Strukturirani podatki, opredeljeni kot podatki, ki sledijo določenemu vzorcu, kot so informacije, shranjene v stolpcih znotraj podatkovnih baz, in nestrukturirani podatki, ki nimajo posebne oblike ali vzorca, kot so besedilo, slike ali objave v družabnih medijih, še naprej rastejo, ko so proizvedeni in porabljeni. s strani različnih organizacij. Na primer, po podatkih Mednarodne podatkovne korporacije (IDC) naj bi se svetovni obseg podatkov do leta 2025 desetkrat povečal, pri čemer bodo nestrukturirani podatki predstavljali znaten delež. Podjetja bodo morda želela dodati metapodatke po meri, kot so vrste dokumentov (obrazci W-2 ali plačilne liste), različne vrste entitet, kot so imena, organizacija in naslov, poleg standardnih metapodatkov, kot so vrsta datoteke, datum ustvarjanja ali velikost, da razširijo inteligentno iskanje med zaužitjem dokumentov. Metapodatki po meri pomagajo organizacijam in podjetjem kategorizirati informacije na želen način. Metapodatke je na primer mogoče uporabiti za filtriranje in iskanje. Stranke lahko ustvarijo metapodatke po meri z uporabo Amazonsko razumevanje, storitev obdelave naravnega jezika (NLP), ki jo upravlja AWS za pridobivanje vpogledov v vsebino dokumentov in njihovo vnos v Amazonska Kendra skupaj s svojimi podatki v indeks. Amazon Kendra je zelo natančna in za uporabo enostavna storitev iskanja v podjetjih, ki jo poganja strojno učenje (AWS). Metapodatke po meri lahko nato uporabite za boljšo obogatitev vsebine filtriranje in faseta zmogljivosti. V Amazon Kendra so fasete omejeni pogledi niza rezultatov iskanja. Na primer, lahko zagotovite rezultate iskanja za mesta po vsem svetu, kjer so dokumenti filtrirani glede na določeno mesto, s katerim so povezani. Ustvarite lahko tudi vidike za prikaz rezultatov določenega avtorja.
Zavarovalnice so obremenjene z vse večjim številom zahtevkov, ki jih morajo obravnavati. Poleg tega se zapletenost obdelave zahtevkov povečuje tudi zaradi različnih vrst vključenih zavarovalnih dokumentov in entitet po meri v vsakem od teh dokumentov. V tej objavi opisujemo primer uporabe za obogatitev vsebine po meri za ponudnike zavarovanj. Ponudnik zavarovanja prejme zahtevke za izplačilo od odvetnika upravičenca za različne vrste zavarovanja, kot so stanovanjsko, avtomobilsko in življenjsko zavarovanje. V tem primeru uporabe dokumenti, ki jih prejme ponudnik zavarovanja, ne vsebujejo metapodatkov, ki bi omogočali iskanje po vsebini na podlagi določenih entitet in razredov. Ponudnik zavarovanja želi filtrirati vsebino Kendra glede na entitete po meri in razrede, specifične za njihovo poslovno domeno. Ta objava ponazarja, kako lahko avtomatizirate in poenostavite ustvarjanje metapodatkov z uporabo modelov po meri podjetja Amazon Comprehend. Ustvarjene metapodatke je mogoče prilagoditi med postopkom vnosa z Amazon Kendra Obogatitev dokumentov po meri (CDE) prilagojena logika.
Oglejmo si nekaj primerov iskanja Amazon Kendra z ali brez zmožnosti filtriranja in faset.
Na naslednjem posnetku zaslona Amazon Kendra ponuja rezultat iskanja, vendar ni možnosti za nadaljnje zoženje rezultatov iskanja z uporabo filtrov.
Naslednji posnetek zaslona prikazuje rezultate iskanja Amazon Kendra, ki jih je mogoče filtrirati z uporabo različnih vidikov, kot je odvetniška pisarna, številke polic, ustvarjenih z metapodatki po meri za zožitev rezultatov iskanja.
