Współautorem tego postu jest Daryl Martis, dyrektor ds. produktu w Salesforce Einstein AI.
To trzeci post z serii omawiającej integrację Salesforce Data Cloud i Amazon Sage Maker.
In Część 1 i Część 2, pokazujemy, jak integracja Salesforce Data Cloud i Einstein Studio z SageMaker umożliwia firmom bezpieczny dostęp do danych Salesforce za pomocą SageMaker i używanie jego narzędzi do tworzenia, uczenia i wdrażania modeli w punktach końcowych hostowanych w SageMaker. Punkty końcowe SageMaker można zarejestrować w chmurze danych Salesforce, aby aktywować prognozy w Salesforce.
W tym poście pokazujemy, jak analitycy biznesowi i badacze danych obywatelskich mogą tworzyć modele uczenia maszynowego (ML) bez żadnego kodu, w Płótno Amazon SageMaker i wdrażaj wyszkolone modele do integracji z Salesforce Einstein Studio, aby tworzyć wydajne aplikacje biznesowe. SageMaker Canvas umożliwia dostęp do danych z Salesforce Data Cloud bez użycia kodu oraz budowanie, testowanie i wdrażanie modeli za pomocą zaledwie kilku kliknięć. SageMaker Canvas umożliwia także zrozumienie przewidywań na podstawie ważności cech i wartości SHAP, co ułatwia wyjaśnienie przewidywań dokonanych przez modele uczenia maszynowego.
Płótno SageMakera
SageMaker Canvas umożliwia analitykom biznesowym i zespołom zajmującym się analizą danych budowanie i używanie modeli ML i generatywnej sztucznej inteligencji bez konieczności pisania ani jednej linii kodu. SageMaker Canvas zapewnia wizualny interfejs typu „wskaż i kliknij” umożliwiający generowanie dokładnych przewidywań ML na potrzeby klasyfikacji, regresji, prognozowania, przetwarzania języka naturalnego (NLP) i widzenia komputerowego (CV). Ponadto możesz uzyskać dostęp do modeli fundamentów (FM) i je ocenić Amazońska skała macierzysta lub publiczne FM z Amazon SageMaker JumpStart do generowania treści, wyodrębniania tekstu i podsumowywania tekstu w celu wspierania generatywnych rozwiązań AI. SageMaker Canvas pozwala na to przynieś modele ML zbudowane w dowolnym miejscu i generuj prognozy bezpośrednio w SageMaker Canvas.
Chmura danych Salesforce i Studio Einsteina
Salesforce Data Cloud to platforma danych, która zapewnia firmom aktualizacje danych klientów w czasie rzeczywistym z dowolnego punktu kontaktu.
Einstein Studio to brama do narzędzi AI w Salesforce Data Cloud. Dzięki Einstein Studio administratorzy i analitycy danych mogą bez wysiłku tworzyć modele za pomocą kilku kliknięć lub przy użyciu kodu. Rozwiązanie Einstein Studio „przynieś własny model” (BYOM) zapewnia możliwość łączenia niestandardowych lub generatywnych modeli AI z platform zewnętrznych, takich jak SageMaker, z Salesforce Data Cloud.
Omówienie rozwiązania
Aby zademonstrować, jak można budować modele uczenia maszynowego przy użyciu danych w Salesforce Data Cloud przy użyciu SageMaker Canvas, tworzymy model predykcyjny w celu rekomendacji produktu. Model ten wykorzystuje funkcje przechowywane w Salesforce Data Cloud, takie jak dane demograficzne klientów, zaangażowanie marketingowe i historia zakupów. Model rekomendacji produktów jest budowany i wdrażany przy użyciu bezkodowego interfejsu użytkownika SageMaker Canvas z wykorzystaniem danych w Salesforce Data Cloud.
