I dagens landskap av en-till-en kundinteraktioner för att lägga beställningar, fortsätter den rådande praxis att förlita sig på mänskliga skötare, även i miljöer som drive-thru-kaféer och snabbmatsställen. Detta traditionella tillvägagångssätt innebär flera utmaningar: det är starkt beroende av manuella processer, kämpar för att effektivt skala med ökande kundkrav, introducerar potentialen för mänskliga fel och arbetar inom specifika timmar efter tillgänglighet. På konkurrensutsatta marknader kan det dessutom vara svårt för företag som enbart följer manuella processer att leverera effektiva och konkurrenskraftiga tjänster. Trots tekniska framsteg förblir den människocentrerade modellen djupt rotad i orderbehandlingen, vilket leder till dessa begränsningar.
Möjligheterna att använda teknik för en-till-en-hjälp vid orderhantering har funnits under en tid. Men befintliga lösningar kan ofta delas in i två kategorier: regelbaserade system som kräver avsevärd tid och ansträngning för installation och underhåll, eller stela system som saknar den flexibilitet som krävs för mänskliga interaktioner med kunder. Som ett resultat står företag och organisationer inför utmaningar när det gäller att snabbt och effektivt implementera sådana lösningar. Lyckligtvis med tillkomsten av generativ AI och stora språkmodeller (LLM), är det nu möjligt att skapa automatiserade system som kan hantera naturligt språk effektivt och med en påskyndad tidslinje.
Amazonas berggrund är en helt hanterad tjänst som erbjuder ett urval av högpresterande grundmodeller (FM) från ledande AI-företag som AI21 Labs, Anthropic, Cohere, Meta, Stability AI och Amazon via ett enda API, tillsammans med en bred uppsättning funktioner som du behöver bygga generativa AI-applikationer med säkerhet, integritet och ansvarsfull AI. Förutom Amazon Bedrock kan du använda andra AWS-tjänster som Amazon SageMaker JumpStart och Amazon Lex att skapa helt automatiserade och lätt anpassningsbara generativa AI-orderbearbetningsagenter.
I det här inlägget visar vi dig hur du bygger en tal-kapabel orderbehandlingsagent med Amazon Lex, Amazon Bedrock och AWS Lambda.
Lösningsöversikt
Följande diagram illustrerar vår lösningsarkitektur.
Arbetsflödet består av följande steg:
- En kund gör beställningen med Amazon Lex.
- Amazon Lex-boten tolkar kundens avsikter och utlöser en
DialogCodeHook
. - En Lambda-funktion hämtar lämplig promptmall från Lambda-lagret och formaterar modellprompter genom att lägga till kundens input i den tillhörande promptmallen.
- Smakämnen
RequestValidation
prompt verifierar beställningen med menyalternativet och låter kunden veta via Amazon Lex om det är något de vill beställa som inte är en del av menyn och kommer att ge rekommendationer. Uppmaningen utför också en preliminär validering för beställningens fullständighet. - Smakämnen
ObjectCreator
prompt konverterar de naturliga språkförfrågningarna till en datastruktur (JSON-format). - Lambda-funktionen för kundvalidering verifierar de nödvändiga attributen för beställningen och bekräftar om all nödvändig information finns för att behandla beställningen.
- En kundlambdafunktion tar datastrukturen som en input för bearbetning av ordern och skickar ordersumman tillbaka till den orkestrerande lambdafunktionen.
- Den orkestrerande Lambda-funktionen anropar Amazon Bedrock LLM-slutpunkten för att generera en slutlig ordersammanfattning inklusive ordersumman från kunddatabassystemet (till exempel, Amazon DynamoDB).
- Ordersammanfattningen kommuniceras tillbaka till kunden via Amazon Lex. Efter att kunden har bekräftat beställningen kommer beställningen att behandlas.
Förutsättningar
Det här inlägget förutsätter att du har ett aktivt AWS-konto och att du känner till följande koncept och tjänster:
För att komma åt Amazon Bedrock från Lambda-funktionerna måste du också se till att Lambda-runtimen har följande bibliotek:
- boto3>=1.28.57
- awscli>=1.29.57
- botocore>=1.31.57
Detta kan göras med en Lambdalager eller genom att använda en specifik AMI med de nödvändiga biblioteken.
