Esta postagem é de coautoria de Daryl Martis, Diretor de Produto, Salesforce Einstein AI.
Esta é a terceira postagem de uma série que discute a integração do Salesforce Data Cloud e Amazon Sage Maker.
In Parte 1 e Parte 2, mostramos como a integração do Salesforce Data Cloud e do Einstein Studio com o SageMaker permite que as empresas acessem seus dados do Salesforce com segurança usando o SageMaker e usem suas ferramentas para criar, treinar e implantar modelos em endpoints hospedados no SageMaker. Os endpoints do SageMaker podem ser registrados no Salesforce Data Cloud para ativar previsões no Salesforce.
Nesta postagem, demonstramos como analistas de negócios e cientistas de dados cidadãos podem criar modelos de aprendizado de máquina (ML), sem qualquer código, em Tela do Amazon SageMaker e implante modelos treinados para integração com o Salesforce Einstein Studio para criar aplicativos de negócios poderosos. O SageMaker Canvas oferece uma experiência sem código para acessar dados do Salesforce Data Cloud e construir, testar e implantar modelos com apenas alguns cliques. O SageMaker Canvas também permite que você entenda suas previsões usando a importância do recurso e os valores SHAP, tornando mais fácil explicar as previsões feitas por modelos de ML.
Tela SageMaker
O SageMaker Canvas permite que analistas de negócios e equipes de ciência de dados criem e usem modelos de ML e IA generativos sem a necessidade de escrever uma única linha de código. O SageMaker Canvas fornece uma interface visual de apontar e clicar para gerar previsões precisas de ML para classificação, regressão, previsão, processamento de linguagem natural (PNL) e visão computacional (CV). Além disso, você pode acessar e avaliar modelos de fundação (FMs) de Rocha Amazônica ou FMs públicos de JumpStart do Amazon SageMaker para geração de conteúdo, extração de texto e resumo de texto para apoiar soluções generativas de IA. O SageMaker Canvas permite que você leve modelos de ML construídos para qualquer lugar e gerar previsões diretamente no SageMaker Canvas.
Salesforce Data Cloud e Einstein Studio
Salesforce Data Cloud é uma plataforma de dados que fornece às empresas atualizações em tempo real dos dados de seus clientes a partir de qualquer ponto de contato.
O Einstein Studio é uma porta de entrada para ferramentas de IA no Salesforce Data Cloud. Com o Einstein Studio, administradores e cientistas de dados podem criar modelos facilmente com apenas alguns cliques ou usando código. A experiência traga seu próprio modelo (BYOM) do Einstein Studio oferece a capacidade de conectar modelos de IA personalizados ou generativos de plataformas externas, como SageMaker, ao Salesforce Data Cloud.
Visão geral da solução
Para demonstrar como você pode construir modelos de ML usando dados no Salesforce Data Cloud usando o SageMaker Canvas, criamos um modelo preditivo para recomendar um produto. Este modelo usa os recursos armazenados no Salesforce Data Cloud, como dados demográficos do cliente, compromissos de marketing e histórico de compras. O modelo de recomendação de produto é criado e implantado usando a interface de usuário sem código do SageMaker Canvas usando dados no Salesforce Data Cloud.
Nós usamos o seguinte amostra de conjunto de dados armazenado em Serviço de armazenamento simples da Amazon (Amazon S3). Para usar este conjunto de dados no Salesforce Data Cloud, consulte Criar fluxo de dados do Amazon S3 na nuvem de dados. Os seguintes atributos são necessários para criar o modelo:
- Membro do clube – Se o cliente for sócio do clube
- Campanha – A campanha da qual o cliente faz parte
- Estado – O estado ou província em que o cliente reside
- Mês – O mês da compra
- Contagem de casos – O número de casos levantados pelo cliente
- Retorno do Tipo de Caso – Se o cliente devolveu algum produto no último ano
- Tipo de Caixa Remessa Danificada – Se o cliente teve alguma remessa danificada no último ano
- Pontuação de engajamento – O nível de envolvimento que o cliente tem (resposta a campanhas de mailing, logins na loja online, etc.)
- Mandato – A duração do relacionamento do cliente com a empresa
- Cliques – O número médio de cliques que o cliente fez na semana anterior à compra
- Páginas visitadas – O número médio de páginas que o cliente visitou na semana anterior à compra
- Produto Adquirido – O produto real adquirido
As etapas a seguir fornecem uma visão geral de como usar o conector Salesforce Data Cloud lançado no SageMaker Canvas para acessar seus dados corporativos e construir um modelo preditivo:
- Configure o aplicativo conectado do Salesforce para registrar o domínio do SageMaker Canvas.
