Această postare este co-scrisă de Ramdev Wudali și Kiran Mantripragada de la Thomson Reuters.
În 1992, Thomson Reuters (TR) a lansat primul său serviciu de cercetare juridică AI, WIN (Westlaw Is Natural), o inovație la acea vreme, deoarece majoritatea motoarelor de căutare acceptau doar termeni și conectori booleeni. De atunci, TR a atins mult mai multe repere, deoarece produsele și serviciile sale de inteligență artificială cresc în mod continuu ca număr și varietate, sprijinind profesioniștii din domeniul juridic, fiscal, contabil, conform și de știri din întreaga lume, cu miliarde de informații de învățare automată (ML) generate în fiecare an. .
Odată cu această creștere extraordinară a serviciilor AI, următoarea etapă pentru TR a fost eficientizarea inovației și facilitarea colaborării. Standardizați construirea și reutilizarea soluțiilor de inteligență artificială în funcțiile de afaceri și personalitatea practicienilor de inteligență artificială, asigurând în același timp aderarea la cele mai bune practici ale întreprinderii:
- Automatizați și standardizați efortul de inginerie repetitiv nediferențiat
- Asigurați izolarea și controlul necesar al datelor sensibile conform standardelor comune de guvernare
- Oferiți acces ușor la resurse de calcul scalabile
Pentru a îndeplini aceste cerințe, TR a construit platforma Enterprise AI în jurul următorilor cinci piloni: un serviciu de date, spațiu de lucru de experimentare, registru central de model, serviciu de implementare a modelului și monitorizare a modelului.
În această postare, discutăm despre modul în care TR și AWS au colaborat pentru a dezvolta prima platformă Enterprise AI a TR, un instrument bazat pe web care ar oferi capabilități variind de la experimentare ML, instruire, un registru central de model, implementare model și monitorizare a modelului. Toate aceste capabilități sunt construite pentru a răspunde standardelor de securitate în continuă evoluție ale TR și pentru a oferi utilizatorilor finali servicii simple, sigure și conforme. De asemenea, împărtășim modul în care TR a activat monitorizarea și guvernanța pentru modelele ML create în diferite unități de afaceri cu un singur panou de sticlă.
Provocările
Din punct de vedere istoric, la TR, ML a fost o capacitate pentru echipele cu oameni de știință de date și ingineri avansați. Echipele cu resurse de înaltă calificare au putut implementa procese complexe de ML în funcție de nevoile lor, dar au devenit rapid izolate. Abordările izolate nu au oferit nicio vizibilitate pentru a oferi guvernanță previziunilor extrem de critice de luare a deciziilor.
Echipele de afaceri TR au cunoștințe vaste în domeniu; cu toate acestea, abilitățile tehnice și efortul de inginerie grele necesare în ML fac dificilă utilizarea expertizei lor profunde pentru a rezolva problemele de afaceri cu puterea ML. TR vrea să democratizeze abilitățile, făcându-le accesibile pentru mai mulți oameni din cadrul organizației.
Diferite echipe din TR își urmează propriile practici și metodologii. TR dorește să dezvolte capabilitățile care se întind pe parcursul ciclului de viață ML pentru utilizatorii lor, pentru a accelera livrarea proiectelor ML, permițând echipelor să se concentreze pe obiectivele de afaceri și nu pe efortul repetitiv de inginerie nediferențiat.
În plus, reglementările referitoare la date și la inteligența artificială etică continuă să evolueze, impunând standarde comune de guvernanță pentru soluțiile de inteligență artificială ale TR.