Dessutom krävs dessa bibliotek när du anropar Amazon Bedrock API från Amazon SageMaker Studio. Detta kan göras genom att köra en cell med följande kod:
Slutligen skapar du följande policy och bifogar den senare till valfri roll som kommer åt Amazon Bedrock:
Skapa en DynamoDB-tabell
I vårt specifika scenario har vi skapat en DynamoDB-tabell som vårt kunddatabassystem, men du kan också använda Amazon Relational Databas Service (Amazon RDS). Slutför följande steg för att tillhandahålla din DynamoDB-tabell (eller anpassa inställningarna efter behov för ditt användningsfall):
- Välj på DynamoDB-konsolen Bord i navigeringsfönstret.
- Välja Skapa tabell.
- För Tabellnamn, ange ett namn (t.ex.
ItemDetails
). - För Partitionsnyckel, ange en nyckel (för det här inlägget använder vi
Item
). - För Sorteringsnyckel, ange en nyckel (för det här inlägget använder vi
Size
). - Välja Skapa tabell.
Nu kan du ladda data till DynamoDB-tabellen. För det här inlägget använder vi en CSV-fil. Du kan ladda data till DynamoDB-tabellen med Python-kod i en SageMaker-anteckningsbok.
Först måste vi skapa en profil som heter dev.
- Öppna en ny terminal i SageMaker Studio och kör följande kommando:
Detta kommando kommer att uppmana dig att ange ditt AWS-åtkomstnyckel-ID, hemliga åtkomstnyckel, standard AWS-region och utdataformat.
- Gå tillbaka till SageMaker-anteckningsboken och skriv en Python-kod för att skapa en anslutning till DynamoDB med hjälp av Boto3-biblioteket i Python. Det här kodavsnittet skapar en session med en specifik AWS-profil som heter dev och skapar sedan en DynamoDB-klient med den sessionen. Följande är kodexemplet för att ladda data:
Alternativt kan du använda NoSQL arbetsbänk eller andra verktyg för att snabbt ladda data till din DynamoDB-tabell.
Följande är en skärmdump efter att exempeldata har infogats i tabellen.
Skapa mallar i en SageMaker-anteckningsbok med Amazon Bedrock-anrops-API
För att skapa vår promptmall för detta användningsfall använder vi Amazon Bedrock. Du kan komma åt Amazon Bedrock från AWS Management Console och via API-anrop. I vårt fall får vi tillgång till Amazon Bedrock via API från bekvämligheten av en SageMaker Studio-anteckningsbok för att skapa inte bara vår promptmall, utan vår kompletta API-anropskod som vi senare kan använda på vår Lambda-funktion.
- På SageMaker-konsolen får du tillgång till en befintlig SageMaker Studio-domän eller skapa en ny för att komma åt Amazon Bedrock från en SageMaker-anteckningsbok.
- När du har skapat SageMaker-domänen och användaren väljer du användaren och väljer Starta och Studio. Detta kommer att öppna en JupyterLab-miljö.
- När JupyterLab-miljön är klar, öppna en ny anteckningsbok och börja importera de nödvändiga biblioteken.
Det finns många FM:er tillgängliga via Amazon Bedrock Python SDK. I det här fallet använder vi Claude V2, en kraftfull grundmodell utvecklad av Anthropic.
Orderbehandlaren behöver några olika mallar. Detta kan ändras beroende på användningsfallet, men vi har utformat ett allmänt arbetsflöde som kan tillämpas på flera inställningar. För detta användningsfall kommer Amazon Bedrock LLM-mallen att åstadkomma följande:
- Validera kundens avsikt
- Validera begäran
- Skapa orderdatastrukturen
- Skicka en sammanfattning av beställningen till kunden
- För att anropa modellen, skapa ett berggrundsruntime-objekt från Boto3.
Låt oss börja med att arbeta på mallen för avsiktsvalideringsprompt. Detta är en iterativ process, men tack vare Anthropics snabba tekniska guide kan du snabbt skapa en prompt som kan utföra uppgiften.
- Skapa den första promptmallen tillsammans med en verktygsfunktion som hjälper till att förbereda kroppen för API-anrop.
