Этот пост написан в соавторстве с Рамдевом Вудали и Киран Мантрипрагада из Thomson Reuters.
В 1992 Thomson Reuters (TR) выпустила свой первый сервис юридических исследований ИИ, WIN (Westlaw Is Natural), что было новшеством в то время, поскольку большинство поисковых систем поддерживали только логические термины и соединители. С тех пор TR достигла еще многих вех, поскольку ее продукты и услуги в области ИИ постоянно растут в количестве и разнообразии, поддерживая профессионалов в области юриспруденции, налогообложения, бухгалтерского учета, соблюдения нормативных требований и новостных служб по всему миру, ежегодно генерируя миллиарды идей машинного обучения (ML). .
С таким огромным увеличением количества услуг ИИ следующей вехой для TR стала оптимизация инноваций и облегчение совместной работы. Стандартизируйте создание и повторное использование решений ИИ в бизнес-функциях и личностях специалистов по ИИ, обеспечивая при этом соблюдение передовых практик предприятия:
- Автоматизируйте и стандартизируйте повторяющиеся недифференцированные инженерные работы.
- Обеспечьте необходимую изоляцию и контроль конфиденциальных данных в соответствии с общими стандартами управления.
- Обеспечьте легкий доступ к масштабируемым вычислительным ресурсам
Чтобы выполнить эти требования, TR построила платформу корпоративного ИИ вокруг следующих пяти столпов: служба данных, рабочее пространство для экспериментов, центральный реестр моделей, служба развертывания моделей и мониторинг моделей.
В этом посте мы обсуждаем, как TR и AWS сотрудничали при разработке первой корпоративной платформы искусственного интеллекта TR, веб-инструмента, который будет предоставлять различные возможности, от экспериментов с машинным обучением, обучения, центрального реестра моделей, развертывания моделей и мониторинга моделей. Все эти возможности созданы для соответствия постоянно меняющимся стандартам безопасности TR и предоставляют конечным пользователям простые, безопасные и соответствующие требованиям услуги. Мы также рассказываем, как TR обеспечивает мониторинг и управление моделями машинного обучения, созданными в разных бизнес-подразделениях, с помощью единой панели управления.
Проблемы
Исторически сложилось так, что машинное обучение в TR было возможностью для команд с продвинутыми учеными и инженерами по обработке данных. Команды с высококвалифицированными ресурсами смогли внедрить сложные процессы машинного обучения в соответствии со своими потребностями, но быстро стали очень разрозненными. Разрозненные подходы не обеспечивали никакой прозрачности для управления чрезвычайно важными прогнозами при принятии решений.
Бизнес-команды TR обладают обширными знаниями в предметной области; однако технические навыки и большие инженерные усилия, необходимые для машинного обучения, затрудняют использование их глубокого опыта для решения бизнес-задач с помощью мощностей машинного обучения. TR хочет демократизировать навыки, сделав их доступными для большего числа людей в организации.
Различные команды в TR следуют своим собственным практикам и методологиям. TR хочет предоставить своим пользователям возможности, охватывающие весь жизненный цикл машинного обучения, чтобы ускорить реализацию проектов машинного обучения, позволяя командам сосредоточиться на бизнес-целях, а не на повторяющихся недифференцированных инженерных усилиях.
Кроме того, правила, касающиеся данных и этического ИИ, продолжают развиваться, требуя общих стандартов управления для всех решений TR в области ИИ.
Обзор решения
Предполагалось, что корпоративная платформа искусственного интеллекта TR предоставит простые и стандартизированные услуги различным пользователям, предлагая возможности для каждого этапа жизненного цикла машинного обучения. TR определил пять основных категорий, которые объединяют все требования TR:
- Служба данных – Обеспечить простой и безопасный доступ к активам корпоративных данных
- Рабочее пространство для экспериментов – Предоставление возможностей для экспериментов и обучения моделей машинного обучения.
- Центральный реестр моделей – Корпоративный каталог моделей, созданных в различных бизнес-подразделениях.