Rešitev, obravnavana v tem prispevku, je mogoče zlahka uporabiti tudi za druga podjetja/primere uporabe, kot so zdravstvo, proizvodnja in raziskave.
Pregled rešitev
V tej predlagani rešitvi bomo 1) razvrstili oddaje zavarovalnih zahtevkov v različne razrede in 2) iz teh dokumentov pridobili subjekte, specifične za zavarovanje. Ko je to končano, se dokument lahko usmeri v ustrezen oddelek ali nadaljnji proces.
Naslednji diagram opisuje predlagano arhitekturo rešitve.
Amazonsko razumevanje klasifikacija po meri API se uporablja za organiziranje vaših dokumentov v kategorije (razrede), ki jih določite sami. Razvrščanje po meri je postopek v dveh korakih. Najprej usposobite model klasifikacije po meri (imenovan tudi klasifikator), da prepozna razrede, ki vas zanimajo. Nato uporabite svoj model za klasifikacijo poljubnega števila nizov dokumentov.
Amazonsko razumevanje prepoznavanje entitet po meri funkcija se uporablja za identifikacijo posebnih vrst subjektov (imena zavarovalnic, imena zavarovateljev, številka police) poleg tega, kar je na voljo v generični tipi entitet privzeto. Izdelava modela za prepoznavanje entitet po meri je učinkovitejši pristop kot uporaba ujemanja nizov ali regularnih izrazov za ekstrahiranje entitet iz dokumentov. Model za prepoznavanje entitet po meri se lahko nauči konteksta, kjer se bodo ta imena verjetno pojavila. Poleg tega ujemanje nizov ne bo zaznalo entitet, ki imajo tipkarske napake ali sledijo novim dogovorom o poimenovanju, medtem ko je to mogoče z uporabo modela po meri.
Preden se potopimo globlje, si vzemimo trenutek in raziščimo Amazon Kendro. Amazon Kendra je zelo natančna in za uporabo enostavna storitev iskanja v podjetjih, ki jo poganja strojno učenje. Uporabnikom omogoča, da najdejo informacije, ki jih potrebujejo, v ogromni količini vsebine, razširjene po njihovi organizaciji, od spletnih mest in baz podatkov do intranetnih mest. Najprej bomo ustvarili indeks Amazon Kendra za vnos dokumentov. Pri zaužitju podatkov je nujno upoštevati koncept obogatitve podatkov po meri (CDE). CDE vam omogoča izboljšanje zmožnosti iskanja z vključitvijo zunanjega znanja v iskalni indeks. Za več informacij glejte Obogatitev vaših dokumentov med zaužitjem. V tej objavi logika CDE prikliče prilagojene API-je Amazon Comprehend za obogatitev dokumentov z identificiranimi razredi in entitetami. Na koncu uporabimo iskalno stran Amazon Kendra, da pokažemo, kako so metapodatki izboljšali zmožnost iskanja z dodajanjem fasetiranja in zmožnosti filtriranja.
Koraki na visoki ravni za implementacijo te rešitve so naslednji:
- Usposobite klasifikator po meri Amazon Comprehend z uporabo podatkov za usposabljanje
- Naučite prepoznavanje entitet po meri Amazon Comprehend z uporabo podatkov za usposabljanje
- Ustvarite klasifikator po meri Amazon Comprehend in končne točke za prepoznavanje entitet po meri
- Ustvarite in uvedite funkcijo Lambda za obogatitev po ekstrakciji
- Ustvarite in napolnite indeks Amazon Kendra
- Uporabite ekstrahirane entitete za filtriranje iskanj v Amazon Kendra
Zagotovili smo tudi vzorec vloge v GitHub repo za referenco.