Używamy poniższych przykładowy zbiór danych przechowywane w Usługa Amazon Simple Storage (Amazon S3). Aby skorzystać z tego zbioru danych w Salesforce Data Cloud, zobacz Utwórz strumień danych Amazon S3 w chmurze danych. Do utworzenia modelu potrzebne są następujące atrybuty:
- Członek klubu – Jeżeli Klient jest członkiem klubu
- Kampania – Kampania, której częścią jest klient
- Stan – Stan lub prowincja, w której mieszka klient
- Miesiąc – Miesiąc zakupu
- Liczba przypadków – Liczba spraw zgłoszonych przez klienta
- Zwrot typu sprawy – Czy klient zwrócił jakikolwiek produkt w ciągu ostatniego roku
- Rodzaj sprawy Przesyłka uszkodzona – Czy w ciągu ostatniego roku klient miał jakiekolwiek przesyłki uszkodzone
- Wynik zaangażowania – Poziom zaangażowania klienta (reakcja na kampanie mailingowe, logowania do sklepu internetowego itp.)
- Tenuta – Czas trwania relacji klienta z firmą
- Kliknięć – Średnia liczba kliknięć wykonanych przez klienta w ciągu tygodnia poprzedzającego zakup
- Odwiedzone strony – Średnia liczba stron, które klient odwiedził w ciągu tygodnia przed zakupem
- Zakupiony produkt – Rzeczywisty zakupiony produkt
Poniższe kroki zawierają przegląd sposobu korzystania z łącznika Salesforce Data Cloud uruchomionego w SageMaker Canvas w celu uzyskania dostępu do danych przedsiębiorstwa i zbudowania modelu predykcyjnego:
- Skonfiguruj aplikację połączoną z Salesforce, aby zarejestrować domenę SageMaker Canvas.
- Skonfiguruj OAuth dla Salesforce Data Cloud w SageMaker Canvas.
- Połącz się z danymi Salesforce Data Cloud za pomocą wbudowanego łącznika SageMaker Canvas Salesforce Data Cloud i zaimportuj zbiór danych.
- Twórz i trenuj modele w SageMaker Canvas.
- Wdróż model w SageMaker Canvas i dokonaj prognoz.
- Wdróż plik Brama Amazon API punkt końcowy jako połączenie frontonu z punktem końcowym wnioskowania SageMaker.
- Zarejestruj punkt końcowy API Gateway w Einstein Studio. Aby uzyskać instrukcje, zobacz Przenieś własne modele AI do chmury danych.
Poniższy schemat ilustruje architekturę rozwiązania.
Wymagania wstępne
Zanim zaczniesz, wykonaj następujące wymagane kroki, aby utworzyć domenę SageMaker i włączyć SageMaker Canvas:
- Tworzenie Studio Amazon SageMaker domena. Aby uzyskać instrukcje, zobacz Na pokładzie do domeny Amazon SageMaker.
- Zanotuj identyfikator domeny i rolę wykonawczą, która została utworzona i będzie używana przez Twój profil użytkownika. Uprawnienia do tej roli dodajesz w kolejnych krokach.
Poniższy zrzut ekranu przedstawia domenę, którą utworzyliśmy dla tego wpisu.
- Następnie przejdź do profilu użytkownika i wybierz Edytuj.
- Nawiguj do Ustawienia płótna Amazon SageMaker sekcję i wybierz Włącz uprawnienia bazowe Canvas.
- Wybierz Włącz bezpośrednie wdrażanie modeli Canvas i Włącz uprawnienia rejestru modelu dla wszystkich użytkowników.
Umożliwia to SageMaker Canvas wdrażanie modeli na punktach końcowych konsoli SageMaker. Ustawienia te można skonfigurować na poziomie domeny lub profilu użytkownika. Ustawienia profilu użytkownika mają pierwszeństwo przed ustawieniami domeny.
Utwórz lub zaktualizuj połączoną aplikację Salesforce
Następnie tworzymy aplikację połączoną z Salesforce, aby umożliwić przepływ OAuth z SageMaker Canvas do Salesforce Data Cloud. Wykonaj następujące kroki:
- Zaloguj się do Salesforce i przejdź do ustawienie.
