Dane ustrukturyzowane, definiowane jako dane posiadające ustalony wzór, taki jak informacje przechowywane w kolumnach baz danych, oraz dane nieustrukturyzowane, którym brakuje określonej formy lub wzoru, takiego jak tekst, obrazy lub posty w mediach społecznościowych, stale rosną w miarę ich wytwarzania i konsumpcji przez różne organizacje. Na przykład według International Data Corporation (IDC) do roku 2025 oczekuje się, że światowa ilość danych wzrośnie dziesięciokrotnie, przy czym znaczną część będą stanowić dane nieustrukturyzowane. Przedsiębiorstwa mogą chcieć dodać niestandardowe metadane, takie jak typy dokumentów (formularze W-2 lub odcinki wypłat), różne typy jednostek, takie jak nazwiska, organizacja i adres, oprócz standardowych metadanych, takich jak typ pliku, data utworzenia lub rozmiar, aby rozszerzyć inteligentne przeszukiwać podczas przeglądania dokumentów. Niestandardowe metadane pomagają organizacjom i przedsiębiorstwom kategoryzować informacje w preferowany sposób. Metadane można na przykład wykorzystać do filtrowania i wyszukiwania. Klienci mogą tworzyć niestandardowe metadane za pomocą Amazon Comprehend, usługa przetwarzania języka naturalnego (NLP) zarządzana przez AWS w celu wydobywania spostrzeżeń na temat treści dokumentów i przetwarzania ich w Amazonka Kendra wraz z ich danymi do indeksu. Amazon Kendra to bardzo dokładna i łatwa w użyciu usługa wyszukiwania korporacyjnego oparta na uczeniu maszynowym (AWS). Niestandardowe metadane można następnie wykorzystać do lepszego wzbogacenia treści filtrowanie i aspekt możliwości. W Amazon Kendra aspekty są widokami zbioru wyników wyszukiwania w określonym zakresie. Można na przykład udostępnić wyniki wyszukiwania dla miast na całym świecie, gdzie dokumenty są filtrowane według konkretnego miasta, z którym są powiązane. Można także tworzyć aspekty, aby wyświetlać wyniki określonego autora.
Firmy ubezpieczeniowe są obciążone coraz większą liczbą roszczeń, które muszą rozpatrzyć. Dodatkowo wzrasta również złożoność obsługi roszczeń ze względu na różnorodność rodzajów dokumentów ubezpieczeniowych i niestandardowych podmiotów w każdym z tych dokumentów. W tym poście opisujemy przypadek użycia niestandardowego wzbogacania treści dla ubezpieczycieli. Ubezpieczyciel otrzymuje roszczenia o wypłatę od prawnika beneficjenta z tytułu różnych rodzajów ubezpieczeń, takich jak ubezpieczenie domu, samochodu i na życie. W tym przypadku dokumenty otrzymane przez ubezpieczyciela nie zawierają metadanych pozwalających na przeszukiwanie treści po określonych podmiotach i klasach. Ubezpieczyciel chce filtrować treści Kendry na podstawie niestandardowych encji i klas specyficznych dla jego domeny biznesowej. Ten post ilustruje, jak można zautomatyzować i uprościć generowanie metadanych przy użyciu niestandardowych modeli przez Amazon Comprehend. Wygenerowane metadane można dostosować podczas procesu przetwarzania za pomocą Amazon Kendra Niestandardowe wzbogacanie dokumentów (CDE) niestandardowa logika.
Przyjrzyjmy się kilku przykładom wyszukiwania Amazon Kendra z funkcjami filtrowania i aspektów lub bez nich.
Na poniższym zrzucie ekranu Amazon Kendra udostępnia wynik wyszukiwania, ale nie ma możliwości dalszego zawężenia wyników wyszukiwania za pomocą jakichkolwiek filtrów.
Poniższy zrzut ekranu pokazuje, że wyniki wyszukiwania Amazon Kendra można filtrować przy użyciu różnych aspektów, takich jak kancelaria prawna, numery polis, utworzonych na podstawie niestandardowych metadanych w celu zawężenia wyników wyszukiwania.
Rozwiązanie omówione w tym poście można z łatwością zastosować również w innych firmach/przypadkach użycia, takich jak opieka zdrowotna, produkcja i badania.
