I en tidigare inlägg, pratade vi om att analysera och tagga tillgångar lagrade i Veeva Vault PromoMats med hjälp av Amazon AI-tjänster och Veeva Vault Platforms API:er. I det här inlägget utforskar vi hur man använder Amazon App Flow, en helt hanterad integrationstjänst som gör att du säkert kan överföra data från SaaS-applikationer (Software as a Service) som Veeva Vault till AWS. De Amazon AppFlow Veeva-kontakt låter dig ansluta din AWS-miljö till Veevas ekosystem snabbt, tillförlitligt och kostnadseffektivt för att analysera det rika innehållet som lagras i Veeva Vault i stor skala.
Amazon AppFlow Veeva-kontakten är den första Amazon AppFlow-kontakten som stöder automatisk överföring av Veeva dokument. Det låter dig välja mellan den senaste versionen ( Stabilt läge version i Veeva-termer) och alla versioner av dokument. Dessutom kan du importera dokumentmetadata.
Med några få klick kan du enkelt konfigurera en hanterad anslutning och välja Veeva Vault-dokument och metadata att importera. Du kan justera importbeteendet ytterligare genom att mappa källfält till destinationsfält. Du kan också lägga till filter baserat på dokumenttyp och undertyp, klassificering, produkter, land, webbplats och mer. Slutligen kan du lägga till validering och hantera on-demand och schemalagda flödestriggers.
Du kan använda Amazon AppFlow Veeva-kontakten för olika användningsfall, allt från Veeva Vault PromoMats till andra Veeva Vault-lösningar som QualityDocs, eTMF eller Regulatory Information Management (RIM). Följande är några av användningsfallen där du kan använda kontakten:
- Datasynkronisering – Du kan använda anslutningen i processen att etablera överensstämmelse och harmonisering mellan data från en Veeva Vault-källa och eventuella nedströmssystem över tiden. Du kan till exempel dela Veeva PromoMats marknadsföringstillgångar till Salesforce. Du kan också använda anslutningen för att dela Veeva QualityDocs som Standard Operating Procedures (SOP) eller specifikationer till cachade webbplatser som är sökbara från surfplattor som finns på tillverkningsgolvet.
- Anomali upptäckt – Du kan dela Veeva PromoMats dokument till Amazon Lookout för mätvärden för upptäckt av anomalier. Du kan också använda kontakten med Vault RIM i konstverk, kommersiella etiketter, mallar eller patientbroschyrer innan du importerar dem för utskrift till företagsetiketteringslösningar som Loftware.
- Datasjöhydrering – Anslutningen kan vara ett effektivt verktyg för att replikera strukturerad eller ostrukturerad data till datasjöar, för att stödja skapandet och hydreringen av datasjöar. Du kan till exempel använda anslutningen för att extrahera standardiserad studieinformation från protokoll som lagras i Vault RIM och exponera den nedströms för medicinska analytiska insiktsteam.
- Översättningar – Anslutningen kan vara användbar för att skicka konstverk, kliniska dokument, marknadsföringsmaterial eller studieprotokoll för översättning till modersmål till avdelningar som förpackningar, kliniska prövningar eller regulatoriska inlämningar.
Det här inlägget fokuserar på hur du kan använda Amazon AI-tjänster i kombination med Amazon AppFlow för att analysera innehåll lagrat i Veeva Vault PromoMats, automatiskt extrahera tagginformation och slutligen mata tillbaka denna information till Veeva Vault-systemet. Inlägget diskuterar den övergripande arkitekturen, stegen för att distribuera en lösning och instrumentpanel, och ett användningsfall av tillgångsmetadatataggning. För mer information om proof of concept-kodbasen för detta användningsfall, se GitHub repository.
Lösningsöversikt
Följande diagram illustrerar den uppdaterade lösningsarkitekturen.
Tidigare, för att importera tillgångar från Veeva Vault, var du tvungen att skriva din egen anpassade kodlogik med hjälp av Veeva Vault API: er för att söka efter ändringar och importera data till Amazon enkel lagringstjänst (Amazon S3). Detta kan vara en manuell, tidskrävande process, där du var tvungen att ta hänsyn till API-begränsningar, misslyckanden och återförsök, samt skalbarhet för att rymma en obegränsad mängd tillgångar. Den uppdaterade lösningen använder Amazon AppFlow för att abstrahera bort komplexiteten i att underhålla en anpassad Veeva till Amazon S3-dataimportpipeline.
