AI:s växande inflytande i stora organisationer medför avgörande utmaningar för att hantera AI-plattformar. Dessa inkluderar att utveckla en skalbar och operativt effektiv plattform som följer organisatoriska efterlevnads- och säkerhetsstandarder. Amazon SageMaker Studio erbjuder en omfattande uppsättning funktioner för utövare av maskininlärning (ML) och datavetare. Dessa inkluderar en fullt hanterad AI-utvecklingsmiljö med en integrerad utvecklingsmiljö (IDE), vilket förenklar ML-arbetsflödet från slut till ände. Dess samarbetsmöjligheter såsom samredigering i realtid och delning av anteckningsböcker inom teamet säkerställer smidigt lagarbete, medan skalbarheten och högpresterande utbildningen vänder sig till stora datamängder. Med inbyggd säkerhet, kostnadseffektivitet och en rad förbyggda verktyg som Amazon SageMaker autopilot, Amazon SageMaker JumpStartoch Amazon SageMaker Feature-butik, SageMaker Studio är en kraftfull plattform för att accelerera AI-projekt och ge datavetare på alla nivåer av expertis.
Deutsche Bahn är en ledande transportorganisation i Tyskland med en omsättning på 56.3 miljarder EUR (2022), en personalstyrka på 336,884 221,343 anställda (inklusive 130 XNUMX anställda i Tyskland) och verksamhet i XNUMX länder. De erbjuder ett brett utbud av tjänster, inklusive kollektiva och regionala transporter, godstjänster och järnvägsinfrastruktur. Genom den integrerade driften av trafik- och järnvägsinfrastruktur, samt den ekonomiskt och ekologiskt intelligenta anslutningen av alla transportsätt, förflyttar Deutsche Bahn människor och varor. Deutsche Bahn har legat i framkant när det gäller att ta till sig AI och har använt SageMaker Studio som en viktig AI-plattform. På Deutsche Bahn hanterar och driver ett dedikerat AI-plattformsteam SageMaker Studio-plattformen, och flera dataanalysteam inom organisationen använder plattformen för att utveckla, träna och driva olika analys- och ML-aktiviteter.
AI-plattformsteamets huvudmål är att säkerställa sömlös tillgång till Workbench-tjänster och SageMaker Studio för alla Deutsche Bahn-team och projekt, med ett primärt fokus på datavetare och ML-ingenjörer. Denna plattform hjälper Deutsche Bahn att realisera ett spektrum av användningsfall, allt från järnvägsunderhåll, prognoser och framtida tillämpningar inom generativ AI.
Den AI-plattformshanterade tjänsten, byggd på SageMaker Studio, överensstämmer sömlöst med Deutsche Bahns koncernövergripande plattformsstrategi. Det uppfyller företagets efterlevnadskrav, möjliggör en snabb projektinitiering för teamet genom att tillhandahålla en SageMaker-domän och minskar underhållskostnader på grund av en övergripande verksamhetsmodell. Stora fördelar inkluderar hög skalbarhet av tjänsten, till stor del tack vare automatisering och en självbetjäningsmodell, och en attraktiv prismodell som i första hand är baserad på resursförbrukning.
"SageMaker Studio gav oss en gemensam plattform som är skalbar, säkerhetskompatibel och tillgodoser utvecklingsbehoven hos datavetare från flera dataanalysteam inom DB-organisationen. Innan detta hanterade och drev varje team sina egna JupyterLab-anteckningsböcker, vilket inte var effektivt eller kostnadseffektivt. Inom 8 veckor tog vi in över 120 utvecklare, tillhandahållit 25 SageMaker-domäner och började snabbt använda den här plattformen.”
– Emmanuel Drosos, produktägare på DB Systel.
I det här inlägget utforskar vi hur Deutsche Bahn skalat och drivit sin AI-plattform med SageMaker Studio för flera team, samtidigt som de säkerställer robust säkerhet och tillsyn.
