Această postare este în colaborare cu Daryl Martis, director de produs, Salesforce Einstein AI.
Aceasta este a treia postare dintr-o serie care discută despre integrarea Salesforce Data Cloud și Amazon SageMaker.
In Partea 1 și Partea 2, arătăm cum integrarea Salesforce Data Cloud și Einstein Studio cu SageMaker permite companiilor să-și acceseze datele Salesforce în siguranță folosind SageMaker și să utilizeze instrumentele sale pentru a construi, antrena și implementa modele la punctele finale găzduite pe SageMaker. Punctele finale SageMaker pot fi înregistrate în Salesforce Data Cloud pentru a activa predicțiile în Salesforce.
În această postare, demonstrăm modul în care analiștii de afaceri și oamenii de știință de date pentru cetățeni pot crea modele de învățare automată (ML), fără niciun cod, în Amazon SageMaker Canvas și implementați modele instruite pentru integrarea cu Salesforce Einstein Studio pentru a crea aplicații de afaceri puternice. SageMaker Canvas oferă o experiență fără cod pentru a accesa datele din Salesforce Data Cloud și pentru a construi, testa și implementa modele folosind doar câteva clicuri. SageMaker Canvas vă permite, de asemenea, să înțelegeți predicțiile folosind importanța caracteristicilor și valorile SHAP, ceea ce vă permite să explicați predicțiile făcute de modelele ML.
SageMaker Canvas
SageMaker Canvas le permite analiștilor de afaceri și echipelor de știință a datelor să construiască și să utilizeze modele ML și AI generative fără a fi nevoie să scrie o singură linie de cod. SageMaker Canvas oferă o interfață vizuală point-and-click pentru a genera predicții ML precise pentru clasificare, regresie, prognoză, procesare a limbajului natural (NLP) și viziune computerizată (CV). În plus, puteți accesa și evalua modele de fundație (FM) din Amazon Bedrock sau FM-uri publice din Amazon SageMaker JumpStart pentru generarea de conținut, extragerea textului și rezumarea textului pentru a sprijini soluții AI generative. SageMaker Canvas vă permite aduce modele ML construite oriunde și generați predicții direct în SageMaker Canvas.
Salesforce Data Cloud și Einstein Studio
Salesforce Data Cloud este o platformă de date care oferă companiilor actualizări în timp real ale datelor clienților lor din orice punct de contact.
Einstein Studio este o poartă către instrumentele AI din Salesforce Data Cloud. Cu Einstein Studio, administratorii și oamenii de știință de date pot crea fără efort modele cu câteva clicuri sau folosind cod. Experiența Einstein Studio aduce propriul model (BYOM) oferă capacitatea de a conecta modele AI personalizate sau generative de la platforme externe, cum ar fi SageMaker, la Salesforce Data Cloud.
Prezentare generală a soluțiilor
Pentru a demonstra cum puteți construi modele ML folosind date din Salesforce Data Cloud folosind SageMaker Canvas, creăm un model predictiv pentru a recomanda un produs. Acest model folosește caracteristicile stocate în Salesforce Data Cloud, cum ar fi datele demografice ale clienților, angajamentele de marketing și istoricul achizițiilor. Modelul de recomandare a produselor este construit și implementat utilizând interfața de utilizator fără cod SageMaker Canvas, folosind date din Salesforce Data Cloud.