Prezentare generală a soluțiilor
Platforma Enterprise AI a TR a fost concepută pentru a oferi servicii simple și standardizate diferitelor persoane, oferind capabilități pentru fiecare etapă a ciclului de viață ML. TR a identificat cinci categorii majore care modularizează toate cerințele TR:
- Serviciu de date – Pentru a permite accesul ușor și securizat la activele de date ale întreprinderii
- Spațiu de lucru pentru experimente – Pentru a oferi capabilități de experimentare și antrenament de modele ML
- Registrul central de modele – Un catalog de întreprindere pentru modele construite în diferite unități de afaceri
- Serviciu de implementare a modelelor – Pentru a oferi diverse opțiuni de implementare a inferenței urmând practicile CI/CD ale companiei TR
- Servicii de monitorizare model – Să ofere capacități de monitorizare a datelor și a modelului de părtinire și derive
După cum se arată în diagrama următoare, aceste microservicii sunt construite având în vedere câteva principii cheie:
- Eliminați efortul de inginerie nediferențiat de la utilizatori
- Furnizați capabilitățile necesare printr-un clic pe un buton
- Securizează și guvernează toate capabilitățile conform standardelor companiei TR
- Aduceți un singur geam pentru activități ML
Microserviciile TR AI Platform sunt construite cu Amazon SageMaker ca motor principal, componente AWS fără server pentru fluxuri de lucru și servicii AWS DevOps pentru practicile CI/CD. SageMaker Studio este folosit pentru experimentare și instruire, iar registrul de modele SageMaker este folosit pentru a înregistra modele. Registrul central de modele este compus atât din registrul de modele SageMaker, cât și din un Amazon DynamoDB tabel. Servicii de gazduire SageMaker sunt folosite pentru a implementa modele, în timp ce SageMaker Model Monitor și SageMaker Clarify sunt utilizate pentru a monitoriza modelele pentru derive, părtinire, calculatoare de metrice personalizate și explicabilitate.
Următoarele secțiuni descriu aceste servicii în detaliu.
Serviciu de date
Un ciclu de viață tradițional al unui proiect ML începe cu găsirea datelor. În general, oamenii de știință în domeniul datelor petrec 60% sau mai mult din timpul lor pentru a găsi datele potrivite atunci când au nevoie de ele. La fel ca orice organizație, TR are mai multe depozite de date care servesc ca un singur punct de adevăr pentru diferite domenii de date. TR a identificat două depozite cheie de date ale întreprinderii care furnizează date pentru majoritatea cazurilor lor de utilizare ML: un depozit de obiecte și un depozit de date relaționale. TR a creat un serviciu de date AI Platform pentru a oferi acces fără probleme la ambele depozite de date din spațiile de lucru de experimentare ale utilizatorilor și pentru a elimina sarcina utilizatorilor de a naviga prin procese complexe pentru a obține singuri date. Platforma AI a TR respectă toate conformitățile și cele mai bune practici definite de echipa de guvernare a datelor și modelelor. Aceasta include o evaluare obligatorie a impactului asupra datelor care îi ajută pe practicienii ML să înțeleagă și să urmărească utilizarea etică și adecvată a datelor, cu procese oficiale de aprobare pentru a asigura accesul adecvat la date. De bază pentru acest serviciu, precum și pentru toate serviciile platformei, este securitatea și conformitatea conform celor mai bune practici determinate de TR și industrie.
Serviciul Amazon de stocare simplă Stocarea de obiecte (Amazon S3) acționează ca un lac de date de conținut. TR a creat procese pentru a accesa în siguranță datele din lacul de date de conținut în spațiile de lucru de experimentare ale utilizatorilor, menținând în același timp autorizația și auditabilitatea necesare. Snowflake este folosit ca depozit de date primare relaționale pentru întreprindere. La cererea utilizatorului și pe baza aprobării proprietarului datelor, serviciul de date AI Platform oferă utilizatorului un instantaneu al datelor, ușor disponibil în spațiul său de lucru de experimentare.
Accesarea datelor din diverse surse este o problemă tehnică care poate fi rezolvată cu ușurință. Dar complexitatea pe care TR a rezolvat-o este de a construi fluxuri de lucru de aprobare care automatizează identificarea proprietarului datelor, trimiterea unei cereri de acces, asigurându-se că proprietarul datelor este notificat că are o cerere de acces în așteptare și, pe baza stării aprobării, să ia măsuri pentru a furniza date către solicitantul. Toate evenimentele de-a lungul acestui proces sunt urmărite și înregistrate pentru auditabilitate și conformitate.
După cum se arată în diagrama următoare, TR folosește Funcții pas AWS pentru a orchestra fluxul de lucru și AWS Lambdas pentru a rula funcționalitatea. Gateway API Amazon este folosit pentru a expune funcționalitatea cu un punct final API care să fie consumat de pe portalul lor web.
