Этот пост написан в соавторстве с Дэрилом Мартисом, директором по продукту Salesforce Einstein AI.
Это вторая публикация из серии, посвященной интеграции Salesforce Data Cloud и Создатель мудреца Амазонки. В Часть 1, мы показываем, как интеграция Salesforce Data Cloud и Einstein Studio с SageMaker позволяет компаниям безопасно получать доступ к своим данным Salesforce с помощью SageMaker и использовать его инструменты для создания, обучения и развертывания моделей на конечных точках, размещенных в SageMaker. Затем конечные точки регистрируются в облаке данных Salesforce для активации прогнозов в Salesforce.
В этом посте мы расширяем эту тему, чтобы продемонстрировать, как использовать Einstein Studio для рекомендаций по продуктам. Эту интеграцию можно использовать как для традиционных моделей, так и для больших языковых моделей (LLM).
Обзор решения
В этом посте мы покажем, как создать прогнозную модель в SageMaker, чтобы рекомендовать своим клиентам следующий лучший продукт, используя исторические данные, такие как демографические данные клиентов, маркетинговые мероприятия и историю покупок из Salesforce Data Cloud.
Мы используем следующие образец набора данных. Чтобы использовать этот набор данных в своем облаке данных, см. Создание потока данных Amazon S3 в облаке данных.
Для создания модели необходимы следующие атрибуты:
- член клуба – Если клиент является членом клуба
- Кампания – Кампания, в которой участвует клиент
- Область – Штат или провинция, в которой проживает клиент
- Месяц - Месяц покупки
- Количество дел – Количество обращений, поднятых заказчиком
- Тип дела Возврат – Возвратил ли покупатель какой-либо товар в течение последнего года
- Тип корпуса Поврежденный груз – Были ли у клиента какие-либо повреждения отправлений в прошлом году
- Оценка вовлеченности – Уровень вовлеченности клиента (ответы на рассылки, входы в интернет-магазин и т. д.)
- Пребывание в должности - Длительность клиентских отношений с компанией
- Щелчки – Среднее количество кликов, сделанных покупателем в течение недели до покупки.
- Посещенных страниц – Среднее количество страниц, которые клиент посетил в течение недели до покупки.
- Приобретенный продукт - Фактически купленный продукт
- Id - идентификатор записи
- DateTime – Временная метка набора данных
Модель рекомендаций по продуктам создается и развертывается в SageMaker и обучается с использованием данных в Salesforce Data Cloud. Следующие шаги дают представление о том, как использовать новые возможности SageMaker for Salesforce для полной интеграции:
- Настройте Студия Amazon SageMaker домен и OAuth между Salesforce и учетной записью AWS
s. - Используйте недавно запущенную возможность Обработчик данных Amazon SageMaker разъем для Salesforce Data Cloud для подготовки данных в SageMaker без копирования данных из Salesforce Data Cloud.
- Обучите модель рекомендаций в SageMaker Studio, используя обучающие данные, подготовленные с помощью SageMaker Data Wrangler.
- Упакуйте контейнер SageMaker Data Wrangler и контейнер обученной модели рекомендаций в конвейер вывода поэтому запрос на вывод может использовать те же шаги подготовки данных, которые вы создали для предварительной обработки обучающих данных. Данные вызова логического вывода в реальном времени сначала передаются в контейнер SageMaker Data Wrangler в конвейере логического вывода, где они предварительно обрабатываются и передаются в обученную модель для рекомендации продукта. Для получения дополнительной информации об этом процессе см. Новинка — добавлена поддержка логического вывода в реальном времени и пакетного вывода в Amazon SageMaker Data Wrangler.. Хотя в нашем примере мы используем определенный алгоритм для обучения модели, вы можете использовать любой алгоритм, который сочтете подходящим для вашего случая использования.