- Служба развертывания модели – Предоставление различных вариантов развертывания логических выводов в соответствии с корпоративной практикой CI/CD компании TR.
- Услуги мониторинга моделей – Предоставление возможностей для мониторинга данных и систематических отклонений и дрейфов моделей.
Как показано на следующей диаграмме, эти микросервисы созданы с учетом нескольких ключевых принципов:
- Избавьтесь от однообразной инженерной работы пользователей
- Предоставление необходимых возможностей одним нажатием кнопки
- Защита и управление всеми возможностями в соответствии с корпоративными стандартами TR
- Используйте единое окно для действий по машинному обучению
Микросервисы TR AI Platform созданы с Создатель мудреца Амазонки в качестве основного механизма, бессерверные компоненты AWS для рабочих процессов и сервисы AWS DevOps для практики CI/CD. Студия SageMaker используется для экспериментов и обучения, а реестр моделей SageMaker используется для регистрации моделей. Центральный реестр моделей состоит из реестра моделей SageMaker и Amazon DynamoDB таблице. Услуги хостинга SageMaker используются для развертывания моделей, а Монитор модели SageMaker и SageMaker Уточнение используются для мониторинга моделей на предмет дрейфа, смещения, пользовательских калькуляторов метрик и объяснимости.
В следующих разделах подробно описаны эти службы.
Служба данных
Традиционный жизненный цикл проекта машинного обучения начинается с поиска данных. В целом специалисты по данным тратят 60% и более своего времени на поиск нужных данных, когда они им нужны. Как и в любой организации, в TR есть несколько хранилищ данных, которые служат единой точкой истины для разных предметных областей. TR определила два ключевых корпоративных хранилища данных, которые предоставляют данные для большинства вариантов использования машинного обучения: хранилище объектов и хранилище реляционных данных. Компания TR создала службу данных AI Platform, чтобы беспрепятственно предоставлять доступ к обоим хранилищам данных из экспериментальных рабочих областей пользователей и снимать с пользователей бремя самостоятельной навигации по сложным процессам для получения данных. Платформа искусственного интеллекта TR соответствует всем требованиям и передовым практикам, определенным командой управления данными и моделями. Это включает в себя обязательную оценку воздействия на данные, которая помогает специалистам по машинному обучению понять и следовать этичному и надлежащему использованию данных с формальными процессами утверждения для обеспечения надлежащего доступа к данным. Ядром этой услуги, как и всех услуг платформы, является безопасность и соответствие требованиям в соответствии с лучшими практиками, определенными TR и отраслью.
Простой сервис хранения Amazon (Amazon S3) объектное хранилище действует как озеро данных контента. TR создала процессы для безопасного доступа к данным из озера данных контента в экспериментальные рабочие области пользователей, сохраняя при этом необходимую авторизацию и возможность аудита. Snowflake используется как первичное реляционное хранилище данных предприятия. По запросу пользователя и на основании утверждения владельца данных служба данных AI Platform предоставляет пользователю моментальный снимок данных, доступный в его рабочей области для экспериментов.
Доступ к данным из различных источников — это техническая проблема, которая легко решается. Но сложность, которую удалось решить TR, заключается в создании рабочих процессов утверждения, которые автоматизируют идентификацию владельца данных, отправку запроса на доступ, обеспечение уведомления владельца данных о том, что у него есть ожидающий запрос на доступ, и на основе статуса утверждения принятие мер по предоставлению данных для запрашивающий. Все события в рамках этого процесса отслеживаются и регистрируются для обеспечения возможности аудита и соответствия требованиям.
Как показано на следующей диаграмме, TR использует Шаговые функции AWS организовать рабочий процесс и AWS Lambda для запуска функционала. Шлюз API Amazon используется для предоставления функциональности с конечной точкой API, которая будет использоваться на их веб-портале.