Varnost podatkov in vidiki IAM
Z varnostjo kot glavno prednostno nalogo ta rešitev sledi načelu dovoljenj z najmanjšimi privilegiji za uporabljene storitve in funkcije. Vloga IAM, ki jo uporablja klasifikacija po meri Amazon Comprehend in prepoznavanje entitet po meri, ima dovoljenja za dostop do nabora podatkov samo iz preskusnega vedra. Storitev Amazon Kendra ima dostop do določenega vedra S3 in funkcije Lambda, ki se uporablja za klicanje API-jev za razumevanje. Funkcija Lambda ima dovoljenja samo za klicanje API-jev Amazon Comprehend. Za več informacij preglejte razdelka 1.2 in 1.3 v zvezku.
Priporočamo, da pred uvedbo rešitve v produkcijskem okolju naredite naslednje v neproizvodnem okolju.
Usposobite klasifikator po meri Comprehend z uporabo podatkov za usposabljanje
Amazon Comprehend Custom Classification podpira dve vrsti zapisa podatkov za datoteke z opombami:
Ker so naši podatki že označeni in shranjeni v datotekah CSV, bomo za primer datoteke z opombami uporabili obliko datoteke CSV. Označene podatke o usposabljanju moramo zagotoviti kot besedilo, kodirano z UTF-8, v datoteki CSV. V datoteko CSV ne vključite vrstice glave. Dodajanje vrstice glave v datoteko lahko povzroči napake med izvajanjem. Primer datoteke CSV s podatki o usposabljanju je naslednji:
Za pripravo podatkov za usposabljanje klasifikatorja glejte Priprava podatkov za usposabljanje klasifikatorja. Za vsako vrstico v datoteki CSV prvi stolpec vsebuje eno ali več oznak razreda. Oznaka razreda je lahko kateri koli veljaven niz UTF-8. Priporočamo uporabo jasnih imen razredov, ki se po pomenu ne prekrivajo. Ime lahko vključuje prazen prostor in je lahko sestavljeno iz več besed, povezanih s podčrtaji ali vezaji. Pred ali za vejicami, ki ločujejo vrednosti v vrstici, ne puščajte presledkov.
Nato boste trenirali z uporabo Večrazredni način or Način z več oznakami. Natančneje, v načinu več razredov klasifikacija dodeli en razred za vsak dokument, medtem ko v načinu več oznak posamezni razredi predstavljajo različne kategorije, ki se med seboj ne izključujejo. V našem primeru bomo uporabili večrazredni način za modele z navadnim besedilom.
Pripravite lahko ločene nabore podatkov o usposabljanju in testiranju za usposabljanje klasifikatorja po meri Amazon Comprehend in vrednotenje modela. Ali pa zagotovite samo en nabor podatkov za usposabljanje in testiranje. Comprehend bo samodejno izbral 10 % vašega nabora podatkov, ki jih boste uporabili kot podatke za testiranje. V tem primeru nudimo ločene nabore podatkov za usposabljanje in testiranje.
Naslednji primer prikazuje datoteko CSV, ki vsebuje imena razredov, povezanih z različnimi dokumenti.
Ko je model klasifikacije po meri usposobljen, lahko zajame različne razrede zavarovanj na dokumentih (domače, avtomobilsko ali življenjsko zavarovanje).
Usposobite prepoznavanje entitet po meri (NER) Amazon Comprehend z uporabo podatkov za usposabljanje
Nabor podatkov za usposabljanje za Amazon Comprehend Custom Entity Recognition (NER) je mogoče pripraviti na enega od dveh različnih načinov:
- Pripombe – Zagotavlja nabor podatkov, ki vsebuje označene entitete za usposabljanje načina
- Seznami entitet (samo golo besedilo) – Zagotavlja seznam subjektov in njihovo vrsto oznake (kot je »Imena zavarovalniških družb«) ter nabor neoznačenih dokumentov, ki vsebujejo te subjekte za modelno usposabljanje
Za več informacij glejte Priprava podatkov o usposabljanju prepoznavalca entitet.
Ko urimo model z uporabo seznama entitet, moramo zagotoviti dve informaciji: seznam imen entitet z njihovimi povezanimi tipi entitet po meri in zbirko dokumentov brez opomb, v katerih se entitete pojavljajo.