Experimentarea și dezvoltarea modelului
O capacitate esențială pentru standardizarea ciclului de viață ML este un mediu care permite oamenilor de știință de date să experimenteze cu diferite cadre ML și dimensiuni de date. Activarea unui astfel de mediu sigur și conform în cloud în câteva minute scutește oamenii de știință de date de sarcina gestionării infrastructurii cloud, a cerințelor de rețea și a măsurilor standardelor de securitate, pentru a se concentra în schimb pe problema științei datelor.
TR construiește un spațiu de lucru de experimentare care oferă acces la servicii precum AWS Adeziv, Amazon EMR, și SageMaker Studio pentru a permite procesarea datelor și capabilitățile ML care respectă standardele de securitate cloud ale întreprinderii și izolarea contului necesară pentru fiecare unitate de afaceri. TR a întâmpinat următoarele provocări în timpul implementării soluției:
- Orchestrarea de la început nu a fost complet automatizată și a implicat mai mulți pași manuali. Nu a fost ușor să găsim locurile în care au apărut probleme. TR a depășit această eroare orchestrând fluxurile de lucru utilizând funcțiile pas. Odată cu utilizarea Step Functions, construirea fluxurilor de lucru complexe, gestionarea stărilor și gestionarea erorilor au devenit mult mai ușoare.
- adecvat Gestionarea identității și accesului AWS Definirea rolului (IAM) pentru spațiul de lucru de experimentare a fost greu de definit. Pentru a se conforma cu standardele interne de securitate și modelul celor mai mici privilegii ale TR, inițial, rolul spațiului de lucru a fost definit cu politici inline. În consecință, politica inline a crescut cu timpul și a devenit verbosă, depășind limita de dimensiune a politicii permisă pentru rolul IAM. Pentru a atenua acest lucru, TR a trecut la utilizarea mai multor politici gestionate de client și la trimiterea acestora în definiția rolului spațiului de lucru.
- TR a atins ocazional limitele implicite de resurse aplicate la nivel de cont AWS. Acest lucru a cauzat eșecuri ocazionale la lansarea joburilor SageMaker (de exemplu, joburi de instruire) din cauza limitei dorite a tipului de resurse atinse. TR a lucrat îndeaproape cu echipa de service SageMaker în această problemă. Această problemă a fost rezolvată după ce echipa AWS a lansat SageMaker ca serviciu suportat în Cote de servicii în iunie 2022.
Astăzi, oamenii de știință de date de la TR pot lansa un proiect ML creând un spațiu de lucru independent și adăugând membrii echipei necesare pentru a colabora. Scala nelimitată oferită de SageMaker este la îndemână, oferindu-le imagini personalizate de nucleu cu dimensiuni variate. SageMaker Studio a devenit rapid o componentă crucială în platforma AI a TR și a schimbat comportamentul utilizatorilor de la utilizarea aplicațiilor desktop limitate la motoare scalabile și efemere create special. Următoarea diagramă ilustrează această arhitectură.
Registrul central de modele
Registrul de modele oferă un depozit central pentru toate modelele de învățare automată ale TR, permite gestionarea riscurilor și a sănătății acestora într-un mod standardizat în toate funcțiile de afaceri și eficientizează reutilizarea potențialelor modele. Prin urmare, serviciul trebuia să facă următoarele:
- Oferiți capacitatea de a înregistra atât modele noi, cât și modele vechi, indiferent dacă sunt dezvoltate în sau în afara SageMaker
- Implementați fluxuri de lucru de guvernare, permițând oamenilor de știință, dezvoltatorilor și părților interesate să vadă și să gestioneze în mod colectiv ciclul de viață al modelelor
- Creșteți transparența și colaborarea prin crearea unei vizualizări centralizate a tuturor modelelor din TR, alături de metadate și valori de sănătate
TR a început proiectarea doar cu registrul de modele SageMaker, dar una dintre cerințele cheie ale TR este să ofere capacitatea de a înregistra modele create în afara SageMaker. TR a evaluat diferite baze de date relaționale, dar a ajuns să aleagă DynamoDB deoarece schema de metadate pentru modelele care provin din surse vechi va fi foarte diferită. De asemenea, TR nu a vrut să impună nicio muncă suplimentară utilizatorilor, așa că au implementat o sincronizare automată fără întreruperi între registrele SageMaker ale spațiului de lucru AI Platform și registrul central SageMaker folosind Amazon EventBridge regulile și rolurile IAM necesare. TR a îmbunătățit registrul central cu DynamoDB pentru a extinde capacitățile de înregistrare a modelelor vechi care au fost create pe desktopurile utilizatorilor.