Модельные эксперименты и разработка
Существенной возможностью для стандартизации жизненного цикла машинного обучения является среда, которая позволяет специалистам по данным экспериментировать с различными платформами машинного обучения и размерами данных. Включение такой безопасной, соответствующей требованиям среды в облаке за считанные минуты освобождает специалистов по данным от бремени обработки облачной инфраструктуры, требований к сети и мер стандартов безопасности, чтобы вместо этого сосредоточиться на проблеме обработки данных.
TR создает рабочее пространство для экспериментов, которое предлагает доступ к таким услугам, как Клей AWS, Амазонка ЭМИи SageMaker Studio, чтобы обеспечить возможности обработки данных и машинного обучения в соответствии со стандартами корпоративной облачной безопасности и обязательной изоляцией учетных записей для каждого бизнес-подразделения. TR столкнулся со следующими проблемами при реализации решения:
- На раннем этапе оркестровка не была полностью автоматизирована и включала несколько ручных операций. Отследить, где возникают проблемы, было непросто. TR преодолела эту ошибку, организовав рабочие процессы с помощью пошаговых функций. Благодаря использованию пошаговых функций создание сложных рабочих процессов, управление состояниями и обработка ошибок стали намного проще.
- Надлежащий Управление идентификацией и доступом AWS (IAM) было сложно определить роль для экспериментальной рабочей области. Чтобы соответствовать внутренним стандартам безопасности TR и модели наименьших привилегий, изначально роль рабочей области определялась встроенными политиками. Следовательно, встроенная политика со временем росла и становилась многословной, превышая лимит размера политики, разрешенный для роли IAM. Чтобы смягчить это, TR переключился на использование большего количества политик, управляемых клиентами, и ссылки на них в определении роли рабочей области.
- Время от времени TR достигал лимитов ресурсов по умолчанию, применяемых на уровне учетной записи AWS. Это приводило к периодическим сбоям при запуске заданий SageMaker (например, заданий обучения) из-за достижения предела желаемого типа ресурсов. TR тесно сотрудничала с сервисной командой SageMaker по этому вопросу. Эта проблема была решена после того, как команда AWS запустила SageMaker в качестве поддерживаемого сервиса в Сервисные квоты В июне 2022.
Сегодня специалисты по данным в TR могут запустить проект машинного обучения, создав независимое рабочее пространство и добавив необходимых членов команды для совместной работы. Неограниченный масштаб, предлагаемый SageMaker, находится в их распоряжении благодаря предоставлению им пользовательских образов ядра различных размеров. SageMaker Studio быстро стала важнейшим компонентом платформы искусственного интеллекта TR и изменила поведение пользователей с использования ограниченных настольных приложений на масштабируемые и эфемерные специализированные механизмы. Следующая диаграмма иллюстрирует эту архитектуру.
Центральный реестр моделей
Реестр моделей представляет собой центральный репозиторий для всех моделей машинного обучения TR, позволяет управлять рисками и работоспособностью стандартизированным образом для всех бизнес-функций и упрощает повторное использование потенциальных моделей. Поэтому сервису необходимо было сделать следующее:
- Обеспечить возможность регистрации как новых, так и устаревших моделей, независимо от того, были ли они разработаны в SageMaker или за его пределами.
- Внедрение рабочих процессов управления, позволяющих специалистам по данным, разработчикам и заинтересованным сторонам просматривать и совместно управлять жизненным циклом моделей.
- Повысьте прозрачность и сотрудничество, создав централизованное представление всех моделей в TR вместе с метаданными и показателями работоспособности.
TR начал разработку только с реестра моделей SageMaker, но одним из ключевых требований TR является предоставление возможности регистрировать модели, созданные вне SageMaker. Компания TR оценивала различные реляционные базы данных, но в итоге остановила свой выбор на DynamoDB, поскольку схема метаданных для моделей, полученных из устаревших источников, будет сильно отличаться. TR также не хотела возлагать на пользователей какую-либо дополнительную работу, поэтому они внедрили бесшовную автоматическую синхронизацию между реестрами SageMaker рабочей области AI Platform с центральным реестром SageMaker, используя Amazon EventBridge правила и необходимые роли IAM. TR расширил центральный реестр с помощью DynamoDB, чтобы расширить возможности регистрации устаревших моделей, созданных на рабочих столах пользователей.