Samodejno usposabljanje zahteva dve vrsti informacij: vzorčne dokumente in seznam ali opombe entitet. Ko je prepoznavalec usposobljen, ga lahko uporabite za odkrivanje entitet po meri v svojih dokumentih. Hitro lahko analizirate majhen del besedila v realnem času ali pa lahko analizirate velik nabor dokumentov z asinhronim opravilom.
Pripravite lahko ločene nabore podatkov za usposabljanje in testiranje za usposabljanje prepoznavalnika entitet po meri Amazon Comprehend in vrednotenje modela. Ali zagotovite samo en nabor podatkov za usposabljanje in testiranje. Amazon Comprehend bo samodejno izbral 10 % vašega nabora podatkov, ki jih boste uporabili kot podatke za testiranje. V spodnjem primeru smo določili nabor podatkov o usposabljanju kot Documents.S3Uri
pod InputDataConfig
.
Naslednji primer prikazuje datoteko CSV, ki vsebuje entitet:
Ko je model entitet po meri (NER) usposobljen, bo lahko izvlekel različne entitete, kot je "PAYOUT
""INSURANCE_COMPANY
""LAW_FIRM
""POLICY_HOLDER_NAME
""POLICY_NUMBER
".
Ustvarite končne točke klasifikatorja po meri Amazon Comprehend in entitet po meri (NER).
Končne točke Amazon Comprehend omogočajo vaše modele po meri za klasifikacijo v realnem času. Ko ustvarite končno točko, jo lahko spreminjate, ko se vaše poslovne potrebe razvijajo. Na primer, lahko spremljate uporabo svoje končne točke in uporabite samodejno skaliranje, da samodejno nastavite oskrbo končne točke, da ustreza vašim potrebam po zmogljivosti. Vse svoje končne točke lahko upravljate iz enega samega pogleda in ko končne točke ne potrebujete več, jo lahko izbrišete, da prihranite stroške. Amazon Comprehend podpira sinhrone in asinhrone možnosti. Če klasifikacija v realnem času ni potrebna za vaš primer uporabe, lahko Amazon Comprehend predložite paketno opravilo za asinhrono klasifikacijo podatkov.
Za ta primer uporabe ustvarite končno točko, da bo vaš model po meri na voljo za analizo v realnem času.
Če želite zadovoljiti svoje potrebe po obdelavi besedila, končni točki dodelite enote sklepanja in vsaka enota omogoča pretok 100 znakov na sekundo. Nato lahko prilagodite pretok navzgor ali navzdol.
Ustvarite in uvedite funkcijo Lambda za obogatitev po ekstrakciji
Funkcija Lambda po ekstrakciji vam omogoča implementacijo logike za obdelavo besedila, ki ga Amazon Kendra ekstrahira iz zaužitega dokumenta. Funkcija po ekstrakciji, ki smo jo konfigurirali, implementira kodo za priklic storitve Amazon Comprehend za zaznavanje entitet po meri in razvrščanje dokumentov po meri iz besedila, ki ga ekstrahira Amazon Kendra, ter jih uporablja za posodobitev metapodatkov dokumenta, ki so predstavljeni kot fasete v iskanju Amazon Kendra . Funkcijska koda je vdelana v zvezku. The PostExtractionLambda
koda deluje na naslednji način:
- Razdeli besedilo strani na odseke, ki ne presegajo največje omejitve dolžine bajtov za razumevanje
detect_entities
API. (Glej omejitve ).
OPOMBE skript za poenostavitev uporablja naiven algoritem za razdelitev dolžine znakov – primeri produkcijske uporabe bi morali izvajati prekrivanje ali delitev meje stavka na podlagi dolžine bajta UTF8. - Za vsak del besedila prikliče končne točke razumevanja v realnem času za entitete po meri in klasifikator po meri za zaznavanje naslednjih vrst entitet: [“
PAYOUT
""INSURANCE_COMPANY
""LAW_FIRM
""POLICY_HOLDER_NAME
""POLICY_NUMBER
""INSURANCE_TYPE
«]. - Filtrira zaznane entitete, ki so pod pragom ocene zaupanja. Uporabljamo prag 0.50, kar pomeni, da bodo uporabljene samo entitete z zaupanjem 50 % ali več. To je mogoče nastaviti glede na primer uporabe in zahteve.
