Det här inlägget är medförfattare av Daryl Martis, produktchef, Salesforce Einstein AI.
Detta är det tredje inlägget i en serie som diskuterar integrationen av Salesforce Data Cloud och Amazon SageMaker.
In del 1 och del 2, visar vi hur integrationen av Salesforce Data Cloud och Einstein Studio med SageMaker gör att företag kan komma åt sina Salesforce-data på ett säkert sätt med SageMaker och använda dess verktyg för att bygga, träna och distribuera modeller till slutpunkter som finns på SageMaker. SageMaker-slutpunkter kan registreras i Salesforce Data Cloud för att aktivera förutsägelser i Salesforce.
I det här inlägget visar vi hur affärsanalytiker och medborgardataforskare kan skapa modeller för maskininlärning (ML) utan kod, i Amazon SageMaker Canvas och distribuera utbildade modeller för integration med Salesforce Einstein Studio för att skapa kraftfulla affärsapplikationer. SageMaker Canvas ger en kodfri upplevelse för att komma åt data från Salesforce Data Cloud och bygga, testa och distribuera modeller med bara några få klick. SageMaker Canvas gör det också möjligt för dig att förstå dina förutsägelser med hjälp av funktionsviktighet och SHAP-värden, vilket gör det enkelt för dig att förklara förutsägelser gjorda av ML-modeller.
SageMaker Canvas
SageMaker Canvas gör det möjligt för affärsanalytiker och datavetenskapsteam att bygga och använda ML och generativa AI-modeller utan att behöva skriva en enda rad kod. SageMaker Canvas tillhandahåller ett visuellt peka-och-klicka-gränssnitt för att generera korrekta ML-förutsägelser för klassificering, regression, prognoser, naturlig språkbehandling (NLP) och datorseende (CV). Dessutom kan du komma åt och utvärdera grundmodeller (FM) från Amazonas berggrund eller offentliga FMs från Amazon SageMaker JumpStart för innehållsgenerering, textextraktion och textsammanfattning för att stödja generativa AI-lösningar. SageMaker Canvas låter dig ta med ML-modeller byggda var som helst och generera förutsägelser direkt i SageMaker Canvas.
Salesforce Data Cloud och Einstein Studio
Salesforce Data Cloud är en dataplattform som ger företag realtidsuppdateringar av sina kunddata från vilken kontaktpunkt som helst.
Einstein Studio är en inkörsport till AI-verktyg på Salesforce Data Cloud. Med Einstein Studio kan administratörer och datavetare enkelt skapa modeller med några få klick eller med hjälp av kod. Einstein Studios erfarenhet av att ta med din egen modell (BYOM) ger möjligheten att ansluta anpassade eller generativa AI-modeller från externa plattformar som SageMaker till Salesforce Data Cloud.
Lösningsöversikt
För att visa hur du kan bygga ML-modeller med hjälp av data i Salesforce Data Cloud med SageMaker Canvas, skapar vi en prediktiv modell för att rekommendera en produkt. Den här modellen använder funktionerna som lagras i Salesforce Data Cloud, såsom kunddemografi, marknadsföringsengagemang och köphistorik. Produktrekommendationsmodellen byggs och distribueras med SageMaker Canvas no-code användargränssnitt med data i Salesforce Data Cloud.
Vi använder följande exempeluppsättning lagras i Amazon enkel lagringstjänst (Amazon S3). För att använda denna datauppsättning i Salesforce Data Cloud, se Skapa Amazon S3 Data Stream i Data Cloud. Följande attribut behövs för att skapa modellen:
- Klubbmedlem – Om kunden är klubbmedlem
- Kampanj – Kampanjen kunden är en del av
- Ange – Den delstat eller provins kunden är bosatt i
- Månad – Inköpsmånaden
- Antal fall – Antalet ärenden som tagits upp av kunden
- Case Type Return – Om kunden returnerat någon produkt under det senaste året
- Fodral Typ Leverans skadad – Om kunden hade skadat några försändelser under det senaste året
- Förlovningsresultat – Nivån av engagemang kunden har (svar på e-postkampanjer, inloggningar till webbutiken och så vidare)
- tenure – Löptiden för kundrelationen med företaget
- Klick – Det genomsnittliga antalet klick som kunden har gjort inom en vecka före köpet
- Besökta sidor – Det genomsnittliga antalet sidor som kunden besökte inom en vecka före köpet
- Produkt köpt – Den faktiska produkten som köpts
Följande steg ger en översikt över hur du använder Salesforce Data Cloud-anslutningen som lanserades i SageMaker Canvas för att komma åt din företagsdata och bygga en prediktiv modell:
- Konfigurera den anslutna Salesforce-appen för att registrera SageMaker Canvas-domänen.