Omówienie rozwiązania
W proponowanym rozwiązaniu 1) będziemy klasyfikować zgłoszenia roszczeń ubezpieczeniowych na różne klasy oraz 2) wyszukiwać z tych dokumentów podmioty specyficzne dla ubezpieczenia. Po zakończeniu procesu dokument można skierować do odpowiedniego działu lub dalszego procesu.
Poniższy diagram przedstawia proponowaną architekturę rozwiązania.
Amazon Comprehend klasyfikacja niestandardowa API służy do porządkowania dokumentów w zdefiniowane przez Ciebie kategorie (klasy). Klasyfikacja niestandardowa jest procesem dwuetapowym. Najpierw trenujesz niestandardowy model klasyfikacji (zwany także klasyfikatorem), aby rozpoznawał interesujące Cię klasy. Następnie używasz swojego modelu do klasyfikowania dowolnej liczby zestawów dokumentów.
Amazon Comprehend rozpoznawanie jednostek niestandardowych funkcja służy do identyfikacji konkretnych typów podmiotów (nazwy towarzystwa ubezpieczeniowego, nazwy ubezpieczyciela, numeru polisy) poza tym, co jest dostępne w ogólne typy jednostek domyślnie. Budowanie niestandardowego modelu rozpoznawania encji jest bardziej efektywnym podejściem niż używanie dopasowywania ciągów lub wyrażeń regularnych w celu wyodrębniania encji z dokumentów. Niestandardowy model rozpoznawania jednostek może poznać kontekst, w którym te nazwy mogą się pojawić. Ponadto dopasowywanie ciągów nie wykryje jednostek, które zawierają literówki lub są zgodne z nowymi konwencjami nazewnictwa, chociaż jest to możliwe przy użyciu modelu niestandardowego.
Zanim zanurkujemy głębiej, poświęćmy chwilę na poznanie Amazon Kendra. Amazon Kendra to bardzo dokładna i łatwa w użyciu usługa wyszukiwania dla przedsiębiorstw oparta na uczeniu maszynowym. Umożliwia użytkownikom znalezienie potrzebnych informacji w ogromnej ilości treści rozproszonych po całej organizacji, począwszy od witryn internetowych i baz danych po witryny intranetowe. Najpierw utworzymy indeks Amazon Kendra w celu pobrania dokumentów. Podczas pozyskiwania danych należy wziąć pod uwagę koncepcję niestandardowego wzbogacania danych (CDE). CDE umożliwia zwiększenie możliwości wyszukiwania poprzez włączenie wiedzy zewnętrznej do indeksu wyszukiwania. Aby uzyskać więcej informacji, zobacz Wzbogacanie dokumentów podczas przetwarzania. W tym poście logika CDE wywołuje niestandardowe interfejsy API Amazon Comprehend w celu wzbogacenia dokumentów o zidentyfikowane klasy i encje. Na koniec używamy strony wyszukiwania Amazon Kendra, aby pokazać, jak metadane zwiększyły możliwości wyszukiwania, dodając możliwości facetingu i filtrowania.
Ogólne kroki wdrożenia tego rozwiązania są następujące:
- Trenuj niestandardowy klasyfikator Amazon Comrehend przy użyciu danych szkoleniowych
- Trenuj rozpoznawanie encji niestandardowych Amazon Comrehend przy użyciu danych szkoleniowych
- Utwórz niestandardowy klasyfikator Amazon Comprehend i niestandardowe punkty końcowe rozpoznawania jednostek
- Utwórz i wdróż funkcję Lambda do wzbogacania po ekstrakcji
- Utwórz i wypełnij indeks Amazon Kendra
- Użyj wyodrębnionych jednostek, aby filtrować wyszukiwania w Amazon Kendra
Udostępniliśmy także przykładową aplikację w formacie GitHub repo na przykład.
Kwestie dotyczące bezpieczeństwa danych i uprawnień
Ponieważ bezpieczeństwo jest najwyższym priorytetem, rozwiązanie to opiera się na zasadzie najmniejszych uprawnień w zakresie używanych usług i funkcji. Rola IAM używana przez niestandardową klasyfikację Amazon Comprehend i rozpoznawanie encji niestandardowych ma uprawnienia dostępu do zbioru danych wyłącznie z zasobnika testowego. Usługa Amazon Kendra ma dostęp do określonego segmentu S3 i funkcji Lambda używanej do wywoływania API zrozumienia. Funkcja Lambda ma uprawnienia do wywoływania wyłącznie interfejsów API Amazon Comprehend. Aby uzyskać więcej informacji, przejrzyj sekcje 1.2 i 1.3 w notatniku.