Lösningsöversikt
Arkitekturen på Deutsche Bahn består av ett centralt plattformskonto som hanteras av ett plattformsteam som ansvarar för att hantera infrastruktur och drift för SageMaker Studio. SageMaker Studios resurser är grupperade efter SageMaker-domäner, var och en bestående av en tillhörande Amazon Elastic File System (Amazon EFS) volym, en lista över auktoriserade användare och en mängd olika säkerhets-, program-, policy- och Amazon Virtual Private Cloud (Amazon VPC) konfigurationer. På Deutsche Bahn använder datavetare från olika team SageMaker-domäner för sina ML-aktiviteter; varje team har en dedikerad SageMaker-domän som de använder för att utveckla och testa ML-modeller och samarbeta med funktioner som delning av bärbara datorer.
Ur ett infrastrukturperspektiv är VPC tillhandahålls i AI-plattformskontot som visas i följande figur har ingen utgående internetanslutning för att säkerställa säkerhet och efterlevnad. För hög tillgänglighet tillhandahålls flera identiska privata isolerade undernät. SageMaker Studio-domänerna distribueras i endast VPC-läge, vilket skapar ett elastiskt nätverksgränssnitt för kommunikation mellan SageMaker-tjänstkontot (AWS-tjänstkonto) och plattformskontots VPC. Slutpunkter som SageMaker API, SageMaker Studio och SageMaker notebook underlättar säker och pålitlig kommunikation mellan plattformskontots VPC och SageMaker-domänen som hanteras av AWS i SageMaker-tjänstkontot.
Varje dataanalysteam kan begära en eller flera SageMaker-domäner via företagets interna självbetjäningsportal. Denna process för att beställa en SageMaker-domän orkestreras genom en separat arbetsflödesprocess (via AWS stegfunktioner). Under detta orkestreringsflöde tillhandahålls en Azure Active Directory (AD)-grupp för dataanalysteamet med AD-gruppnamnet som motsvarar domännamnet. Orkestreringen leder till en kontinuerlig integration och kontinuerlig distribution (CI/CD) pipeline som distribuerar en AWS Cloud Development Kit (AWS CDK) app som består av en SageMaker-domän för respektive team.
Förutom SageMaker-domänen, en anpassad AWS identitets- och åtkomsthantering (IAM) roll (SageMaker-exekveringsroll), Amazon enkel lagringstjänst (Amazon S3)-bucket (data-bucket), kundhanterad nyckel (CMK) och andra AWS-resurser tillhandahålls under distributionsprocessen av AWS CDK-appen, som illustreras i följande figur. AD-gruppen innehåller forskare som behöver tillgång till sitt teams SageMaker-domän. AD-gruppnamnet motsvarar SageMaker-domänens namn och används främst under auktoriseringsprocessen.
Klientseparation implementeras på nivån för SageMaker-domäner genom att använda IAM-autentiseringsläge. En domänspecifik IAM-roll (SageMaker-execution-role) är kopplad till varje domän som följer principen om minsta privilegium och som antas av dataanalysteamet under inloggningsprocessen. Den här rollen ger datavetare i teamet förmågan att utföra olika aktiviteter, som att köra bearbetningsjobb, hyperparameterjusteringsjobb, transformationsjobb och experiment, såväl som att skapa modeller. Dessa ML-aktiviteter körs på uppdrag av användaren av SageMaker med IAM-passrollbehörigheten. Vissa åtgärder som att skapa S3-segment, ändra IAM-roller, uppdatera SageMaker-domäner och tillhandahålla stora instanser är dock begränsade av säkerhets-, efterlevnads- och kostnadskontrollskäl. Den associerade IAM-policyn säkerställer att dataanalysteamet endast har åtkomst till relevant S3-bucket och CMK för sin auktoriserade domän, som visas i följande figur. Dessutom tillåter rollen SageMaker-exekveringsroll teammedlemmarna att ta på sig roller på andra konton inom Deutsche Bahn-organisationen från SageMaker Studio, vilket ger dem flexibilitet att komma åt resurser som t.ex. Amazon Relational Databas Service (Amazon S3), andra S3-hinkar och Amazonas Athena. IAM-policyn använder aws:RequestTag och aws:ResourceTag för finkornig åtkomstkontroll under SageMaker-aktiviteter, som att bearbeta jobb, utbildningsjobb och skapa modeller. Dessa taggar hjälper också till att spåra associerade kostnader för domänen. För mer information, se Åtgärder, resurser och villkorsnycklar för Amazon SageMaker.