Som nämnts i inledningen är Amazon AppFlow ett lättanvänt självbetjäningsverktyg utan kod som använder peka-och-klicka-konfigurationer för att enkelt och säkert flytta data mellan olika SaaS-applikationer och AWS-tjänster. AppFlow låter dig hämta data (objekt och dokument) från källor som stöds och skriva dessa data till olika destinationer som stöds. Källan eller destinationen kan vara en SaaS-applikation eller en AWS-tjänst som Amazon S3, Amazon RedShift, eller Lookout for Metrics. Förutom gränssnittet utan kod, stöder Amazon AppFlow konfiguration via API, AWS CLI och AWS molnformation gränssnitt.
Ett flöde i Amazon AppFlow beskriver hur data ska flyttas, inklusive källdetaljer, destinationsdetaljer, flödesutlösarförhållanden (på begäran, vid händelse eller schemalagda) och databearbetningsuppgifter som kontrollpunkter, fältvalidering eller maskering. När den utlöses, kör Amazon AppFlow ett flöde som hämtar källdata (vanligen genom källapplikationens publika API:er), kör databearbetningsuppgifter och överför bearbetad data till destinationen.
I det här exemplet distribuerar du ett förkonfigurerat flöde med hjälp av en CloudFormation-mall. Följande skärmdump visar de förkonfigurerade veeva-aws-connector
flöde som skapas automatiskt av lösningsmallen på Amazon AppFlow-konsolen.
Flödet använder Veeva som källa och är konfigurerat för att importera Veeva Vault-komponentobjekt. Både metadata och källfiler är nödvändiga för att hålla reda på de tillgångar som har bearbetats och föra tillbaka taggar på rätt motsvarande tillgång i källsystemet. I den här situationen importeras bara den senaste versionen och återgivningar ingår inte.
Flödets destination måste också konfigureras. I följande skärmdump definierar vi ett filformat och en mappstruktur för S3-hinken som skapades som en del av CloudFormation-mallen.
Slutligen utlöses flödet på begäran i demonstrationssyfte. Detta kan modifieras så att flödet löper enligt ett schema, med en maximal granularitet på 1 minut. När det utlöses enligt ett schema, ändras överföringsläget automatiskt från en fullständig överföring till ett inkrementellt överföringsläge. Du anger ett källtidsstämpelfält för att spåra ändringarna. För användningsfallet med taggning har vi funnit att Senaste ändringsdatum inställningen är den mest lämpliga.
Amazon AppFlow integreras sedan med Amazon EventBridge att publicera händelser när en flödeskörning är klar.
För bättre motståndskraft, AVAIAppFlowListener
AWS Lambda funktionen kopplas till EventBridge. När en Amazon AppFlow-händelse utlöses, verifierar den att den specifika flödeskörningen har slutförts framgångsrikt, läser metadatainformationen för alla importerade tillgångar från den specifika flödeskörningen och skickar individuella dokumentmetadata till en Amazon enkel kötjänst (Amazon SQS) kö. Att använda Amazon SQS ger en lös koppling mellan producent- och processorsektionerna av arkitekturen och låter dig även distribuera ändringar i processorsektionen utan att stoppa de inkommande uppdateringarna.
En andra pollare-funktion (AVAIQueuePoller
) läser SQS-kön med täta intervaller (varje minut) och bearbetar de inkommande tillgångarna. För en ännu bättre reaktionstid från Lambda-funktionen kan du byta ut CloudWatch-regeln genom att konfigurera Amazon SQS som en trigger för funktionen.