Folosim următoarele set de date eșantion stocat in Serviciul Amazon de stocare simplă (Amazon S3). Pentru a utiliza acest set de date în Salesforce Data Cloud, consultați Creați flux de date Amazon S3 în Data Cloud. Următoarele atribute sunt necesare pentru a crea modelul:
- Membru al clubului – Dacă clientul este membru al clubului
- Campanie – Campania din care face parte clientul
- Stat – Statul sau provincia în care locuiește clientul
- Lună – Luna achiziției
- Număr de cazuri – Numărul de cazuri ridicate de client
- Retur tip caz – Dacă clientul a returnat vreun produs în ultimul an
- Tip de carcasă Livrare deteriorată – Dacă clientul a avut transporturi deteriorate în ultimul an
- Scor de implicare – Nivelul de implicare pe care îl are clientul (răspuns la campaniile de corespondență, autentificări la magazinul online și așa mai departe)
- Posesiune – Durata relatiei cu clientul cu firma
- Click-uri – Numărul mediu de clicuri pe care clientul le-a făcut cu o săptămână înainte de cumpărare
- Pagini vizitate – Numărul mediu de pagini vizitate de client cu o săptămână înainte de cumpărare
- Produs achiziționat – Produsul efectiv achiziționat
Următorii pași oferă o imagine de ansamblu asupra modului de utilizare a conectorului Salesforce Data Cloud lansat în SageMaker Canvas pentru a accesa datele companiei și pentru a construi un model predictiv:
- Configurați aplicația conectată Salesforce pentru a înregistra domeniul SageMaker Canvas.
- Configurați OAuth pentru Salesforce Data Cloud în SageMaker Canvas.
- Conectați-vă la datele Salesforce Data Cloud utilizând conectorul SageMaker Canvas Salesforce Data Cloud încorporat și importați setul de date.
- Construiți și antrenați modele în SageMaker Canvas.
- Implementați modelul în SageMaker Canvas și faceți predicții.
- Implementați un Gateway API Amazon punctul final ca o conexiune front-end la punctul final de inferență SageMaker.
- Înregistrați punctul final API Gateway în Einstein Studio. Pentru instrucțiuni, consultați Aduceți propriile modele AI în Data Cloud.
Următoarea diagramă ilustrează arhitectura soluției.
Cerințe preliminare
Înainte de a începe, parcurgeți următorii pași esențiali pentru a crea un domeniu SageMaker și a activa SageMaker Canvas:
- Creați o Amazon SageMaker Studio domeniu. Pentru instrucțiuni, consultați Integrat la domeniul Amazon SageMaker.
- Notați ID-ul domeniului și rolul de execuție care este creat și va fi utilizat de profilul dvs. de utilizator. Adăugați permisiuni pentru acest rol în pașii următori.
Următoarea captură de ecran arată domeniul pe care l-am creat pentru această postare.
- Apoi, accesați profilul de utilizator și alegeți Editati.
- Navigați către Setări Amazon SageMaker Canvas și selectați Activați permisiunile de bază Canvas.
- Selectați Activați implementările directe ale modelelor Canvas și Activați permisiunile de registry de model pentru toți utilizatorii.
Acest lucru permite SageMaker Canvas să implementeze modele la punctele finale de pe consola SageMaker. Aceste setări pot fi configurate la nivel de domeniu sau profil de utilizator. Setările profilului utilizatorului au prioritate față de setările domeniului.
Creați sau actualizați aplicația conectată Salesforce
Apoi, creăm o aplicație conectată la Salesforce pentru a activa fluxul OAuth de la SageMaker Canvas la Salesforce Data Cloud. Parcurgeți următorii pași:
- Conectați-vă la Salesforce și navigați la Configurarea.
- Caută Manager de aplicații și creați o nouă aplicație conectată.
- Furnizați următoarele intrări:
- Pentru Numele aplicației conectate, introduceți un nume.
- Pentru Nume API, lăsați ca implicit (este populat automat).
- Pentru Contact Email, introduceți adresa dvs. de e-mail de contact.
- Selectați Activați Setările OAuth.
- Pentru Adresa URL de apel invers, introduce
https://<domain-id>.studio.<region>.sagemaker.aws/canvas/default/lab
și furnizați ID-ul domeniului și Regiunea din domeniul dvs. SageMaker.
- Configurați următoarele domenii în aplicația conectată:
- Gestionați datele utilizatorilor prin intermediul API-urilor (
api
). - Efectuați cereri în orice moment (
refresh_token
,offline_access
). - Efectuați interogări SQL ANSI pe datele Salesforce Data Cloud (Date
Cloud_query_api
). - Gestionați datele profilului Data Cloud (
Data Cloud_profile_api
). - Accesați serviciul URL de identitate (
id
,profile
,email
,address
,phone
). - Accesați identificatori unici de utilizator (
openid
).