- w szukaniu Menedżer aplikacji i utwórz nową połączoną aplikację.
- Podaj następujące dane wejściowe:
- W razie zamówieenia projektu Nazwa połączonej aplikacji, Wpisz imię.
- W razie zamówieenia projektu Nazwa interfejsu API, pozostaw ustawienie domyślne (jest ono wypełniane automatycznie).
- W razie zamówieenia projektu Kontakt e-mail, wpisz swój kontaktowy adres e-mail.
- Wybierz Włącz ustawienia OAuth.
- W razie zamówieenia projektu URL wywołania zwrotnego, wchodzić
https://<domain-id>.studio.<region>.sagemaker.aws/canvas/default/lab
i podaj identyfikator domeny oraz region z domeny SageMaker.
- Skonfiguruj następujące zakresy w połączonej aplikacji:
- Zarządzaj danymi użytkowników poprzez interfejsy API (
api
). - Wykonuj żądania w dowolnym momencie (
refresh_token
,offline_access
). - Wykonuj zapytania ANSI SQL na danych Salesforce Data Cloud (Data
Cloud_query_api
). - Zarządzaj danymi profilu Data Cloud (
Data Cloud_profile_api
). - Uzyskaj dostęp do usługi adresu URL tożsamości (
id
,profile
,email
,address
,phone
). - Uzyskaj dostęp do unikalnych identyfikatorów użytkownika (
openid
).
- Zarządzaj danymi użytkowników poprzez interfejsy API (
- Ustaw połączoną aplikację Relaks IP ustawienie Zrelaksuj ograniczenia IP.
Skonfiguruj ustawienia OAuth dla łącznika Salesforce Data Cloud
Używa SageMaker Canvas Menedżer tajemnic AWS do bezpiecznego przechowywania informacji o połączeniu z połączonej aplikacji Salesforce. SageMaker Canvas umożliwia administratorom konfigurowanie ustawień OAuth dla indywidualnego profilu użytkownika lub na poziomie domeny. Pamiętaj, że możesz dodać sekret zarówno do domeny, jak i do profilu użytkownika, ale SageMaker Canvas szuka sekretów najpierw w profilu użytkownika.
Aby skonfigurować ustawienia OAuth, wykonaj następujące kroki:
- Przejdź do edycji ustawień domeny lub profilu użytkownika w konsoli SageMaker.
- Dodaj Ustawienia płótna w okienku nawigacji.
- Pod Ustawienia OAuth, Dla Źródło danychwybierz Chmura danych Salesforce.
- W razie zamówieenia projektu Tajna konfiguracja, możesz utworzyć nowy sekret lub użyć istniejącego sekretu. W tym przykładzie tworzymy nowy klucz tajny i wprowadzamy identyfikator klienta oraz sekret klienta z połączonej aplikacji Salesforce.
Więcej informacji na temat włączania protokołu OAuth w SageMaker Canvas można znaleźć w artykule Skonfiguruj OAuth dla Salesforce Data Cloud.
To kończy konfigurację umożliwiającą dostęp do danych z Salesforce Data Cloud do SageMaker Canvas w celu tworzenia modeli AI i ML.
Importuj dane z Salesforce Data Cloud
Aby zaimportować swoje dane, wykonaj następujące czynności:
- Wybierz z profilu użytkownika utworzonego w domenie SageMaker Premiera nastepnie: Brezentowy.
Gdy po raz pierwszy uzyskasz dostęp do aplikacji Canvas, jej utworzenie zajmie około 10 minut.
- Dodaj Poskramiacz danych w okienku nawigacji.
- Na Stwórz menu, wybierz Tabelaryczny aby utworzyć tabelaryczny zbiór danych.
- Nazwij zbiór danych i wybierz Stwórz.
- W razie zamówieenia projektu Źródło danychwybierz Chmura danych Salesforce i Dodaj połączenie , aby zaimportować obiekt Data Lake.