- Используйте недавно запущенный шаблон проекта, предоставленный SageMaker, для интеграции Salesforce Data Cloud, чтобы упростить выполнение предыдущих шагов, предоставив следующие шаблоны:
- Пример блокнота, демонстрирующий подготовку данных, построение, обучение и регистрацию модели.
- SageMaker предоставил шаблон проекта для интеграции Salesforce Data Cloud, который автоматизирует создание конечной точки SageMaker, на которой размещена модель конвейера логического вывода. Когда версия модели в Реестр моделей Amazon SageMaker утвержден, конечная точка предоставляется как API с Шлюз API Amazon с помощью пользовательского авторизатора Salesforce JSON Web Token (JWT). Шлюз API необходим, чтобы позволить Salesforce Data Cloud делать прогнозы относительно конечной точки SageMaker, используя токен JWT, который Salesforce создает и передает с запросом при создании прогнозов от Salesforce. JWT может использоваться как часть фреймворков OpenID Connect (OIDC) и OAuth 2.0 чтобы ограничить доступ клиентов к вашим API.
- После создания API рекомендуется зарегистрировать конечную точку модели в Salesforce Einstein Studio. Инструкции см. Принесите свои собственные модели искусственного интеллекта в Salesforce с помощью Einstein Studio
Следующая диаграмма иллюстрирует архитектуру решения.
Создайте домен SageMaker Studio
Сначала создайте домен SageMaker Studio. Инструкции см. Подключение к домену Amazon SageMaker. Вы должны записать идентификатор домена и роль выполнения, которая создается и будет использоваться вашим профилем пользователя. Вы добавляете разрешения для этой роли на последующих шагах.
На следующем снимке экрана показан домен, который мы создали для этого поста.
На следующем снимке экрана показан пример профиля пользователя для этого сообщения.
Настройка связанного приложения Salesforce
Затем мы создаем связанное приложение Salesforce, чтобы активировать поток OAuth из SageMaker Studio в Salesforce Data Cloud. Выполните следующие шаги:
- Войдите в систему Salesforce и перейдите к Установка.
- Найдите App Manager и создайте новое связанное приложение.
- Предоставьте следующие входные данные:
- Что касается Имя подключенного приложениявведите имя.
- Что касается Имя API, оставьте по умолчанию (заполняется автоматически).
- Что касается Контактный адрес электронной почты, введите свой контактный адрес электронной почты.
- Выберите Включить настройки OAuth.
- Что касается URL обратного вызова, войти
https://<domain-id>.studio.<region>.sagemaker.aws/jupyter/default/lab
и укажите идентификатор домена, полученный при создании домена SageMaker, и регион вашего домена SageMaker.
- Под Выбранные области OAuth, переместите следующее из Доступные области OAuth в Выбранные области OAuth , а затем выбрать Сохранить:
- Управление пользовательскими данными через API (api)
- Выполнять запросы в любое время (
refresh_token
,offline_access
) - Выполнение запросов ANSI SQL к данным Salesforce Data Cloud (Data Cloud_query_api)
- Управление данными профиля Salesforce Customer Data Platform (Data Cloud_profile_api
- Доступ к службе URL-адреса идентификации (идентификатор, профиль, электронная почта, адрес, телефон)
- Доступ к уникальным идентификаторам пользователей (
openid
)
Дополнительные сведения о создании связанного приложения см. Создать связанное приложение.
- Вернитесь в связанное приложение и перейдите к Ключ потребителя и секрет.
- Выберите Управление сведениями о потребителе.
- Скопируйте ключ и секрет.
Здесь вас могут попросить войти в вашу организацию Salesforce в рамках двухфакторной аутентификации.
- Вернитесь к Управление подключенными приложениями стр.
- Откройте созданное связанное приложение и выберите Управление.
- Выберите Редактировать политики и изменение IP-расслабление в Ослабить ограничения IP, затем сохраните настройки.
Настройка разрешений и правил жизненного цикла SageMaker
В этом разделе мы рассмотрим шаги по настройке разрешений SageMaker и правил управления жизненным циклом.