Zalecamy wykonanie poniższych czynności w środowisku nieprodukcyjnym przed wdrożeniem rozwiązania w środowisku produkcyjnym.
Trenuj klasyfikator niestandardowy Conrehend przy użyciu danych szkoleniowych
Klasyfikacja niestandardowa Amazon Comrehend obsługuje dwa typy formatów danych dla plików adnotacji:
Ponieważ nasze dane są już oznaczone i przechowywane w plikach CSV, jako przykład użyjemy formatu pliku CSV dla pliku adnotacji. Musimy dostarczyć oznaczone dane szkoleniowe jako tekst zakodowany w UTF-8 w pliku CSV. Nie dołączaj wiersza nagłówka do pliku CSV. Dodanie wiersza nagłówka do pliku może spowodować błędy w czasie wykonywania. Przykład pliku CSV z danymi treningowymi wygląda następująco:
Aby przygotować dane szkoleniowe klasyfikatora, zobacz Przygotowanie danych uczących klasyfikatora. Dla każdego wiersza w pliku CSV pierwsza kolumna zawiera jedną lub więcej etykiet klas. Etykietą klasy może być dowolny prawidłowy ciąg znaków w formacie UTF-8. Zalecamy używanie przejrzystych nazw klas, które nie nakładają się na siebie pod względem znaczeniowym. Nazwa może zawierać odstępy i może składać się z wielu słów połączonych podkreśleniami lub łącznikami. Nie zostawiaj spacji przed ani po przecinkach oddzielających wartości w wierszu.
Następnie będziesz trenować za pomocą Tryb wieloklasowy or Tryb wielu etykiet. W szczególności w trybie wielu klas klasyfikacja przypisuje jedną klasę do każdego dokumentu, natomiast w trybie wielu etykiet poszczególne klasy reprezentują różne kategorie, które nie wykluczają się wzajemnie. W naszym przypadku będziemy używać trybu Multi-Class dla modeli zwykłego tekstu.
Możesz przygotować osobne zbiory danych szkoleniowych i testowych na potrzeby szkolenia niestandardowych klasyfikatorów Amazon Comprehend i oceny modelu. Lub podaj tylko jeden zestaw danych do celów szkoleniowych i testowych. Aplikacja Comrehend automatycznie wybierze 10% dostarczonego zestawu danych do wykorzystania jako dane testowe. W tym przykładzie zapewniamy oddzielne zbiory danych szkoleniowych i testowych.
Poniższy przykład pokazuje plik CSV zawierający nazwy klas powiązane z różnymi dokumentami.
Po przeszkoleniu niestandardowego modelu klasyfikacji może on uwzględniać w dokumentach różne klasy ubezpieczeń (ubezpieczenie domu, samochodu lub na życie).
Trenuj moduł rozpoznawania encji niestandardowych Amazon Comrehend (NER) przy użyciu danych szkoleniowych
Zbiór danych szkoleniowych dla usługi Amazon Comrehend Custom Entity Recognition (NER) można przygotować na jeden z dwóch różnych sposobów:
- Adnotacje – Zapewnia zestaw danych zawierający jednostki z adnotacjami na potrzeby uczenia trybu
- Listy encji (tylko zwykły tekst) – Zawiera listę podmiotów i rodzaj ich etykiet (np. „Nazwy firm ubezpieczeniowych”) oraz zestaw dokumentów bez adnotacji zawierających te podmioty na potrzeby szkolenia modelowego
Aby uzyskać więcej informacji, zobacz Przygotowanie danych szkoleniowych dotyczących rozpoznawania jednostek.
Ucząc model przy użyciu listy encji, musimy podać dwie informacje: listę nazw encji z powiązanymi z nimi niestandardowymi typami encji oraz zbiór dokumentów bez adnotacji, w których encje się pojawiają.