- Configure o OAuth para Salesforce Data Cloud no SageMaker Canvas.
- Conecte-se aos dados do Salesforce Data Cloud usando o conector integrado do SageMaker Canvas Salesforce Data Cloud e importe o conjunto de dados.
- Crie e treine modelos no SageMaker Canvas.
- Implante o modelo no SageMaker Canvas e faça previsões.
- Implantar um Gateway de API da Amazon endpoint como uma conexão front-end com o endpoint de inferência do SageMaker.
- Registre o endpoint do API Gateway no Einstein Studio. Para obter instruções, consulte Traga seus próprios modelos de IA para a nuvem de dados.
O diagrama a seguir ilustra a arquitetura da solução.
Pré-requisitos
Antes de começar, conclua as seguintes etapas de pré-requisito para criar um domínio SageMaker e ativar o SageMaker Canvas:
- Crie uma Estúdio Amazon SageMaker domínio. Para obter instruções, consulte Integrado ao domínio do Amazon SageMaker.
- Anote o ID do domínio e a função de execução criada e usada pelo seu perfil de usuário. Você adiciona permissões a essa função nas etapas subsequentes.
A captura de tela a seguir mostra o domínio que criamos para esta postagem.
- Em seguida, vá até o perfil do usuário e escolha Editar.
- Navegue até a Configurações do Amazon SageMaker Canvas selecione e selecione Habilitar permissões básicas do Canvas.
- Selecionar Habilite implantações diretas de modelos Canvas e Habilitar permissões de registro de modelo para todos os usuários.
Isso permite que o SageMaker Canvas implante modelos em endpoints no console do SageMaker. Essas configurações podem ser definidas no nível do domínio ou do perfil do usuário. As configurações do perfil do usuário têm precedência sobre as configurações do domínio.
Criar ou atualizar o aplicativo conectado do Salesforce
Em seguida, criamos um aplicativo conectado ao Salesforce para permitir o fluxo OAuth do SageMaker Canvas para o Salesforce Data Cloud. Conclua as seguintes etapas:
- Faça login no Salesforce e navegue até instalação.
- Procurar por App Manager e crie um novo aplicativo conectado.
- Forneça as seguintes entradas:
- Escolha Nome do aplicativo conectado, Insira o nome.
- Escolha Nome da API, deixe como padrão (é preenchido automaticamente).
- Escolha Entre em contato E-mail, digite seu endereço de e-mail de contato.
- Selecionar Ativar configurações de OAuth.
- Escolha URL de retorno de chamada, entrar
https://<domain-id>.studio.<region>.sagemaker.aws/canvas/default/lab
e forneça o ID do domínio e a região do seu domínio SageMaker.
- Configure os seguintes escopos no seu aplicativo conectado:
- Gerenciar dados do usuário por meio de APIs (
api
). - Realize solicitações a qualquer momento (
refresh_token
,offline_access
). - Execute consultas ANSI SQL em dados do Salesforce Data Cloud (Data
Cloud_query_api
). - Gerenciar dados do perfil do Data Cloud (
Data Cloud_profile_api
). - Acesse o serviço de URL de identidade (
id
,profile
,email
,address
,phone
). - Acessar identificadores exclusivos de usuário (
openid
).
- Gerenciar dados do usuário por meio de APIs (
- Defina seu aplicativo conectado relaxamento de IP configuração para Relaxe as restrições de IP.
Definir configurações de OAuth para o conector Salesforce Data Cloud
O SageMaker Canvas usa Gerenciador de segredos da AWS para armazenar com segurança informações de conexão do aplicativo conectado Salesforce. O SageMaker Canvas permite que os administradores definam as configurações do OAuth para um perfil de usuário individual ou no nível do domínio. Observe que você pode adicionar um segredo a um domínio e a um perfil de usuário, mas o SageMaker Canvas procura primeiro os segredos no perfil do usuário.
Para definir suas configurações de OAuth, conclua as seguintes etapas:
- Navegue para editar as configurações de domínio ou perfil de usuário no SageMaker Console.
- Escolha Configurações da tela no painel de navegação.
- Debaixo Configurações de OAuth, Por Fonte de dados, escolha Nuvem de dados Salesforce.
- Escolha Configuração secreta, você poderá criar um novo segredo ou usar um segredo existente. Para este exemplo, criamos um novo segredo e inserimos o ID do cliente e o segredo do cliente no aplicativo conectado do Salesforce.