Registrul central de modele AI Platform al TR este integrat în portalul AI Platform și oferă o interfață vizuală pentru a căuta modele, a actualiza metadatele modelului și a înțelege valorile de bază ale modelului și valorile periodice personalizate de monitorizare. Următoarea diagramă ilustrează această arhitectură.
Implementarea modelului
TR a identificat două modele majore pentru a automatiza implementarea:
- Modelele dezvoltate folosind SageMaker prin SageMaker batch transformă joburile pentru a obține inferențe într-un program preferat
- Modele dezvoltate în afara SageMaker pe desktop-uri locale folosind biblioteci open-source, prin abordarea de a aduce propriul container folosind joburi de procesare SageMaker pentru a rula cod de inferență personalizat, ca o modalitate eficientă de a migra acele modele fără refactorizarea codului
Cu serviciul de implementare a platformei AI, utilizatorii TR (oameni de știință de date și ingineri ML) pot identifica un model din catalog și pot implementa un job de inferență în contul AWS ales, furnizând parametrii necesari printr-un flux de lucru bazat pe UI.
TR a automatizat această implementare folosind servicii AWS DevOps precum AWS CodePipeline și AWS CodeBuild. TR folosește Step Functions pentru a orchestra fluxul de lucru de citire și preprocesare a datelor pentru a crea joburi de inferență SageMaker. TR implementează componentele necesare ca cod folosind Formarea AWS Cloud șabloane. Următoarea diagramă ilustrează această arhitectură.
Monitorizarea modelului
Ciclul de viață ML nu este complet fără a putea monitoriza modelele. Echipa de guvernare a întreprinderii a TR mandatează și încurajează echipele de afaceri să își monitorizeze performanța modelului în timp pentru a aborda orice provocări de reglementare. TR a început cu modele de monitorizare și date pentru drift. TR a folosit SageMaker Model Monitor pentru a oferi o linie de bază a datelor și un adevăr de bază pentru inferență pentru a monitoriza periodic modul în care datele și inferențele TR sunt în derivă. Împreună cu valorile de monitorizare a modelelor SageMaker, TR a îmbunătățit capacitatea de monitorizare prin dezvoltarea unor valori personalizate specifice modelelor lor. Acest lucru îi va ajuta pe oamenii de știință de la TR de la TR să înțeleagă când să-și reconstituie modelul.
Împreună cu monitorizarea derivei, TR dorește și să înțeleagă părtinirea modelelor. Capacitățile ieșite din cutie ale SageMaker Clarify sunt folosite pentru a construi serviciul de părtinire TR. TR monitorizează atât datele, cât și părtinirea modelului și pune acele valori disponibile pentru utilizatorii lor prin portalul AI Platform.
Pentru a ajuta toate echipele să adopte aceste standarde de întreprindere, TR a făcut aceste servicii independente și ușor disponibile prin portalul AI Platform. Echipele de afaceri ale TR pot intra pe portal și pot implementa un job de monitorizare model sau un job de monitorizare a părtinirii pe cont propriu și le pot rula în programul preferat. Aceștia sunt notificați cu privire la starea sarcinii și la valorile pentru fiecare rulare.
TR a folosit serviciile AWS pentru implementarea CI/CD, orchestrarea fluxului de lucru, cadrele fără server și punctele finale API pentru a construi microservicii care pot fi declanșate independent, așa cum se arată în arhitectura următoare.
Rezultate și îmbunătățiri viitoare
Platforma AI a TR a intrat în funcțiune în T3 2022, cu toate cele cinci componente majore: un serviciu de date, spațiu de lucru pentru experimentare, registru central al modelului, implementarea modelului și monitorizarea modelului. TR a desfășurat sesiuni interne de instruire pentru unitățile sale de afaceri pentru a se integra pe platformă și le-a oferit videoclipuri de instruire auto-ghidate.