- Gestionați datele utilizatorilor prin intermediul API-urilor (
- Setați aplicația conectată Relaxare IP setarea Relaxați restricțiile IP.
Configurați setările OAuth pentru conectorul Salesforce Data Cloud
Utilizează SageMaker Canvas Manager de secrete AWS pentru a stoca în siguranță informațiile de conectare din aplicația conectată Salesforce. SageMaker Canvas permite administratorilor să configureze setările OAuth pentru un profil de utilizator individual sau la nivel de domeniu. Rețineți că puteți adăuga un secret atât la un domeniu, cât și la un profil de utilizator, dar SageMaker Canvas caută mai întâi secrete în profilul de utilizator.
Pentru a configura setările OAuth, parcurgeți următorii pași:
- Navigați pentru a edita setările de domeniu sau profil de utilizator în Consola SageMaker.
- Alege Setări canvas în panoul de navigare.
- În Setări OAuth, Pentru Sursă de date, alege Salesforce Data Cloud.
- Pentru Configurare secretă, puteți crea un secret nou sau puteți utiliza un secret existent. Pentru acest exemplu, creăm un nou secret și introducem ID-ul clientului și secretul clientului din aplicația conectată Salesforce.
Pentru mai multe detalii despre activarea OAuth în SageMaker Canvas, consultați Configurați OAuth pentru Salesforce Data Cloud.
Aceasta completează configurarea pentru a permite accesul la date de la Salesforce Data Cloud la SageMaker Canvas pentru a construi modele AI și ML.
Importați date din Salesforce Data Cloud
Pentru a importa datele, parcurgeți următorii pași:
- Din profilul de utilizator pe care l-ați creat cu domeniul dumneavoastră SageMaker, alegeți Lansa și selectați Planșă.
Prima dată când accesați aplicația Canvas, va dura aproximativ 10 minute pentru a crea.
- Alege Data Wrangler în panoul de navigare.
- Pe Crea meniu, alegeți tabular pentru a crea un set de date tabelar.
- Denumiți setul de date și alegeți Crea.
- Pentru Sursă de date, alege Salesforce Data Cloud și Adăugați o conexiune pentru a importa obiectul lac de date.
Dacă ați configurat anterior o conexiune la Salesforce Data Cloud, veți vedea o opțiune de a utiliza acea conexiune în loc să creați una nouă.
- Furnizați un nume pentru o nouă conexiune Salesforce Data Cloud și alegeți Adăugați conexiune.
Va dura câteva minute pentru a finaliza.
- Veți fi redirecționat (ă) la Conectare Salesforce pagina pentru a autoriza conexiunea.
După ce autentificarea este reușită, cererea va fi redirecționată înapoi la SageMaker Canvas cu lista de obiecte data Lake.
- Selectați setul de date care conține caracteristicile pentru formarea modelului care a fost încărcat prin Amazon S3.
- Trageți și plasați fișierul, apoi alegeți Editați în SQL.
Salesforce adaugă a “__c
„ la toate câmpurile obiectului Data Cloud. Conform convenției de denumire SageMaker Canvas, ”__“
nu este permisă în numele câmpurilor.
- Editați codul SQL pentru a redenumi coloanele și pentru a elimina metadatele care nu sunt relevante pentru formarea modelului. Înlocuiți numele tabelului cu numele obiectului dvs.
- Alege Rulați SQL și apoi Creați set de date.
- Selectați setul de date și alegeți Creați un model.
- Pentru a crea un model care să prezică o recomandare de produs, furnizați un nume de model, alegeți Analiza predictivă pentru Tipul problemeiși alegeți Crea.
Construiește și antrenează modelul
Parcurgeți următorii pași pentru a vă construi și antrena modelul:
- După lansarea modelului, setați coloana țintă la
product_purchased
.
SageMaker Canvas afișează statistici cheie și corelații ale fiecărei coloane cu coloana țintă. SageMaker Canvas vă oferă instrumente pentru a previzualiza modelul și a valida datele înainte de a începe construirea.