Para obter mais detalhes sobre como ativar o OAuth no SageMaker Canvas, consulte Configurar o OAuth para Salesforce Data Cloud.
Isso conclui a configuração para permitir o acesso aos dados do Salesforce Data Cloud ao SageMaker Canvas para construir modelos de IA e ML.
Importar dados do Salesforce Data Cloud
Para importar seus dados, conclua as seguintes etapas:
- No perfil de usuário que você criou com seu domínio SageMaker, escolha Apresentação livro e selecione Quadros.
Na primeira vez que você acessar seu aplicativo Canvas, a criação levará cerca de 10 minutos.
- Escolha Organizador de dados no painel de navegação.
- No Crie menu, escolha Tabular para criar um conjunto de dados tabular.
- Nomeie o conjunto de dados e escolha Crie.
- Escolha Fonte de dados, escolha Nuvem de dados Salesforce e Adicionar conexão para importar o objeto do data lake.
Se você configurou anteriormente uma conexão com o Salesforce Data Cloud, verá uma opção para usar essa conexão em vez de criar uma nova.
- Forneça um nome para uma nova conexão do Salesforce Data Cloud e escolha Adicionar conexão.
Levará alguns minutos para ser concluído.
- Você será redirecionado para o Login do Salesforce página para autorizar a conexão.
Depois que o login for bem-sucedido, a solicitação será redirecionada de volta para o SageMaker Canvas com a listagem de objetos do data Lake.
- Selecione o conjunto de dados que contém os recursos para treinamento de modelo que foi carregado por meio do Amazon S3.
- Arraste e solte o arquivo e escolha Editar em SQL.
Salesforce adiciona um “__c
“ para todos os campos do objeto Data Cloud. De acordo com a convenção de nomenclatura do SageMaker Canvas, ”__“
não é permitido nos nomes dos campos.
- Edite o SQL para renomear as colunas e eliminar metadados que não sejam relevantes para o treinamento do modelo. Substitua o nome da tabela pelo nome do seu objeto.
- Escolha Executar SQL e depois Criar conjunto de dados.
- Selecione o conjunto de dados e escolha Crie um modelo.
- Para criar um modelo para prever uma recomendação de produto, forneça um nome de modelo, escolha Análise preditiva para Tipo de problemae escolha Crie.
Construir e treinar o modelo
Conclua as etapas a seguir para criar e treinar seu modelo:
- Após o lançamento do modelo, defina a coluna de destino como
product_purchased
.
O SageMaker Canvas exibe as principais estatísticas e correlações de cada coluna com a coluna de destino. O SageMaker Canvas fornece ferramentas para visualizar seu modelo e validar dados antes de começar a construir.
- Use o recurso de visualização do modelo para ver a precisão do seu modelo e validar seu conjunto de dados para evitar problemas durante a construção do modelo.
- Depois de revisar seus dados e fazer alterações em seu conjunto de dados, escolha seu tipo de build. O Construção rápida A opção pode ser mais rápida, mas usará apenas um subconjunto de seus dados para construir um modelo. Para o propósito desta postagem, selecionamos o Versão padrão opção.
Uma compilação padrão pode levar de 2 a 4 horas para ser concluída.
O SageMaker Canvas lida automaticamente com valores ausentes em seu conjunto de dados enquanto constrói o modelo. Ele também aplicará outras transformações de preparação de dados para que você prepare os dados para ML.
- Depois que seu modelo começar a ser construído, você poderá sair da página.
Quando o modelo aparece como Pronto na Meus modelos página, está pronto para análises e previsões.
- Após a construção do modelo, navegue até My modelos, escolha Ver para visualizar o modelo que você criou e escolha a versão mais recente.
- Vou ao Analise para ver o impacto de cada recurso na previsão.
- Para obter informações adicionais sobre as previsões do modelo, navegue até o Marcar aba.
- Escolha Prever para iniciar uma previsão de produto.
Implante o modelo e faça previsões
Conclua as etapas a seguir para implantar seu modelo e começar a fazer previsões:
- Você pode optar por fazer previsões em lote ou individuais. Para o propósito desta postagem, escolhemos Previsão única.
Quando você escolhe Previsão única, o SageMaker Canvas exibe os recursos para os quais você pode fornecer entradas.
- Você pode alterar os valores escolhendo Atualizar e veja a previsão em tempo real.