Beroende på typen av inkommande meddelande använder lösningen olika AWS AI-tjänster för att få insikter från din data. Några exempel inkluderar:
- Textfiler - Funktionen använder DetekteraEntiteter operation av Amazon Comprehend Medical, en NLP-tjänst (natural language processing) som gör det enkelt att använda ML för att extrahera relevant medicinsk information från ostrukturerad text. Denna operation upptäcker enheter i kategorier som
Anatomy
,Medical_Condition
,Medication
,Protected_Health_Information
ochTest_Treatment_Procedure
. Den resulterande utgången filtreras efterProtected_Health_Information
, och den återstående informationen, tillsammans med säkerhetsresultat, plattas ut och sätts in i en Amazon DynamoDB tabell. Denna information plottas på OpenSearch Kibana-klustret. I verkliga applikationer kan du också använda Amazon Comprehend Medical ICD-10-CM eller RxNorm -funktion för att länka den upptäckta informationen till medicinska ontologier så att nedströms vårdapplikationer kan använda den för vidare analys. - Bilder - Funktionen använder Upptäck etiketter metod av Amazon-erkännande för att upptäcka etiketter i den inkommande bilden. Dessa etiketter kan fungera som taggar för att identifiera den rika information som finns begravd i dina bilder, till exempel information om kommersiella konstverk och kliniska etiketter. Om etiketter som
Human
orPerson
upptäcks med en konfidenspoäng på mer än 80 %, använder koden Detektera ansikten metod för att leta efter viktiga ansiktsdrag som ögon, näsa och mun för att upptäcka ansikten i inmatningsbilden. Amazon Rekognition levererar all denna information med en tillhörande förtroendepoäng, som plattas och lagras i DynamoDB-tabellen. - Röstinspelningar - För ljudtillgångar använder koden Starta TranscriptionJob asynkron metod för Amazon Transcribe för att transkribera det inkommande ljudet till text, vidarebefordra en unik identifierare som
TranscriptionJobName
. Koden antar att ljudspråket är engelska (USA), men du kan ändra det för att binda till informationen från Veeva Vault. Koden anropar GetTranscriptionJob metod, passerar in samma unika identifierare somTranscriptionJobName
i en slinga, tills jobbet är klart. Amazon Transcribe levererar utdatafilen på en S3-hink, som läses av koden och raderas. Koden kallar textbehandlingsarbetsflödet (som diskuterats tidigare) för att extrahera enheter från transkriven ljud. - Skannade dokument (PDF-filer) - En stor andel av life science-tillgångarna representeras i PDF-filer - det kan vara allt från vetenskapliga tidskrifter och forskningsdokument till läkemedelsetiketter. amazontext är en tjänst som automatiskt extraherar text och data från skannade dokument. Koden använder StartDocumentTextDetection metod för att starta ett asynkront jobb för att upptäcka text i dokumentet. Koden använder
JobId
återvände som svar på samtal GetDocumentTextDetection i en slinga, tills jobbet är klart. Output-JSON-strukturen innehåller rader och ord med upptäckt text, tillsammans med förtroendeskor för varje element som den identifierar, så att du kan fatta välgrundade beslut om hur du använder resultaten. Koden bearbetar JSON-strukturen för att återskapa textstörningen och kallar arbetsflödet för textbehandling för att extrahera enheter från texten.
En DynamoDB-tabell lagrar alla bearbetade data. Lösningen använder DynamoDB Streams och Lambda triggers (AVAIPopulateES
) för att fylla i data i ett OpenSearch Kibana-kluster. AVAIPopulateES-funktionen körs för varje uppdatering, infogning och radering som sker i DynamoDB-tabellen, och infogar en motsvarande post i OpenSearch-indexet. Du kan visualisera dessa poster med Kibana.
För att stänga återkopplingsslingan, AVAICustomFieldPopulator
Lambdafunktionen har skapats. Det utlöses av händelser i DynamoDB-strömmen i metadatatabellen DynamoDB. För varje DocumentID
i DynamoDB-posterna försöker funktionen att överföra tagginformation till en fördefinierad anpassad fältegenskap för tillgången med motsvarande ID i Veeva, med hjälp av Veeva API. För att undvika att infoga brus i det anpassade fältet filtrerar Lambdafunktionen alla taggar som har identifierats med ett konfidensvärde lägre än 0.9. Misslyckade förfrågningar vidarebefordras till en dödbokstavskö (DLQ) för manuell inspektion eller automatiskt nytt försök.