Создайте секрет в AWS Secrets Manager
Включите интеграцию OAuth с Salesforce Data Cloud, сохранив учетные данные из подключенного приложения Salesforce в Менеджер секретов AWS:
- На консоли диспетчера секретов выберите Храните новый секрет.
- Выберите Другой тип секрета.
- Создайте свой секрет со следующими парами ключ-значение:
- Добавьте тег с ключом
sagemaker:partner
и ваш выбор значения. - Сохраните секрет и запишите ARN секрета.
Настройка правила жизненного цикла SageMaker
Для роли выполнения домена SageMaker Studio потребуется Управление идентификацией и доступом AWS (IAM) для доступа к секрету, созданному на предыдущем шаге. Для получения дополнительной информации см. Создание ролей и прикрепление политик (консоль).
- На консоли IAM прикрепите следующие политики к соответствующим ролям (эти роли будут использоваться проектом SageMaker для развертывания):
- Добавить политику
AmazonSageMakerPartnerServiceCatalogProductsCloudFormationServiceRolePolicy
на служебную рольAmazonSageMakerServiceCatalogProductsCloudformationRole
. - Добавить политику
AmazonSageMakerPartnerServiceCatalogProductsApiGatewayServiceRolePolicy
на служебную рольAmazonSageMakerServiceCatalogProductsApiGatewayRole
. - Добавить политику
AmazonSageMakerPartnerServiceCatalogProductsLambdaServiceRolePolicy
на служебную рольAmazonSageMakerServiceCatalogProductsLambdaRole
.
- Добавить политику
- В консоли IAM перейдите к роли выполнения домена SageMaker.
- Выберите Добавить разрешения и Создать встроенную политику.
- Введите следующую политику в редакторе политик JSON:
Студия SageMaker конфигурация жизненного цикла предоставляет сценарии оболочки, которые запускаются при создании или запуске записной книжки. Конфигурация жизненного цикла будет использоваться для извлечения секрета и его импорта в среду выполнения SageMaker.
- На консоли SageMaker выберите Конфигурации жизненного цикла в навигационной панели.
- Выберите Создать конфигурацию.
- Оставьте выбор по умолчанию Серверное приложение Jupyter , а затем выбрать Следующая.
- Дайте конфигурации имя.
- Введите следующий скрипт в редактор, указав ARN для секрета, который вы создали ранее:
- Выберите Отправить для сохранения конфигурации жизненного цикла.
- Выберите Домены в панели навигации и откройте свой домен.
- На Окружающая среда , выберите Прикреплять чтобы прикрепить конфигурацию жизненного цикла.
- Выберите созданную вами конфигурацию жизненного цикла и выберите Прикрепить к домену.
- Выберите Установить по умолчанию.
Если вы являетесь постоянным пользователем SageMaker Studio, чтобы обеспечить включение Salesforce Data Cloud, обновление до последних ядер Jupyter и SageMaker Data Wrangler.
На этом завершается настройка, обеспечивающая доступ к данным из Salesforce Data Cloud в SageMaker Studio для создания моделей искусственного интеллекта и машинного обучения (ML).
Создайте проект SageMaker
Чтобы начать использовать решение, сначала создайте проект, используя Проекты Amazon SageMaker. Выполните следующие шаги:
- В SageMaker Studio в разделе Развертывания на панели навигации выберите Проекты.
- Выберите Создать проект.
- Выберите шаблон проекта под названием Развертывание модели для Salesforce.
- Выберите Выберите шаблон проекта.
- Введите имя и необязательное описание для вашего проекта.
- Введите имя группы моделей.
- Введите имя секрета диспетчера секретов, которое вы создали ранее.
- Выберите Создать проект.
Инициация проекта может занять 1–2 минуты.
