanych z inżynierią funkcji.
- Skonfiguruj połączenie Snowflake z SageMaker Data Wrangler.
- Eksploruj swoje tabele Snowflake w SageMaker Data Wrangler, twórz zestaw danych ML i przeprowadzaj inżynierię funkcji.
- Trenuj i testuj modele za pomocą SageMaker Data Wrangler i SageMaker Autopilot.
- Załaduj najlepszy model do punktu końcowego wnioskowania w czasie rzeczywistym w celu prognozowania.
- Użyj notesu języka Python, aby wywołać uruchomiony punkt końcowy wnioskowania w czasie rzeczywistym.
Wymagania wstępne
Na tym stanowisku administrator musi spełnić następujące wymagania wstępne:
Analitycy danych powinni spełniać następujące wymagania wstępne
Na koniec powinieneś przygotować swoje dane dla Snowflake
- Używamy danych transakcji kartą kredytową z Kaggle do budowania modeli ML do wykrywania nieuczciwych transakcji kartami kredytowymi, aby klienci nie byli obciążani kosztami produktów, których nie kupili. Zbiór danych obejmuje transakcje kartami kredytowymi dokonane we wrześniu 2013 r. przez europejskich posiadaczy kart.
- Powinieneś użyć Klient SnowSQL i zainstaluj go na komputerze lokalnym, abyś mógł go użyć do przesłania zestawu danych do tabeli Snowflake.
Poniższe kroki pokazują, jak przygotować i załadować zestaw danych do bazy danych Snowflake. Jest to konfiguracja jednorazowa.
Tabela płatków śniegu i przygotowanie danych
Wykonaj następujące kroki dla tej jednorazowej konfiguracji:
- Najpierw jako administrator utwórz wirtualny magazyn Snowflake, użytkownika i rolę oraz przyznaj dostęp innym użytkownikom, takim jak analitycy danych, w celu utworzenia bazy danych i przygotowania danych dla ich przypadków użycia uczenia maszynowego:
- Jako analityk danych utwórzmy teraz bazę danych i zaimportujmy transakcje kartą kredytową do bazy danych Snowflake, aby uzyskać dostęp do danych z SageMaker Data Wrangler. W celach ilustracyjnych tworzymy bazę danych Snowflake o nazwie
SF_FIN_TRANSACTION
: - Pobierz plik CSV zestawu danych na komputer lokalny i utwórz etap ładowania danych do tabeli bazy danych. Zaktualizuj ścieżkę pliku, aby wskazywała lokalizację pobranego zestawu danych przed uruchomieniem polecenia PUT w celu zaimportowania danych do utworzonego etapu:
- Utwórz tabelę o nazwie
credit_card_transactions
: - Zaimportuj dane do utworzonej tabeli ze sceny:
Skonfiguruj połączenie SageMaker Data Wrangler i Snowflake
Po przygotowaniu zestawu danych do użycia z SageMaker Data Wrangler, utwórzmy nowe połączenie Snowflake w SageMaker Data Wrangler, aby połączyć się z sf_fin_transaction
database w Snowflake i wyślij zapytanie do credit_card_transaction
stół:
- Dodaj Snowflake na SageMaker Data Wrangler Statystyki z konta strona.
- Podaj nazwę identyfikującą połączenie.
- Wybierz metodę uwierzytelniania, aby połączyć się z bazą danych Snowflake:
- Jeśli korzystasz z uwierzytelniania podstawowego, podaj nazwę użytkownika i hasło udostępnione przez administratora Snowflake. W tym poście używamy uwierzytelniania podstawowego, aby połączyć się z Snowflake przy użyciu poświadczeń użytkownika utworzonych w poprzednim kroku.
- Jeśli korzystasz z protokołu OAuth, podaj poświadczenia dostawcy tożsamości.
SageMaker Data Wrangler domyślnie wysyła zapytania do danych bezpośrednio z Snowflake bez tworzenia jakichkolwiek kopii danych w zasobnikach S3. Nowe ulepszenie użyteczności SageMaker Data Wrangler wykorzystuje Apache Spark do integracji z Snowflake w celu przygotowania i bezproblemowego utworzenia zestawu danych na potrzeby Twojej podróży ML.