Följande är koden för prompt_template_intent_validator.txt:
- Spara denna mall i en fil för att ladda upp till Amazon S3 och ringa från Lambda-funktionen vid behov. Spara mallarna som JSON-serialiserade strängar i en textfil. Den föregående skärmdumpen visar kodexemplet för att åstadkomma detta också.
- Upprepa samma steg med de andra mallarna.
Följande är några skärmdumpar av de andra mallarna och resultaten när du anropar Amazon Bedrock med några av dem.
Följande är koden för prompt_template_request_validator.txt:
Följande är vårt svar från Amazon Bedrock med den här mallen.
Följande är koden för prompt_template_object_creator.txt
:
Följande är koden för prompt_template_order_summary.txt:
Som du kan se har vi använt våra promptmallar för att validera menyalternativ, identifiera nödvändig information som saknas, skapa en datastruktur och sammanfatta beställningen. De grundläggande modellerna som finns tillgängliga på Amazon Bedrock är mycket kraftfulla, så du kan utföra ännu fler uppgifter via dessa mallar.
Du har slutfört konstruktionen av uppmaningarna och sparat mallarna i textfiler. Du kan nu börja skapa Amazon Lex-boten och de tillhörande Lambda-funktionerna.
Skapa ett lambdalager med promptmallarna
Utför följande steg för att skapa ditt Lambdalager:
- I SageMaker Studio skapar du en ny mapp med en undermapp som heter
python
. - Kopiera dina promptfiler till
python
mapp.
- Du kan lägga till ZIP-biblioteket till din notebook-instans genom att köra följande kommando.
- Kör nu följande kommando för att skapa ZIP-filen för uppladdning till Lambda-lagret.
- När du har skapat ZIP-filen kan du ladda ner filen. Gå till Lambda, skapa ett nytt lager genom att ladda upp filen direkt eller genom att ladda upp till Amazon S3 först.
- Fäst sedan detta nya lager till orkestreringslamdafunktionen.
Nu lagras dina promptmallfiler lokalt i din Lambda-runtimemiljö. Detta kommer att påskynda processen under din botkörning.
Skapa ett lambdalager med de nödvändiga biblioteken
Slutför följande steg för att skapa ditt Lambda-lager med de nödvändiga biblioteken:
- öppna en AWS Cloud9 instansmiljö, skapa en mapp med en undermapp som heter
python
. - Öppna en terminal inuti
python
mapp. - Kör följande kommandon från terminalen:
- Körning
cd ..
och placera dig i din nya mapp där du också harpython
mapp. - Kör följande kommando:
- När du har skapat ZIP-filen kan du ladda ner filen. Gå till Lambda, skapa ett nytt lager genom att ladda upp filen direkt eller genom att ladda upp till Amazon S3 först.
- Fäst sedan detta nya lager till orkestreringslamdafunktionen.
Skapa boten i Amazon Lex v2
För detta användningsfall bygger vi en Amazon Lex-bot som kan tillhandahålla ett input/output-gränssnitt för arkitekturen för att anropa Amazon Bedrock med röst eller text från vilket gränssnitt som helst. Eftersom LLM kommer att hantera konversationsdelen av denna orderbearbetningsagent, och Lambda kommer att orkestrera arbetsflödet, kan du skapa en bot med tre avsikter och inga platser.
- På Amazon Lex-konsolen skapar du en ny bot med metoden Skapa en tom bot.
Nu kan du lägga till en avsikt med valfritt inledande yttrande för slutanvändarna att starta konversationen med boten. Vi använder enkla hälsningar och lägger till ett initialt botsvar så att slutanvändare kan lämna sina önskemål. När du skapar boten, se till att använda en Lambda-kodkrok med avsikterna; detta kommer att utlösa en Lambda-funktion som kommer att organisera arbetsflödet mellan kunden, Amazon Lex, och LLM.
- Lägg till din första avsikt, som utlöser arbetsflödet och använder mallen för avsiktsvalidering för att ringa Amazon Bedrock och identifiera vad kunden försöker åstadkomma. Lägg till några enkla yttranden så att slutanvändare kan starta konversationen.