- Konfigurera OAuth för Salesforce Data Cloud i SageMaker Canvas.
- Anslut till Salesforce Data Cloud-data med den inbyggda SageMaker Canvas Salesforce Data Cloud-anslutningen och importera datamängden.
- Bygg och träna modeller i SageMaker Canvas.
- Distribuera modellen i SageMaker Canvas och gör förutsägelser.
- Implementera en Amazon API Gateway endpoint som en front-end-anslutning till SageMaker inference endpoint.
- Registrera API Gateway-slutpunkten i Einstein Studio. För instruktioner, se Ta med dina egna AI-modeller till datamolnet.
Följande diagram illustrerar lösningsarkitekturen.
Förutsättningar
Innan du börjar, slutför du följande steg för att skapa en SageMaker-domän och aktivera SageMaker Canvas:
- Skapa ett Amazon SageMaker Studio domän. För instruktioner, se Ombord på Amazon SageMaker Domain.
- Anteckna domän-ID och exekveringsroll som skapas och kommer att användas av din användarprofil. Du lägger till behörigheter för den här rollen i efterföljande steg.
Följande skärmdump visar domänen vi skapade för det här inlägget.
- Gå sedan till användarprofilen och välj Redigera.
- Navigera till Amazon SageMaker Canvas-inställningar avsnitt och välj Aktivera Canvas basbehörigheter.
- Välja Aktivera direkta distributioner av Canvas-modeller och Aktivera modellregisterbehörigheter för alla användare.
Detta gör att SageMaker Canvas kan distribuera modeller till slutpunkter på SageMaker-konsolen. Dessa inställningar kan konfigureras på domän- eller användarprofilnivå. Användarprofilinställningar har företräde framför domäninställningar.
Skapa eller uppdatera den anslutna Salesforce-appen
Därefter skapar vi en Salesforce-ansluten app för att aktivera OAuth-flödet från SageMaker Canvas till Salesforce Data Cloud. Slutför följande steg:
- Logga in på Salesforce och navigera till Inställning.
- Sök efter App Manager och skapa en ny ansluten app.
- Ange följande ingångar:
- För Ansluten appnamn, ange ett namn.
- För API-namn, lämna som standard (det fylls i automatiskt).
- För Kontakt E, ange din kontaktadress.
- Välja Aktivera OAuth-inställningar.
- För Återuppringnings-URL, stiga på
https://<domain-id>.studio.<region>.sagemaker.aws/canvas/default/lab
, och ange domän-ID och region från din SageMaker-domän.
- Konfigurera följande omfång på din anslutna app:
- Hantera användardata via API:er (
api
). - Utför förfrågningar när som helst (
refresh_token
,offline_access
). - Utför ANSI SQL-frågor på Salesforce Data Cloud-data (Data
Cloud_query_api
). - Hantera datamolnprofildata (
Data Cloud_profile_api
). - Få åtkomst till identitets-URL-tjänsten (
id
,profile
,email
,address
,phone
). - Få tillgång till unika användaridentifierare (
openid
).
- Hantera användardata via API:er (
- Ställ in din anslutna app IP-avslappning inställningen till Slappna av IP-begränsningar.
Konfigurera OAuth-inställningar för Salesforce Data Cloud-anslutningen
SageMaker Canvas använder AWS Secrets Manager för att säkert lagra anslutningsinformation från den anslutna Salesforce-appen. SageMaker Canvas tillåter administratörer att konfigurera OAuth-inställningar för en enskild användarprofil eller på domännivå. Observera att du kan lägga till en hemlighet till både en domän och användarprofil, men SageMaker Canvas letar efter hemligheter i användarprofilen först.
För att konfigurera dina OAuth-inställningar, utför följande steg:
- Navigera för att redigera domän- eller användarprofilinställningar i SageMaker Console.
- Välja Canvasinställningar i navigeringsfönstret.
- Enligt OAuth-inställningar, För Datakällaväljer Salesforce Data Cloud.
- För Hemligt upplägg, kan du skapa en ny hemlighet eller använda en befintlig hemlighet. För det här exemplet skapar vi en ny hemlighet och matar in klient-ID och klienthemlighet från den anslutna Salesforce-appen.