Uczenie automatyczne wymaga posiadania dwóch rodzajów informacji: przykładowych dokumentów oraz listy podmiotów lub adnotacji. Po przeszkoleniu modułu rozpoznawania można go używać do wykrywania niestandardowych encji w dokumentach. Możesz szybko przeanalizować mały fragment tekstu w czasie rzeczywistym lub możesz analizować duży zestaw dokumentów za pomocą zadania asynchronicznego.
Możesz przygotować osobne zbiory danych szkoleniowych i testowych na potrzeby szkolenia w zakresie rozpoznawania encji niestandardowych Amazon Comprehend i oceny modelu. Lub udostępnij tylko jeden zestaw danych do celów szkoleniowych i testowych. Amazon Comprehend automatycznie wybierze 10% dostarczonego zestawu danych do wykorzystania jako dane testowe. W poniższym przykładzie określiliśmy zbiór danych szkoleniowych jako Documents.S3Uri
dla InputDataConfig
.
Poniższy przykład pokazuje plik CSV zawierający encje:
Po przeszkoleniu modelu encji niestandardowych (NER) będzie on mógł wyodrębnić różne encje, takie jak „PAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
".
Utwórz niestandardowy klasyfikator Amazon Comrehend i punkty końcowe encji niestandardowych (NER).
Punkty końcowe Amazon Comprehend udostępniają niestandardowe modele do klasyfikacji w czasie rzeczywistym. Po utworzeniu punktu końcowego możesz wprowadzać w nim zmiany w miarę rozwoju potrzeb biznesowych. Można na przykład monitorować wykorzystanie punktu końcowego i zastosować automatyczne skalowanie, aby automatycznie ustawić udostępnianie punktu końcowego zgodnie z potrzebami w zakresie pojemności. Możesz zarządzać wszystkimi punktami końcowymi z jednego widoku, a gdy punkt końcowy nie będzie już potrzebny, możesz go usunąć, aby zaoszczędzić koszty. Amazon Comprehend obsługuje zarówno opcje synchroniczne, jak i asynchroniczne. Jeśli w Twoim przypadku nie jest wymagana klasyfikacja w czasie rzeczywistym, możesz przesłać zadanie wsadowe do Amazon Comprehend w celu asynchronicznej klasyfikacji danych.
W tym przypadku tworzysz punkt końcowy, aby udostępnić niestandardowy model do analizy w czasie rzeczywistym.
Aby spełnić Twoje potrzeby związane z przetwarzaniem tekstu, do punktu końcowego przypisujesz jednostki wnioskowania, a każda jednostka umożliwia przepustowość 100 znaków na sekundę. Następnie możesz dostosować przepustowość w górę lub w dół.
Utwórz i wdróż funkcję Lambda do wzbogacania po ekstrakcji
Funkcja Lambda po ekstrakcji umożliwia wdrożenie logiki przetwarzania tekstu wyodrębnionego przez Amazon Kendra z pobranego dokumentu. Skonfigurowana przez nas funkcja po ekstrakcji implementuje kod wywołujący usługę Amazon Comprehend w celu wykrycia niestandardowych encji i niestandardowej klasyfikacji dokumentów z tekstu wyodrębnionego przez Amazon Kendra oraz wykorzystuje je do aktualizacji metadanych dokumentu, które są prezentowane jako aspekty w wyszukiwaniu Amazon Kendra . Kod funkcji jest osadzony w notatniku. The PostExtractionLambda
kod działa w następujący sposób:
- Dzieli tekst strony na sekcje, które nie przekraczają maksymalnego limitu długości bajtów
detect_entities
API. (Widzieć Limity ).
UWAGA w skrypcie dla uproszczenia zastosowano naiwny algorytm dzielenia długości znaków – produkcyjne przypadki użycia powinny implementować nakładanie się lub dzielenie granic zdań w oparciu o długość bajtów UTF8. - Dla każdej sekcji tekstu wywoływane są punkty końcowe w czasie rzeczywistym dla encji niestandardowych i klasyfikator niestandardowy w celu wykrycia następujących typów encji: [„
PAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
","INSURANCE_TYPE
„]. - Filtruje wykryte elementy, które są poniżej progu wyniku ufności. Używamy progu 0.50, co oznacza, że użyte zostaną tylko podmioty z pewnością 50% i większą. Można to dostosować w zależności od przypadku użycia i wymagań.
- Śledzi liczbę częstotliwości każdego elementu.