Центральный реестр моделей TR AI Platform интегрирован в портал AI Platform и предоставляет визуальный интерфейс для поиска моделей, обновления метаданных моделей и понимания базовых показателей модели и периодических настраиваемых показателей мониторинга. Следующая диаграмма иллюстрирует эту архитектуру.
Развертывание модели
TR определил два основных шаблона для автоматизации развертывания:
- Модели, разработанные с помощью SageMaker с помощью заданий пакетного преобразования SageMaker для получения выводов по предпочтительному расписанию.
- Модели, разработанные вне SageMaker на локальных рабочих столах с использованием библиотек с открытым исходным кодом, с использованием собственного контейнерного подхода с использованием заданий обработки SageMaker для запуска пользовательского кода логического вывода, что является эффективным способом переноса этих моделей без рефакторинга кода.
С помощью службы развертывания AI Platform пользователи TR (специалисты по данным и инженеры по машинному обучению) могут идентифицировать модель из каталога и развернуть задание логического вывода в выбранной учетной записи AWS, указав необходимые параметры через рабочий процесс на основе пользовательского интерфейса.
TR автоматизировал это развертывание с помощью таких сервисов AWS DevOps, как Кодовый конвейер AWS и Сборка кода AWS. TR использует пошаговые функции для организации рабочего процесса чтения и предварительной обработки данных для создания заданий логического вывода SageMaker. TR развертывает необходимые компоненты в виде кода, используя AWS CloudFormation шаблоны. Следующая диаграмма иллюстрирует эту архитектуру.
Мониторинг модели
Жизненный цикл машинного обучения не будет полным без возможности мониторинга моделей. Группа управления предприятием TR также обязывает и поощряет бизнес-группы отслеживать эффективность своей модели с течением времени, чтобы решать любые нормативные проблемы. TR начал с мониторинга моделей и данных для дрейфа. Компания TR использовала SageMaker Model Monitor, чтобы обеспечить базовые данные и достоверность выводов, чтобы периодически отслеживать дрейф данных и выводов TR. Наряду с метриками мониторинга моделей SageMaker компания TR расширила возможности мониторинга, разработав пользовательские метрики, характерные для их моделей. Это поможет специалистам по данным TR понять, когда нужно переобучить свою модель.
Наряду с мониторингом дрейфа TR также хочет понять систематическую ошибку в моделях. Готовые возможности SageMaker Clarify используются для создания службы предвзятости TR. TR отслеживает предвзятость как данных, так и моделей и делает эти показатели доступными для своих пользователей через портал AI Platform.
Чтобы помочь всем командам принять эти корпоративные стандарты, TR сделала эти сервисы независимыми и легкодоступными через портал AI Platform. Бизнес-команды TR могут зайти на портал и самостоятельно развернуть задание по мониторингу модели или заданию по отклонению и запустить их по своему предпочтительному расписанию. Они уведомляются о статусе задания и метриках для каждого запуска.
Компания TR использовала сервисы AWS для развертывания CI/CD, оркестрации рабочих процессов, бессерверных инфраструктур и конечных точек API для создания микросервисов, которые можно запускать независимо, как показано в следующей архитектуре.
Результаты и будущие улучшения
Платформа искусственного интеллекта TR была запущена в третьем квартале 3 года со всеми пятью основными компонентами: служба данных, рабочее пространство для экспериментов, центральный реестр моделей, развертывание моделей и мониторинг моделей. TR провела внутренние обучающие семинары для своих бизнес-подразделений по работе с платформой и предложила им самостоятельные обучающие видеоролики.
Платформа ИИ предоставила командам TR возможности, которых раньше не существовало; это открыло широкий спектр возможностей для группы управления предприятием TR по улучшению стандартов соответствия и централизации реестра, предоставляя единую панель обзора для всех моделей машинного обучения в TR.