Вы можете увидеть два новых репозитория. Первый предназначен для образцов блокнотов, которые можно использовать как есть или настроить для подготовки, обучения, создания и регистрации моделей в реестре моделей SageMaker. Второй репозиторий предназначен для автоматизации развертывания модели, включая предоставление конечной точки SageMaker в виде API.
- Выберите клонировать репозиторий для обоих ноутбуков.
Для этого поста мы используем пример рекомендации продукта, который можно найти в sagemaker-<YOUR-PROJECT-NAME>-p-<YOUR-PROJECT-ID>-example-nb/product-recommendation
каталог, который вы только что клонировали. Прежде чем мы запустим записную книжку product-recommendation.ipynb, давайте подготовим данные для создания обучающих данных с помощью SageMaker Data Wrangler.
Подготовка данных с помощью SageMaker Data Wrangler
Выполните следующие шаги:
- В SageMaker Studio на Файл Меню, выберите Новые и Поток обработки данных.
- После создания потока данных выберите (щелкните правой кнопкой мыши) вкладку и выберите Переименовывать чтобы переименовать файл.
- Выберите Даты импорта.
- Выберите Создать соединение.
- Выберите Облако данных Salesforce.
- Что касается Имя, войти
salesforce-data-cloud-sagemaker-connection
. - Что касается URL-адрес организации Salesforce, введите URL-адрес организации Salesforce.
- Выберите Сохранить + Подключиться.
- В представлении «Обозреватель данных» выберите и просмотрите таблицы из Salesforce Data Cloud, чтобы создать и выполнить запрос для извлечения необходимого набора данных.
- Ваш запрос будет выглядеть так, как показано ниже, и вы можете использовать имя таблицы, которое вы использовали при загрузке данных в Salesforce Data Cloud.
- Выберите Создать набор данных.
Создание набора данных может занять некоторое время.
В представлении потока данных теперь вы можете увидеть новый узел, добавленный к визуальному графику.
Дополнительные сведения о том, как использовать SageMaker Data Wrangler для создания отчетов о качестве данных и аналитических данных, см. Получите представление о данных и качестве данных.
SageMaker Data Wrangler предлагает более 300 встроенных преобразований. На этом этапе мы используем некоторые из этих преобразований, чтобы подготовить набор данных для модели ML. Подробные инструкции о том, как реализовать эти преобразования, см. Преобразовать данные.
- Использовать Управление столбцами шагать с Удалить столбец преобразовать, чтобы удалить столбец
id__c
. - Использовать Ручка отсутствует шагать с Пропал без вести Преобразование для удаления строк с отсутствующими значениями для различных функций. Мы применяем это преобразование ко всем столбцам.
- Используйте настраиваемый шаг преобразования, чтобы создать категориальные значения для
state__c
,case_count__c
иtenure
функции. Используйте следующий код для этого преобразования: - Использовать Числовой процесс шагать с Значения шкалы трансформируйся и выбирай Стандартный скейлер масштабировать
clicks__c
,engagement__score
иpages__visited__c
особенности. - Использовать Кодировать категориальный шагать с Одно горячее кодирование Преобразовать, чтобы преобразовать категориальные переменные в числовые для
case__type__return___c
,case__type_shipment__damaged
,month__c
,club__member__c
иcampaign__c
функции (все функции, кромеclicks__c
,engagement__score
,pages__visited__c
иproduct_purchased__c
).
Построение модели, обучение и развертывание
Чтобы построить, обучить и развернуть модель, выполните следующие шаги:
- Вернитесь в проект SageMaker, откройте записную книжку product-recommendation.ipynb и запустите задание обработки для предварительной обработки данных с помощью созданной вами конфигурации SageMaker Data Wrangler.
- Следуйте инструкциям в блокноте, чтобы обучить модель и зарегистрировать ее в реестре моделей SageMaker.
- Обязательно обновите имя группы моделей, чтобы оно соответствовало имени группы моделей, которое вы использовали при создании проекта SageMaker.