A precisão do modelo, bem como o impacto de cada recurso para aquela previsão específica, serão exibidos.
- Para implantar o modelo, forneça um nome de implantação, selecione um tipo de instância e uma contagem de instâncias e escolha Implantação.
A implantação do modelo levará alguns minutos.
O status do modelo é atualizado para Em serviço após a implantação ser bem-sucedida.
O SageMaker Canvas oferece uma opção para testar a implantação.
- Escolha Ver detalhes.
A Adicionar ao carrinho fornece os detalhes do endpoint do modelo. Tipo de instância, contagem, formato de entrada, conteúdo de resposta e endpoint são alguns dos principais detalhes exibidos.
- Escolha Implantação de teste para testar o endpoint implantado.
Semelhante à previsão única, a visualização exibe os recursos de entrada e oferece uma opção para atualizar e testar o endpoint em tempo real.
A nova previsão junto com o resultado da invocação do endpoint é retornada ao usuário.
Crie API para expor o SageMaker Endpoint
Para gerar previsões que potencializam aplicativos de negócios no Salesforce, você precisa expor o endpoint de inferência do SageMaker criado pela implantação do SageMaker Canvas por meio do API Gateway e registrá-lo no Salesforce Einstein.
Os formatos de solicitação e resposta variam entre o ponto de extremidade de inferência do Salesforce Einstein e do SageMaker. Você pode usar o API Gateway para realizar a transformação ou usar AWS Lambda para transformar a solicitação e mapear a resposta. Referir-se Chame um endpoint do modelo Amazon SageMaker usando Amazon API Gateway e AWS Lambda para expor um endpoint SageMaker via Lambda e API Gateway.
O trecho de código a seguir é uma função Lambda para transformar a solicitação e a resposta
Atualize o endpoint
e prediction_label
valores na função Lambda com base na sua configuração.
- Adicione uma variável de ambiente
SAGEMAKER_ENDPOINT_NAME
para capturar o endpoint de inferência do SageMaker. - Defina o rótulo de previsão para corresponder à chave JSON de saída do modelo registrada no Einstein Studio.
O tempo limite padrão para uma função Lambda é de 3 segundos. Dependendo do tamanho da entrada da solicitação de previsão, a API de inferência em tempo real do SageMaker pode levar mais de três segundos para responder.
- Aumente o tempo limite da função Lambda, mas mantenha-o abaixo do Tempo limite de integração padrão do API Gateway, que é 29 segundos.
Registre o modelo no Salesforce Einstein Studio
Para registrar o endpoint do API Gateway no Einstein Studio, consulte Traga seus próprios modelos de IA para a nuvem de dados.
Conclusão
Nesta postagem, explicamos como você pode usar o SageMaker Canvas para se conectar ao Salesforce Data Cloud e gerar previsões por meio de recursos automatizados de ML sem escrever uma única linha de código. Demonstramos o recurso de construção de modelo do SageMaker Canvas para realizar uma visualização antecipada do desempenho do seu modelo antes de executar a construção padrão que treina o modelo com o conjunto de dados completo. Também apresentamos atividades de criação pós-modelo, como usar a interface única de previsões no SageMaker Canvas e entender suas previsões usando a importância do recurso. Em seguida, usamos o endpoint SageMaker criado no SageMaker Canvas e o disponibilizamos como uma API para que você possa integrá-lo ao Salesforce Einstein Studio e criar aplicativos Salesforce poderosos.
Em uma próxima postagem, mostraremos como usar dados do Salesforce Data Cloud no SageMaker Canvas para tornar os insights e a preparação de dados ainda mais simples usando uma interface visual e prompts simples em linguagem natural.
Para começar a usar o SageMaker Canvas, consulte Dia de imersão no SageMaker Canvas e referir-se a Conceitos básicos do Amazon SageMaker Canvas.
Sobre os autores
Daryl Martins é diretor de produto do Einstein Studio na Salesforce Data Cloud. Ele tem mais de 10 anos de experiência em planejamento, construção, lançamento e gerenciamento de soluções de classe mundial para clientes corporativos, incluindo IA/ML e soluções em nuvem. Anteriormente, ele trabalhou no setor de serviços financeiros na cidade de Nova York. Siga-o Linkedin.
Rachna Chadha é Arquiteto Principal de Soluções AI/ML em Contas Estratégicas na AWS. Rachna é uma otimista que acredita que o uso ético e responsável da IA pode melhorar a sociedade no futuro e trazer prosperidade econômica e social. Em seu tempo livre, Rachna gosta de passar o tempo com sua família, fazer caminhadas e ouvir música.