TR признает, что ни один продукт не является лучшим при первоначальном выпуске. Все компоненты TR находятся на разных уровнях зрелости, а команда корпоративной платформы искусственного интеллекта TR находится на этапе непрерывного совершенствования, чтобы итеративно улучшать функции продукта. Текущий конвейер усовершенствования TR включает добавление дополнительных параметров логического вывода SageMaker, таких как конечные точки в реальном времени, асинхронные и мультимодельные. TR также планирует добавить объяснимость модели в качестве функции в свою службу мониторинга моделей. TR планирует использовать возможности объяснимости SageMaker Clarify для разработки своей внутренней службы объяснимости.
Заключение
Теперь TR может безопасно обрабатывать огромные объемы данных и использовать расширенные возможности AWS, чтобы перевести проект машинного обучения от идеи до производства за несколько недель, по сравнению с месяцами, которые раньше требовались. Благодаря готовым возможностям сервисов AWS команды в TR впервые могут регистрировать и отслеживать модели машинного обучения, добиваясь соответствия своим постоянно меняющимся стандартам управления моделями. TR дала специалистам по данным и продуктовым группам возможность эффективно раскрыть свой творческий потенциал для решения самых сложных проблем.
Чтобы узнать больше о корпоративной платформе искусственного интеллекта TR на AWS, ознакомьтесь с Сессия AWS re:Invent 2022. Если вы хотите узнать, как TR ускорила использование машинного обучения с помощью Лаборатория данных AWS программу, см. тематическое исследование.
Об авторах
Рамдев Вудали является архитектором данных, помогает проектировать и создавать платформу AI/ML, чтобы ученые и исследователи данных могли разрабатывать решения для машинного обучения, сосредоточив внимание на науке о данных, а не на потребностях инфраструктуры. В свободное время он любит складывать бумагу, чтобы создавать мозаики оригами, и носить дерзкие футболки.
Киран Мантрипрагада является старшим директором платформы искусственного интеллекта в Thomson Reuters. Команда AI Platform отвечает за создание программных приложений искусственного интеллекта производственного уровня и обеспечение работы специалистов по обработке и анализу данных и исследователей машинного обучения. Обладая страстью к науке, искусственному интеллекту и инженерии, Киран любит преодолевать разрыв между исследованиями и производством, чтобы донести настоящие инновации искусственного интеллекта до конечных потребителей.
Бхавана Чирумамилла является старшим архитектором-резидентом в AWS. Она увлечена операциями с данными и машинным обучением и проявляет большой энтузиазм, помогая предприятиям создавать стратегии данных и машинного обучения. В свободное время она любит путешествовать со своей семьей, ходить в походы, заниматься садоводством и смотреть документальные фильмы.
Шриниваса Шайк работает архитектором решений в AWS в Бостоне. Он помогает корпоративным клиентам ускорить переход к облаку. Он увлечен контейнерами и технологиями машинного обучения. В свободное время любит проводить время с семьей, готовить и путешествовать.
Цинвэй Ли является специалистом по машинному обучению в Amazon Web Services. Он получил докторскую степень в области исследований операций после того, как сломал счет на исследовательские гранты своего консультанта и не смог вручить обещанную Нобелевскую премию. В настоящее время он помогает клиентам в сфере финансовых услуг и страхования создавать решения для машинного обучения на AWS. В свободное время любит читать и преподавать.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- Платоблокчейн. Интеллект метавселенной Web3. Расширение знаний. Доступ здесь.