Чтобы найти имя группы моделей, откройте ранее созданный проект SageMaker и перейдите к Настройки меню.
Точно так же файл потока, указанный в записной книжке, должен совпадать с именем файла потока, который вы создали ранее.
- Для этого поста мы использовали
product-recommendation
в качестве имени группы моделей, поэтому мы обновляем записную книжку с помощьюproject-recommendation
как имя группы моделей в записной книжке.
После запуска блокнота обученная модель регистрируется в реестре моделей. Чтобы узнать больше о реестре моделей, см. Регистрация и развертывание моделей с помощью реестра моделей.
- Выберите созданную вами версию модели и обновите ее статус до утвержденный.
Теперь, когда вы утвердили зарегистрированную модель, шаг развертывания проекта SageMaker Salesforce будет подготовлен и запущен. Кодовый конвейер AWS.
В CodePipeline есть шаги для создания и развертывания конечной точки SageMaker для логического вывода, содержащие шаги предварительной обработки SageMaker Data Wrangler и обученную модель. Конечная точка будет представлена в Salesforce Data Cloud как API через API Gateway. На следующем снимке экрана показан конвейер с префиксом Sagemaker-salesforce-product-recommendation-xxxxx
. Мы также покажем вам конечные точки и API, созданные проектом SageMaker для Salesforce.
Если вы хотите, вы можете взглянуть на шаг развертывания CodePipeline, который использует AWS CloudFormation сценарии для создания конечной точки SageMaker и шлюза API с пользовательским авторизатором JWT.
Когда развертывание конвейера завершено, вы можете найти конечную точку SageMaker на консоли SageMaker.
Вы можете изучить шлюз API, созданный с помощью шаблона проекта, в консоли шлюза API.
Выберите ссылку, чтобы найти URL-адрес шлюза API.
Подробную информацию об авторизаторе JWT можно найти, выбрав Авторизаторы в консоли шлюза API. Вы также можете перейти на AWS Lambda консоль для просмотра кода лямбда-функции, созданной по шаблону проекта.
Чтобы узнать схему, которая будет использоваться при вызове API из Einstein Studio, выберите Информация на панели навигации Реестра моделей. Вы увидите Простой сервис хранения Amazon (Amazon S3) ссылка на файл метаданных. Скопируйте и вставьте ссылку в URL-адрес новой вкладки браузера.
Давайте посмотрим на файл, не скачивая его. На странице сведений о файле выберите Действия объекта меню и выберите Запрос с помощью S3 Select.
Выберите Запустить SQL-запрос и обратите внимание на URL-адрес и схему шлюза API, поскольку эта информация понадобится вам при регистрации в Einstein Studio. Если вы не видите APIGWURL
key, либо модель не была утверждена, либо развертывание все еще выполняется, либо развертывание завершилось неудачно.
Используйте API Salesforce Einstein Studio для прогнозов
Salesforce Einstein Studio — это новый централизованный интерфейс в Salesforce Data Cloud, который специалисты по обработке данных и инженеры могут использовать для простого доступа к своим традиционным моделям и LLM, используемым в генеративном искусственном интеллекте. Далее мы настраиваем URL-адрес API и client_id
которые вы установили в Secrets Manager ранее в Salesforce Einstein Studio, чтобы зарегистрировать и использовать выводы модели в Salesforce Einstein Studio. Инструкции см. Принесите свои собственные модели искусственного интеллекта в Salesforce с помощью Einstein Studio.
Убирать
Чтобы удалить все ресурсы, созданные проектом SageMaker, на странице проекта выберите значок Действие меню и выберите Удалить.
Чтобы удалить ресурсы (API Gateway и конечную точку SageMaker), созданные CodePipeline, перейдите в консоль AWS CloudFormation и удалите созданный стек.