- Wybiera tylko N (10) najlepszych unikalnych elementów dla każdej strony, na podstawie częstotliwości występowania.
- W przypadku klasyfikacji dokumentów klasyfikator wieloklasowy przypisuje każdemu dokumentowi tylko jedną klasę. W tej funkcji Lambda dokumenty zostaną sklasyfikowane jako Ubezpieczenie samochodu, Ubezpieczenie domu lub Ubezpieczenie na życie.
Zauważ, że w chwili pisania tego tekstu CDE obsługuje tylko wywołania synchroniczne lub jeśli musi to być asynchroniczne, potrzebna jest jawna pętla oczekiwania. Do późniejszej ekstrakcji Lambda maksymalny czas realizacji wynosi 1 minutę. Niestandardową logikę Lambda można zmienić w zależności od wymagań pasujących do Twojego przypadku użycia.
Utwórz i wypełnij indeks Amazon Kendra
Na tym etapie pobierzemy dane do indeksu Amazon Kendra i umożliwimy ich przeszukiwanie użytkownikom. Podczas pozyskiwania użyjemy funkcji Lambda utworzonej w poprzednim kroku jako krok po wyodrębnieniu, a funkcja Lambda wywoła punkty końcowe klasyfikacji niestandardowej i rozpoznawania jednostek niestandardowych (NER) w celu utworzenia niestandardowych pól metadanych.
Ogólne kroki wdrożenia tego rozwiązania są następujące:
- Stwórz Indeks Amazonki Kendry.
- Stwórz Źródło danych Amazon Kendra – Istnieją różne źródła danych, których można używać do pozyskiwania zbiorów danych. W tym poście używamy wiadra S3.
- Utwórz aspekty
Law_Firm
,Payout
,Insurance_Company
,Policy_Number
,Policy_Holder_Name
,Insurance_Type
z typem ciągu jako „STRING_LIST_VALUE
". - Utwórz Kendra CDE i skieruj go na utworzoną wcześniej funkcję Lambda po ekstrakcji.
- Wykonaj proces synchronizacji, aby pozyskać zestaw danych.
Po zakończeniu możesz wypełnić indeks danymi ubezpieczeniowymi, korzystając z Kendra CDE z lambdą po wyodrębnieniu, możesz filtrować wyszukiwania na podstawie niestandardowych typów jednostek i niestandardowej klasyfikacji jako niestandardowych pól metadanych.
Użyj wyodrębnionych jednostek, aby filtrować wyszukiwania w Kendra
Teraz indeks jest wypełniony i gotowy do użycia. W konsoli Amazon Kendra wybierz Wyszukaj zaindeksowaną treść w obszarze Zarządzanie danymi i wykonaj następujące czynności.
Zapytaj o następujące informacje: Lista ubezpieczeń nie powiodła się z powodu spóźnionego zgłoszenia?
Wyniki pokazują odpowiedź z rodzaju polisy – HOME INSURANCE
i przynosi text_18
i text_14
jako najlepsze wyniki.
Wybierz „Filtruj wyniki wyszukiwania” po lewej stronie. Teraz zobaczysz wszystkie typy encji i wartości klasyfikacji wyodrębnione za pomocą funkcji Comprehend, a dla każdej wartości encji i klasyfikacji zobaczysz liczbę pasujących dokumentów.
Pod INSURANCE_TYPE
wybierz „Auto-Ubezpieczenie”, a następnie otrzymasz odpowiedź text_25
plik.
Pamiętaj, że Twoje wyniki mogą nieznacznie różnić się od wyników pokazanych na zrzucie ekranu.
Spróbuj wyszukiwać za pomocą własnych zapytań i obserwuj, jak encje i klasyfikacja dokumentów zidentyfikowane przez Amazon Comrehend pozwalają szybko:
- Zobacz, jak wyniki wyszukiwania są rozmieszczone według kategorii.
- Zawęź wyszukiwanie, filtrując według dowolnej wartości jednostki/klasyfikacji.
Sprzątać
Po przeprowadzeniu eksperymentów z wyszukiwaniem i wypróbowaniu notebooka znajdującego się w repozytorium Github usuń infrastrukturę udostępnioną na koncie AWS, aby uniknąć niepożądanych opłat. Komórki czyszczące można uruchomić w notatniku. Alternatywnie możesz usunąć zasoby ręcznie za pomocą konsoli AWS:
- Indeks Amazonki Kendry
- Zrozumienie niestandardowych punktów końcowych klasyfikatora i rozpoznawania jednostek niestandardowych (NER).