För mer information om att aktivera OAuth i SageMaker Canvas, se Konfigurera OAuth för Salesforce Data Cloud.
Detta slutför konfigurationen för att möjliggöra dataåtkomst från Salesforce Data Cloud till SageMaker Canvas för att bygga AI- och ML-modeller.
Importera data från Salesforce Data Cloud
För att importera din data, utför följande steg:
- Välj från användarprofilen som du skapade med din SageMaker-domän Starta och välj Målarduk.
Första gången du använder din Canvas-app tar det cirka 10 minuter att skapa.
- Välja Data Wrangler i navigeringsfönstret.
- På Skapa meny, välj Tabellformat för att skapa en tabelluppsättning.
- Namnge datasetet och välj Skapa.
- För Datakällaväljer Salesforce Data Cloud och Lägg till anslutning för att importera datasjöobjektet.
Om du tidigare har konfigurerat en anslutning till Salesforce Data Cloud kommer du att se ett alternativ att använda den anslutningen istället för att skapa en ny.
- Ange ett namn för en ny Salesforce Data Cloud-anslutning och välj Lägg till anslutning.
Det tar några minuter att slutföra.
- Du kommer att omdirigeras till Salesforce-inloggning sida för att auktorisera anslutningen.
Efter att inloggningen har lyckats, kommer begäran att omdirigeras tillbaka till SageMaker Canvas med data Lake-objektlistan.
- Välj datauppsättningen som innehåller funktionerna för modellträning som laddades upp via Amazon S3.
- Dra och släpp filen och välj sedan Redigera i SQL.
Salesforce lägger till en “__c
" till alla Data Cloud-objektfält. Enligt SageMaker Canvas namnkonvention, ”__“
är inte tillåtet i fältnamnen.
- Redigera SQL för att byta namn på kolumnerna och släppa metadata som inte är relevanta för modellträning. Ersätt tabellnamnet med ditt objektnamn.
- Välja Kör SQL och då Skapa datasätt.
- Välj datauppsättningen och välj Skapa en modell.
- För att skapa en modell för att förutsäga en produktrekommendation, ange ett modellnamn, välj Prediktiv analys för Problemtyp, och välj Skapa.
Bygg och träna modellen
Utför följande steg för att bygga och träna din modell:
- Efter att modellen har lanserats, ställ in målkolumnen till
product_purchased
.
SageMaker Canvas visar nyckelstatistik och korrelationer för varje kolumn till målkolumnen. SageMaker Canvas ger dig verktyg för att förhandsgranska din modell och validera data innan du börjar bygga.
- Använd förhandsgranskningsmodellfunktionen för att se noggrannheten hos din modell och validera din datauppsättning för att förhindra problem när du bygger modellen.
- Efter att ha granskat dina data och gjort eventuella ändringar i din datauppsättning, välj din byggtyp. De Snabbbyggnad alternativet kan vara snabbare, men det kommer bara att använda en delmängd av dina data för att bygga en modell. För syftet med detta inlägg valde vi Standardbyggd alternativ.
En standardversion kan ta 2–4 timmar att slutföra.
SageMaker Canvas hanterar automatiskt saknade värden i din datauppsättning medan den bygger modellen. Det kommer också att tillämpa andra dataförberedande transformationer för att du ska få data redo för ML.
- När din modell har börjat byggas kan du lämna sidan.
När modellen visar som Klar på Mina modeller sida är den redo för analys och förutsägelser.
- När modellen har byggts, navigera till My modellerväljer utsikt för att se modellen du skapade och välj den senaste versionen.
- Gå till Analysera fliken för att se effekten av varje funktion på förutsägelsen.
- För ytterligare information om modellens förutsägelser, navigera till Poängräkning fliken.
- Välja förutsäga för att initiera en produktförutsägelse.
Implementera modellen och gör förutsägelser
Slutför följande steg för att distribuera din modell och börja göra förutsägelser:
- Du kan välja att göra antingen batch- eller enstaka förutsägelser. För syftet med detta inlägg väljer vi Enkel förutsägelse.
När du väljer Enkel förutsägelse, SageMaker Canvas visar funktionerna som du kan ge indata för.
- Du kan ändra värdena genom att välja Uppdatering och se realtidsprognosen.
Modellens noggrannhet samt effekten av varje funktion för den specifika förutsägelsen kommer att visas.
- För att distribuera modellen, ange ett distributionsnamn, välj en instanstyp och instansantal och välj Distribuera.