- Sledi številu frekvenc vsake entitete.
- Izbere le prvih N (10) edinstvenih entitet za vsako stran glede na pogostost pojavljanja.
- Za klasifikacijo dokumentov večrazredni klasifikator vsakemu dokumentu dodeli samo en razred. V tej funkciji Lambda bodo dokumenti razvrščeni kot avtomobilsko zavarovanje, stanovanjsko zavarovanje ali življenjsko zavarovanje.
Upoštevajte, da od tega pisanja CDE podpira samo sinhrone klice ali če mora biti asinhron, potem je potrebna eksplicitna čakalna zanka. Za naknadno ekstrakcijo Lambda the maksimalni čas izvedbe je 1 min. Logiko po meri Lambda je mogoče spremeniti glede na zahteve, ki ustrezajo vašemu primeru uporabe.
Ustvarite in napolnite indeks Amazon Kendra
V tem koraku bomo podatke vnesli v indeks Amazon Kendra in uporabnikom omogočili iskanje. Med vnosom bomo uporabili funkcijo Lambda, ustvarjeno v prejšnjem koraku, kot korak po ekstrakciji, funkcija Lambda pa bo poklicala končne točke klasifikacije po meri in prepoznavanja entitet po meri (NER), da ustvari polja metapodatkov po meri.
Koraki na visoki ravni za implementacijo te rešitve so naslednji:
- ustvarjanje Amazon Kendra Index.
- ustvarjanje Vir podatkov Amazon Kendra – Obstajajo različni viri podatkov, ki jih je mogoče uporabiti za vnos nabora podatkov. V tej objavi uporabljamo vedro S3.
- Ustvari fasete
Law_Firm
,Payout
,Insurance_Company
,Policy_Number
,Policy_Holder_Name
,Insurance_Type
z vrsto niza kot 'STRING_LIST_VALUE
". - Ustvarite Kendra CDE in ga usmerite na predhodno ustvarjeno funkcijo Lambda po ekstrakciji.
- Izvedite postopek sinhronizacije, da zaužijete nabor podatkov.
Ko končate, lahko indeks napolnite s podatki o zavarovanju, z uporabo Kendra CDE z lambda po ekstrakciji lahko filtrirate iskanja na podlagi tipov entitet po meri in klasifikacijo po meri kot polja metapodatkov po meri.
Uporabite ekstrahirane entitete za filtriranje iskanj v Kendri
Sedaj je indeks izpolnjen in pripravljen za uporabo. V konzoli Amazon Kendra izberite Iskanje po indeksirani vsebini pod Upravljanje podatkov in naredite naslednje.
Vprašajte naslednje: Seznam zavarovanj ni uspel zaradi prepozne prijave?
Rezultati prikazujejo odgovor iz vrste pravilnika – HOME INSURANCE
in prinaša text_18
in text_14
kot najboljši rezultati.
Na levi strani izberite »Filtriraj rezultate iskanja«. Zdaj boste videli vse tipe entitet in vrednosti klasifikacije, ekstrahirane z uporabo Comprehend, in za vsako vrednost entitete in klasifikacijo boste videli število ujemajočih se dokumentov.
Pod INSURANCE_TYPE
izberite "Auto-Insurance", nato pa boste prejeli odgovor od text_25
Datoteka.
Upoštevajte, da se lahko vaši rezultati nekoliko razlikujejo od rezultatov, prikazanih na posnetku zaslona.
Poskusite iskati s svojimi poizvedbami in opazujte, kako vam entitete in klasifikacija dokumentov, ki jih prepozna Amazon Comprehend, hitro omogočajo, da:
- Oglejte si, kako so vaši rezultati iskanja porazdeljeni po kategorijah.
- Zožite iskanje tako, da filtrirate katero koli vrednost entitete/razvrstitve.