- Источник: 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
- в состоянии
- О нас
- ускорять
- ускоренный
- доступ
- доступной
- По
- Учетная запись
- Бухгалтерский учет
- достигнутый
- достижение
- приобретать
- через
- Действие
- акты
- дополнительный
- адрес
- принять
- продвинутый
- После
- AI
- Платформа AI
- Услуги искусственного интеллекта
- AI / ML
- Все
- позволяет
- рядом
- Amazon
- Создатель мудреца Амазонки
- Amazon Web Services
- суммы
- и
- API
- Приложения
- прикладной
- подхода
- подходы
- утверждение
- архитектура
- около
- разрешение
- автоматизировать
- Автоматизированный
- Автоматический
- доступен
- AWS
- основанный
- Базовая линия
- , так как:
- до
- не являетесь
- ЛУЧШЕЕ
- лучшие практики
- между
- смещение
- миллиарды
- Бостон
- МОСТ
- приносить
- Приносит
- Сломался
- строить
- Строительство
- строит
- построенный
- бремя
- бизнес
- хозяйственная деятельность
- возможности
- случаев
- каталог
- категории
- вызванный
- центральный
- централизованная
- проблемы
- проверка
- Выбирая
- выбранный
- тесно
- облако
- облачная инфраструктура
- Cloud Security
- код
- сотрудничать
- сотрудничало
- сотрудничество
- коллективно
- приход
- Общий
- сравненный
- полный
- комплекс
- сложность
- Соответствие закону
- уступчивый
- компонент
- компоненты
- Состоит
- вычисление
- потребленный
- Потребители
- Container
- Контейнеры
- содержание
- продолжать
- (CIJ)
- контроль
- Основные
- Создайте
- создали
- Создающий
- креативность
- критической
- решающее значение
- Текущий
- В настоящее время
- изготовленный на заказ
- Клиенты
- данным
- Озеро данных
- обработка данных
- наука о данных
- базы данных
- Принятие решений
- глубоко
- глубокая экспертиза
- По умолчанию
- доставить
- поставка
- демократизировать
- развертывание
- развертывание
- развертывает
- описывать
- Проект
- компьютера
- подробность
- определены
- развивать
- развитый
- застройщиков
- развивающийся
- Развитие
- различный
- трудный
- директор
- обсуждать
- документальные фильмы
- домен
- доменов
- вниз
- Рано
- легче
- легко
- фактически
- эффективный
- усилие
- уполномоченный
- включить
- включен
- позволяет
- позволяет
- призывает
- Конечная точка
- Двигатель
- Проект и
- Инженеры
- Двигатели
- расширение
- обеспечивать
- обеспечение
- Предприятие
- предприятий
- энтузиазм
- Окружающая среда
- ошибка
- существенный
- этический
- оценивается
- События
- НИКОГДА
- развивается
- развивается
- пример
- эксперимент
- опыта
- продлить
- чрезвычайно
- содействовал
- Oшибка
- семья
- Особенность
- Особенности
- несколько
- окончательный
- финансовый
- финансовая служба
- Найдите
- обнаружение
- Во-первых,
- Впервые
- Фокус
- фокусировка
- следовать
- после
- следующим образом
- формальный
- каркасы
- от
- Выполнять
- полностью
- функциональность
- Функции
- будущее
- разрыв
- Общие
- генерируется
- получить
- стекло
- Go
- Цели
- управление
- предоставлять
- земля
- Рост
- Управляемость
- Жесткий
- Медицина
- помощь
- помощь
- помогает
- очень
- хостинг
- Как
- Однако
- HTML
- HTTPS
- идентифицированный
- определения
- идентифицирующий
- Личность
- изображений
- Влияние
- осуществлять
- в XNUMX году
- Осуществляющий
- наложенный
- улучшать
- in
- включает в себя
- Увеличение
- независимые
- самостоятельно
- промышленность
- Инфраструктура
- начальный
- Инновации
- размышления
- вместо
- страхование
- интегрированный
- Интерфейс
- в нашей внутренней среде,
- вовлеченный
- изоляция
- вопрос
- IT
- работа
- Джобс
- путешествие
- Основные
- Знать