Modellinstallationen tar några minuter.
Modellstatus uppdateras till I tjänst efter att distributionen har lyckats.
SageMaker Canvas erbjuder ett alternativ för att testa distributionen.
- Välja Visa detaljer.
Smakämnen Detaljer fliken ger modellens slutpunktsdetaljer. Förekomsttyp, antal, inmatningsformat, svarsinnehåll och slutpunkt är några av de viktigaste detaljerna som visas.
- Välja Testa implementeringen för att testa den distribuerade slutpunkten.
I likhet med enstaka förutsägelser visar vyn ingångsfunktionerna och ger möjlighet att uppdatera och testa slutpunkten i realtid.
Den nya förutsägelsen tillsammans med slutpunktsanropsresultatet returneras till användaren.
Skapa API för att exponera SageMaker Endpoint
För att generera förutsägelser som driver affärsapplikationer i Salesforce måste du exponera SageMaker slutpunkten som skapats av din SageMaker Canvas-distribution via API Gateway och registrera den i Salesforce Einstein.
Begäran och svarsformaten varierar mellan Salesforce Einstein och SageMaker slutpunkt. Du kan antingen använda API Gateway för att utföra transformationen eller använda AWS Lambda för att omvandla begäran och kartlägga svaret. Hänvisa till Ring en Amazon SageMaker-modellslutpunkt med Amazon API Gateway och AWS Lambda att exponera en SageMaker-slutpunkt via Lambda och API Gateway.
Följande kodavsnitt är en Lambda-funktion för att transformera begäran och svaret
Uppdatera endpoint
och prediction_label
värden i Lambdafunktionen baserat på din konfiguration.
- Lägg till en miljövariabel
SAGEMAKER_ENDPOINT_NAME
för att fånga SageMaker slutpunkten. - Ställ in prediktionsetiketten så att den matchar modellens JSON-nyckel som är registrerad i Einstein Studio.
Standard timeout för en lambdafunktion är 3 sekunder. Beroende på indatastorleken för förutsägelseförfrågan kan SageMakers realtidsinferens-API ta mer än 3 sekunder att svara.
- Öka Lambdafunktionens timeout men håll den under API Gateway standardintegration timeout, vilket är 29 sekunder.
Registrera modellen i Salesforce Einstein Studio
För att registrera API Gateway-slutpunkten i Einstein Studio, se Ta med dina egna AI-modeller till datamolnet.
Slutsats
I det här inlägget förklarade vi hur du kan använda SageMaker Canvas för att ansluta till Salesforce Data Cloud och generera förutsägelser genom automatiserade ML-funktioner utan att skriva en enda rad kod. Vi demonstrerade SageMaker Canvas modellbyggande förmåga att göra en tidig förhandsgranskning av din modellprestanda innan du kör standardbygget som tränar modellen med hela datasetet. Vi visade också upp aktiviteter efter modellskapande som att använda gränssnittet för enskilda förutsägelser i SageMaker Canvas och att förstå dina förutsägelser med hjälp av funktionsviktighet. Därefter använde vi SageMaker-slutpunkten som skapats i SageMaker Canvas och gjorde den tillgänglig som ett API så att du kan integrera den med Salesforce Einstein Studio och skapa kraftfulla Salesforce-applikationer.
I ett kommande inlägg kommer vi att visa dig hur du använder data från Salesforce Data Cloud i SageMaker Canvas för att göra datainsikter och förberedelser ännu enklare genom att använda ett visuellt gränssnitt och enkla naturliga språkuppmaningar.
För att komma igång med SageMaker Canvas, se SageMaker Canvas fördjupningsdag och hänvisar till Komma igång med Amazon SageMaker Canvas.
Om författarna
Daryl Martis är produktchef för Einstein Studio på Salesforce Data Cloud. Han har över 10 års erfarenhet av att planera, bygga, lansera och hantera lösningar i världsklass för företagskunder, inklusive AI/ML och molnlösningar. Han har tidigare arbetat inom finansbranschen i New York City. Följ honom vidare LinkedIn.
Rachna Chadha är en Principal Solutions Architect AI/ML i Strategic Accounts på AWS. Rachna är en optimist som tror att etisk och ansvarsfull användning av AI kan förbättra samhället i framtiden och ge ekonomiskt och socialt välstånd. På fritiden gillar Rachna att umgås med sin familj, vandra och lyssna på musik.