Jeśli wcześniej skonfigurowałeś połączenie z Salesforce Data Cloud, zobaczysz opcję użycia tego połączenia zamiast tworzenia nowego.
- Podaj nazwę nowego połączenia Salesforce Data Cloud i wybierz Dodaj połączenie.
Ukończenie zajmie kilka minut.
- Zostaniesz przekierowany do Logowanie do Salesforce’a stronę, aby autoryzować połączenie.
Po pomyślnym zalogowaniu żądanie zostanie przekierowane z powrotem do SageMaker Canvas z listą obiektów Data Lake.
- Wybierz zestaw danych zawierający funkcje uczenia modelu, który został przesłany za pośrednictwem usługi Amazon S3.
- Przeciągnij i upuść plik, a następnie wybierz Edytuj w SQL.
Salesforce dodaje “__c
“ do wszystkich pól obiektu Data Cloud. Zgodnie z konwencją nazewnictwa SageMaker Canvas, ”__“
nie jest dozwolone w nazwach pól.
- Edytuj kod SQL, aby zmienić nazwy kolumn i usunąć metadane, które nie są istotne dla uczenia modeli. Zastąp nazwę tabeli nazwą obiektu.
- Dodaj Uruchom SQL , a następnie Utwórz zbiór danych.
- Wybierz zbiór danych i wybierz Stwórz model.
- Aby utworzyć model przewidujący rekomendację produktu, podaj nazwę modelu, wybierz Analiza predykcyjna dla Typ problemui wybierz Stwórz.
Zbuduj i wytrenuj model
Wykonaj następujące kroki, aby zbudować i wytrenować model:
- Po uruchomieniu modelu ustaw kolumnę docelową na
product_purchased
.
SageMaker Canvas wyświetla kluczowe statystyki i korelacje każdej kolumny z kolumną docelową. SageMaker Canvas udostępnia narzędzia umożliwiające podgląd modelu i sprawdzanie danych przed rozpoczęciem budowy.
- Skorzystaj z funkcji podglądu modelu, aby sprawdzić dokładność modelu i sprawdzić poprawność zbioru danych, aby zapobiec problemom podczas budowania modelu.
- Po przejrzeniu danych i wprowadzeniu wszelkich zmian w zbiorze danych wybierz typ kompilacji. The Szybka budowa Opcja może być szybsza, ale do zbudowania modelu użyje tylko podzbioru danych. Na potrzeby tego wpisu wybraliśmy Wersja standardowa opcja.
Ukończenie standardowej kompilacji może zająć 2–4 godziny.
SageMaker Canvas automatycznie obsługuje brakujące wartości w zestawie danych podczas budowania modelu. Zastosuje również inne transformacje przygotowania danych, aby przygotować dane do ML.
- Po rozpoczęciu tworzenia modelu możesz opuścić stronę.
Gdy model pokazuje się jako Gotowy na Moje modele strona jest gotowa do analiz i prognoz.
- Po zbudowaniu modelu przejdź do My modelewybierz Zobacz i wysłuchaj , aby wyświetlić utworzony model i wybrać najnowszą wersję.
- Idź do Analizować aby zobaczyć wpływ każdej funkcji na prognozę.
- Aby uzyskać dodatkowe informacje na temat przewidywań modelu, przejdź do Punktacja patka.
- Dodaj Przewiduj aby rozpocząć prognozowanie produktu.
Wdróż model i dokonaj prognoz
Wykonaj następujące kroki, aby wdrożyć model i rozpocząć prognozowanie:
- Można wybrać przewidywanie zbiorcze lub pojedyncze. Na potrzeby tego wpisu wybieramy Pojedyncza prognoza.
Kiedy wybierzesz Pojedyncza prognoza, SageMaker Canvas wyświetla funkcje, dla których możesz podać dane wejściowe.
- Możesz zmienić wartości, wybierając Aktualizacja i przeglądaj prognozy w czasie rzeczywistym.
Wyświetlona zostanie dokładność modelu, a także wpływ każdej cechy na tę konkretną prognozę.