Do tej pory utworzyliśmy bazę danych na Snowflake, zaimportowaliśmy plik CSV do tabeli Snowflake, utworzyliśmy poświadczenia Snowflake i utworzyliśmy złącze na SageMaker Data Wrangler, aby połączyć się z Snowflake. Aby sprawdzić poprawność skonfigurowanego połączenia Snowflake, uruchom następującą kwerendę w utworzonej tabeli Snowflake:
Pamiętaj, że wymagana wcześniej opcja integracji pamięci masowej jest teraz opcjonalna w ustawieniach zaawansowanych.
Przeglądaj dane Snowflake
Po sprawdzeniu poprawności wyników zapytania wybierz import aby zapisać wyniki zapytania jako zestaw danych. Używamy tego wyodrębnionego zestawu danych do eksploracyjnej analizy danych i inżynierii funkcji.
Możesz wybrać próbkowanie danych ze Snowflake w interfejsie użytkownika SageMaker Data Wrangler. Inną opcją jest pobranie pełnych danych dla przypadków użycia w szkoleniu modelu ML za pomocą zadań przetwarzania SageMaker Data Wrangler.
Przeprowadź eksploracyjną analizę danych w SageMaker Data Wrangler
Dane w Data Wrangler muszą zostać opracowane, zanim będzie można je wyszkolić. W tej sekcji pokazujemy, jak przeprowadzić inżynierię funkcji na danych z Snowflake przy użyciu wbudowanych możliwości SageMaker Data Wrangler.
Najpierw skorzystajmy z Data Quality and Insights Report
funkcja w SageMaker Data Wrangler do generowania raportów w celu automatycznej weryfikacji jakości danych i wykrywania nieprawidłowości w danych z Snowflake.
Raport może pomóc w czyszczeniu i przetwarzaniu danych. Dostarcza informacji, takich jak liczba brakujących wartości i liczba wartości odstających. Jeśli masz problemy z danymi, takie jak wyciek docelowy lub brak równowagi, raport ze szczegółowymi informacjami może zwrócić Twoją uwagę na te problemy. Aby zrozumieć szczegóły raportu, patrz Przyspiesz przygotowywanie danych dzięki jakości danych i wglądowi w Amazon SageMaker Data Wrangler.
Po sprawdzeniu dopasowania typu danych zastosowanego przez SageMaker Data Wrangler wykonaj następujące kroki:
- Wybierz znak plus obok Typy danych i wybierz Dodaj analizę.
- W razie zamówieenia projektu Typ analizywybierz Raport dotyczący jakości danych i statystyk.
- Dodaj Stwórz.
- Zapoznaj się ze szczegółami raportu dotyczącego jakości danych i szczegółowych informacji, aby zapoznać się z ostrzeżeniami o wysokim priorytecie.
Możesz rozwiązać zgłoszone ostrzeżenia przed kontynuowaniem podróży ML.
Kolumna docelowa Class
do przewidzenia jest klasyfikowany jako ciąg. Najpierw zastosujmy transformację, aby usunąć nieaktualne puste znaki.
- Dodaj Dodaj krok i wybierz Formatuj ciąg.
- Wybierz z listy przekształceń Rozebrać w lewo i prawo.
- Wprowadź znaki do usunięcia i wybierz Dodaj.
Następnie konwertujemy kolumnę docelową Class
z typu danych string na Boolean, ponieważ transakcja jest legalna lub oszukańcza.
- Dodaj Dodaj krok.
- Dodaj Przeanalizuj kolumnę jako typ.
- Wybierz opcję Kolumna
Class
. - W razie zamówieenia projektu Cena Odwybierz sznur.
- W razie zamówieenia projektu Dowybierz Boolean.
- Dodaj Dodaj.
Po transformacji kolumny docelowej zmniejszamy liczbę kolumn cech, ponieważ w oryginalnym zbiorze danych znajduje się ponad 30 cech. Używamy analizy głównych składowych (PCA), aby zmniejszyć wymiary na podstawie ważności funkcji. Aby dowiedzieć się więcej o PCA i redukcji wymiarowości, patrz Algorytm analizy składowych głównych (PCA)..
- Dodaj Dodaj krok.
- Dodaj Redukcja wymiarowości.
- W razie zamówieenia projektu Przekształcaćwybierz Analiza głównych składowych.
- W razie zamówieenia projektu Kolumny wejściowe, wybierz wszystkie kolumny z wyjątkiem kolumny docelowej
Class
. - Wybierz znak plus obok Przepływ danych i wybierz Dodaj analizę.