CMK krypterar både SageMaker-domänens filsysteminnehåll lagrat i Amazon EFS och innehållet i S3-bucket (data-bucket) som tillhandahålls för att lagra data för SageMaker-bearbetnings- och transformationsjobb. Dessutom tillhandahåller resursbaserade policyer, såsom bucket-policyn och CMK-policyn, ett extra lager av säkerhet, vilket begränsar både åtkomst till endast auktoriserade AI-teammedlemmar och tillåtna åtgärder på dessa resurser.
AI-teamet har inte AWS Management Console tillgång till AI-plattformsteamets konto. För att komma åt SageMaker Studio, som illustreras i följande figur, använder dataforskarna från dataanalysteamet en genererad förutbestämd URL genom att autentisera genom en Amazon Cognito baserad anpassad inloggningsapplikation. När användaren har loggat in på den här anpassade applikationen får de en OAuth-åtkomsttoken som innehåller information som AD-gruppnamn. Efter att ha loggat in på den anpassade applikationen begär användaren SageMaker-domänåtkomst via användargränssnittet genom att utlösa en Amazon API Gateway anrop för att generera en fördefinierad URL. API Gateway anropar PreSignUrlGenerator AWS Lambda funktion och använder en Amazon Cognito auktoriserare för att validera OAuth-åtkomsttoken i begäranshuvudet. PreSignUrlGenerator-funktionen validerar användaråtkomstbehörigheter för den begärda SageMaker-domänen genom att jämföra AD-namnet i åtkomsttoken med den begärda SageMaker-domänen. Efter framgångsrik auktorisering skapar PreSignUrlGenerator-funktionen en SageMaker-användarprofil vid första inloggning och genererar ett fördefinierat URL-svar. Den anpassade inloggningsapplikationen omdirigerar sedan användarna till den begärda SageMaker-domänen.
AWS CDK
Lösningen på Deutsche Bahn använder AWS CDK som infrastruktur som kod (IaC) för att tillhandahålla en SageMaker-domän tillsammans med resurser som S3-hinkar och en CMK. Följande figur illustrerar stackarna och tillhörande resurser som används för SageMaker-distribution. Infrastrukturstacken tar hand om att ställa in viktiga resurser som VPC, subnät och flera SageMaker-slutpunkter. Resurserna som VPC, subnät och tjänstekontrollpolicyer (SCP) hanteras av ett centralt molnteam genom en annan stack (men visas här för enkelhetens skull). SageMakerStudioStack är primärt ansvarig för att tillhandahålla en SageMaker-domän, en dedikerad databucket, en CMK och den dedikerade IAM-rollen SageMaker-exekveringsroll. Noterbart är att varje SageMaker-domän tillhandahålls genom sin individuella SageMakerStudioStack.
Lösningen använder en specialbyggd L3-konstruktion (SageMaker Studio-domän), som visas i följande figur, för SageMaker-domänresursen. SageMaker Studio har en livscykelskonfiguration funktion som möjliggör specifika initieringar under uppstart av JupyterLab- eller KernelGateway-appar.
Deutsch Bahn använder livscykelkonfigurationen som visas i följande figur för att automatiskt upptäcka och stänga av inaktiva instanser i SageMaker-domänen, vilket minskar onödiga kostnader. På grund av begränsad utgående anslutning använder dataanalysteamet internt lagrade bilder och tredjepartsbibliotek från företagets interna artifactory. Livscykelkonfigurationsskriptet för KernelGateway konfigurerar pip- och conda-pakethanterare för att omdirigera nedladdningar till den internt värdade artifactory-platsen. När detta skrivs finns det ingen AWS CDK-konstruktion för livscykelkonfigurationsresursen; därför använder de en anpassad CDK-resurs för att tillhandahålla och hantera LifeCycleConfig-skriptet. Anpassade resurser i AWS CDK erbjuder möjligheten att tillhandahålla och hantera resurser som inte direkt stöds av AWS molnformation eller AWS CDK-konstruktioner.