- Utilizați funcția de previzualizare a modelului pentru a vedea acuratețea modelului și pentru a valida setul de date pentru a preveni problemele în timpul construirii modelului.
- După ce ați examinat datele și a făcut orice modificări la setul de date, alegeți tipul de compilare. The Construire rapidă opțiunea poate fi mai rapidă, dar va folosi doar un subset de date pentru a construi un model. În scopul acestei postări, am selectat Construcție standard opțiune.
O construcție standard poate dura 2-4 ore.
SageMaker Canvas gestionează automat valorile lipsă din setul de date în timp ce construiește modelul. De asemenea, va aplica și alte transformări de pregătire a datelor pentru ca dvs. să pregătiți datele pentru ML.
- După ce modelul dvs. începe construirea, puteți părăsi pagina.
Când modelul arată ca Gata pe Modelele mele pagina, este gata pentru analiză și predicții.
- După ce modelul este construit, navigați la My Modele, alege Vizualizare pentru a vizualiza modelul pe care l-ați creat și alegeți cea mai recentă versiune.
- Du-te la Analiza pentru a vedea impactul fiecărei caracteristici asupra predicției.
- Pentru informații suplimentare despre predicțiile modelului, navigați la Punctajul tab.
- Alege prezice pentru a iniția o predicție de produs.
Implementați modelul și faceți predicții
Parcurgeți următorii pași pentru a vă implementa modelul și pentru a începe să faceți predicții:
- Puteți alege să faceți predicții în lot sau unice. În scopul acestei postări, alegem Pronostic unic.
Când alegi Pronostic unic, SageMaker Canvas afișează caracteristicile pentru care puteți furniza intrări.
- Puteți modifica valorile alegând Actualizează și vizualizați predicția în timp real.
Vor fi afișate acuratețea modelului, precum și impactul fiecărei caracteristici pentru acea predicție specifică.
- Pentru a implementa modelul, furnizați un nume de implementare, selectați un tip de instanță și un număr de instanțe și alegeți Lansa.
Implementarea modelului va dura câteva minute.
Starea modelului este actualizată la În funcțiune după implementarea cu succes.
SageMaker Canvas oferă o opțiune de testare a implementării.
- Alege Vezi detalii.
Detalii fila furnizează detaliile punctului final al modelului. Tipul instanței, numărul, formatul de intrare, conținutul răspunsului și punctul final sunt câteva dintre detaliile cheie afișate.
- Alege Test de implementare pentru a testa punctul final implementat.
Similar cu predicția unică, vizualizarea afișează caracteristicile de intrare și oferă o opțiune de actualizare și testare a punctului final în timp real.
Noua predicție împreună cu rezultatul invocării punctului final sunt returnate utilizatorului.
Creați API pentru a expune SageMaker Endpoint
Pentru a genera predicții care alimentează aplicațiile de afaceri în Salesforce, trebuie să expuneți punctul final de inferență SageMaker creat de implementarea SageMaker Canvas prin API Gateway și să îl înregistrați în Salesforce Einstein.
Formatele de solicitare și răspuns variază între punctul final de inferență Salesforce Einstein și SageMaker. Puteți folosi fie API Gateway pentru a efectua transformarea, fie pentru a utiliza AWS Lambdas pentru a transforma cererea și a mapa răspunsul. A se referi la Apelați un punct final al modelului Amazon SageMaker folosind Amazon API Gateway și AWS Lambda pentru a expune un punct final SageMaker prin Lambda și API Gateway.
Următorul fragment de cod este o funcție Lambda pentru a transforma solicitarea și răspunsul
Actualizați endpoint
și prediction_label
valorile din funcția Lambda în funcție de configurația dvs.
- Adăugați o variabilă de mediu
SAGEMAKER_ENDPOINT_NAME
pentru a captura punctul final de inferență SageMaker. - Setați eticheta de predicție pentru a se potrivi cu cheia JSON de ieșire a modelului care este înregistrată în Einstein Studio.