Platforma AI a oferit echipelor TR capabilități care nu au existat niciodată înainte; a deschis o gamă largă de posibilități pentru echipa de guvernanță a întreprinderii TR pentru a îmbunătăți standardele de conformitate și a centraliza registrul, oferind un singur panou de vizualizare a tuturor modelelor ML din TR.
TR recunoaște că niciun produs nu este cel mai bun la lansarea inițială. Toate componentele TR sunt la diferite niveluri de maturitate, iar echipa Enterprise AI Platform a TR se află într-o fază de îmbunătățire continuă pentru a îmbunătăți iterativ caracteristicile produsului. Actualul canal de avansare al TR include adăugarea de opțiuni de inferență suplimentare SageMaker, cum ar fi puncte finale în timp real, asincrone și multi-model. TR intenționează, de asemenea, să adauge explicabilitatea modelului ca o caracteristică serviciului său de monitorizare a modelului. TR intenționează să folosească capacitățile de explicabilitate ale SageMaker Clarify pentru a-și dezvolta serviciul intern de explicabilitate.
Concluzie
TR poate acum procesa în siguranță cantități mari de date și poate folosi capabilități avansate AWS pentru a duce un proiect ML de la idee la producție în câteva săptămâni, comparativ cu lunile în care a durat înainte. Cu capabilitățile ieșite din cutie ale serviciilor AWS, echipele din cadrul TR pot înregistra și monitoriza modelele ML pentru prima dată, realizând conformitatea cu standardele lor de guvernare a modelelor în evoluție. TR a împuternicit oamenii de știință de date și echipele de produse să-și dezlănțuie eficient creativitatea pentru a rezolva cele mai complexe probleme.
Pentru a afla mai multe despre Enterprise AI Platform a TR pe AWS, consultați Sesiunea AWS re:Invent 2022. Dacă doriți să aflați cum TR a accelerat utilizarea învățării automate folosind Laboratorul de date AWS program, consultați studiu de caz.
Despre Autori
Ramdev Wudali este arhitect de date, ajutând arhitectul și construirea platformei AI/ML pentru a permite oamenilor de știință de date și cercetătorilor să dezvolte soluții de învățare automată, concentrându-se pe știința datelor și nu pe nevoile de infrastructură. În timpul liber, îi place să plieze hârtie pentru a crea teselații origami și să poarte tricouri ireverente.
Kiran Mantripragada este directorul senior al platformei AI la Thomson Reuters. Echipa AI Platform este responsabilă pentru activarea aplicațiilor software AI de nivel de producție și pentru munca oamenilor de știință a datelor și a cercetătorilor în învățarea automată. Cu o pasiune pentru știință, AI și inginerie, lui Kiran îi place să creeze o punte între cercetare și producție pentru a aduce inovația reală a AI consumatorilor finali.
Bhavana Chirumamilla este arhitect rezident senior la AWS. Este pasionată de date și operațiuni ML și aduce mult entuziasm pentru a ajuta întreprinderile să construiască strategii de date și ML. În timpul liber, se bucură de timpul cu familia călătorind, drumeții, grădinărit și vizionarea documentarelor.
Srinivasa Shaik este arhitect de soluții la AWS cu sediul în Boston. El îi ajută pe clienții întreprinderilor să-și accelereze călătoria către cloud. Este pasionat de containere și tehnologii de învățare automată. În timpul liber, îi place să petreacă timpul cu familia, să gătească și să călătorească.