Čiščenje
Ko ste eksperimentirali z iskanjem in preizkusili prenosni računalnik, ki je na voljo v repozitoriju Github, izbrišite infrastrukturo, ki ste jo zagotovili v svojem računu AWS, da se izognete morebitnim neželenim bremenitvam. Čistilne celice lahko izvajate v zvezku. Lahko pa vire izbrišete ročno prek konzole AWS:
- Amazon Kendra Index
- Razumevanje končnih točk klasifikatorja po meri in prepoznavanja entitet po meri (NER).
- Razumevanje prilagojenih modelov klasifikatorja in prepoznavanja subjektov po meri (NER).
- Lambda funkcija
- Vedro S3
- Vloge in politike IAM
zaključek
V tej objavi smo pokazali, kako entitete po meri Amazon Comprehend in klasifikator po meri omogočata iskanje Amazon Kendra, ki ga poganja funkcija CDE, da končnim uporabnikom pomaga pri boljšem iskanju strukturiranih/nestrukturiranih podatkov. Entitete po meri Amazon Comprehend in klasifikator po meri so zelo uporabni za različne primere uporabe in različne podatke, specifične za domeno. Za več informacij o uporabi Amazon Comprehend glejte Viri za razvijalce Amazon Comprehend in za Amazon Kendra glejte Viri za razvijalce Amazon Kendra.
Preizkusite to rešitev za svoj primer uporabe. Vabimo vas, da pustite svoje povratne informacije v oddelkih za komentarje.
O avtorjih
Amit Chaudhary je višji arhitekt rešitev pri Amazon Web Services. Njegovo osredotočeno področje je AI/ML, strankam pa pomaga z generativnim AI, velikimi jezikovnimi modeli in hitrim inženiringom. Zunaj službe Amit rad preživlja čas s svojo družino.
Yanyan Zhang je višji podatkovni znanstvenik v skupini za dostavo energije pri AWS Professional Services. Strastno želi pomagati strankam pri reševanju resničnih težav z znanjem AI/ML. Nedavno se je osredotočila na raziskovanje potenciala Generative AI in LLM. Zunaj službe obožuje potovanja, telovadbo in raziskovanje novih stvari.
Nikhil Jha je višji tehnični vodja računa pri Amazon Web Services. Njegova glavna področja so AI/ML in analitika. V prostem času s hčerko rad igra badminton in raziskuje na prostem.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
- PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
- PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/use-custom-metadata-created-by-amazon-comprehend-to-intelligently-process-insurance-claims-using-amazon-kendra/
- :ima
- : je
- :ne
- :kje
- $GOR
- 1
- 1.3
- 10
- 100
- 19
- 2025
- 33
- 50
- 500
- 7
- 9
- a
- Sposobna
- O meni
- dostop
- Po
- Račun
- računovodstvo
- natančna
- čez
- dodajte
- dodajanje
- Poleg tega
- Poleg tega
- Naslov
- po
- AI
- AI / ML
- algoritem
- vsi
- omogoča
- skupaj
- že
- Prav tako
- Amazon
- Amazonsko razumevanje
- Amazonska Kendra
- Amazon Web Services
- znesek
- an
- Analiza
- analitika
- analizirati
- in
- odgovor
- kaj
- API
- API-ji
- zdi
- uporaba
- uporabna
- Uporabi
- pristop
- primerno
- Arhitektura
- SE
- OBMOČJE
- območja
- AS
- povezan
- At
- odvetnik
- Avtor
- avto
- avtomatizirati
- samodejno
- Na voljo
- izogniti
- AWS