- Aby wdrożyć model, podaj nazwę wdrożenia, wybierz typ instancji i liczbę instancji, a następnie wybierz Rozmieścić.
Wdrożenie modelu zajmie kilka minut.
Stan modelu został zaktualizowany do Czynny po pomyślnym wdrożeniu.
SageMaker Canvas udostępnia opcję testowania wdrożenia.
- Dodaj Pokaż szczegóły.
Połączenia Szczegóły Karta zawiera szczegóły punktu końcowego modelu. Typ instancji, liczba, format wejściowy, treść odpowiedzi i punkt końcowy to tylko niektóre z kluczowych wyświetlanych szczegółów.
- Dodaj Wdrożenie testowe aby przetestować wdrożony punkt końcowy.
Podobnie jak w przypadku pojedynczej predykcji, widok wyświetla funkcje wejściowe i zapewnia opcję aktualizacji i testowania punktu końcowego w czasie rzeczywistym.
Nowa prognoza wraz z wynikiem wywołania punktu końcowego jest zwracana do użytkownika.
Utwórz interfejs API, aby udostępnić punkt końcowy SageMaker
Aby wygenerować prognozy, które zasilają aplikacje biznesowe w Salesforce, musisz udostępnić punkt końcowy wnioskowania SageMaker utworzony przez wdrożenie SageMaker Canvas za pośrednictwem API Gateway i zarejestrować go w Salesforce Einstein.
Formaty żądań i odpowiedzi różnią się w zależności od punktu końcowego wnioskowania Salesforce Einstein i SageMaker. Możesz użyć API Gateway do przeprowadzenia transformacji lub użycia AWS Lambda aby przekształcić żądanie i zmapować odpowiedź. Odnosić się do Wywołaj punkt końcowy modelu Amazon SageMaker za pomocą Amazon API Gateway i AWS Lambda aby udostępnić punkt końcowy SageMaker poprzez Lambda i API Gateway.
Poniższy fragment kodu jest funkcją Lambda służącą do przekształcania żądania i odpowiedzi
Zaktualizuj endpoint
i prediction_label
wartości w funkcji Lambda w zależności od konfiguracji.
- Dodaj zmienną środowiskową
SAGEMAKER_ENDPOINT_NAME
w celu przechwycenia punktu końcowego wnioskowania SageMaker. - Ustaw etykietę przewidywania tak, aby odpowiadała wyjściowemu kluczowi JSON modelu zarejestrowanemu w Einstein Studio.
Domyślny limit czasu dla funkcji Lambda wynosi 3 sekundy. W zależności od rozmiaru danych wejściowych żądania przewidywania, odpowiedź interfejsu API wnioskowania w czasie rzeczywistym SageMaker może zająć więcej niż 3 sekundy.
- Zwiększ limit czasu funkcji Lambda, ale utrzymuj go poniżej Domyślny limit czasu integracji bramy API, czyli 29 sekund.
Zarejestruj model w Salesforce Einstein Studio
Aby zarejestrować punkt końcowy API Gateway w Einstein Studio, zobacz Przenieś własne modele AI do chmury danych.
Wnioski
W tym poście wyjaśniliśmy, jak za pomocą SageMaker Canvas połączyć się z Salesforce Data Cloud i wygenerować prognozy za pomocą automatycznych funkcji uczenia maszynowego bez pisania ani jednej linijki kodu. Zademonstrowaliśmy możliwość budowania modelu SageMaker Canvas w celu przeprowadzenia wczesnego podglądu wydajności modelu przed uruchomieniem standardowej kompilacji, która szkoli model z pełnym zestawem danych. Zaprezentowaliśmy także działania związane z tworzeniem modelu po utworzeniu modelu, takie jak korzystanie z interfejsu pojedynczych prognoz w programie SageMaker Canvas i zrozumienie przewidywań na podstawie ważności funkcji. Następnie wykorzystaliśmy punkt końcowy SageMaker stworzony w SageMaker Canvas i udostępniliśmy go jako API, dzięki czemu można go zintegrować z Salesforce Einstein Studio i tworzyć potężne aplikacje Salesforce.