- Zrozumienie niestandardowych modeli klasyfikatora i rozpoznawania jednostek niestandardowych (NER).
- Funkcja Lambdy
- Wiadro S3
- Role i zasady uprawnień
Wnioski
W tym poście pokazaliśmy, jak niestandardowe encje i niestandardowy klasyfikator Amazon Comrehend umożliwiają wyszukiwanie Amazon Kendra obsługiwane przez funkcję CDE, aby pomóc użytkownikom końcowym w lepszym wyszukiwaniu danych ustrukturyzowanych/nieustrukturyzowanych. Niestandardowe encje Amazon Comrehend i niestandardowy klasyfikator sprawiają, że jest to bardzo przydatne w różnych przypadkach użycia i różnych danych specyficznych dla domeny. Aby uzyskać więcej informacji na temat korzystania z Amazon Comrehend, zobacz Zasoby dla programistów Amazon Comprehen a w przypadku Amazon Kendra patrz Zasoby programistyczne Amazon Kendra.
Wypróbuj to rozwiązanie w swoim przypadku użycia. Zachęcamy do pozostawienia swojej opinii w sekcjach komentarzy.
O autorach
Amita Chaudhary'ego jest starszym architektem rozwiązań w Amazon Web Services. Jego obszar zainteresowań to sztuczna inteligencja/ML i pomaga klientom w zakresie generatywnej sztucznej inteligencji, dużych modeli językowych i szybkiej inżynierii. Poza pracą Amit lubi spędzać czas z rodziną.
Yanyana Zhanga jest starszym analitykiem danych w zespole Energy Delivery w AWS Professional Services. Jej pasją jest pomaganie klientom w rozwiązywaniu rzeczywistych problemów dzięki wiedzy AI/ML. Ostatnio skupiła się na badaniu potencjału generatywnej sztucznej inteligencji i LLM. Poza pracą uwielbia podróżować, ćwiczyć i odkrywać nowe rzeczy.
Nikhil Jha jest starszym kierownikiem ds. obsługi klienta w Amazon Web Services. Jego obszary zainteresowania obejmują AI/ML i analitykę. W wolnym czasie lubi grać z córką w badmintona i zwiedzać plener.
- 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/use-custom-metadata-created-by-amazon-comprehend-to-intelligently-process-insurance-claims-using-amazon-kendra/
- :ma
- :Jest
- :nie
- :Gdzie
- $W GÓRĘ
- 1
- 1.3
- 10
- 100
- 19
- 2025
- 33
- 50
- 500
- 7
- 9
- a
- Zdolny
- O nas
- dostęp
- Stosownie
- Konto
- Księgowość
- dokładny
- w poprzek
- Dodaj
- dodanie
- dodatek
- do tego
- adres
- Po
- AI
- AI / ML
- algorytm
- Wszystkie kategorie
- pozwala
- wzdłuż
- już
- również
- Amazonka
- Amazon Comprehend
- Amazonka Kendra
- Amazon Web Services
- ilość
- an
- analiza
- analityka
- w czasie rzeczywistym sprawiają,
- i
- odpowiedź
- każdy
- api
- Pszczoła
- zjawić się
- Zastosowanie
- stosowany
- Aplikuj
- podejście
- właściwy
- architektura
- SĄ
- POWIERZCHNIA
- obszary
- AS
- powiązany
- At
- adwokat
- autor
- samochód
- zautomatyzować
- automatycznie
- dostępny
- uniknąć
- AWS
- Usługi profesjonalne AWS
- na podstawie
- BE
- być
- zanim
- poniżej
- Ulepsz Swój
- Poza
- ciało
- obie
- granica
- Przynosi
- Budowanie
- biznes
- ale
- by
- wezwanie
- nazywa
- Połączenia
- CAN
- możliwości
- zdolność
- Pojemność
- zdobyć
- walizka
- Etui
- kategorie
- Spowodować
- Komórki