Du behöver inte använda några slots eller första läsning i någon av botens avsikter. I själva verket behöver du inte lägga till yttranden till den andra eller tredje avsikten. Det beror på att LLM kommer att vägleda Lambda genom hela processen.
- Lägg till en bekräftelseprompt. Du kan anpassa detta meddelande i Lambda-funktionen senare.
- Enligt Kodkrokar, Välj Använd en lambdafunktion för initiering och validering.
- Skapa en andra avsikt utan uttalande och utan initialt svar. Det här är
PlaceOrder
uppsåt.
När LLM identifierar att kunden försöker göra en beställning, kommer Lambdafunktionen att utlösa denna avsikt och validera kundförfrågan mot menyn och se till att ingen nödvändig information saknas. Kom ihåg att allt detta finns i promptmallarna, så du kan anpassa detta arbetsflöde för alla användningsfall genom att ändra promptmallarna.
- Lägg inte till några platser, utan lägg till en bekräftelseprompt och avvisa svar.
- Välja Använd en lambdafunktion för initiering och validering.
- Skapa en tredje avsikt med namnet
ProcessOrder
utan några exempel på yttranden och inga luckor. - Lägg till ett första svar, en bekräftelseuppmaning och ett avvisande svar.
Efter att LLM har validerat kundförfrågan, utlöser Lambda-funktionen den tredje och sista avsikten att behandla beställningen. Här kommer Lambda att använda mallen för att skapa objekt för att generera order-JSON-datastrukturen för att fråga DynamoDB-tabellen och sedan använda ordersammanfattningsmallen för att sammanfatta hela ordern tillsammans med summan så att Amazon Lex kan skicka den till kunden.
- Välja Använd en lambdafunktion för initiering och validering. Denna kan använda valfri Lambda-funktion för att behandla beställningen efter att kunden har gett den slutliga bekräftelsen.
- När du har skapat alla tre avsikterna, gå till Visual Builder för
ValidateIntent
, lägg till ett gå till avsiktssteg och anslut utgången från den positiva bekräftelsen till det steget. - När du har lagt till go-to-avsikten, redigera den och välj PlaceOrder-avsikten som avsiktsnamn.
- På samma sätt, för att gå till Visual Builder för
PlaceOrder
avsikt och anslut utgången från den positiva bekräftelsen tillProcessOrder
gå till avsikt. Ingen redigering krävs förProcessOrder
uppsåt. - Du måste nu skapa Lambda-funktionen som orkestrerar Amazon Lex och anropar DynamoDB-tabellen, som beskrivs i följande avsnitt.
Skapa en Lambda-funktion för att orkestrera Amazon Lex-boten
Du kan nu bygga Lambda-funktionen som orkestrerar Amazon Lex-boten och arbetsflödet. Slutför följande steg:
- Skapa en Lambda-funktion med standardutförandepolicyn och låt Lambda skapa en roll åt dig.
- I kodfönstret för din funktion lägger du till några hjälpfunktioner: formatera uppmaningarna genom att lägga till lex-kontexten i mallen, anropa Amazon Bedrock LLM API, extrahera önskad text från svaren och mer. Se följande kod:
- Fäst lambdalagret du skapade tidigare till den här funktionen.
- Fäst dessutom lagret till de promptmallar du skapade.
- Bifoga policyn för att komma åt Amazon Bedrock, som skapades tidigare, i Lambda-exekveringsrollen.
Lambdakörningsrollen bör ha följande behörigheter.
Fäst Orchestration Lambda-funktionen till Amazon Lex-boten
- När du har skapat funktionen i föregående avsnitt, gå tillbaka till Amazon Lex-konsolen och navigera till din bot.
- Enligt Språk välj i navigeringsfönstret Engelska.
- För Källa, välj din orderbehandlingsbot.
- För Lambdafunktionsversion eller aliasväljer $SENAST.
- Välja Save.
Skapa assisterande lambdafunktioner
Utför följande steg för att skapa ytterligare Lambda-funktioner:
- Skapa en Lambda-funktion för att fråga DynamoDB-tabellen som du skapade tidigare:
- Navigera till konfiguration fliken i Lambdafunktionen och välj behörigheter.
- Bifoga ett resursbaserat policyuttalande som tillåter den orderbearbetande lambdafunktionen att anropa denna funktion.