Ifé Stewart é Arquiteto Principal de Soluções no segmento ISV Estratégico da AWS. Ela está envolvida com o Salesforce Data Cloud nos últimos 2 anos para ajudar a criar experiências de cliente integradas no Salesforce e na AWS. Ife tem mais de 10 anos de experiência em tecnologia. Ela é uma defensora da diversidade e inclusão no campo da tecnologia.
Ravi Bhattiprolu é arquiteto de soluções parceiro sênior na AWS. Ravi trabalha com parceiros estratégicos, Salesforce e Tableau, para fornecer produtos e soluções inovadores e bem arquitetados que ajudam clientes comuns a atingir seus objetivos de negócios.
Miriam Lebowitz é arquiteto de soluções no segmento ISV estratégico da AWS. Ela está envolvida com equipes do Salesforce, incluindo Salesforce Data Cloud, e é especializada em análise de dados. Fora do trabalho, ela gosta de cozinhar, viajar e passar bons momentos com amigos e família.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
- PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
- PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
- PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/democratize-ml-on-salesforce-data-cloud-with-no-code-amazon-sagemaker-canvas/
- :tem
- :é
- :não
- $UP
- 1
- 10
- 100
- 29
- 7
- 8
- a
- Sobre
- Acesso
- Contas
- precisão
- preciso
- em
- atividades
- real
- adicionar
- Adição
- Adicional
- Informação adicional
- endereço
- Adiciona
- administradores
- advogado
- Depois de
- AI
- Modelos de IA
- AI / ML
- Todos os Produtos
- permitidas
- permite
- juntamente
- tb
- Amazon
- Gateway de API da Amazon
- Amazon Sage Maker
- Tela do Amazon SageMaker
- Amazon Web Services
- an
- análise
- Analistas
- analítica
- e
- qualquer
- api
- APIs
- app
- aplicações
- Aplicar
- arquitetura
- SOMOS
- AS
- At
- atributos
- autorizar
- Automatizado
- automaticamente
- disponível
- média
- AWS
- em caminho duplo
- base
- baseado
- BE
- sido
- antes
- começar
- acredita
- abaixo
- entre
- corpo
- ambos
- trazer
- construir
- Prédio
- Constrói
- construído
- construídas em
- negócio
- Aplicações de Negócio
- negócios
- mas a
- by
- Califórnia
- Campanha
- Campanhas
- CAN
- lona
- capacidade
- capturar
- casos
- alterar
- Alterações
- Escolha
- escolha
- cidadão
- Cidades
- classificação
- cliente
- Na nuvem
- clube
- código
- Coluna
- colunas
- completar
- Completa
- computador
- Visão de Computador
- Conduzir
- Configuração
- configurado
- Contato
- conectado
- da conexão
- cônsul
- Contacto
- contém
- conteúdo
- Geração de Conteúdo
- contexto
- Convenção
- correlações
- poderia
- crio
- criado
- Criar
- criação
- personalizadas
- cliente
- dados do cliente
- Clientes
- dados,
- acesso a dados
- Análise de Dados
- lago data
- Plataforma de dados
- ciência de dados
- Padrão
- entregar
- democratizar
- Demografia
- demonstrar
- demonstraram
- Dependendo
- implantar
- implantado
- desenvolvimento
- Implantações
- detalhes
- diretamente
- diretamente
- Diretor
- discutir
- exibido
- monitores
- Diversidade
- Diversidade e inclusão
- domínio
- down
- Cair
- cada
- Cedo
- Econômico
- sem esforço
- einstein
- ou
- permitir
- permite
- permitindo
- Ponto final
- contratado
- COMPROMETIMENTO
- compromissos
- Entrar
- Empreendimento
- Meio Ambiente
- considerações éticas
- avaliar
- Mesmo
- Evento
- exemplo
- execução
- existente
- vasta experiência
- Experiências
- Explicação
- explicado
- externo
- Extração
- família
- mais rápido
- Característica
- Funcionalidades
- poucos
- campo
- Campos
- Envie o
- financeiro
- serviços financeiros
- Primeiro nome
- primeira vez
- fluxo
- seguir
- seguinte
- Escolha
- formato
- Foundation
- amigos
- da
- cheio
- função
- futuro
- porta de entrada
- gerar
- geração
- generativo
- IA generativa
- ter
- OFERTE
- Go
- tinha
- Alças
- ter
- he
- ajudar
- sua experiência
- ele
- história
- hospedado
- HORÁRIO
- Como funciona o dobrador de carta de canal
- Como Negociar
- HTML
- http
- HTTPS
- ID
- Identificadores
- Identidade
- if
- ilustra
- imersão
- Impacto
- importar
- importância
- melhorar
- in
- Incluindo
- inclusão
- Individual
- indústria
- INFORMAÇÕES
- iniciar
- inovadores
- entrada
- inputs
- insights
- instância
- em vez disso
- instruções
- integrar
- integrado
- integração
- Interface
- IP
- questões
- Isv
- IT
- ESTÁ
- articulação
- jpg
- json
- apenas por
- Guarda
- Chave
- O rótulo
- lago
- língua
- Sobrenome
- lançado
- de lançamento
- aprendizagem
- Deixar
- Nível
- como
- gostos
- Line
- Escuta
- listagem
- entrar
- OLHARES
- máquina
- aprendizado de máquina
- moldadas
- correspondência
- fazer
- Fazendo
- gestão
- mapa,
- Marketing
- Match
- Posso..