Installation
Exempel AWS CDK-applikationen visar hur olika komponenter, inklusive SageMaker-domänen, livscykelkonfiguration, Amazon Cognito och IAM-rollen med minsta privilegier, fungerar tillsammans. Inom applikationen hanterar SagemakerStudioStack-klassen tillhandahållandet av en SageMaker-domän, IAM-roll (sagemaker-execution-rolle) som användare antar, CMK, livscykelkonfiguration, SageMaker-användarprofil, S3-bucket för databehandling och Amazon Cognito-användargrupp. Demo AWS CDK-applikationen ger en kortfattad översikt över nyckelkomponenter, såsom SageMaker-domänen, livscykelkonfiguration, autentisering genom Amazon Cognito och IAM-roll med minsta privilegier. SagemakerLoginStack, å andra sidan, är ansvarig för att distribuera Amazon Cognito-användarpoolen, Lambda-funktionen och API Gateway för att generera fördefinierade webbadresser. CognitoUserStack fokuserar främst på att distribuera en användare inom Amazon Cognito-användarpoolen.
Du kan köra följande kommandon för att kompilera, syntetisera och distribuera programmet. Du bör justera kontot, användaren och lösenordet i exempelkoden för din applikation. Lösenordet ska vara minst 8 tecken, med versaler och siffror. Användarparametern är SageMaker-domänanvändaren som kommer att autentiseras av Amazon Cognito.
- Ladda ner källkoden från GitHub repo.
- Bootstrap AWS-kontot. I följande kod, justera kontonummer och region efter behov:
- Installera paketen och kompilera koden:
- Syntetisera AWS CDK-applikationen:
- Distribuera applikationen med alla stackar till kontot och region som du väljer:
- Ladda ner Postman-appen för att ringa ett API-anrop.
Om du inte har ett Postman-konto, skapa ett gratiskonto med din e-post. Om du redan har ett konto, logga in på ditt konto.
- På Fil meny, välj Importera och importera JSON-fil för Postman-miljö ingår i GitHub-repo.
- På Miljöer fliken i Postman, leta reda på miljön som heter SageMaker.
- Lägg till följande miljövariabler, som du ser som en del av stackdistributionsutdata från
SagemakerLoginStack
:
Använd följande parametrar (hämta värdena från utgången under cdk-distribution):
-
- domän namn – Domännamnsparametern du skickade i cdk deploy, till exempel team1
- Klient ID – Amazon Cognito-klient-ID
- klient-hemlighet – Amazon Cognito-klientens hemlighet.
- SageMaker-presigned-api – URL:en till API-gatewayen som skapats av AWS CDK, som genererar den fördefinierade URL:en
- cognito-signin-endpoint – Slutpunkts-URL för Amazon Cognito-domänen där klientappen (i det här fallet Postman) autentiserar genom att tillhandahålla användaruppgifter (demo-användare)
Nästa steg är att generera en OAuth2-token.
-
- På Tillstånd fliken, välj SageMaker-miljön och välj Generera ny åtkomsttoken.
Alla värden på den här fliken ska vara förifyllda.
-
- Uppdatera miljövariablerna och välj Skaffa ny åtkomsttoken.
- I popup-fönstret som öppnas loggar du in på Amazon Cognito med det användarnamn (demo-användare) och lösenord du använde tidigare.
Efter framgångsrik autentisering genereras en ny åtkomsttoken.
- Välja Använd token.
- Välja
GeneratePresignedUrlDemo
i Postman SageMaker-kollektionerna och välj Skicka. - Se till att du valt rätt miljö (SageMaker) i rullgardinsmenyn.
Detta gör ett REST API-anrop till API Gateway och genererar en förutbestämd URL för att komma åt SageMaker-domänen. Du kan se denna URL i svarstexten.
- Kopiera denna URL och ange den i webbläsarfönstret.
En ny SageMaker-domän kommer att lanseras med din användarprofil.
Den här demoapplikationen stöder SageMaker-funktioner som utbildningsjobb, bearbetningsjobb och modellslutpunkter. Observera att funktioner som Amazon SageMaker Canvas, SageMaker JumpStart och SageMaker Feature Store är inte aktiverade.
Städa upp
Utför följande steg för att rensa upp dina resurser:
- Välj på navigationsfönstret på SageMaker-konsolen Domän, Användarprofiloch appar.
- Ta bort alla appar som körs (KernelGateway eller JupyterLab) från den här lösningen.