W nadchodzącym poście pokażemy, jak wykorzystać dane z Salesforce Data Cloud w SageMaker Canvas, aby wgląd i przygotowanie danych było jeszcze prostsze dzięki interfejsowi wizualnemu i prostym podpowiedziom w języku naturalnym.
Aby rozpocząć pracę z SageMaker Canvas, zobacz Dzień zanurzenia w płótnie SageMaker i odnoszą się do Pierwsze kroki z Amazon SageMaker Canvas.
O autorach
Daryla Martisa jest dyrektorem ds. produktu w Einstein Studio w Salesforce Data Cloud. Posiada ponad 10-letnie doświadczenie w planowaniu, budowaniu, uruchamianiu i zarządzaniu światowej klasy rozwiązaniami dla klientów korporacyjnych, w tym rozwiązaniami AI/ML i chmurowymi. Wcześniej pracował w branży usług finansowych w Nowym Jorku. Podążaj za nim LinkedIn.
Rachna Czadha jest głównym architektem rozwiązań AI/ML w dziale strategicznych klientów w AWS. Rachna jest optymistką, która wierzy, że etyczne i odpowiedzialne wykorzystanie sztucznej inteligencji może w przyszłości ulepszyć społeczeństwo i zapewnić dobrobyt gospodarczy i społeczny. W wolnym czasie Rachna lubi spędzać czas z rodziną, wędrować i słuchać muzyki.
Ife Stewart jest głównym architektem rozwiązań w segmencie strategicznych niezależnych dostawców oprogramowania w AWS. Przez ostatnie 2 lata współpracowała z Salesforce Data Cloud, aby pomóc w budowaniu zintegrowanych doświadczeń klientów w Salesforce i AWS. Ife ma ponad 10-letnie doświadczenie w technologii. Jest zwolenniczką różnorodności i włączenia w obszarze technologii.
Raviego Bhattiprolu jest starszym architektem rozwiązań partnerskich w AWS. Ravi współpracuje z partnerami strategicznymi, Salesforce i Tableau, aby dostarczać innowacyjne i dobrze zaprojektowane produkty i rozwiązania, które pomagają wspólnym klientom realizować ich cele biznesowe.
Miriam Lebowitz jest architektem rozwiązań w segmencie strategicznych niezależnych dostawców oprogramowania w AWS. Współpracuje z zespołami w Salesforce, w tym z Salesforce Data Cloud, i specjalizuje się w analizie danych. Poza pracą lubi piec, podróżować i spędzać czas z przyjaciółmi i rodziną.
- 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. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
- Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
- Źródło: https://aws.amazon.com/blogs/machine-learning/democratize-ml-on-salesforce-data-cloud-with-no-code-amazon-sagemaker-canvas/
- :ma
- :Jest
- :nie
- $W GÓRĘ
- 1
- 10
- 100
- 29
- 7
- 8
- a
- O nas
- dostęp
- Konta
- precyzja
- dokładny
- w poprzek
- zajęcia
- rzeczywisty
- Dodaj
- dodatek
- Dodatkowy
- Dodatkowe informacje
- adres
- Dodaje
- Administratorzy
- rzecznik
- Po
- AI
- Modele AI
- AI / ML
- Wszystkie kategorie
- dozwolony
- pozwala
- wzdłuż
- również
- Amazonka
- Brama Amazon API
- Amazon Sage Maker
- Płótno Amazon SageMaker
- Amazon Web Services
- an
- analiza
- analitycy
- analityka
- i
- każdy
- api
- Pszczoła
- Aplikacja
- aplikacje
- Aplikuj