- Strokovne storitve AWS
- temeljijo
- BE
- bilo
- pred
- spodaj
- Boljše
- Poleg
- telo
- tako
- Meja
- Prinaša
- Building
- poslovni
- vendar
- by
- klic
- se imenuje
- poziva
- CAN
- Zmogljivosti
- zmožnost
- kapaciteta
- zajemanje
- primeru
- primeri
- kategorije
- Vzrok
- Celice
- nekatere
- spremenilo
- Spremembe
- značaja
- znaki
- Stroški
- Izberite
- Mesta
- mesto
- terjatve
- razred
- razredi
- Razvrstitev
- razvrščeni
- Razvrsti
- jasno
- Koda
- zbirka
- Stolpec
- Stolpci
- komentarji
- Podjetja
- podjetje
- dokončanje
- Končana
- kompleksnost
- razumeti
- Koncept
- zaupanje
- konfigurirano
- povezane
- Razmislite
- Konzole
- porabi
- vsebujejo
- Vsebuje
- vsebina
- ozadje
- naprej
- konvencij
- KORPORACIJA
- stroški
- bi
- ustvarjajo
- ustvaril
- po meri
- Stranke, ki so
- meri
- datum
- obogatitev datuma
- Upravljanje podatkov
- podatkovni znanstvenik
- nabor podatkov
- baze podatkov
- nabor podatkov
- Datum
- globlje
- privzeto
- opredeliti
- opredeljen
- dostava
- Oddelek
- razporedi
- opisati
- odkrivanje
- Zaznali
- Razvojni
- drugačen
- drugače
- razpravljali
- zaslon
- porazdeljena
- razne
- potapljanje
- do
- dokument
- Dokumenti
- domena
- don
- dont
- navzdol
- 2
- med
- e
- E&T
- vsak
- enostavno
- enostaven za uporabo
- Učinkovito
- bodisi
- el
- vgrajeni
- omogoča
- Končna točka
- energija
- Inženiring
- okrepi
- okrepljeno
- obogatiti
- obogatitev
- Podjetje
- podjetja
- subjekti
- entiteta
- okolje
- napake
- bistvena
- Ocena
- razvijajo
- Primer
- Primeri
- presega
- Razen
- izjema
- Ekskluzivno
- izvedba
- Izhod
- Pričakuje
- raziskuje
- Raziskovati
- izrazi
- razširiti
- zunanja
- ekstrakt
- pridobivanje
- fasete
- ni uspelo
- družina
- Feature
- Lastnosti
- povratne informacije
- Nekaj
- Področja
- file
- datoteke
- Vložitev
- filter
- filtriranje
- Filtri
- končno
- Najdi
- Firm
- prva
- fit
- Všita
- Osredotočite
- sledi
- po
- sledi
- za
- obrazec
- format
- Obrazci
- frekvenca
- iz
- funkcija
- nadalje
- ustvarila
- generacija
- generativno
- Generativna AI
- dobili
- GitHub
- Grow
- Imajo
- ob
- he
- zdravstveno varstvo
- pomoč
- pomoč
- Pomaga
- jo
- na visoki ravni
- več
- najvišja
- zelo
- njegov
- Domov
- Kako
- Kako
- HTML
- HTTPS
- i
- IDC
- identificirati
- identificirati
- if
- ponazarja
- slike
- izvajati
- izvajanja
- izvedbe
- in
- vključujejo
- vključujoč
- Povečajte
- narašča
- Indeks
- indeksirane
- individualna
- Podatki
- Infrastruktura
- vhod
- vpogledi
- primer
- zavarovanje
- Inteligentna
- obresti
- Facebook Global
- Mednarodna korporacija za podatke (IDC)
- v
- povabi
- prikliče
- vključeni
- IT
- Job
- json
- znanje
- label
- Oznake
- jezik
- velika
- Pozen
- zakon
- odvetniška pisarna
- UČITE
- učenje
- vsaj
- pustite
- levo
- dolžina
- življenje
- kot
- Verjeten
- LIMIT
- Seznam
- seznami
- LLM
- Logika
- več
- Poglej
- ljubi
- stroj
- strojno učenje
- Znamka
- IZDELA
- upravljanje
- upravlja
- upravljanje
- upravitelj
- ročno
- proizvodnja
- ujemanje
- max
- Maj ..