- metadados
- Minutos
- desaparecido
- ML
- modelo
- modelos
- Mês
- mais
- a maioria
- Música
- nome
- nomes
- nomeando
- natural
- Processamento de linguagem natural
- Navegar
- Navegação
- você merece...
- necessário
- Novo
- New York
- Cidade de Nova Iorque
- Próximo
- PNL
- nota
- número
- juramento
- objeto
- objetivos
- of
- on
- ONE
- online
- só
- Opção
- or
- OS
- Outros
- saída
- lado de fora
- Acima de
- Visão geral
- próprio
- página
- páginas
- pão
- parte
- parceiro
- Parceiros
- para
- Realizar
- atuação
- permissões
- planejamento
- plataforma
- Plataformas
- platão
- Inteligência de Dados Platão
- PlatãoData
- ponto
- populosa
- Publique
- poder
- poderoso
- predizer
- predição
- Previsões
- preparação
- evitar
- visualização
- anteriormente
- Diretor
- Prévio
- em processamento
- Produto
- Produtos
- Perfil
- solicita
- prosperidade
- fornecer
- fornece
- público
- compra
- propósito
- qualidade
- consultas
- angariado
- pronto
- reais
- em tempo real
- perceber
- recentemente
- recomendar
- Recomendação
- referir
- região
- cadastre-se
- registrado
- registro
- relacionamento
- relevante
- substituir
- solicitar
- pedidos
- Responder
- resposta
- responsável
- restrições
- resultar
- retorno
- revendo
- Tipo
- corrida
- tempo de execução
- sábio
- Inferência do SageMaker
- Salesforce
- Ciência
- cientistas
- segundo
- Segredo
- segredos!
- Seção
- firmemente
- Vejo
- segmento
- selecionar
- selecionado
- Série
- serviço
- Serviços
- conjunto
- contexto
- Configurações
- instalação
- ela
- mostrar
- mostrada
- Shows
- simples
- solteiro
- Tamanho
- fragmento
- So
- Redes Sociais
- Sociedade
- solução
- Soluções
- alguns
- especializada
- específico
- Passar
- padrão
- começo
- começado
- Estado
- estatística
- Status
- Passos
- stewart
- armazenamento
- loja
- armazenadas
- franco
- Estratégico
- parceiros estratégicos
- transmitir canais
- estudo
- subseqüente
- bem sucedido
- tal
- ajuda
- mesa
- Quadro
- Tire
- Target
- equipes
- Tecnologia
- teste
- texto
- do que
- que
- A
- O Futuro
- O Estado
- deles
- então
- Este
- Terceiro
- isto
- Através da
- tempo
- para
- ferramentas
- tocar
- Trem
- treinado
- Training
- trens
- Transformar
- Transformação
- transformações
- Viagens
- tipo
- compreender
- compreensão
- único
- os próximos
- Atualizar
- Atualizada
- Atualizações
- carregado
- URL
- usar
- usava
- Utilizador
- Interface de Usuário
- usos
- utilização
- VALIDAR
- Valores
- variável
- versão
- via
- Ver
- visão
- visitado
- visual
- foi
- Washington
- we
- web
- serviços web
- semana
- BEM
- se
- qual
- enquanto
- QUEM
- precisarão
- de
- dentro
- sem
- Atividades:
- trabalhou
- trabalho
- Workshops
- classe mundial
- escrever
- escrita
- anos
- Iorque
- Vocês
- investimentos
- zefirnet