Timpul de expirare implicit pentru o funcție Lambda este de 3 secunde. În funcție de dimensiunea de intrare a cererii de predicție, API-ul de inferență în timp real SageMaker poate dura mai mult de 3 secunde pentru a răspunde.
- Măriți timpul de expirare a funcției Lambda, dar mențineți-l sub Timeout implicit de integrare API Gateway, care este de 29 de secunde.
Înregistrați modelul în Salesforce Einstein Studio
Pentru a înregistra punctul final API Gateway în Einstein Studio, consultați Aduceți propriile modele AI în Data Cloud.
Concluzie
În această postare, am explicat cum puteți utiliza SageMaker Canvas pentru a vă conecta la Salesforce Data Cloud și a genera predicții prin funcții automate ML fără a scrie o singură linie de cod. Am demonstrat capacitatea de construire a modelului SageMaker Canvas pentru a efectua o previzualizare timpurie a performanței modelului înainte de a rula versiunea standard care antrenează modelul cu setul de date complet. De asemenea, am prezentat activități de creare post-model, cum ar fi utilizarea interfeței unice de predicții în SageMaker Canvas și înțelegerea predicțiilor dvs. folosind importanța caracteristicilor. Apoi, am folosit punctul final SageMaker creat în SageMaker Canvas și l-am făcut disponibil ca API, astfel încât să îl puteți integra cu Salesforce Einstein Studio și să creați aplicații Salesforce puternice.
Într-o postare viitoare, vă vom arăta cum să utilizați datele din Salesforce Data Cloud în SageMaker Canvas pentru a face informațiile și pregătirea datelor și mai simple, folosind o interfață vizuală și instrucțiuni simple în limbaj natural.
Pentru a începe cu SageMaker Canvas, consultați Zi de imersiune SageMaker Canvas și se referă la Noțiuni introductive cu Amazon SageMaker Canvas.
Despre autori
Daryl Martis este director de produs pentru Einstein Studio la Salesforce Data Cloud. Are peste 10 ani de experiență în planificarea, construirea, lansarea și gestionarea soluțiilor de clasă mondială pentru clienții întreprinderilor, inclusiv soluții AI/ML și cloud. El a lucrat anterior în industria serviciilor financiare din New York City. Urmăriți-l mai departe LinkedIn.
Rachna Chadha este arhitect principal de soluții AI/ML în conturi strategice la AWS. Rachna este o optimistă care crede că utilizarea etică și responsabilă a inteligenței artificiale poate îmbunătăți societatea în viitor și poate aduce prosperitate economică și socială. În timpul liber, Rachnei îi place să petreacă timpul cu familia ei, să facă drumeții și să asculte muzică.
Ife Stewart este arhitect principal de soluții în segmentul ISV strategic la AWS. Ea a fost implicată cu Salesforce Data Cloud în ultimii 2 ani pentru a ajuta la construirea de experiențe integrate pentru clienți în Salesforce și AWS. Ife are peste 10 ani de experiență în tehnologie. Ea este un avocat al diversității și incluziunii în domeniul tehnologiei.
Ravi Bhattiprolu este arhitect senior de soluții pentru parteneri la AWS. Ravi lucrează cu parteneri strategici, Salesforce și Tableau, pentru a furniza produse și soluții inovatoare și bine proiectate care îi ajută pe clienții comuni să-și realizeze obiectivele de afaceri.