- Navigera till IAM-exekveringsrollen för denna Lambda-funktion och lägg till en policy för att komma åt DynamoDB-tabellen.
- Skapa ytterligare en Lambda-funktion för att validera om alla nödvändiga attribut skickades från kunden. I följande exempel validerar vi om storleksattributet registreras för en beställning:
- Navigera till konfiguration fliken i Lambdafunktionen och välj behörigheter.
- Bifoga ett resursbaserat policyuttalande som tillåter den orderbearbetande lambdafunktionen att anropa denna funktion.
Testa lösningen
Nu kan vi testa lösningen med exempelorder som kunder gör via Amazon Lex.
För vårt första exempel bad kunden om en frappuccino, som inte finns på menyn. Modellen validerar med hjälp av ordervalideringsmall och föreslår några rekommendationer utifrån menyn. Efter att kunden har bekräftat sin beställning, meddelas de om ordersumman och ordersammanfattningen. Beställningen kommer att behandlas baserat på kundens slutgiltiga bekräftelse.
I vårt nästa exempel beställer kunden en stor cappuccino och ändrar sedan storleken från stor till medium. Modellen fångar alla nödvändiga ändringar och ber kunden att bekräfta beställningen. Modellen presenterar ordersumman och ordersammanfattningen och behandlar ordern utifrån kundens slutliga bekräftelse.
För vårt sista exempel gjorde kunden en beställning på flera artiklar och storleken saknas för ett par artiklar. Modellen och Lambdafunktionen kommer att verifiera om alla nödvändiga attribut finns för att behandla beställningen och ber sedan kunden att lämna den saknade informationen. Efter att kunden har tillhandahållit den saknade informationen (i det här fallet storleken på kaffet), visas beställningssumman och beställningssammanfattningen. Beställningen kommer att behandlas baserat på kundens slutgiltiga bekräftelse.
LLM-begränsningar
LLM-utgångar är till sin natur stokastiska, vilket innebär att resultaten från vår LLM kan variera i format, eller till och med i form av osanningsinnehåll (hallucinationer). Därför måste utvecklare förlita sig på en bra felhanteringslogik genom hela sin kod för att hantera dessa scenarier och undvika en försämrad slutanvändarupplevelse.
Städa upp
Om du inte längre behöver den här lösningen kan du ta bort följande resurser:
- Lambda-funktioner
- Amazon Lex box
- DynamoDB-tabell
- S3 hink
Stäng dessutom av SageMaker Studio-instansen om programmet inte längre behövs.
Kostnadsbedömning
För prisinformation för de huvudsakliga tjänsterna som används av denna lösning, se följande:
Observera att du kan använda Claude v2 utan behov av provisionering, så de totala kostnaderna förblir på ett minimum. För att ytterligare minska kostnaderna kan du konfigurera DynamoDB-tabellen med on-demand-inställningen.
Slutsats
Det här inlägget demonstrerade hur man bygger en talaktiverad AI-orderbearbetningsagent med Amazon Lex, Amazon Bedrock och andra AWS-tjänster. Vi visade hur snabb ingenjörskonst med en kraftfull generativ AI-modell som Claude kan möjliggöra robust naturlig språkförståelse och konversationsflöden för orderhantering utan behov av omfattande utbildningsdata.
Lösningsarkitekturen använder serverlösa komponenter som Lambda, Amazon S3 och DynamoDB för att möjliggöra en flexibel och skalbar implementering. Genom att lagra promptmallarna i Amazon S3 kan du anpassa lösningen för olika användningsfall.
Nästa steg kan inkludera att utöka agentens kapacitet för att hantera ett bredare utbud av kundförfrågningar och spetsärenden. Snabbmallarna ger ett sätt att iterativt förbättra agentens färdigheter. Ytterligare anpassningar kan innebära att integrera orderdata med backend-system som lager, CRM eller POS. Slutligen kan agenten göras tillgänglig över olika kundkontaktpunkter som mobilappar, drive-thru, kiosker och mer med hjälp av flerkanalsfunktionerna hos Amazon Lex.