Заключение
В этом посте мы объяснили, как создавать и обучать модели машинного обучения в SageMaker Studio с помощью SageMaker Data Wrangler для импорта и подготовки данных, размещенных в облаке данных Salesforce, а также использовать недавно запущенный коннектор JDBC Salesforce Data Cloud в SageMaker Data Wrangler. -party Salesforce в предоставленном SageMaker шаблоне проекта для интеграции Salesforce Data Cloud. Шаблон проекта SageMaker для Salesforce позволяет развернуть модель, создать конечную точку и защитить API для зарегистрированной модели. Затем вы используете API, чтобы делать прогнозы в Salesforce Einstein Studio для ваших бизнес-применений.
Хотя мы использовали пример рекомендации продукта, чтобы продемонстрировать шаги по реализации сквозной интеграции, вы можете использовать шаблон проекта SageMaker для Salesforce, чтобы создать конечную точку и API для любой традиционной модели SageMaker и LLM, зарегистрированных в SageMaker. Модельный реестр. Мы с нетерпением ждем возможности увидеть, что вы создадите в SageMaker, используя данные из Salesforce Data Cloud, и расширите возможности своих приложений Salesforce, используя модели машинного обучения, размещенные в SageMaker!
Этот пост является продолжением серии об интеграции Salesforce Data Cloud и SageMaker. Чтобы получить общий обзор и узнать больше о влиянии на бизнес, которое вы можете оказать с помощью этого подхода к интеграции, см. Часть 1.
Дополнительные ресурсы
Об авторах
Дэрил Мартис является директором по продукту Einstein Studio в Salesforce Data Cloud. Он имеет более чем 10-летний опыт планирования, создания, запуска и управления решениями мирового класса для корпоративных клиентов, включая AI/ML и облачные решения. Ранее он работал в сфере финансовых услуг в Нью-Йорке. Следуйте за ним на https://www.linkedin.com/in/darylmartis.
Рахна Чадха является главным архитектором решений AI/ML в области стратегических счетов в AWS. Рахна — оптимистка, считающая, что этичное и ответственное использование ИИ может улучшить общество в будущем и принести экономическое и социальное процветание. В свободное время Рахна любит проводить время со своей семьей, ходить в походы и слушать музыку.
Ифе Стюарт является главным архитектором решений в сегменте стратегических независимых поставщиков программного обеспечения в AWS. В течение последних 2 лет она работала с Salesforce Data Cloud, чтобы помочь создать интегрированный клиентский опыт в Salesforce и AWS. Ife имеет более чем 10-летний опыт работы в области технологий. Она выступает за разнообразие и инклюзивность в области технологий.
Дхармендра Кумар Рай (ДК Рай) является старшим архитектором данных, Data Lake & AI/ML, обслуживающим стратегических клиентов. Он тесно сотрудничает с клиентами, чтобы понять, как AWS может помочь им решить проблемы, особенно в сфере AI/ML и аналитики. DK имеет многолетний опыт создания решений для обработки больших объемов данных в различных отраслевых вертикалях, включая приложения для высоких технологий, финансовых технологий, страхования и потребительских приложений.
Марк Карп является архитектором машинного обучения в команде SageMaker Service. Он фокусируется на помощи клиентам в проектировании, развертывании и управлении рабочими нагрузками машинного обучения в масштабе. В свободное время он любит путешествовать и исследовать новые места.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- PlatoData.Network Вертикальный генеративный ИИ. Расширьте возможности себя. Доступ здесь.
- ПлатонАйСтрим. Интеллект Web3. Расширение знаний. Доступ здесь.
- ПлатонЭСГ. Автомобили / электромобили, Углерод, чистые технологии, Энергия, Окружающая среда, Солнечная, Управление отходами. Доступ здесь.