- architektura
- SĄ
- AS
- At
- atrybuty
- autoryzować
- zautomatyzowane
- automatycznie
- dostępny
- średni
- AWS
- z powrotem
- baza
- na podstawie
- BE
- być
- zanim
- rozpocząć
- uważa,
- poniżej
- pomiędzy
- ciało
- obie
- przynieść
- budować
- Budowanie
- Buduje
- wybudowany
- wbudowany
- biznes
- Aplikacje biznesowe
- biznes
- ale
- by
- California
- Kampania
- Kampanie
- CAN
- brezentowy
- zdolność
- zdobyć
- Etui
- zmiana
- Zmiany
- Dodaj
- Wybierając
- obywatel
- Miasto
- klasyfikacja
- klient
- Chmura
- klub
- kod
- Kolumna
- kolumny
- kompletny
- Ukończył
- komputer
- Wizja komputerowa
- Prowadzenie
- systemu
- skonfigurowany
- Skontaktuj się
- połączony
- połączenie
- Konsola
- skontaktuj się
- zawiera
- zawartość
- Generowanie treści
- kontekst
- Konwencja
- korelacje
- mógłby
- Stwórz
- stworzony
- Tworzenie
- tworzenie
- zwyczaj
- klient
- dane klienta
- Klientów
- dane
- dostęp do danych
- Analityka danych
- Jezioro danych
- Platforma danych
- nauka danych
- Domyślnie
- dostarczyć
- zdemokratyzować
- Demografia
- wykazać
- wykazać
- W zależności
- rozwijać
- wdrażane
- Wdrożenie
- wdrożenia
- detale
- kierować
- bezpośrednio
- Dyrektor
- Omawiając
- wystawiany
- wyświetlacze
- Różnorodność
- Różnorodność i integracja
- domena
- na dół
- Spadek
- każdy
- Wcześnie
- Gospodarczy
- bez wysiłku
- Einstein
- bądź
- umożliwiać
- Umożliwia
- umożliwiając
- Punkt końcowy
- zaangażowany
- zaręczynowy
- angaże
- Wchodzę
- Enterprise
- Środowisko
- etyczny
- oceniać
- Parzyste
- wydarzenie
- przykład
- egzekucja
- Przede wszystkim system został opracowany
- doświadczenie
- Doświadczenia
- Wyjaśniać
- wyjaśnione
- zewnętrzny
- ekstrakcja
- członków Twojej rodziny
- szybciej
- Cecha
- Korzyści
- kilka
- pole
- Łąka
- filet
- budżetowy
- usługi finansowe
- i terminów, a
- pierwszy raz
- pływ
- obserwuj
- następujący
- W razie zamówieenia projektu
- format
- Fundacja
- przyjaciele
- od
- pełny
- funkcjonować
- przyszłość
- Bramka
- Generować
- generacja
- generatywny
- generatywna sztuczna inteligencja
- otrzymać
- Dać
- Go
- miał
- Uchwyty
- mający
- he
- pomoc
- jej
- go
- historia
- hostowane
- GODZINY
- W jaki sposób
- How To
- HTML
- http
- HTTPS
- ID
- identyfikatory
- tożsamość
- if
- ilustruje
- zanurzenie
- Rezultat
- importować
- znaczenie
- podnieść
- in
- Włącznie z
- włączenie
- indywidualny
- przemysł
- Informacja
- zainicjować
- Innowacyjny
- wkład
- Wejścia
- spostrzeżenia
- przykład
- zamiast
- instrukcje
- integrować
- zintegrowany
- integracja
- Interfejs
- IP
- problemy
- isv
- IT
- JEGO
- połączenie
- jpg
- json
- właśnie
- Trzymać
- Klawisz
- Etykieta
- jezioro
- język
- Nazwisko
- uruchomiona
- wodowanie
- nauka
- Pozostawiać
- poziom
- lubić
- lubi
- Linia
- Słuchanie
- wymienianie kolejno
- Zaloguj Się
- WYGLĄD
- maszyna
- uczenie maszynowe
- zrobiony
- pocztowy
- robić
- Dokonywanie
- zarządzający
- mapa
- Marketing
- Mecz
- Może..