Denna lösning erbjuder en serverlös, betala-som-du-gå-strategi för att bearbeta, tagga och möjliggöra omfattande sökningar på dina digitala tillgångar. Dessutom har varje hanterad komponent hög tillgänglighet inbyggd genom automatisk distribution över flera tillgänglighetszoner. För Amazon OpenSearch Service (efterträdare till Amazon Elasticsearch Service), kan du välja tre-AZ-alternativ för att ge bättre tillgänglighet för dina domäner.
Förutsättningar
För detta genomgång bör du ha följande förutsättningar:
- An AWS-konto med lämpligt AWS identitets- och åtkomsthantering (IAM) behörigheter för att starta CloudFormation-mallen
- Lämpliga åtkomstuppgifter för en Veeva Vault PromoMats-domän (domän-URL, användarnamn och lösenord)
- En anpassad innehållstagg definierad i Veeva för de digitala tillgångar som du vill ska taggas (som ett exempel skapade vi
AutoTags
anpassad innehållstagg) - Digitala tillgångar i PromoMats Vault som är tillgängliga för föregående referenser
Distribuera din lösning
Du använder en CloudFormation-stack för att distribuera lösningen. Stacken skapar alla nödvändiga resurser, inklusive:
- En S3-hink för att lagra inkommande tillgångar.
- Ett Amazon AppFlow-flöde för att automatiskt importera tillgångar till S3-hinken.
- En EventBridge-regel och Lambda-funktion för att reagera på händelserna som genereras av Amazon AppFlow (
AVAIAppFlowListener
). - En SQS FIFO-kö för att fungera som en lös koppling mellan lyssnarfunktionen (
AVAIAppFlowListener
) och pollare-funktionen (AVAIQueuePoller
). - En DynamoDB-tabell för att lagra produktionen från Amazon AI-tjänster.
- Ett Amazon OpenSearch Kibana (ELK)-kluster för att visualisera de analyserade taggarna.
- En Lambda-funktion för att trycka tillbaka identifierade taggar till Veeva (
AVAICustomFieldPopulator
), med motsvarande DLQ. - Obligatoriska Lambda-funktioner:
- AVAIAppFlowListener – Utlöst av händelser som skjutits av Amazon AppFlow till EventBridge. Används för validering av flödeskörning och för att skicka ett meddelande till SQS-kön.
- AVAIQueuePoller - Utlöste varje 1 minut. Används för att polla SQS-kön, bearbeta tillgångarna med hjälp av Amazon AI-tjänster och fylla DynamoDB-tabellen.
- AVAIPopolesES - Utlöst när det finns en uppdatering, infoga eller radera på DynamoDB-tabellen. Används för att fånga ändringar från DynamoDB och fylla ELK-klustret.
- AVAICustomFieldPopulator – Utlöses när det finns en uppdatering, infoga eller radering på DynamoDB-tabellen. Används för att återkoppla tagginformation till Veeva.
- Smakämnen Amazon CloudWatch-händelser regler som utlöser
AVAIQueuePoller
fungera. Dessa triggers finns iDISABLED
tillstånd som standard. - Nödvändiga IAM-roller och policyer för att interagera med EventBridge och AI-tjänsterna på ett begränsat sätt.
Gör så här för att komma igång:
- Logga in på AWS Management Console med ett konto som har de nödvändiga IAM-behörigheterna.
- Välja Starta stack och öppna den på en ny flik:
- På Skapa stack sida, välj Nästa.
- På Ange stapeldetaljer sida, ange ett namn för stacken.
- Ange värden för parametrarna.
- Välja Nästa.
- På Konfigurera stackalternativ sida, lämna allt som standard och välj Nästa.
- På översyn sida, i Förmågor och omvandlingar markera de tre kryssrutorna.
- Välja Skapa stack.
- Vänta tills stacken är klar. Du kan undersöka olika händelser från processen för att skapa stacken på Händelser fliken.
- När skapandet av stacken är klar kan du titta på Resurser för att se alla resurser som CloudFormation-mallen skapade.
- På Utgångarna fliken, kopiera värdet på
ESDomainAccessPrincipal
.
Detta är ARN för IAM-rollen som AVAIPopulateES
funktion antar. Du använder den senare för att konfigurera åtkomst till Amazon OpenSearch Service-domänen.