- W razie zamówieenia projektu Typ analizywybierz Szybki Model.
- W razie zamówieenia projektu Nazwa analizy, Wpisz imię.
- W razie zamówieenia projektu Etykietawybierz
Class
. - Dodaj run.
Na podstawie wyników PCA możesz zdecydować, których cech użyć do zbudowania modelu. Na poniższym zrzucie ekranu wykres przedstawia funkcje (lub wymiary) uporządkowane na podstawie najwyższej do najniższej ważności do przewidywania klasy docelowej, która w tym zbiorze danych określa, czy transakcja jest oszukańcza, czy prawidłowa.
Możesz zmniejszyć liczbę funkcji na podstawie tej analizy, ale w tym poście pozostawiamy ustawienia domyślne bez zmian.
To kończy nasz proces inżynierii funkcji, chociaż możesz zdecydować się na uruchomienie szybkiego modelu i ponowne utworzenie raportu dotyczącego jakości danych i szczegółowych informacji, aby zrozumieć dane przed wykonaniem dalszych optymalizacji.
Eksportuj dane i trenuj model
W kolejnym kroku używamy SageMaker Autopilot do automatycznego budowania, trenowania i dostrajania najlepszych modeli ML w oparciu o Twoje dane. Dzięki SageMaker Autopilot nadal zachowujesz pełną kontrolę i widoczność swoich danych i modelu.
Teraz, gdy zakończyliśmy eksplorację i inżynierię funkcji, wytrenujmy model na zbiorze danych i wyeksportujmy dane, aby wyszkolić model ML przy użyciu rozwiązania SageMaker Autopilot.
- Na Trening kartę, wybierz Eksportuj i trenuj.
Możemy monitorować postęp eksportu, czekając na jego zakończenie.
Skonfigurujmy autopilota SageMaker, aby uruchamiał zautomatyzowane zadanie szkoleniowe, określając cel, który chcemy przewidzieć, oraz rodzaj problemu. W tym przypadku, ponieważ uczymy zestaw danych, aby przewidzieć, czy transakcja jest fałszywa, czy prawidłowa, używamy klasyfikacji binarnej.
- Wprowadź nazwę eksperymentu, podaj dane lokalizacji S3 i wybierz Dalej: Cel i funkcje.
- W razie zamówieenia projektu celwybierz
Class
jako kolumna do przewidywania. - Dodaj Dalej: Metoda szkolenia.
Pozwólmy, aby SageMaker Autopilot zdecydował o metodzie szkolenia na podstawie zbioru danych.
- W razie zamówieenia projektu Metoda uczenia i algorytmy, Wybierz Samochody.
Aby dowiedzieć się więcej o trybach treningowych obsługiwanych przez SageMaker Autopilot, patrz Tryby treningowe i algorytm Wsparcie.
- Dodaj Dalej: Wdrożenie i ustawienia zaawansowane.
- W razie zamówieenia projektu Opcja wdrożeniawybierz Automatycznie wdrażaj najlepszy model z transformacjami z Data Wrangler, który ładuje najlepszy model do wnioskowania po zakończeniu eksperymentowania.
- Wprowadź nazwę punktu końcowego.
- W razie zamówieenia projektu Wybierz typ problemu uczenia maszynowegowybierz Klasyfikacja binarna.
- W razie zamówieenia projektu Metryka sprzeciwuwybierz F1.
- Dodaj Dalej: Przejrzyj i utwórz.
- Dodaj Utwórz eksperyment.
Spowoduje to uruchomienie zadania SageMaker Autopilot, które tworzy zestaw zadań szkoleniowych wykorzystujących kombinacje hiperparametrów w celu optymalizacji metryki celu.
Poczekaj, aż SageMaker Autopilot zakończy budowanie modeli i ocenę najlepszego modelu ML.
Uruchom punkt końcowy wnioskowania w czasie rzeczywistym, aby przetestować najlepszy model
SageMaker Autopilot przeprowadza eksperymenty w celu określenia najlepszego modelu, który może sklasyfikować transakcje kartą kredytową jako legalne lub oszukańcze.
Kiedy SageMaker Autopilot zakończy eksperyment, możemy wyświetlić wyniki szkolenia wraz z metrykami oceny i zbadać najlepszy model ze strony opisu zadania SageMaker Autopilot.
- Wybierz najlepszy model i wybierz Wdróż model.