Qingwei Li este specialist în învățare automată la Amazon Web Services. Și-a primit doctoratul în Cercetare operațională după ce a spart contul de grant de cercetare al consilierului său și nu a reușit să dea Premiul Nobel pe care l-a promis. În prezent, ajută clienții din industria serviciilor financiare și a asigurărilor să construiască soluții de învățare automată pe AWS. În timpul liber, îi place să citească și să predea.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- Platoblockchain. Web3 Metaverse Intelligence. Cunoștințe amplificate. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-built-an-ai-platform-using-amazon-sagemaker-to-accelerate-delivery-of-ml-projects/
- 100
- 2022
- 7
- a
- Capabil
- Despre Noi
- accelera
- accelerat
- acces
- accesibil
- Conform
- Cont
- Contabilitate
- realizat
- realizarea
- dobândi
- peste
- Acțiune
- Acte
- Suplimentar
- adresa
- adopta
- avansat
- După
- AI
- Platforma AI
- Servicii AI
- AI / ML
- TOATE
- permite
- pe langa
- Amazon
- Amazon SageMaker
- Amazon Web Services
- Sume
- și
- api
- aplicatii
- aplicat
- abordare
- abordari
- aprobare
- arhitectură
- în jurul
- autorizare
- automatizarea
- Automata
- Automat
- disponibil
- AWS
- bazat
- De bază
- deoarece
- înainte
- fiind
- CEL MAI BUN
- Cele mai bune practici
- între
- părtinire
- miliarde
- boston
- POD
- aduce
- Aduce
- Rupt
- construi
- Clădire
- construiește
- construit
- povară
- afaceri
- funcții de afaceri
- capacități
- cazuri
- catalog
- categorii
- cauzată
- central
- centralizat
- provocări
- verifica
- alegere
- ales
- îndeaproape
- Cloud
- infrastructura cloud
- Securitatea cloud
- cod
- colabora
- a colaborat
- colaborare
- colectiv
- venire
- Comun
- comparație
- Completă
- complex
- complexitate
- conformitate
- conforme
- component
- componente
- Compus
- tehnica de calcul
- consumate
- Consumatorii
- Recipient
- Containere
- conţinut
- continua
- continuu
- Control
- Nucleu
- crea
- a creat
- Crearea
- creativitate
- critic
- crucial
- Curent
- În prezent
- personalizat
- clienţii care
- de date
- Lacul de date
- de prelucrare a datelor
- știința datelor
- baze de date
- Luarea deciziilor
- adânc
- expertiza profundă
- Mod implicit
- livra
- livrare
- democratiza
- implementa
- desfășurarea
- implementează
- descrie
- Amenajări
- desktop
- detaliu
- determinat
- dezvolta
- dezvoltat
- Dezvoltatorii
- în curs de dezvoltare
- Dezvoltare
- diferit
- dificil
- Director
- discuta
- documentare
- domeniu
- domenii
- jos
- Devreme
- mai ușor
- cu ușurință
- în mod eficient
- eficient
- efort
- împuternicit
- permite
- activat
- permite
- permițând
- încurajează
- Punct final
- Motor
- Inginerie
- inginerii
- Motoare
- sporită
- asigura
- asigurare
- Afacere
- Companii
- entuziasm
- Mediu inconjurator
- eroare
- esenţial
- etic
- evaluat
- evenimente
- EVER
- evolua
- evoluție
- exemplu
- experiment
- expertiză
- extinde
- extrem
- facilita
- A eșuat
- familie
- Caracteristică
- DESCRIERE
- puțini
- final
- financiar
- asistență financiară
- Găsi
- descoperire
- First
- prima dată
- Concentra
- concentrându-se
- urma
- următor
- urmează
- formal
- cadre
- din
- Îndeplini
- complet
- funcționalitate
- funcții
- viitor
- decalaj
- General
- generată
- obține
- de sticlă
- Go
- Goluri
- guvernare
- acordarea
- Teren
- În creştere
- Manipularea
- Greu
- Sănătate
- ajutor
- ajutor
- ajută
- extrem de
- găzduire
- Cum
- Totuși
- HTML
- HTTPS
- identificat
- identifica
- identificarea
- Identitate
- imagini
- Impactul
- punerea în aplicare a
- implementat