Konfigurera Amazon OpenSearch Service och Kibana
Det här avsnittet leder dig genom att säkra ditt Amazon OpenSearch Service-kluster och installera en lokal proxy för att komma åt Kibana på ett säkert sätt.
- På Amazon OpenSearch Service-konsolen väljer du domänen som skapades av mallen.
- På Handlingar meny, välj Ändra åtkomstpolicy.
- För Domänåtkomstpolicyväljer Anpassad åtkomstpolicy.
- I Åtkomstpolicy kommer att rensas popup-fönster, välj Rensa och fortsätt.
- På nästa sida konfigurerar du följande uttalanden för att låsa åtkomst till Amazon OpenSearch Service-domänen:
- Tillåt IPv4-adress - Din IP-adress.
- Tillåt IAM ARN - Värdet av
ESDomainAccessPrincipal
du kopierade tidigare.
- Välja Skicka.
Detta skapar en åtkomstpolicy som ger åtkomst till AVAIPopulateES-funktionen och Kibana åtkomst från din IP-adress. Mer information om hur du begränsar din åtkomstpolicy finns i Konfigurera åtkomstpolicyer.
- Vänta tills domänstatusen visas som
Active
. - På Amazon EventBridge-konsolen, under Händelser väljer regler. Du kan se två regler som CloudFormation-mallen skapade.
- Välj
AVAIQueuePollerSchedule
regel och aktivera den genom att klicka aktivera.
Om 5–8 minuter bör data börja strömma in och enheter skapas i Amazon OpenSearch Service-klustret. Du kan nu visualisera dessa entiteter i Kibana. För att göra detta använder du en proxy med öppen källkod som heter AWS-es-Kibana. För att installera proxy på din dator, ange följande kod:
aws-es-kibana your_OpenSearch_domain_endpoint
Du kan hitta domänens slutpunkt på Utgångarna fliken för CloudFormation-stacken under ESDomainEndPoint
. Följande utgång ska visas:
Skapa visualiseringar och analysera taggat innehåll
Se originalet inlägg.
Städa upp
För att undvika framtida avgifter, radera resurserna när de inte används. Du kan enkelt ta bort alla resurser genom att ta bort den associerade CloudFormation-stacken. Observera att du måste tömma de skapade S3-hinkarna med innehåll för att raderingen av stacken ska lyckas.
Slutsats
I det här inlägget demonstrerade vi hur du kan använda Amazon AI-tjänster i kombination med Amazon AppFlow för att utöka funktionaliteten hos Veeva Vault PromoMats och extrahera värdefull information snabbt och enkelt. Den inbyggda loopback-mekanismen låter dig uppdatera taggarna tillbaka till Veeva Vault och aktivera automatisk taggning av dina tillgångar. Detta gör det lättare för ditt team att snabbt hitta och lokalisera tillgångar.
Även om ingen ML-utgång är perfekt, kan den komma väldigt nära mänsklig prestation och hjälpa till att kompensera en betydande del av ditt teams ansträngningar. Du kan använda denna extra kapacitet för mervärdesuppgifter, samtidigt som du avsätter en liten kapacitet för att kontrollera resultatet av ML-lösningen. Denna lösning kan också hjälpa till att optimera kostnaderna, uppnå märkningskonsistens och möjliggöra snabb upptäckt av befintliga tillgångar.
Slutligen kan du behålla äganderätten till dina data och välja vilka AWS-tjänster som kan bearbeta, lagra och vara värd för innehållet. AWS får inte åtkomst till eller använder ditt innehåll för något syfte utan ditt samtycke och använder aldrig kundinformation för att hämta information för marknadsföring eller reklam. För mer information, se Vanliga frågor om dataskydd.
Du kan också utöka funktionaliteten för denna lösning ytterligare med ytterligare förbättringar. Till exempel, förutom AI- och ML-tjänsterna i det här inlägget, kan du enkelt lägga till någon av dina anpassade ML-modeller byggda med Amazon SageMaker till arkitekturen.
Om du är intresserad av att utforska ytterligare användningsfall för Veeva och AWS, vänligen kontakta ditt AWS-kontoteam.
Veeva Systems har granskat och godkänt detta innehåll. För ytterligare Veeva Vault-relaterade frågor, vänligen kontakta Veeva support.