Używamy punktu końcowego wnioskowania w czasie rzeczywistym, aby przetestować najlepszy model stworzony przez SageMaker Autopilot.
- Wybierz Dokonuj prognoz w czasie rzeczywistym.
Gdy punkt końcowy jest dostępny, możemy przekazać ładunek i uzyskać wyniki wnioskowania.
Uruchommy notatnik języka Python, aby użyć punktu końcowego wnioskowania.
- W konsoli SageMaker Studio wybierz ikonę folderu w panelu nawigacyjnym i wybierz Utwórz notatnik.
- Użyj następującego kodu w języku Python, aby wywołać wdrożony punkt końcowy wnioskowania w czasie rzeczywistym:
Dane wyjściowe pokazują wynik jako false
, co oznacza, że przykładowe dane obiektów nie są fałszywe.
Sprzątać
Aby upewnić się, że po ukończeniu tego samouczka nie zostaną naliczone żadne opłaty, zamknij aplikację SageMaker Data Wrangler i zamknij instancję notatnika używany do wnioskowania. Powinieneś także usuń punkt końcowy wnioskowania utworzonych za pomocą SageMaker Autopilot, aby zapobiec dodatkowym opłatom.
Wnioski
W tym poście pokazaliśmy, jak przenieść dane bezpośrednio ze Snowflake bez tworzenia pośrednich kopii w tym procesie. Możesz samplować lub załadować cały zestaw danych do SageMaker Data Wrangler bezpośrednio z Snowflake. Następnie możesz eksplorować dane, czyścić dane i przeprowadzać prace inżynierskie za pomocą interfejsu wizualnego SageMaker Data Wrangler.
Podkreśliliśmy również, w jaki sposób można łatwo trenować i dostrajać model za pomocą autopilota SageMaker bezpośrednio z interfejsu użytkownika SageMaker Data Wrangler. Dzięki integracji SageMaker Data Wrangler i SageMaker Autopilot możemy szybko zbudować model po zakończeniu inżynierii funkcji, bez pisania żadnego kodu. Następnie odwołaliśmy się do najlepszego modelu SageMaker Autopilot, aby uruchomić wnioskowanie przy użyciu punktu końcowego w czasie rzeczywistym.
Wypróbuj nową bezpośrednią integrację Snowflake z SageMaker Data Wrangler już dziś, aby łatwo budować modele ML z Twoimi danymi za pomocą SageMaker.
O autorach
Hariharana Suresha jest starszym architektem rozwiązań w AWS. Pasjonuje się bazami danych, uczeniem maszynowym oraz projektowaniem innowacyjnych rozwiązań. Przed dołączeniem do AWS, Hariharan był architektem produktów, specjalistą ds. implementacji podstawowej bankowości oraz programistą i pracował z organizacjami BFSI przez ponad 11 lat. Poza technologią lubi paralotniarstwo i jazdę na rowerze.
Aparajithan Vaidyanathan jest głównym architektem rozwiązań dla przedsiębiorstw w AWS. Wspiera klientów korporacyjnych w migracji i modernizacji ich obciążeń w chmurze AWS. Jest architektem chmury z ponad 23-letnim doświadczeniem w projektowaniu i rozwijaniu wielkoskalowych i rozproszonych systemów oprogramowania dla przedsiębiorstw. Specjalizuje się w uczeniu maszynowym i analizie danych ze szczególnym uwzględnieniem dziedziny inżynierii danych i funkcji. Jest początkującym maratończykiem, a jego hobby to piesze wędrówki, jazda na rowerze i spędzanie czasu z żoną i dwoma synami.
Tima Songa jest inżynierem rozwoju oprogramowania w AWS SageMaker, z ponad 10-letnim doświadczeniem jako programista, konsultant i lider technologiczny, wykazał się umiejętnością dostarczania skalowalnych i niezawodnych produktów oraz rozwiązywania złożonych problemów. W wolnym czasie lubi przyrodę, bieganie na świeżym powietrzu, piesze wędrówki itp.
Bosko Albuquerque jest starszym architektem rozwiązań partnerskich w AWS i ma ponad 20-letnie doświadczenie w pracy z bazami danych i produktami analitycznymi od dostawców baz danych dla przedsiębiorstw i dostawców chmury. Pomagał dużym firmom technologicznym projektować rozwiązania do analizy danych i kierował zespołami inżynierów w projektowaniu i wdrażaniu platform i produktów do analizy danych.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
- PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
- PlatonESG. Motoryzacja / pojazdy elektryczne, Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
- Przesunięcia bloków. Modernizacja własności offsetu środowiskowego. Dostęp tutaj.