- Ta bort alla SageMaker-användarprofiler som du skapade under inloggningssteget.
- På Amazon EFS-konsolen, ta bort EFS-filsystemet skapad för detta inlägg.
- Kör följande kommando för att ta bort resurserna som skapats med AWS CDK:
Slutsats
Inlägget belyste hur Deutsche Bahn effektivt använde SageMaker Studio för att förnya sin AI-plattform, vilket resulterade i en skalbar, automatiserad och hanterbar lösning för att stödja sina olika dataanalysteam. Den här arkitekturen har ett centralt plattformskonto, en självbetjäningsprocess för domänbeställning och infrastrukturförsörjning med AWS CDK. Implementeringsprocessen innehåller en CI/CD-pipeline, vilket säkerställer smidig leverans av SageMaker-domäner.
Sammantaget har transformationen som SageMaker Studio åstadkommit gett Deutsche Bahn befogenhet att bygga en robust plattform för sina AI-initiativ, tillgodose över 100 utvecklare och hantera 20 SageMaker-domäner inom ett enda AWS-konto.
Slutligen ger vi vår uppriktiga uppskattning till Nico Seegert (d-fine) och Philipp Vollmer (Deutsche Bahn), vars ovärderliga bidrag var avgörande för att forma denna arkitektur.
För ytterligare läsning, se följande resurser:
___________________________________________________________________________________________
Om författarna
Prasanna Tuladhar är en molninfrastrukturarkitekt på AWS Professional Services i München, Tyskland. Han är specialiserad på molninfrastruktur, arbetsbelastningsmigrering och DevOps på AWS-plattformen och ger kunderna möjlighet att uppnå sina affärsmål. Utanför jobbet tycker han om att jogga, vandra och kvalitetstid med familjen.
Emmanuel Drosos är produktägare för AI-plattformen på DBSystel, ett dotterbolag till Deutsche Bahn (DB) Tyskland. Med en passion för innovation och teknik leder Emmanuel initiativ som syftar till att utnyttja molnets kraft för att driva AI-plattformen på DB (Deutsche Bahn). AI.Platform är en av DB:s koncernövergripande utvecklingsplattformar. Det inkluderar AI-tjänster och verktyg för utveckling av AI-modeller (maskininlärning) och direkt användbara AI-tjänster. Enkel, integrerad och skalbar. Han arbetar nära med andra DB-kunder för att frigöra AI-plattformens fulla potential, vilket gör det möjligt för dem att uppnå sina affärsmål effektivt och effektivt. Utanför sina professionella aktiviteter tycker Emmanuel om att resa och är en entusiastisk natur- och vandringsälskare.
Vishwanath Bhat är DevOps Architect på AWS Professional Services, baserat i Tyskland. Han hjälper kunder att få full nytta av molnet och uppnå sina affärsmål med AWS-molnet. När han inte jobbar gillar han att bada i alpina sjöar, vandra, läsa eller spela fotboll.
Kumudhan Cherarajan är DevOps-konsult på AWS Professional Services, baserad i Schweiz. Han brinner för att hjälpa kunder att anta processer och tjänster som ökar deras effektivitet i molnresan. När han inte jobbar gillar han att spela cricket och musik.