Miriam Lebowitz este arhitect de soluții în segmentul ISV strategic la AWS. Este implicată cu echipe din Salesforce, inclusiv Salesforce Data Cloud, și este specializată în analiza datelor. În afara serviciului, îi place să coace, să călătorească și să petreacă timp de calitate cu prietenii și familia.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
- PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
- PlatoESG. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
- PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/democratize-ml-on-salesforce-data-cloud-with-no-code-amazon-sagemaker-canvas/
- :are
- :este
- :nu
- $UP
- 1
- 10
- 100
- 29
- 7
- 8
- a
- Despre Noi
- acces
- Conturi
- precizie
- precis
- peste
- activităţi de
- curent
- adăuga
- plus
- Suplimentar
- informatii suplimentare
- adresa
- Adaugă
- administratori
- avocat
- După
- AI
- Modele AI
- AI / ML
- TOATE
- permis
- permite
- de-a lungul
- de asemenea
- Amazon
- Gateway API Amazon
- Amazon SageMaker
- Amazon SageMaker Canvas
- Amazon Web Services
- an
- analiză
- analiști
- Google Analytics
- și
- Orice
- api
- API-uri
- aplicaţia
- aplicatii
- Aplică
- arhitectură
- SUNT
- AS
- At
- atribute
- autoriza
- Automata
- în mod automat
- disponibil
- in medie
- AWS
- înapoi
- de bază
- bazat
- BE
- fost
- înainte
- începe
- consideră că
- de mai jos
- între
- corp
- atât
- aduce
- construi
- Clădire
- construiește
- construit
- construit-in
- afaceri
- Aplicații pentru afaceri
- întreprinderi
- dar
- by
- California
- Campanie
- Campanii
- CAN
- pânză
- capacitate
- captura
- cazuri
- Schimbare
- Modificări
- Alege
- alegere
- cetăţean
- Oraș
- clasificare
- client
- Cloud
- club
- cod
- Coloană
- Coloane
- Completă
- finalizeaza
- calculator
- Computer Vision
- Conduce
- Configuraţie
- configurat
- Conectați
- legat
- conexiune
- Consoleze
- contactați-ne
- conține
- conţinut
- Generare de conținut
- context
- Convenție
- corelații
- ar putea
- crea
- a creat
- Crearea
- creaţie
- personalizat
- client
- datele despre consumator
- clienţii care
- de date
- accesul la date
- Analiza datelor
- Lacul de date
- Platforma de date
- știința datelor
- Mod implicit
- livra
- democratiza
- Criterii demografice
- demonstra
- demonstrat
- În funcție
- implementa
- dislocate
- desfășurarea
- implementări
- detalii
- direcționa
- direct
- Director
- discutarea
- afișat
- afișează
- Diversitate
- Diversitate si includere
- domeniu
- jos
- Picătură
- fiecare
- Devreme
- Economic
- efort
- Einstein
- oricare
- permite
- permite
- permițând
- Punct final
- angajat
- angajament
- angajamente
- Intrați
- Afacere
- Mediu inconjurator
- etic
- evalua
- Chiar
- eveniment
- exemplu
- execuție
- existent
- experienţă
- Experiențe
- Explica
- a explicat
- extern
- extracţie
- familie
- mai repede
- Caracteristică
- DESCRIERE
- puțini
- camp
- Domenii
- Fișier
- financiar
- Servicii financiare
- First
- prima dată
- debit
- urma
- următor
- Pentru
- format
- Fundație
- Prietenii lui
- din
- Complet
- funcţie
- viitor
- poartă
- genera
- generaţie
- generativ
- AI generativă
- obține
- Da
- Go
- HAD
- Mânere
- având în
- he
- ajutor
- ei
- -l
- istorie
- găzduit
- ORE
- Cum
- Cum Pentru a
- HTML
- http
- HTTPS
- ID
- identificatorii
- Identitate
- if
- ilustrează
- imersiune
- Impactul
- import
- importanță
- îmbunătăţi
- in
- Inclusiv
- includere
- individ
- industrie
- informații
- iniția
- inovatoare
- intrare
- intrări
- perspective
- instanță
- in schimb
- instrucțiuni
- integra
- integrate
- integrare
- interfaţă
- IP
- probleme de
- isv
- IT
- ESTE
- comun
- jpg
- JSON
- doar
- A pastra
- Cheie
- Etichetă
- lac
- limbă
- Nume
- a lansat
- lansare
- învăţare
- Părăsi
- Nivel
- ca
- îi place
- Linie
- Ascultare
- listare
- Logare
- Se pare
- maşină
- masina de învățare
- făcut
- discuții
- face
- Efectuarea
- de conducere
- Hartă
- Marketing
- Meci
- Mai..