- Źródło: https://aws.amazon.com/blogs/machine-learning/accelerate-time-to-business-insights-with-the-amazon-sagemaker-data-wrangler-direct-connection-to-snowflake/
- :ma
- :Jest
- :nie
- $W GÓRĘ
- 1
- 10
- 100
- 11
- 12
- 14
- 15%
- 20
- 20 roku
- 2013
- 27
- 30
- 40
- 500
- 7
- 9
- a
- zdolność
- O nas
- przyśpieszyć
- dostęp
- Konto
- Dodatkowy
- Administratorzy
- zaawansowany
- Po
- ponownie
- AI / ML
- Wszystkie kategorie
- dopuszczać
- również
- Chociaż
- Amazonka
- Amazon Sage Maker
- Pogromca danych Amazon SageMaker
- Amazon Web Services
- ilość
- an
- analiza
- analityka
- i
- Inne
- każdy
- Apache
- api
- stosowany
- Aplikuj
- SĄ
- AS
- ambitny
- At
- Uwaga
- Uwierzytelnianie
- zautomatyzować
- zautomatyzowane
- automatycznie
- dostępny
- AWS
- Bankowość
- na podstawie
- podstawowy
- BE
- bo
- zanim
- poniżej
- BEST
- BFSI
- ciało
- obie
- przynieść
- budować
- Budowanie
- wbudowany
- biznes
- ale
- by
- CAN
- możliwości
- zdobyć
- karta
- walizka
- Etui
- znaków
- naładowany
- Opłaty
- ZOBACZ
- Dodaj
- klasa
- klasyfikacja
- sklasyfikowany
- Klasyfikuj
- klient
- Chmura
- kod
- Kolumna
- kolumny
- kombinacje
- Firmy
- kompletny
- Zakończony
- Ukończył
- wypełniając
- kompleks
- składnik
- skonfigurowany
- Skontaktuj się
- połączenie
- Konsola
- konsultant
- kontynuować
- kontrola
- konwertować
- rdzeń
- Podstawowa działalność
- Stwórz
- stworzony
- tworzy
- Tworzenie
- Listy uwierzytelniające
- kredyt
- Karta kredytowa
- klient
- doświadczenie klienta
- Klientów
- dane
- dostęp do danych
- analiza danych
- Analityka danych
- Przygotowywanie danych
- naukowiec danych
- Baza danych
- Bazy danych
- zdecydować
- Domyślnie
- Domyślnie
- dostarczyć
- wykazać
- wykazać
- rozwijać
- wdrażane
- Wdrożenie
- opis
- Wnętrze
- zaprojektowany
- projektowanie
- detale
- Ustalać
- Deweloper
- rozwijanie
- oprogramowania
- Wymiary
- kierować
- bezpośrednio
- dystrybuowane
- domena
- nie
- na dół
- pobieranie
- z łatwością
- bądź
- Punkt końcowy
- inżynier
- Inżynieria
- Wchodzę
- Enterprise
- itp
- europejski
- ewaluację
- Z wyjątkiem
- istnieje
- doświadczenie
- eksperyment
- eksperymenty
- eksploracja
- Analiza danych rozpoznawczych
- odkryj
- eksport
- daleko
- Cecha
- Korzyści
- Wyposażony w
- filet
- budżetowy
- koniec
- i terminów, a
- pływak
- Skupiać
- następujący
- W razie zamówieenia projektu
- format
- nieuczciwy
- od
- pełny
- dalej
- Generować
- otrzymać
- daje
- przyznać
- wykres
- Have
- he
- pomoc
- pomógł
- Najwyższa
- Podświetlony
- jego
- W jaki sposób
- How To
- HTML
- http
- HTTPS
- ICON
- zidentyfikować
- tożsamość
- if
- brak równowagi
- realizacja
- wykonawczych
- importować
- znaczenie
- importowanie
- import
- podnieść
- in
- zawierać
- obejmuje
- Zwiększać
- indywidualny
- Informacja
- początkowy
- Innowacyjny
- spostrzeżenia
- zainstalować
- integrować
- integracja
- Interfejs
- wewnętrzny
- najnowszych
- problemy
- IT
- szt
- Praca
- Oferty pracy
- łączący
- podróż
- jpg
- json
- duży
- na dużą skalę
- uruchomić
- uruchomiona
- lider
- nauka
- Pozostawiać
- Doprowadziło
- lewo
- prawowity
- niech
- Biblioteka
- LIMIT
- Lista
- załadować
- masa
- miejscowy
- lokalizacja
- najniższy
- maszyna
- uczenie maszynowe
- zrobiony
- utrzymać
- robić
- zarządzanie
- Maraton
- dopasowywanie
- Może..