- 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/supercharge-your-ai-team-with-amazon-sagemaker-studio-a-comprehensive-view-of-deutsche-bahns-ai-platform-transformation/
- : har
- :är
- :inte
- :var
- $UPP
- 10
- 100
- 11
- 12
- 120
- 13
- 130
- 16
- 20
- 2022
- 237
- 25
- 350
- 7
- 8
- a
- förmåga
- Able
- Om oss
- accelererande
- tillgång
- Konto
- konton
- Uppnå
- åtgärder
- aktiv
- aktiviteter
- Ad
- Dessutom
- Dessutom
- adresser
- anta
- Anta
- Efter
- mot
- AI
- AI-plattform
- AI-tjänster
- syftar
- Justerar
- Alla
- tillåter
- längs
- redan
- också
- amason
- Amazon Cognito
- Amazon SageMaker
- Amazon SageMaker Studio
- Amazon Web Services
- an
- analytics
- och
- och infrastruktur
- api
- app
- Ansökan
- tillämpningar
- appreciering
- appar
- arkitektur
- ÄR
- AS
- associerad
- utgå ifrån
- antas
- At
- attraktiv
- Auth
- authenticated
- verifierar
- Autentisering
- tillstånd
- tillstånd
- Automatiserad
- automatiskt
- Automation
- tillgänglighet
- AWS
- AWS professionella tjänster
- Azure
- baserat
- BE
- varit
- vägnar
- fördel
- Fördelarna
- mellan
- Miljarder
- kropp
- Bootstrap
- båda
- Bringar
- fört
- webbläsare
- byggt
- inbyggd
- företag
- men
- by
- Ring
- kallas
- KAN
- kapacitet
- vilken
- Vid
- fall
- catering
- tillgodoser
- centrala
- vissa
- utmaningar
- tecken
- val
- Välja
- klass
- rena
- klient
- nära
- cloud
- molninfrastruktur
- koda
- samarbeta
- samarbete
- samlingar
- Gemensam
- Kommunikation
- Företagets
- jämförande
- Efterlevnad
- kompatibel
- komponenter
- omfattande
- koncis
- tillstånd
- konfiguration
- anslutning
- Anslutningar
- Bestående
- består
- Konsol
- konstruera
- konstrukt
- konsult
- konsumtion
- innehåller
- innehåll
- kontinuerlig
- bidrag
- kontroll
- Motsvarande
- motsvarar
- Pris
- kostnadseffektiv
- Kostar
- länder
- skapa
- skapas
- skapar
- Skapa
- referenser
- kricket
- avgörande
- beställnings
- kund
- Kunder
- kundanpassad
- datum
- Data Analytics
- databehandling
- Databas
- datauppsättningar
- dedicerad
- leverans
- demo
- demonstrerar
- avbildas
- distribuera
- utplacerade
- utplacera
- utplacering
- förstöra
- upptäcka
- utveckla
- utvecklare
- utveckla
- Utveckling
- olika
- direkt
- katalog
- flera
- gör
- domän
- Domain Name
- domäner
- inte
- ner
- Nedladdningar
- driv
- grund
- under
- varje
- Tidigare
- effektivt
- effektivitet
- effektiv
- effektivt
- anställda
- befogenhet
- ge
- bemyndigar
- möjliggör
- möjliggör
- början till slut
- Slutpunkt
- Ingenjörer
- säkerställa
- säkerställer
- säkerställa
- ange
- entusiastiska
- Miljö
- väsentlig
- EUR
- Varje
- exempel
- experiment
- expertis
- utforska
- förlänga
- extra
- främja
- familj
- Leverans
- Funktioner
- Figur
- Fil
- Förnamn
- Flexibilitet
- flöda
- Fokus
- fokuserar
- efter
- följer
- fotboll
- För
- förgrunden
- Fri
- från
- full
- fullständigt
- fungera
- ytterligare
- framtida
- nätbryggan
- generera
- genereras
- genererar
- generera
- generativ
- Generativ AI
- Tyskland
- skaffa sig
- GitHub
- Go
- Mål
- varor
- fick
- bidrag
- Grupp
- Odling
- sidan
- Handtag
- Har
- he
- hjälpa
- hjälpa
- hjälper
- här.