- Metadata
- minute
- dispărut
- ML
- model
- Modele
- Lună
- mai mult
- cele mai multe
- Muzică
- nume
- nume
- denumire
- Natural
- Procesarea limbajului natural
- Navigaţi
- Navigare
- Nevoie
- necesar
- Nou
- New York
- New York City
- următor
- nlp
- nota
- număr
- oauth
- obiect
- Obiectivele
- of
- on
- ONE
- on-line
- afară
- Opțiune
- or
- OS
- Altele
- producție
- exterior
- peste
- Prezentare generală
- propriu
- pagină
- pagini
- pâine
- parte
- partener
- parteneri
- pentru
- Efectua
- performanță
- permisiuni
- planificare
- platformă
- Platforme
- Plato
- Informații despre date Platon
- PlatoData
- Punct
- populat
- Post
- putere
- puternic
- prezice
- prezicere
- Predictii
- pregătire
- împiedica
- Anunţ
- în prealabil
- Principal
- anterior
- prelucrare
- Produs
- Produse
- Profil
- solicitări
- prosperitate
- furniza
- furnizează
- public
- cumpărare
- scop
- calitate
- interogări
- ridicat
- gata
- real
- în timp real
- realiza
- recent
- recomanda
- Recomandare
- trimite
- regiune
- Inregistreaza-te
- înregistrată
- registru
- relaţie
- înlocui
- solicita
- cereri de
- Răspunde
- răspuns
- responsabil
- restricții
- rezultat
- reveni
- revizuirea
- Rol
- funcţionare
- Runtime
- sagemaker
- SageMaker Inference
- Salesforce
- Ştiinţă
- oamenii de stiinta
- secunde
- Secret
- secrete
- Secțiune
- în siguranță,
- vedea
- segment
- selecta
- selectate
- serie
- serviciu
- Servicii
- set
- instalare
- setări
- configurarea
- ea
- Arăta
- a prezentat
- Emisiuni
- simplu
- singur
- Mărimea
- fragment
- So
- Social
- Societate
- soluţie
- soluţii
- unele
- specializată
- specific
- Cheltuire
- standard
- Începe
- început
- Stat
- statistică
- Stare
- paşi
- Stewart
- depozitare
- stoca
- stocate
- simplu
- Strategic
- parteneri strategici
- curent
- studio
- ulterior
- de succes
- astfel de
- a sustine
- tabel
- Tablou
- Lua
- Ţintă
- echipe
- Tehnologia
- test
- a) Sport and Nutrition Awareness Day in Manasia Around XNUMX people from the rural commune Manasia have participated in a sports and healthy nutrition oriented activity in one of the community’s sports ready yards. This activity was meant to gather, mainly, middle-aged people from a Romanian rural community and teach them about the benefits that sports have on both their mental and physical health and on how sporting activities can be used to bring people from a community closer together. Three trainers were made available for this event, so that the participants would get the best possible experience physically and so that they could have the best access possible to correct information and good sports/nutrition practices. b) Sports Awareness Day in Poiana Țapului A group of young participants have taken part in sporting activities meant to teach them about sporting conduct, fairplay, and safe physical activities. The day culminated with a football match.
- decât
- acea
- Viitorul
- Statul
- lor
- apoi
- Acestea
- Al treilea
- acest
- Prin
- timp
- la
- Unelte
- atingeţi
- Tren
- dresat
- Pregătire
- trenuri
- Transforma
- Transformare
- transformări
- Traveling
- tip
- înţelege
- înţelegere
- unic
- viitoare
- Actualizează
- actualizat
- actualizări
- încărcat
- URL-ul
- utilizare
- utilizat
- Utilizator
- User Interface
- utilizări
- folosind
- VALIDA
- Valori
- variabil
- versiune
- de
- Vizualizare
- viziune
- vizitat
- vizual
- a fost
- Washington
- we
- web
- servicii web
- săptămână
- BINE
- dacă
- care
- în timp ce
- OMS
- voi
- cu
- în
- fără
- Apartamente
- a lucrat
- fabrică
- Ateliere
- de clasă mondială
- scrie
- scris
- ani
- York
- Tu
- Ta
- zephyrnet