Om författarna
Mayank Thakkar är chef för AI/ML Business Development, Global Healthcare and Life Sciences på AWS. Han har mer än 18 års erfarenhet inom olika branscher som hälsovård, biovetenskap, försäkring och detaljhandel, specialiserad på att bygga serverlösa, artificiell intelligens och maskininlärningsbaserade lösningar för att lösa verkliga industriproblem. På AWS arbetar han nära med stora läkemedelsföretag runt om i världen för att bygga banbrytande lösningar och hjälpa dem längs deras molnresa. Förutom jobbet är Mayank, tillsammans med sin fru, upptagen med att fostra två energiska och busiga pojkar, Aaryan (6) och Kiaan (4), samtidigt som de försöker förhindra att huset brinner ner eller blir översvämmat!
Anamaria Todor är en senior lösningsarkitekt baserad i Köpenhamn, Danmark. Hon såg sin första dator när hon var 4 år gammal och släppte aldrig datavetenskap och teknik sedan dess. Hon har arbetat i olika tekniska roller från fullstack-utvecklare till dataingenjör, teknisk ledare och CTO på olika danska företag. Anamaria har en kandidatexamen i tillämpad teknik och datavetenskap, en magisterexamen i datavetenskap och över 10 års praktisk AWS-erfarenhet. På AWS har hon ett nära samarbete med sjukvårds- och life science-företag inom företagssegmentet. När hon inte arbetar eller spelar tv-spel, coachar hon tjejer och kvinnliga proffs i att förstå och hitta sin väg genom tekniken.
- Myntsmart. Europas bästa bitcoin- och kryptobörs.
- Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. FRI TILLGÅNG.
- CryptoHawk. Altcoin radar. Gratis provperiod.
- Källa: https://aws.amazon.com/blogs/machine-learning/analyze-and-tag-assets-stored-in-veeva-vault-promomats-using-amazon-appflow-and-amazon-ai-services/
- "
- 10
- 100
- 7
- 9
- a
- Om oss
- SAMMANDRAG
- tillgång
- tillgänglig
- rymma
- Konto
- Uppnå
- tvärs
- Agera
- Dessutom
- Annat
- adress
- reklam
- AI
- AI-tjänster
- Alla
- tillåter
- amason
- mängd
- analys
- analytics
- analysera
- isär
- api
- API: er
- Ansökan
- tillämpningar
- tillämpas
- tillvägagångssätt
- lämpligt
- arkitektur
- runt
- konstgjord
- artificiell intelligens
- konstverk
- tillgång
- Tillgångar
- associerad
- audio
- Automat
- automatiskt
- tillgänglighet
- AWS
- innan
- Där vi får lov att vara utan att konstant prestera,
- Bättre
- mellan
- gränsen
- SLUTRESULTAT
- Byggnad
- inbyggd
- företag
- Ring
- kapacitet
- Kapacitet
- Vid
- fall
- avgifter
- Välja
- klassificering
- kliniska tester
- cloud
- coaching
- koda
- kombination
- komma
- kommande
- kommersiella
- Företag
- fullborda
- komponent
- omfattande
- dator
- Datavetenskap
- begrepp
- villkor
- förtroende
- konfiguration
- Kontakta
- anslutning
- samtycke
- Konsol
- kontakta
- innehåller
- innehåll
- Motsvarande
- Kostar
- kunde
- land
- skapa
- skapas
- skapar
- skapande
- referenser
- CTO
- beställnings
- kund
- allra senaste
- instrumentbräda
- datum
- databehandling
- beslut
- levererar
- Efterfrågan
- demonstreras
- Danmark
- distribuera
- utplacering
- destination
- destinationer
- detaljer
- detekterad
- Detektering
- Utvecklare
- Utveckling
- digital
- Digitala tillgångar
- Upptäckten
- dokument
- inte
- domän
- domäner
- ner
- drog
- varje
- lätt
- LÄTTANVÄND
- ekosystemet
- Effektiv
- ansträngningar