- Hög
- högpresterande
- Markerad
- hans
- värd
- Hur ser din drömresa ut
- Men
- html
- http
- HTTPS
- Inställning av hyperparameter
- identiska
- Identitet
- Idle
- if
- illustrerar
- bilder
- genomföras
- importera
- in
- I andra
- innefattar
- ingår
- innefattar
- Inklusive
- inkorporerar
- Öka
- individuellt
- påverka
- informationen
- Infrastruktur
- initiering
- initiativ
- Innovation
- installera
- instrumental
- integrerade
- integrering
- Intelligent
- Gränssnitt
- inre
- invändigt
- Internet
- in
- ovärderlig
- anropar
- isolerat
- IT
- DESS
- Lediga jobb
- resa
- jpg
- json
- Nyckel
- nycklar
- sjöar
- Large
- lanserades
- lager
- ledande
- Leads
- inlärning
- t minst
- Nivå
- hävstångs
- bibliotek
- livscykel
- tycka om
- gillar
- Lista
- läge
- log
- logga in
- Maskinen
- maskininlärning
- underhåll
- större
- göra
- GÖR
- hantera
- hanterlig
- förvaltade
- ledning
- chefer
- förvaltar
- hantera
- möter
- Medlemmar
- migration
- ML
- Mode
- modell
- modeller
- lägen
- mer
- förflyttar
- multipel
- Musik
- namn
- Natur
- Navigering
- behövs
- behov
- nät
- Nya
- Ny åtkomst
- Nästa
- Nej
- i synnerhet
- Notera
- anteckningsbok
- antal
- nummer
- oauth
- mål
- mål
- of
- erbjudanden
- Erbjudanden
- on
- ONE
- endast
- öppnas
- drivs
- fungerar
- drift
- drift
- Verksamhet
- or
- iscensatt
- orkestrering
- organisation
- organisatoriska
- organisationer
- Övriga
- vår
- produktion
- utanför
- över
- övergripande
- OH
- Tillsyn
- Översikt
- egen
- ägaren
- paket
- paket
- panelen
- parameter
- parametrar
- del
- passera
- Godkänd
- brinner
- brinner
- Lösenord
- Personer
- Utföra
- tillstånd
- behörigheter
- perspektiv
- rörledning
- plattform
- Plattformar
- plato
- Platon Data Intelligence
- PlatonData
- Spela
- Strategier
- policy
- poolen
- pop-up
- Portal
- Inlägg
- potentiell
- kraft
- den mäktigaste
- prissättning
- prissättningsmodell
- primärt
- primär
- Principen
- privat
- privilegium
- privilegier
- process
- bearbetning
- Produkt
- professionell
- Profil
- Profiler
- projektet
- projekt
- ge
- förutsatt
- ger
- tillhandahålla
- tillhandahållande
- allmän
- kvalitet
- snabbt
- Järnväg
- Järnväg
- område
- som sträcker sig
- Läsning
- realtid
- inser
- skäl
- motta
- dirigera om
- minskar
- reducerande
- hänvisa
- region
- regionala
- relevanta
- pålitlig
- begära
- förfrågningar
- Krav
- resurs
- Resurser
- att
- respons
- ansvarig
- REST
- begränsad
- begränsa
- resulterande
- intäkter
- höger
- robusta
- Roll
- roller
- Körning
- rinnande
- sagemaker
- prov
- skalbarhet
- skalbar
- skalad
- vetenskapsmän
- skript
- sömlös
- sömlöst
- Secret
- säkra
- säkerhet
- se
- vald
- Självbetjäning
- separat
- service
- Tjänster
- in
- inställning
- formning
- delning
- skall
- visas
- stänga
- stänga
- signera
- Enkelt
- enkelhet
- förenkla
- enda
- släta
- lösning
- Källa
- källkod
- spänning
- specialiserat
- specifik
- Spektrum
- stapel
- Stacks
- standarder
- igång
- start
- Steg
- Steg
- förvaring
- lagra
- lagras
- Strategi
- studio
- subnät
- dotterföretag
- framgångsrik
- sådana
- Superladdning
- stödja
- Som stöds
- Stöder
- säker
- SWIFT
- schweiz
- syntetisera
- system
- tar
- grupp
- Gruppmedlemmar
- lag
- lagarbete
- Teknologi
- Testning
- den där
- Smakämnen
- källan
- deras
- Dem
- sedan
- Där.
- därför
- Dessa
- de
- tredje part
- detta
- Genom
- tid
- till
- tillsammans
- token
- verktyg
- spår
- trafik
- Tåg
- Utbildning
- Transformation
- transport
- transport
- Traveling
- trigg
- trimma
- ui
- låsa
- onödig
- uppdatering
- på
- URL
- us
- användbar
- användning
- Begagnade
- Användare
- användare
- användningar
- med hjälp av
- BEKRÄFTA
- Värden
- mängd
- olika
- via
- utsikt
- Virtuell
- volym
- var
- we
- webb
- webbservice
- veckor
- VÄL
- były
- när
- som
- medan
- VEM
- vars
- bred
- Brett utbud
- kommer
- fönster
- med
- inom
- Arbete
- arbetsflöde
- arbetskraft
- arbetssätt
- fungerar
- skrivning
- Om er
- Din
- zephyrnet