- Punere în aplicare a
- a impune
- îmbunătăţi
- in
- include
- Crește
- independent
- independent
- industrie
- Infrastructură
- inițială
- Inovaţie
- perspective
- in schimb
- asigurare
- integrate
- interfaţă
- intern
- implicat
- izolare
- problema
- IT
- Loc de munca
- Locuri de munca
- călătorie
- Cheie
- Cunoaște
- cunoştinţe
- lac
- lansa
- a lansat
- lansare
- AFLAȚI
- învăţare
- Moştenire
- Legal
- Nivel
- nivelurile de
- biblioteci
- LIMITĂ
- Limitele
- trăi
- local
- maşină
- masina de învățare
- făcut
- major
- FACE
- Efectuarea
- administra
- administrare
- de conducere
- mandate
- manieră
- manual
- multe
- scadență
- măsuri
- Membri actuali
- Metadata
- metodologii
- metric
- Metrici
- microservices
- migra
- bornă
- Puncte de reper
- minte
- minute
- diminua
- ML
- model
- Modele
- monitor
- Monitorizarea
- monitoare
- luni
- mai mult
- cele mai multe
- multiplu
- Natural
- Navigaţi
- Nevoie
- nevoilor
- rețele
- Nou
- ştiri
- următor
- Premiul Nobel
- număr
- obiect
- ocazional
- oferit
- oferind
- promoții
- bord
- ONE
- open-source
- deschis
- Operațiuni
- Opţiuni
- orchestrație
- organizație
- iniţial
- exterior
- propriu
- proprietar
- pâine
- Hârtie
- parametrii
- pasiune
- pasionat
- modele
- oameni
- performanță
- periodic
- fază
- conducte
- planificare
- Planurile
- platformă
- Plato
- Informații despre date Platon
- PlatoData
- Punct
- Politicile
- Politica
- Portal
- posibilităţile de
- Post
- potenţial
- putere
- practicile
- Predictii
- preferat
- primar
- Principiile
- premiu
- Problemă
- probleme
- proces
- procese
- prelucrare
- Produs
- producere
- Produse
- profesioniști
- Program
- proiect
- Proiecte
- a promis
- furniza
- prevăzut
- furnizează
- furnizarea
- Q3
- q3 2022
- repede
- gamă
- variind
- RE
- atins
- Citind
- real
- în timp real
- primit
- Inregistreaza-te
- registru
- regulament
- autoritățile de reglementare
- eliberaţi
- eliberat
- scoate
- depozit
- solicita
- necesar
- Cerinţe
- cercetare
- cercetători
- resursă
- Resurse
- responsabil
- Reuters
- Risc
- Rol
- rolurile
- norme
- Alerga
- sagemaker
- SageMaker Inference
- scalabil
- Scară
- programa
- Ştiinţă
- oamenii de stiinta
- fără sudură
- perfect
- Caută
- Motoare de cautare
- secțiuni
- sigur
- securizat
- în siguranță,
- securitate
- trimitere
- senior
- sensibil
- servi
- serverless
- serviciu
- Servicii
- Sesiunile
- câteva
- Distribuie
- indicat
- simplu
- întrucât
- singur
- Mărimea
- dimensiuni
- calificat
- aptitudini
- Instantaneu
- So
- Software
- soluţie
- soluţii
- REZOLVAREA
- Surse
- specialist
- specific
- petrece
- Cheltuire
- Etapă
- părțile interesate
- standardizarea
- standarde
- început
- începe
- Statele
- Stare
- Pas
- paşi
- depozitare
- stoca
- magazine
- strategii
- simplifica
- studio
- astfel de
- Suportat
- De sprijin
- comutate
- sincronizare
- tabel
- Lua
- impozit
- Predarea
- echipă
- echipe
- Tehnic
- abilitati tehnice
- Tehnologii
- şabloane
- termeni
- lor
- prin urmare
- Thomson Reuters
- Prin
- de-a lungul
- timp
- la
- instrument
- Urmărire
- tradiţional
- Tren
- Pregătire
- Transforma
- Transparență
- Traveling
- extraordinar
- a declanșat
- înţelege
- unitate
- de unităţi
- dezlănțui
- nelimitat
- Actualizează
- utilizare
- Utilizator
- utilizatorii
- varietate
- diverse
- Fixă
- de
- Video
- Vizualizare
- vizibilitate
- vizionarea
- web
- servicii web
- bazat pe web
- săptămâni
- dacă
- în timp ce
- larg
- Gamă largă
- voi
- câştiga
- în
- fără
- Apartamente
- a lucrat
- fluxuri de lucru
- la nivel internațional.
- ar
- an
- Ta
- zephyrnet