- pewien
- zmieniony
- Zmiany
- charakter
- znaków
- Opłaty
- Dodaj
- Miasta
- Miasto
- roszczenia
- klasa
- Klasy
- klasyfikacja
- sklasyfikowany
- Klasyfikuj
- jasny
- kod
- kolekcja
- Kolumna
- kolumny
- komentarze
- Firmy
- sukcesy firma
- kompletny
- Zakończony
- kompleksowość
- zrozumieć
- pojęcie
- pewność siebie
- skonfigurowany
- połączony
- Rozważać
- Konsola
- spożywane
- zawierać
- zawiera
- zawartość
- kontekst
- kontynuować
- Konwencje
- KORPORACJA
- Koszty:
- mógłby
- Stwórz
- stworzony
- zwyczaj
- Klientów
- dostosowane
- dane
- wzbogacenie danych
- zarządzanie danymi
- naukowiec danych
- zbiór danych
- Bazy danych
- zbiory danych
- Data
- głębiej
- Domyślnie
- określić
- zdefiniowane
- dostawa
- Departament
- rozwijać
- opisać
- wykryć
- wykryte
- Deweloper
- różne
- różnie
- omówione
- Wyświetlacz
- dystrybuowane
- inny
- nurkowanie
- do
- dokument
- dokumenty
- domena
- darowizna
- nie
- na dół
- z powodu
- podczas
- e
- E i T
- każdy
- z łatwością
- łatwy w użyciu
- Efektywne
- bądź
- el
- osadzone
- Umożliwia
- Punkt końcowy
- energia
- Inżynieria
- wzmacniać
- wzmocnione
- wzbogacać
- wzbogacenie
- Enterprise
- przedsiębiorstwa
- podmioty
- jednostka
- Środowisko
- Błędy
- niezbędny
- ewaluację
- ewoluuje
- przykład
- przykłady
- przekraczać
- Z wyjątkiem
- wyjątek
- Ekskluzywny
- egzekucja
- Wyjście
- spodziewany
- odkryj
- Exploring
- wyrażeń
- rozciągać się
- zewnętrzny
- wyciąg
- ekstrakcja
- aspekty
- Failed
- członków Twojej rodziny
- Cecha
- Korzyści
- informacja zwrotna
- kilka
- Łąka
- filet
- Akta
- Złożenie
- filtrować
- filtracja
- filtry
- W końcu
- Znajdź
- Firma
- i terminów, a
- dopasować
- ustalony
- Skupiać
- obserwuj
- następujący
- następujący sposób
- W razie zamówieenia projektu
- Nasz formularz
- format
- formularze
- Częstotliwość
- od
- funkcjonować
- dalej
- wygenerowane
- generacja
- generatywny
- generatywna sztuczna inteligencja
- otrzymać
- GitHub
- Rosnąć
- Have
- mający
- he
- opieki zdrowotnej
- pomoc
- pomoc
- pomaga
- jej
- na wysokim szczeblu
- wyższy
- Najwyższa
- wysoko
- jego
- Strona główna
- W jaki sposób
- How To
- HTML
- HTTPS
- i
- IDC
- zidentyfikowane
- zidentyfikować
- if
- ilustruje
- zdjęcia
- wdrożenia
- wykonawczych
- narzędzia
- in
- zawierać
- włączenie
- Zwiększać
- wzrastający
- wskaźnik
- zindeksowane
- indywidualny
- Informacja
- Infrastruktura
- wkład
- spostrzeżenia
- przykład
- ubezpieczenie
- Inteligentny
- odsetki
- na świecie
- Międzynarodowa Korporacja Danych (IDC)
- najnowszych
- zapraszać
- inwokuje
- zaangażowany
- IT
- Praca
- json
- wiedza
- Etykieta
- Etykiety
- język
- duży
- Późno
- Prawo
- firma prawnicza
- UCZYĆ SIĘ
- nauka
- najmniej
- Pozostawiać
- lewo
- Długość
- życie
- lubić
- Prawdopodobnie
- LIMIT
- Lista
- wykazy
- LLM
- logika
- dłużej
- Popatrz
- kocha
- maszyna
- uczenie maszynowe
- robić
- WYKONUJE
- zarządzanie
- zarządzane
- i konserwacjami
- kierownik
- ręcznie
- produkcja
- dopasowywanie
- max
- Może..