Ife Stewart är en Principal Solutions Architect inom det strategiska ISV-segmentet på AWS. Hon har varit engagerad i Salesforce Data Cloud under de senaste två åren för att hjälpa till att bygga integrerade kundupplevelser över Salesforce och AWS. Ife har över 2 års erfarenhet av teknik. Hon är en förespråkare för mångfald och inkludering inom teknikområdet.
Ravi Bhattiprolu är Sr. Partner Solutions Architect på AWS. Ravi arbetar med strategiska partners, Salesforce och Tableau, för att leverera innovativa och väldesignade produkter och lösningar som hjälper gemensamma kunder att förverkliga sina affärsmål.
Miriam Lebowitz är en lösningsarkitekt inom Strategic ISV-segmentet på AWS. Hon är engagerad med team i hela Salesforce, inklusive Salesforce Data Cloud, och är specialiserad på dataanalys. Utanför jobbet tycker hon om att baka, resa och tillbringa kvalitetstid med vänner och familj.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
- PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
- Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
- PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/democratize-ml-on-salesforce-data-cloud-with-no-code-amazon-sagemaker-canvas/
- : har
- :är
- :inte
- $UPP
- 1
- 10
- 100
- 29
- 7
- 8
- a
- Om Oss
- tillgång
- konton
- noggrannhet
- exakt
- tvärs
- aktiviteter
- faktiska
- lägga till
- Dessutom
- Annat
- ytterligare information
- adress
- Lägger
- administratörer
- förespråkare
- Efter
- AI
- AI-modeller
- AI / ML
- Alla
- tillåts
- tillåter
- längs
- också
- amason
- Amazon API Gateway
- Amazon SageMaker
- Amazon SageMaker Canvas
- Amazon Web Services
- an
- analys
- analytiker
- analytics
- och
- vilken som helst
- api
- API: er
- app
- tillämpningar
- Ansök
- arkitektur
- ÄR
- AS
- At
- attribut
- godkänna
- Automatiserad
- automatiskt
- tillgänglig
- genomsnitt
- AWS
- tillbaka
- bas
- baserat
- BE
- varit
- innan
- börja
- tror
- nedan
- mellan
- kropp
- båda
- föra
- SLUTRESULTAT
- Byggnad
- bygger
- byggt
- inbyggd
- företag
- Business Applications
- företag
- men
- by
- kalifornien
- Kampanj
- Kampanjer
- KAN
- canvas
- kapacitet
- fånga
- fall
- byta
- Förändringar
- Välja
- välja
- medborgare
- Stad
- klassificering
- klient
- cloud
- klubb
- koda
- Kolumn
- Kolonner
- fullborda
- slutför
- dator
- Datorsyn
- Genomför
- konfiguration
- konfigurerad
- Kontakta
- anslutna
- anslutning
- Konsol
- kontakta
- innehåller
- innehåll
- Innehållsgenerering
- sammanhang
- Konventionen
- korrelationer
- kunde
- skapa
- skapas
- Skapa
- skapande
- beställnings
- kund
- konsument data
- Kunder
- datum
- datatillgång
- Data Analytics
- datasjö
- Dataplattform
- datavetenskap
- Standard
- leverera
- DEMOKRATISERA
- Demografi
- demonstrera
- demonstreras
- beroende
- distribuera
- utplacerade
- utplacering
- distributioner
- detaljer
- rikta
- direkt
- Direktör
- diskutera
- visas
- displayer
- Mångfald
- Mångfald och integration
- domän
- ner
- Drop
- varje
- Tidig
- Ekonomisk
- enkelt
- Einstein
- antingen
- möjliggöra
- möjliggör
- möjliggör
- Slutpunkt
- ingrepp
- ingrepp
- uppdrag
- ange
- Företag
- Miljö
- etisk
- utvärdera
- Även
- händelse
- exempel
- utförande
- befintliga
- erfarenhet
- Erfarenheter
- Förklara
- förklarade
- extern
- extraktion
- familj
- snabbare
- Leverans
- Funktioner
- få
- fält
- Fält
- Fil
- finansiella
- finansiella tjänster
- Förnamn
- första gången
- flöda
- följer
- efter
- För
- format
- fundament
- vänner
- från
- full
- fungera
- framtida
- nätbryggan
- generera
- generering
- generativ
- Generativ AI
- skaffa sig
- Ge
- Go
- hade
- Handtag
- har
- he
- hjälpa
- här
- honom
- historia
- värd
- ÖPPETTIDER
- Hur ser din drömresa ut
- How To
- html
- http
- HTTPS
- ID
- identifierare
- Identitet
- if
- illustrerar
- nedsänkning
- Inverkan
- importera
- vikt
- förbättra
- in
- Inklusive
- integration
- individuellt
- industrin
- informationen
- initiera
- innovativa
- ingång
- ingångar
- insikter
- exempel
- istället
- instruktioner
- integrera
- integrerade
- integrering
- Gränssnitt
- IP
- problem
- ISV
- IT
- DESS
- gemensam
- jpg
- json
- bara
- Ha kvar
- Nyckel
- etikett
- sjö
- språk
- Efternamn
- lanserades
- lansera
- inlärning
- Lämna
- Nivå
- tycka om
- gillar
- linje
- Lyssna
- lista
- logga in
- UTSEENDE
- Maskinen
- maskininlärning
- gjord
- utskick
- göra
- Framställning
- hantera
- karta
- Marknadsföring
- Match
- Maj..