Om du vill veta mer, se följande relaterade resurser:
- Distribuera och hantera flerkanalsbotar:
- Snabb ingenjörskonst för Claude och andra modeller:
- Serverlösa arkitektoniska mönster för skalbara AI-assistenter:
Om författarna
Moumita Dutta är partnerlösningsarkitekt på Amazon Web Services. I sin roll har hon ett nära samarbete med partners för att utveckla skalbara och återanvändbara tillgångar som effektiviserar molninstallationer och förbättrar operativ effektivitet. Hon är medlem i AI/ML-gemenskapen och en generativ AI-expert på AWS. På fritiden tycker hon om trädgårdsarbete och cykling.
Fernando Lammoglia är en Partner Solutions Architect på Amazon Web Services, som arbetar nära med AWS-partners för att gå i spetsen för utvecklingen och införandet av banbrytande AI-lösningar över affärsenheter. En strategisk ledare med expertis inom molnarkitektur, generativ AI, maskininlärning och dataanalys. Han är specialiserad på att genomföra strategier för att gå till marknaden och leverera effektfulla AI-lösningar i linje med organisationens mål. På fritiden älskar han att umgås med sin familj och resa till andra länder.
Mitul Patel är senior lösningsarkitekt på Amazon Web Services. I sin roll som möjliggörare för molnteknik arbetar han med kunder för att förstå deras mål och utmaningar, och ger föreskrivande vägledning för att uppnå sina mål med AWS-erbjudanden. Han är medlem i AI/ML-gemenskapen och en Generativ AI-ambassadör på AWS. På fritiden tycker han om att vandra och spela fotboll.
- 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/transform-one-on-one-customer-interactions-build-speech-capable-order-processing-agents-with-aws-and-generative-ai/
- : har
- :är
- :inte
- :var
- $3
- $UPP
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 173
- 200
- 24
- 250
- 28
- 29
- 31
- 320
- 385
- 40
- 400
- 500
- 7
- 75
- 8
- 9
- 900
- a
- ovan
- accelererad
- Acceptera
- tillgång
- åtkomst
- åstadkomma
- Enligt
- Konto
- Uppnå
- tvärs
- Handling
- aktiv
- anpassa
- lägga till
- lagt till
- tillsats
- Dessutom
- Annat
- Dessutom
- vidhäftande
- justera
- Antagande
- framsteg
- första advent
- Efter
- igen
- mot
- Recensioner
- medel
- AI
- AI / ML
- Justerat
- Alla
- tillåter
- tillåta
- tillåter
- längs
- också
- alltid
- am
- amason
- Amazon Lex
- Amazon RDS
- Amazon Web Services
- Ambassadör
- an
- analytics
- och
- Annan
- Antropisk
- vilken som helst
- api
- Ansökan
- tillämpningar
- Ansök
- tillvägagångssätt
- lämpligt
- lämpligt
- appar
- arkitektoniska
- arkitektur
- ÄR
- AS
- be
- Tillgångar
- Bistånd
- Assistent
- assistenter
- bistå
- associerad
- antar
- At
- bifoga
- skötare
- attribut
- Automatiserad
- tillgänglighet
- tillgänglig
- undvika
- AWS
- tillbaka
- backend
- baserat
- BE
- därför att
- varit
- börja
- mellan
- kropp
- Bot
- båda
- botar
- bred
- SLUTRESULTAT
- byggare
- företag
- företag
- men
- by
- beräkna
- Ring
- kallas
- anropande
- Samtal
- KAN
- kapacitet
- fångas
- fångar
- Vid
- fall
- kategorier
- cellen
- utmaningar
- utmanande
- byta
- Förändringar
- byte
- tecken
- ta
- val
- Välja
- klient
- Stäng
- nära
- cloud
- MOLNTEKNIK
- koda
- Kaffe
- de samarbetar
- samla
- kommuniceras
- samfundet
- Företag
- konkurrenskraftig