- kar pomeni,
- pomeni
- mediji
- Srečati
- metapodatki
- minut
- način
- Model
- modeli
- Trenutek
- monitor
- več
- Najbolj
- več
- morajo
- vzajemno
- Ime
- Imena
- poimenovanje
- ozek
- Nimate
- potrebna
- potrebe
- Novo
- nlp
- št
- prenosnik
- zdaj
- Številka
- številke
- predmet
- predmeti
- opazujejo
- pojav
- of
- on
- enkrat
- ONE
- samo
- Možnost
- možnosti
- or
- Organizacija
- organizacije
- Ostalo
- naši
- ven
- na prostem
- obrisi
- zunaj
- lastne
- Stran
- par
- strastno
- Vzorec
- za
- Izvedite
- Dovoljenja
- kosov
- Plain
- platon
- Platonova podatkovna inteligenca
- PlatoData
- igranje
- Točka
- politika
- naseljeno
- del
- mogoče
- Prispevek
- Prispevkov
- potencial
- poganja
- prednostno
- Pripravimo
- pripravljeni
- predstavljeni
- prejšnja
- prej
- Načelo
- Predhodna
- prednostna naloga
- privilegij
- Težave
- Postopek
- obravnavati
- Proizvedeno
- proizvodnja
- strokovni
- predlagano
- zagotavljajo
- če
- Ponudnik
- ponudniki
- zagotavlja
- zagotavljanje
- poizvedbe
- hitro
- kotacije
- obsegu
- Preberi
- pripravljen
- pravo
- v realnem času
- prejetih
- prejme
- Pred kratkim
- Priznanje
- priznajo
- priznana
- Priporočamo
- glejte
- reference
- redni
- Skladišče
- predstavljajo
- obvezna
- Zahteve
- zahteva
- Raziskave
- viri
- povzroči
- Rezultati
- vrnitev
- pregleda
- vloga
- vloge
- ROW
- Run
- runtime
- Enako
- Shrani
- skaliranje
- Znanstvenik
- rezultat
- script
- Iskalnik
- iskanja
- iskanje
- drugi
- Oddelek
- oddelki
- varnost
- glej
- izberite
- višji
- stavek
- ločena
- Storitev
- Storitve
- nastavite
- Kompleti
- je
- shouldnt
- Prikaži
- je pokazala,
- pokazale
- Razstave
- pomemben
- preprostost
- poenostavitev
- sam
- Spletna mesta
- Velikosti
- majhna
- So
- socialna
- družbeni mediji
- Objave v družabnih medijih
- Rešitev
- rešitve
- SOLVE
- Viri
- Vesolje
- specifična
- posebej
- določeno
- Poraba
- Razcepi
- namaz
- standardna
- Korak
- Koraki
- trgovina
- shranjeni
- String
- Stališča
- predloži
- taka
- podpora
- Podpira
- sinhronizacijo.
- Bodite
- skupina
- tehnični
- Test
- Testiranje
- besedilo
- kot
- da
- O
- informacije
- svet
- njihove
- Njih
- POTEM
- Tukaj.
- te
- jih
- stvari
- ta
- tisti,
- Prag
- skozi
- pretočnost
- čas
- do
- vrh
- sledenje
- Vlak
- usposobljeni
- usposabljanje
- Potovanje
- zdravljenje
- Poskušal
- poskusite
- uglašen
- dva
- tip
- Vrste
- pod
- poudarja
- edinstven
- Enota
- enote
- nezaželen
- Nadgradnja
- uporaba
- primeru uporabe
- Rabljeni
- Uporabniki
- uporablja
- uporabo
- veljavno
- vrednost
- Vrednote
- različnih
- Popravljeno
- zelo
- Poglej
- ogledov
- Obseg
- Počakaj
- želeli
- želi
- način..
- načini
- we
- web
- spletne storitve
- spletne strani
- Dobro
- Kaj
- Kaj je
- kdaj
- ki
- medtem
- bele
- bo
- z
- v
- brez
- besede
- delo
- deluje
- telovaditi
- deluje
- svet
- svetu
- pisanje
- pisni
- Vi
- Vaša rutina za
- zefirnet