- metadata
- minuter
- saknas
- ML
- modell
- modeller
- Månad
- mer
- mest
- Musik
- namn
- namn
- namngivning
- Natural
- Naturlig språkbehandling
- Navigera
- Navigering
- Behöver
- behövs
- Nya
- New York
- new york city
- Nästa
- nlp
- Notera
- antal
- oauth
- objektet
- mål
- of
- on
- ONE
- nätet
- endast
- Alternativet
- or
- OS
- Övriga
- produktion
- utanför
- över
- Översikt
- egen
- sida
- sidor
- panelen
- del
- partnern
- partner
- för
- Utföra
- prestanda
- behörigheter
- planering
- plattform
- Plattformar
- plato
- Platon Data Intelligence
- PlatonData
- Punkt
- befolkad
- Inlägg
- kraft
- den mäktigaste
- förutse
- förutsägelse
- Förutsägelser
- beredning
- förhindra
- Förhandsvisning
- tidigare
- Principal
- Innan
- bearbetning
- Produkt
- Produkter
- Profil
- prompter
- välstånd
- ge
- ger
- allmän
- inköp
- Syftet
- kvalitet
- sökfrågor
- insamlat
- redo
- verklig
- realtid
- inser
- senaste
- rekommenderar
- Rekommendation
- hänvisa
- region
- registrera
- registrerat
- register
- relation
- relevanta
- ersätta
- begära
- förfrågningar
- Svara
- respons
- ansvarig
- begränsningar
- resultera
- avkastning
- reviewing
- Roll
- rinnande
- runtime
- sagemaker
- SageMaker Inference
- Salesforce
- Vetenskap
- vetenskapsmän
- sekunder
- Secret
- hemligheter
- §
- säkert
- se
- segmentet
- välj
- vald
- Serier
- service
- Tjänster
- in
- inställning
- inställningar
- inställning
- hon
- show
- utställningsmonter
- Visar
- Enkelt
- enda
- Storlek
- kodavsnitt
- So
- Social hållbarhet
- Samhället
- lösning
- Lösningar
- några
- specialiserat
- specifik
- Spendera
- standard
- starta
- igång
- Ange
- statistik
- status
- Steg
- Stewart
- förvaring
- lagra
- lagras
- okomplicerad
- Strategisk
- strategiska partners
- ström
- studio
- senare
- framgångsrik
- sådana
- stödja
- bord
- Tableau
- Ta
- Målet
- lag
- Teknologi
- testa
- text
- än
- den där
- Smakämnen
- Framtiden
- Staten
- deras
- sedan
- Dessa
- Tredje
- detta
- Genom
- tid
- till
- verktyg
- Rör
- Tåg
- tränad
- Utbildning
- tåg
- Förvandla
- Transformation
- transformationer
- Traveling
- Typ
- förstå
- förståelse
- unika
- kommande
- Uppdatering
- uppdaterad
- Uppdateringar
- uppladdad
- URL
- användning
- Begagnade
- Användare
- Användargränssnitt
- användningar
- med hjälp av
- BEKRÄFTA
- Värden
- variabel
- version
- via
- utsikt
- syn
- besökta
- visuell
- var
- washington
- we
- webb
- webbservice
- vecka
- VÄL
- om
- som
- medan
- VEM
- kommer
- med
- inom
- utan
- Arbete
- arbetade
- fungerar
- Workshops
- världsklass
- skriva
- skrivning
- år
- york
- Om er
- Din
- zephyrnet