- möjliggöra
- möjliggör
- Slutpunkt
- ingenjör
- Teknik
- Engelska
- ange
- Företag
- enheter
- Miljö
- händelse
- händelser
- allt
- exempel
- exempel
- befintliga
- erfarenhet
- utforska
- förlänga
- extrakt
- ytorna
- Leverans
- Funktioner
- återkoppling
- kvinna
- Fält
- filter
- finna
- Förnamn
- flöda
- fokuserar
- efter
- format
- hittade
- från
- full
- fungera
- funktionalitet
- funktioner
- ytterligare
- framtida
- Games
- allmänhet
- genereras
- få
- flickor
- Välgörenhet
- bidrag
- praktisk
- huvud
- hälso-och sjukvård
- hjälpa
- Hög
- Huset
- Hur ser din drömresa ut
- How To
- HTTPS
- humant
- identifierare
- identifiera
- Identitet
- bild
- bilder
- importera
- innefattar
- ingår
- Inklusive
- index
- individuellt
- industrier
- industrin
- informationen
- informeras
- ingång
- Insert
- insikt
- insikter
- installera
- försäkring
- integrerade
- integrering
- Intelligens
- interagera
- intresserad
- Gränssnitt
- IP
- IP-adress
- IT
- Jobb
- resa
- Ha kvar
- Nyckel
- märkning
- Etiketter
- språk
- Språk
- Large
- senaste
- lansera
- leda
- Lämna
- Life Sciences
- rader
- LINK
- lokal
- se
- Maskinen
- bibehålla
- göra
- GÖR
- hantera
- förvaltade
- ledning
- sätt
- manuell
- Produktion
- kartläggning
- Marknadsföring
- master
- material
- mekanism
- medicinsk
- nämnts
- Metrics
- ML
- modeller
- mer
- mest
- flytta
- multipel
- Natural
- nödvändigt för
- behov
- Nästa
- Brus
- Erbjudanden
- offset
- öppet
- drift
- drift
- Optimera
- Tillbehör
- beställa
- ursprungliga
- Övriga
- övergripande
- egen
- ägande
- del
- Förbi
- Lösenord
- Patienten
- procentuell
- perfekt
- prestanda
- Pharma
- i
- snälla du
- Strategier
- policy
- enkät
- pop-up
- presentera
- föregående
- privatpolicy
- problem
- process
- processer
- bearbetning
- Processorn
- producent
- Produkter
- yrkesmän/kvinnor
- bevis
- bevis på koncept
- egenskapen
- protokoll
- ge
- ger
- ombud
- allmän
- publicera
- Syftet
- syfte
- sköt
- Snabbt
- snabbt
- höja
- som sträcker sig
- nå
- Reagera
- Reaktionen
- post
- register
- regulatorer
- relevanta
- Återstående
- representerade
- förfrågningar
- forskning
- Resurser
- respons
- resulterande
- Resultat
- detaljhandeln
- Roll
- regler
- Körning
- Samma
- skalbarhet
- Skala
- planerad
- Vetenskap
- VETENSKAPER
- säkert
- segmentet
- Server
- service
- Tjänster
- in
- inställning
- Dela
- show
- Enkelt
- eftersom
- webbplats
- Situationen
- Small
- So
- Mjukvara
- mjukvara som en service
- fast
- lösning
- Lösningar
- LÖSA
- några
- specialiserat
- specifik
- specifikationer
- stapel
- standard
- starta
- igång
- Ange
- uttalanden
- status
- förvaring
- lagra
- lagrar
- ström
- strukturerade
- Läsa på
- väsentlig
- framgångsrik
- Framgångsrikt
- stödja
- Som stöds
- Stödjande
- Stöder
- system
- System
- uppgifter
- grupp
- lag
- Teknisk
- Teknologi
- mallar
- villkor
- Smakämnen
- källan
- världen
- tre
- Genom
- SLIPS
- tid
- tidskrävande
- verktyg
- mot
- spår
- Spårning
- överföring
- överföringar
- Översättning
- triggas
- under
- förståelse
- unika
- obegränsat
- Uppdatering
- Uppdateringar
- us
- användning
- godkännande
- värde
- olika
- Valv
- version
- Video
- videospel
- webbsidor
- medan
- utan
- ord
- Arbete
- arbetade
- arbetssätt
- fungerar
- världen
- år
- Din