- знания
- озеро
- запуск
- запустили
- запуск
- УЧИТЬСЯ
- изучение
- Наследие
- Юр. Информация
- уровень
- уровни
- библиотеки
- ОГРАНИЧЕНИЯ
- рамки
- жить
- локальным
- машина
- обучение с помощью машины
- сделанный
- основной
- ДЕЛАЕТ
- Создание
- управлять
- управление
- управления
- мандаты
- способ
- руководство
- многих
- зрелость
- меры
- Участники
- Метаданные
- методологии
- метрический
- Метрика
- microservices
- мигрировать
- веха
- Основные этапы
- против
- Минут
- смягчать
- ML
- модель
- Модели
- монитор
- Мониторинг
- Мониторы
- месяцев
- БОЛЕЕ
- самых
- с разными
- натуральный
- Откройте
- Необходимость
- потребности
- сетей
- Новые
- Новости
- следующий
- нобелевская торговая точка
- номер
- объект
- случайный
- предложенный
- предлагающий
- Предложения
- Onboard
- ONE
- с открытым исходным кодом
- открытый
- Операционный отдел
- Опции
- оркестровка
- организация
- первоначально
- внешнюю
- собственный
- владелец
- хлеб
- бумага & картон
- параметры
- страсть
- страстный
- паттеранами
- Люди
- производительность
- периодический
- фаза
- трубопровод
- планирование
- Планы
- Платформа
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- Точка
- сборах
- политика
- Портал
- возможности,
- После
- потенциал
- мощностью
- практиками
- Predictions
- привилегированный
- первичный
- Принципы
- приз
- Проблема
- проблемам
- процесс
- Процессы
- обработка
- Продукт
- Производство
- Продукция
- профессионалы
- FitPartner™
- Проект
- проектов
- обещанный
- обеспечивать
- при условии
- приводит
- обеспечение
- Q3
- q3 2022
- быстро
- ассортимент
- ранжирование
- RE
- достиг
- Reading
- реальные
- реального времени
- получила
- зарегистрироваться
- реестра
- правила
- регуляторы
- освободить
- выпустил
- удаление
- хранилище
- запросить
- обязательный
- Требования
- исследованиям
- исследователи
- ресурс
- Полезные ресурсы
- ответственный
- Reuters
- Снижение
- Роли
- роли
- условиями,
- Run
- sagemaker
- Вывод SageMaker
- масштабируемые
- Шкала
- график
- Наука
- Ученые
- бесшовные
- легко
- Поиск
- Поисковые системы
- разделах
- безопасный
- обеспеченный
- безопасно
- безопасность
- отправка
- старший
- чувствительный
- служить
- Serverless
- обслуживание
- Услуги
- сессиях
- несколько
- Поделиться
- показанный
- просто
- с
- одинарной
- Размер
- Размеры
- квалифицированный
- навыки
- Снимок
- So
- Software
- Решение
- Решения
- РЕШАТЬ
- Источники
- специалист
- конкретный
- тратить
- Расходы
- Этап
- заинтересованных сторон
- стандартизации
- стандартов
- и политические лидеры
- начинается
- Области
- Статус:
- Шаг
- Шаги
- диск
- магазин
- магазины
- стратегий
- упорядочить
- студия
- такие
- Поддержанный
- поддержки
- включается
- синхронизация
- ТАБЛИЦЫ
- взять
- налог
- Обучение
- команда
- команды
- Технический
- технические навыки
- технологии
- шаблоны
- terms
- Ассоциация
- их
- следовательно
- Thomson Reuters
- Через
- по всему
- время
- в
- инструментом
- Отслеживание
- традиционный
- Train
- Обучение
- Transform
- Прозрачность
- Путешествие
- огромный
- срабатывает
- понимать
- Ед. изм
- единиц
- развязать
- Неограниченный
- Обновление ПО
- использование
- Информация о пользователе
- пользователей
- разнообразие
- различный
- Огромная
- с помощью
- Видео
- Вид
- видимость
- наблюдение
- Web
- веб-сервисы
- Web-Based
- Недели
- будь то
- в то время как
- широкий
- Широкий диапазон
- будете
- выиграть
- в
- без
- Работа
- работавший
- Рабочие процессы
- по всему миру
- бы
- год
- ВАШЕ
- зефирнет