- fullborda
- Avslutade
- fullborda
- fullbordan
- komponenter
- Begreppen
- Bekräfta
- bekräftelse
- BEKRÄFTAT
- Kontakta
- anslutning
- består
- Konsol
- innehåll
- sammanhang
- fortsätter
- bekvämlighet
- Konversation
- konvertera
- korrekt
- Kostar
- kunde
- länder
- Par
- skapa
- skapas
- skapar
- Skapa
- skapande
- skaparen
- CRM
- Aktuella
- beställnings
- kund
- Kunder
- skräddarsy
- allra senaste
- datum
- Data Analytics
- Datastruktur
- Databas
- Nedgång
- djupt
- Standard
- definiera
- leverera
- leverera
- Efterfrågan
- krav
- demonstreras
- nekas
- beroende
- beror
- distributioner
- utformade
- önskas
- Trots
- detaljerad
- dev
- utveckla
- utvecklade
- utvecklare
- Utveckling
- Diagrammet
- DID
- olika
- direkt
- avsändande
- do
- gör
- domän
- donation
- gjort
- inte
- ner
- ladda ner
- under
- e
- varje
- Tidigare
- lätt
- kant
- effekt
- effektivitet
- effektiv
- effektivt
- ansträngning
- annars
- möjliggöra
- möjliggörare
- Slutpunkt
- Teknik
- förbättra
- ange
- Miljö
- fel
- fel
- Även
- händelse
- exempel
- exempel
- Utom
- undantag
- exekvera
- utförande
- befintliga
- avsluta
- expanderande
- erfarenhet
- expert
- expertis
- omfattande
- extrahera
- Ansikte
- Faktum
- Höst
- Förtrogenhet
- familj
- få
- Fil
- Filer
- slutlig
- avsluta
- hitta
- Förnamn
- Flexibilitet
- flexibel
- flöden
- efter
- För
- formen
- format
- Lyckligtvis
- hittade
- fundament
- grundläggande
- Fri
- från
- fullständigt
- fungera
- funktioner
- ytterligare
- Allmänt
- generera
- generativ
- Generativ AI
- skaffa sig
- Ge
- ges
- Go
- Gå till marknaden
- Mål
- god
- fick
- stora
- stor
- hälsning
- Hälsningar
- vägleda
- styra
- hantera
- Arbetsmiljö
- Har
- har
- he
- höra
- kraftigt
- hjälpa
- här
- här.
- hi
- högpresterande
- hans
- Honung
- ÖPPETTIDER
- Hur ser din drömresa ut
- How To
- Men
- html
- http
- HTTPS
- humant
- i
- ID
- identifierar
- identifiera
- identifiera
- if
- illustrerar
- effektfull
- genomförande
- genomföra
- importera
- importera
- förbättra
- in
- innefattar
- Inklusive
- Inkommande
- ökande
- index
- informationen
- ingrodd
- inledande
- ingång
- ingångar
- inuti
- installera
- exempel
- istället
- instruktioner
- Integrera
- uppsåt
- interaktioner
- Gränssnitt
- in
- Introducerar
- lager
- engagera
- IT
- artikel
- jpg
- json
- bara
- Ha kvar
- Nyckel
- kiosker
- Vet
- Labs
- Brist
- liggande
- språk
- Large
- Efternamn
- slutligen
- senare
- lager
- ledare
- ledande
- LÄRA SIG
- inlärning
- lemonad
- Låt
- Lets
- bibliotek
- Bibliotek
- tycka om
- begränsningar
- Lista
- LLM
- läsa in
- lokalt
- skogsavverkning
- Logiken
- längre
- UTSEENDE
- älskar
- Maskinen
- maskininlärning
- gjord
- Huvudsida
- göra
- förvaltade
- ledning
- hantera
- manuell
- många
- markant
- Marknader
- me
- betyder
- Medium
- medlem
- Meny
- meddelande
- meddelanden
- meta
- metod
- kanske
- Mjölk
- minsta
- missade
- saknas
- Mobil
- mobil-appar
- modell
- modeller
- modifierad
- modifiera
- ögonblick
- mer
- multipel
- my
- namn
- Som heter
- Natural
- Natur
- Navigera
- Navigering
- nödvändigt för
- Behöver
- behövs
- behov
- Nya
- Nästa
- Nej
- Ingen
- anteckningsbok
- nu
- objektet
- mål
- inträffade
- of
- offer~~POS=TRUNC
- Erbjudanden
- Ofta
- Okej