- Metadane
- minut
- brakujący
- ML
- model
- modele
- Miesiąc
- jeszcze
- większość
- Muzyka
- Nazwa
- Nazwy
- nazywania
- Naturalny
- Przetwarzanie języka naturalnego
- Nawigacja
- Nawigacja
- Potrzebować
- potrzebne
- Nowości
- I Love New York
- nowy jork
- Następny
- nlp
- noty
- numer
- przysięgać
- przedmiot
- Cele
- of
- on
- ONE
- Online
- tylko
- Option
- or
- OS
- Inne
- wydajność
- zewnętrzne
- koniec
- przegląd
- własny
- strona
- stron
- chleb
- część
- partnerem
- wzmacniacz
- dla
- wykonać
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- uprawnienia
- planowanie
- Platforma
- Platformy
- plato
- Analiza danych Platona
- PlatoDane
- punkt
- zaludniony
- Post
- power
- mocny
- przewidzieć
- przepowiednia
- Przewidywania
- przygotowanie
- zapobiec
- Podgląd
- poprzednio
- Główny
- Wcześniejszy
- przetwarzanie
- Produkt
- Produkty
- Profil
- monity
- dobrobyt
- zapewniać
- zapewnia
- publiczny
- zakup
- cel
- jakość
- zapytania
- gotowy
- real
- w czasie rzeczywistym
- zrealizować
- niedawny
- polecić
- Rekomendacja
- odnosić się
- region
- zarejestrować
- zarejestrowany
- rejestr
- związek
- obsługi produkcji rolnej, która zastąpiła
- zażądać
- wywołań
- Odpowiadać
- odpowiedź
- odpowiedzialny
- Ograniczenia
- dalsze
- powrót
- recenzowanie
- Rola
- bieganie
- Czas
- sagemaker
- Wnioskowanie SageMakera
- sprzedawca
- nauka
- Naukowcy
- sekund
- Tajemnica
- tajniki
- Sekcja
- bezpiecznie
- widzieć
- segment
- wybierać
- wybrany
- Serie
- usługa
- Usługi
- zestaw
- ustawienie
- w panelu ustawień
- ustawienie
- ona
- pokazać
- prezentowany
- Targi
- Prosty
- pojedynczy
- Rozmiar
- skrawek
- So
- Obserwuj Nas
- Społeczeństwo
- rozwiązanie
- Rozwiązania
- kilka
- specjalizuje się
- specyficzny
- Spędzanie
- standard
- początek
- rozpoczęty
- Stan
- statystyka
- Rynek
- Cel
- Stewart
- przechowywanie
- sklep
- przechowywany
- bezpośredni
- Strategiczny
- Partnerzy strategiczni
- strumień
- studio
- kolejny
- udany
- taki
- wsparcie
- stół
- Żywy obraz
- Brać
- cel
- Zespoły
- Technologia
- test
- XNUMX
- niż
- że
- Połączenia
- Przyszłość
- Państwo
- ich
- następnie
- Te
- Trzeci
- to
- Przez
- czas
- do
- narzędzia
- Kontakt
- Pociąg
- przeszkolony
- Trening
- pociągi
- Przekształcać
- Transformacja
- przemiany
- Podróżowanie
- rodzaj
- zrozumieć
- zrozumienie
- wyjątkowy
- zbliżających
- Aktualizacja
- zaktualizowane
- Nowości
- przesłanych
- URL
- posługiwać się
- używany
- Użytkownik
- Interfejs użytkownika
- zastosowania
- za pomocą
- UPRAWOMOCNIĆ
- Wartości
- zmienna
- wersja
- przez
- Zobacz i wysłuchaj
- wizja
- odwiedził
- wizualny
- była
- Waszyngton
- we
- sieć
- usługi internetowe
- tydzień
- DOBRZE
- czy
- który
- Podczas
- KIM
- będzie
- w
- w ciągu
- bez
- Praca
- pracował
- działa
- warsztaty
- klasa światowa
- napisać
- pisanie
- lat
- york
- You
- Twój
- zefirnet