- Смещения блоков. Модернизация права собственности на экологические компенсации. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/use-the-amazon-sagemaker-and-salesforce-data-cloud-integration-to-power-your-salesforce-apps-with-ai-ml/
- :имеет
- :является
- :куда
- $UP
- 1
- 10
- 100
- 12
- 14
- 30
- 7
- 8
- 9
- a
- О нас
- доступ
- Учетные записи
- через
- Действие
- действия
- фактического соединения
- Добавить
- добавленный
- адрес
- адвокат
- против
- AI
- AI модели
- AI / ML
- алгоритм
- Все
- позволять
- позволяет
- причислены
- Несмотря на то, что
- Amazon
- Создатель мудреца Амазонки
- Amazon Web Services
- an
- аналитика
- и
- любой
- API
- API
- приложение
- Приложения
- Применить
- подхода
- соответствующий
- утвержденный
- Программы
- архитектура
- МЫ
- AS
- At
- прикреплять
- Атрибуты
- Аутентификация
- автоматы
- автоматически
- Автоматизация
- в среднем
- AWS
- AWS CloudFormation
- назад
- BE
- , так как:
- было
- до
- считает,
- ниже
- ЛУЧШЕЕ
- между
- изоферменты печени
- приносить
- браузер
- строить
- Здание
- построенный
- встроенный
- бизнес
- бизнес
- by
- призывают
- Кампания
- Кампании
- CAN
- возможности
- возможности
- захваченный
- случаев
- случаев
- КПП
- централизованная
- изменение
- выбор
- Выберите
- Выбирая
- Город
- клиент
- тесно
- облако
- клуб
- код
- Column
- Колонки
- полный
- зАВЕРШАЕТ
- состояние
- Конфигурация
- Свяжитесь
- подключенный
- Консоли
- потребитель
- обращайтесь
- Container
- продолжение
- конвертировать
- копирование
- Создайте
- создали
- создает
- Создающий
- Полномочия
- изготовленный на заказ
- клиент
- данные клиентов
- Клиенты
- настроить
- данным
- доступ к данным
- Озеро данных
- Платформа данных
- Подготовка данных
- наука о данных
- По умолчанию
- Демографическая
- демонстрировать
- развертывание
- развернуть
- развертывание
- описание
- Проект
- подробный
- подробнее
- директор
- обнаружить
- обсуждающий
- Разнообразие
- Разнообразие и включение
- do
- домен
- Dont
- вниз
- Падение
- Ранее
- легко
- Экономические
- редактор
- эффект
- Эйнштейн
- или
- расширение прав и возможностей
- включить
- включен
- позволяет
- впритык
- Конечная точка
- занятый
- обязательство
- обязательств
- Проект и
- обеспечивать
- Enter
- Предприятие
- особенно
- этический
- пример
- Кроме
- выполнение
- Расширьте
- опыт
- Впечатления
- объяснены
- Больше
- исследователь
- Исследование
- подвергаться
- извлечение
- Oшибка
- семья
- Особенности
- поле
- Файл
- финансовый
- финансовые услуги
- Найдите
- FinTech
- Во-первых,
- поток
- фокусируется
- следовать
- после
- Что касается
- вперед
- найденный
- от
- функция
- Функции
- будущее
- шлюз
- генеративный
- Генеративный ИИ
- Дайте
- Go
- график
- группы
- было
- Есть
- he
- помощь
- помощь
- ее
- здесь
- на высшем уровне
- его
- его
- исторический
- история
- состоялся
- хостинг
- Как
- How To
- HTML
- HTTP
- HTTPS
- ID
- идентификаторы
- Личность
- if
- иллюстрирует
- Влияние
- осуществлять
- Осуществляющий
- Импортировать
- улучшать
- in
- включает в себя
- В том числе
- включение
- промышленность
- информация
- инициировать
- затраты
- размышления
- инструкции
- страхование
- интегрированный
- интеграции.
- в
- введение
- IP
- IT
- ЕГО
- работа
- JPG
- JSON
- всего
- JWT
- Основные
- озеро
- язык
- большой
- Фамилия
- последний
- запустили
- запуск
- УЧИТЬСЯ
- изучение
- Оставлять
- уровень
- Жизненный цикл
- такое как
- нравится
- LINK
- Listening
- LLM
- журнал
- посмотреть
- выглядит как
- машина
- обучение с помощью машины
- сделанный
- сделать
- Создание
- управлять
- управление
- менеджер
- управления
- многих
- Маркетинг
- Совпадение
- Май..