- znaczenie
- znaczy
- Media
- Poznaj nasz
- Metadane
- min
- Moda
- model
- modele
- moment
- monitor
- jeszcze
- większość
- wielokrotność
- musi
- wzajemnie
- Nazwa
- Nazwy
- nazywania
- wąski
- Potrzebować
- potrzebne
- wymagania
- Nowości
- nlp
- Nie
- notatnik
- już dziś
- numer
- z naszej
- przedmiot
- obiekty
- obserwować
- występowanie
- of
- on
- pewnego razu
- ONE
- tylko
- Option
- Opcje
- or
- organizacja
- organizacji
- Inne
- ludzkiej,
- na zewnątrz
- na zewnątrz
- wytyczne
- zewnętrzne
- własny
- strona
- đôi
- namiętny
- Wzór
- dla
- wykonać
- uprawnienia
- sztuk
- Równina
- plato
- Analiza danych Platona
- PlatoDane
- gra
- punkt
- polityka
- zaludniony
- część
- możliwy
- Post
- Wiadomości
- potencjał
- powered
- Korzystny
- Przygotować
- przygotowany
- przedstawione
- poprzedni
- poprzednio
- zasada
- Wcześniejszy
- priorytet
- przywilej
- problemy
- wygląda tak
- przetwarzanie
- Wytworzony
- Produkcja
- profesjonalny
- zaproponowane
- zapewniać
- pod warunkiem,
- dostawca
- dostawców
- zapewnia
- że
- zapytania
- szybko
- cytaty
- nośny
- Czytaj
- gotowy
- real
- w czasie rzeczywistym
- Odebrane
- otrzymuje
- niedawno
- uznanie
- rozpoznać
- uznane
- polecić
- odnosić się
- odniesienie
- regularny
- składnica
- reprezentować
- wymagany
- wymagania
- Wymaga
- Badania naukowe
- Zasoby
- dalsze
- Efekt
- powrót
- przeglądu
- Rola
- role
- RZĄD
- run
- Czas
- taki sam
- Zapisz
- skalowaniem
- Naukowiec
- wynik
- scenariusz
- Szukaj
- wyszukiwania
- poszukiwania
- druga
- Sekcja
- działy
- bezpieczeństwo
- widzieć
- wybierać
- senior
- wyrok
- oddzielny
- usługa
- Usługi
- zestaw
- Zestawy
- ona
- powinien
- pokazać
- pokazał
- pokazane
- Targi
- znaczący
- prostota
- upraszczać
- pojedynczy
- Witryny
- Rozmiar
- mały
- So
- Obserwuj Nas
- Media społecznościowe
- Posty w mediach społecznościowych
- rozwiązanie
- Rozwiązania
- ROZWIĄZANIA
- Źródła
- Typ przestrzeni
- specyficzny
- swoiście
- określony
- Spędzanie
- Dzieli
- rozpiętość
- standard
- Ewolucja krok po kroku
- Cel
- sklep
- przechowywany
- sznur
- Zgłoszenia
- Zatwierdź
- taki
- wsparcie
- podpory
- synchronizacja
- Brać
- zespół
- Techniczny
- test
- Testowanie
- XNUMX
- niż
- że
- Połączenia
- Informacje
- świat
- ich
- Im
- następnie
- Tam.
- Te
- one
- rzeczy
- to
- tych
- próg
- Przez
- wydajność
- czas
- do
- Top
- śledzić
- Pociąg
- przeszkolony
- Trening
- Podróżowanie
- leczyć
- wypróbowany
- próbować
- tuned
- drugiej
- rodzaj
- typy
- dla
- podkreślenia
- wyjątkowy
- jednostka
- jednostek
- niepożądany
- Aktualizacja
- posługiwać się
- przypadek użycia
- używany
- Użytkownicy
- zastosowania
- za pomocą
- ważny
- wartość
- Wartości
- różnorodny
- Naprawiono
- początku.
- Zobacz i wysłuchaj
- widoki
- Tom
- czekać
- chcieć
- chce
- Droga..
- sposoby
- we
- sieć
- usługi internetowe
- strony internetowe
- DOBRZE
- Co
- Co to jest
- jeśli chodzi o komunikację i motywację
- który
- Podczas
- biały
- będzie
- w
- w ciągu
- bez
- słowa
- Praca
- pracujący
- wypracowanie
- działa
- świat
- świat
- pisanie
- napisany
- You
- Twój
- zefirnet