- on
- On-Demand
- ONE
- endast
- öppet
- fungerar
- operativa
- Alternativet
- Tillbehör
- or
- orkestrerar
- orkestrering
- beställa
- ordrar
- organisatoriska
- organisationer
- Övriga
- vår
- produktion
- utgångar
- övergripande
- panelen
- parametrar
- del
- partnern
- partner
- passera
- Godkänd
- passerar
- bana
- mönster
- betalning
- procent
- utför
- kanske
- behörigheter
- bit
- Plats
- platser
- placering
- plato
- Platon Data Intelligence
- PlatonData
- i
- snälla du
- poäng
- policy
- PoS
- utgör
- placera
- positiv
- möjlig
- Inlägg
- potentiell
- den mäktigaste
- praktiken
- preliminära
- Förbered
- förbereder
- förbereda
- presentera
- presenterar
- föregående
- pris
- prissättning
- privatpolicy
- Fortsätt
- process
- Bearbetad
- processer
- bearbetning
- Profil
- prompter
- utsikter
- ge
- förutsatt
- leverantör
- ger
- tillhandahållande
- Drar
- sätta
- Python
- fråga
- snabbt
- R
- höja
- område
- Raw
- RE
- Läsa
- Läsning
- redo
- rekommenderar
- rekommendationer
- minska
- hänvisa
- region
- regelbunden
- relaterad
- förlita
- förblir
- resterna
- ihåg
- bort
- ersättning
- begära
- förfrågningar
- Obligatorisk
- resurs
- Resurser
- Svara
- respons
- svar
- ansvarig
- resultera
- Resultat
- avkastning
- återgår
- återanvändbar
- styv
- robusta
- Roll
- Rutt
- RAD
- Körning
- rinnande
- kör
- runtime
- s
- sagemaker
- Samma
- prov
- Save
- sparade
- säga
- skalbar
- Skala
- scenario
- scenarier
- skärmdumpar
- sDK
- Andra
- Secret
- §
- säkerhet
- se
- välj
- senior
- Server
- service
- Tjänster
- session
- in
- inställning
- inställningar
- inställning
- flera
- hon
- Shell
- affärer
- skall
- show
- visade
- visas
- Visar
- stänga
- stänga
- Enkelt
- enda
- Storlek
- färdigheter
- slits
- spelautomater
- Small
- kodavsnitt
- So
- Fotboll
- enbart
- lösning
- Lösningar
- några
- någon
- något
- tala
- spetsen
- speciell
- specialiserat
- specifik
- fart
- spendera
- Stabilitet
- standard
- starta
- Starta
- Ange
- .
- Steg
- Steg
- lagras
- misslyckande
- Strategisk
- strategier
- effektivisera
- struktur
- Struggles
- studio
- väsentlig
- Framgångsrikt
- sådana
- socker
- föreslå
- Föreslår
- sammanfatta
- SAMMANFATTNING
- Som stöds
- säker
- snabbt
- system
- System
- bord
- MÄRKA
- tar
- uppgift
- uppgifter
- smak
- teknisk
- Teknologi
- mall
- mallar
- terminal
- testa
- text
- Tack
- den där
- Smakämnen
- den information
- deras
- Dem
- sedan
- Där.
- därför
- Dessa
- de
- sak
- Tredje
- detta
- tre
- Genom
- hela
- tid
- tidslinje
- till
- i dag
- dagens
- verktyg
- Totalt
- traditionell
- Utbildning
- Förvandla
- färdas
- utlösa
- problem
- prova
- försöker
- två
- Typ
- förstå
- förståelse
- enheter
- uppladdning
- användning
- användningsfall
- Begagnade
- Användare
- användningar
- med hjälp av
- verktyg
- Använda
- giltigt
- BEKRÄFTA
- validerade
- godkännande
- validator
- värde
- Värden
- variabel
- olika
- variera
- verifiera
- version
- mycket
- via
- visuell
- Röst
- vill
- vill
- var
- Sätt..
- we
- webb
- webbservice
- VÄL
- były
- Vad
- när
- som
- medan
- Hela
- bredare
- kommer
- fönster
- med
- inom
- utan
- arbetsflöde
- arbetssätt
- fungerar
- skulle
- skriva
- XML
- ja
- Om er
- Din
- själv
- zephyrnet
- Postnummer