- Меню
- Метаданные
- Минут
- отсутствующий
- ML
- модель
- Модели
- Месяц
- БОЛЕЕ
- двигаться
- Музыка
- должен
- имя
- Откройте
- Навигация
- Необходимость
- необходимый
- Новые
- New York
- Нью-Йорк
- вновь
- следующий
- узел
- ноутбук
- сейчас
- номер
- OAuth
- of
- Предложения
- on
- ONE
- онлайн
- открытый
- or
- заказ
- наши
- за
- общий
- обзор
- собственный
- страница
- страниц
- пар
- хлеб
- часть
- партнер
- Прошло
- проходит
- Разрешения
- Телефон
- трубопровод
- Мест
- планирование
- Платформа
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- сборах
- политика
- населенный
- После
- мощностью
- Predictions
- подготовка
- Подготовить
- (например,
- предварительный просмотр
- предыдущий
- предварительно
- Основной
- Предварительный
- проблемам
- процесс
- обработка
- Продукт
- Профиль
- Прогресс
- Проект
- процветание
- обеспечивать
- при условии
- приводит
- обеспечение
- обеспечение
- покупки
- Запросы
- поднятый
- ассортимент
- реального времени
- рекомендовать
- Рекомендация
- рекомендаций
- по
- область
- зарегистрироваться
- зарегистрированный
- регистрирующий
- реестра
- отношения
- Отчеты
- хранилище
- запросить
- Запросы
- требовать
- обязательный
- ресурс
- Полезные ресурсы
- те
- ответ
- ответственный
- ограничивать
- возвращение
- обзоре
- Щелкните правой кнопкой мыши
- Роли
- роли
- условиями,
- Run
- sagemaker
- Salesforce
- то же
- Сохранить
- Шкала
- Наука
- скрипты
- Во-вторых
- Secret
- Раздел
- безопасный
- безопасно
- посмотреть
- видя
- сегмент
- выбор
- Серии
- обслуживание
- Услуги
- выступающей
- набор
- настройки
- установка
- она
- Оболочка
- должен
- показывать
- демонстрации
- Showcasing
- Шоу
- просто
- So
- Соцсети
- Общество
- Решение
- Решения
- РЕШАТЬ
- некоторые
- Space
- конкретный
- Расходы
- стек
- Начало
- и политические лидеры
- Область
- заявление
- Статус:
- Шаг
- Шаги
- По-прежнему
- диск
- магазин
- хранение
- Стратегический
- поток
- упорядочить
- студия
- последующее
- такие
- поддержка
- Убедитесь
- ТАБЛИЦЫ
- TAG
- взять
- команда
- команды
- Технологии
- шаблон
- шаблоны
- чем
- который
- Ассоциация
- Будущее
- Государство
- их
- Их
- тогда
- Эти
- этой
- Через
- время
- отметка времени
- в
- знак
- инструменты
- тема
- традиционный
- Train
- специалистов
- Обучение
- Transform
- трансформация
- преобразований
- Путешествие
- вызвать
- два
- напишите
- под
- понимать
- созданного
- Обновление ПО
- модернизация
- Загрузка
- URL
- использование
- прецедент
- используемый
- Информация о пользователе
- использования
- через
- ценностное
- Наши ценности
- различный
- версия
- вертикалей
- с помощью
- Вид
- посетили
- законопроект
- we
- Web
- веб-сервисы
- неделя
- ЧТО Ж
- Что
- когда
- будь то
- , которые
- в то время как
- КТО
- будете
- в
- без
- работавший
- работает
- мировой класс
- бы
- лет
- йорк
- Ты
- ВАШЕ
- зефирнет