- mechanizm
- metoda
- metryczny
- Metryka
- migrować
- minut
- brakujący
- ML
- model
- modele
- zmodernizować
- Tryby
- monitor
- jeszcze
- Nazwa
- O imieniu
- Natura
- Nawigacja
- wymagania
- Nowości
- Następny
- notatnik
- już dziś
- numer
- przysięgać
- przedmiot
- cel
- of
- on
- trwający
- Optymalizacja
- Option
- or
- zamówienie
- organizacji
- oryginalny
- OS
- Inne
- ludzkiej,
- na zewnątrz
- wydajność
- zewnętrzne
- koniec
- przegląd
- strona
- chleb
- partnerem
- przechodzić
- namiętny
- Hasło
- ścieżka
- wykonać
- wykonywania
- uprawnienia
- Platformy
- plato
- Analiza danych Platona
- PlatoDane
- plus
- punkt
- Popularny
- Post
- przewidzieć
- Przewiduje
- Przewidywania
- przygotowanie
- Przygotować
- warunki wstępne
- zapobiec
- poprzedni
- Główny
- Wcześniejszy
- Problem
- problemy
- wygląda tak
- przetwarzanie
- Produkt
- wydajność
- Produkty
- Postęp
- zapewniać
- dostawca
- dostawców
- publiczny
- zakup
- cele
- położyć
- Python
- jakość
- zapytania
- Szybki
- szybko
- w czasie rzeczywistym
- zmniejszyć
- zmniejsza
- redukcja
- rzetelny
- usunąć
- obsługi produkcji rolnej, która zastąpiła
- raport
- Zgłoszone
- Raporty
- zażądać
- wymagany
- odpowiedź
- dalsze
- Efekt
- przeglądu
- jazda konna
- Rola
- run
- biegacz
- bieganie
- s
- sagemaker
- Zapisz
- skalowalny
- Naukowiec
- Naukowcy
- płynnie
- Sekcja
- wysłać
- senior
- wrzesień
- Usługi
- zestaw
- w panelu ustawień
- ustawienie
- shared
- powinien
- pokazać
- Targi
- znak
- Prosty
- uproszczony
- pojedynczy
- So
- Tworzenie
- rozwoju oprogramowania
- rozwiązanie
- Rozwiązania
- ROZWIĄZANIA
- piosenka
- Źródło
- Iskra
- specjalista
- specjalizuje się
- swoiście
- prędkość
- Spędzanie
- STAGE
- rozpocznie
- Ewolucja krok po kroku
- Cel
- Nadal
- przechowywanie
- sklep
- Ścisły
- sznur
- studio
- Zatwierdź
- udany
- Z powodzeniem
- taki
- wsparcie
- Utrzymany
- podpory
- systemy
- stół
- cel
- zadania
- Zespoły
- tech
- Technologia
- firmy technologiczne
- test
- że
- Połączenia
- Wykres
- ich
- następnie
- Tam.
- one
- to
- tych
- Przez
- czas
- do
- już dziś
- Pociąg
- przeszkolony
- Trening
- transakcja
- transakcje
- Transformacja
- transformacje
- prawdziwy
- Tutorial
- drugiej
- rodzaj
- ui
- zrozumieć
- Aktualizacja
- us
- użyteczność
- posługiwać się
- używany
- Użytkownik
- Interfejs użytkownika
- Użytkownicy
- zastosowania
- za pomocą
- v1
- UPRAWOMOCNIĆ
- wartość
- Wartości
- sprzedawców
- zweryfikować
- Zobacz i wysłuchaj
- Wirtualny
- widoczność
- czekać
- chcieć
- była
- we
- sieć
- usługi internetowe
- tygodni
- były
- czy
- który
- Podczas
- KIM
- żona
- w
- w ciągu
- bez
- Praca
- pracował
- workflow
- przepływów pracy
- pracujący
- pisanie
- lat
- You
- Twój
- zefirnet