ลูกค้าในอุตสาหกรรมต่างๆ เช่น สินค้าอุปโภคบริโภค การผลิต และการขายปลีกมักจะมองหาวิธีที่จะเสริมศักยภาพให้กับกระบวนการปฏิบัติงานด้วยการเสริมคุณค่าด้วยข้อมูลเชิงลึกและการวิเคราะห์ที่สร้างจากข้อมูล งานต่างๆ เช่น การคาดการณ์ยอดขายส่งผลกระทบโดยตรงต่อการดำเนินงาน เช่น การวางแผนวัตถุดิบ การจัดซื้อ การผลิต การจัดจำหน่าย และการขนส่งขาเข้า/ขาออก และอาจมีผลกระทบหลายระดับ ตั้งแต่คลังสินค้าเดียวไปจนถึงโรงงานผลิตขนาดใหญ่
ตัวแทนฝ่ายขายและผู้จัดการใช้ข้อมูลการขายในอดีตเพื่อคาดการณ์เกี่ยวกับแนวโน้มการขายในอนาคต ลูกค้าใช้ SAP ERP Central Component (ECC) เพื่อจัดการการวางแผนสำหรับการผลิต การขาย และการจัดจำหน่ายสินค้า โมดูลการขายและการจัดจำหน่าย (SD) ภายใน SAP ECC ช่วยจัดการใบสั่งขาย ระบบ SAP เป็นแหล่งที่มาหลักของข้อมูลการขายในอดีต
ตัวแทนขายและผู้จัดการมีความรู้เกี่ยวกับโดเมนและความเข้าใจในข้อมูลการขายในเชิงลึก อย่างไรก็ตาม พวกเขาขาดทักษะด้านวิทยาศาสตร์ข้อมูลและการเขียนโปรแกรมเพื่อสร้างแบบจำลองแมชชีนเลิร์นนิง (ML) ที่สามารถสร้างการคาดการณ์ยอดขายได้ พวกเขาแสวงหาเครื่องมือที่ใช้งานง่ายและใช้งานง่ายเพื่อสร้างโมเดล ML โดยไม่ต้องเขียนโค้ดแม้แต่บรรทัดเดียว
เพื่อช่วยให้องค์กรบรรลุความคล่องตัวและประสิทธิผลที่นักวิเคราะห์ธุรกิจแสวงหา เรา แนะนำ ผืนผ้าใบ Amazon SageMakerซึ่งเป็นโซลูชัน ML แบบไม่มีโค้ดที่ช่วยให้คุณเร่งการส่งมอบโซลูชัน ML ได้เป็นชั่วโมงหรือเป็นวัน Canvas ช่วยให้นักวิเคราะห์ใช้ข้อมูลที่มีอยู่ใน data lake, data data และ data stores ได้อย่างง่ายดาย สร้างโมเดล ML; และใช้การคาดการณ์แบบโต้ตอบและสำหรับการให้คะแนนแบบกลุ่มในชุดข้อมูลจำนวนมาก โดยไม่ต้องเขียนโค้ดแม้แต่บรรทัดเดียว
ในโพสต์นี้ เราจะแสดงวิธีนำข้อมูลใบสั่งขายจาก SAP ECC เพื่อสร้างการคาดการณ์การขายโดยใช้แบบจำลอง ML ที่สร้างโดยใช้ Canvas
ภาพรวมโซลูชัน
ในการสร้างการคาดการณ์การขายโดยใช้ข้อมูลการขายของ SAP เราจำเป็นต้องมีความร่วมมือระหว่างบุคคล XNUMX ฝ่าย ได้แก่ วิศวกรข้อมูลและนักวิเคราะห์ธุรกิจ (ตัวแทนขายและผู้จัดการ) วิศวกรข้อมูลมีหน้าที่กำหนดค่าการส่งออกข้อมูลจากระบบ SAP ไปยัง บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) โดยใช้ Amazon App Flowซึ่งนักวิเคราะห์ธุรกิจสามารถเรียกใช้แบบออนดีมานด์หรือแบบอัตโนมัติ (ตามกำหนดเวลา) เพื่อรีเฟรชข้อมูล SAP ในบัคเก็ต S3 นักวิเคราะห์ธุรกิจมีหน้าที่รับผิดชอบในการสร้างการคาดการณ์ด้วยข้อมูลที่ส่งออกโดยใช้ Canvas ไดอะแกรมต่อไปนี้แสดงเวิร์กโฟลว์นี้
สำหรับโพสต์นี้เราใช้ SAP โมเดลการจัดซื้อ NetWeaver Enterprise (EPM) สำหรับข้อมูลตัวอย่าง โดยทั่วไปแล้ว EPM จะใช้เพื่อวัตถุประสงค์ในการสาธิตและทดสอบใน SAP ใช้แบบจำลองกระบวนการทางธุรกิจทั่วไปและปฏิบัติตามกระบวนทัศน์ของอ็อบเจกต์ธุรกิจ (BO) เพื่อสนับสนุนตรรกะทางธุรกิจที่กำหนดไว้อย่างดี เราใช้ธุรกรรม SAP SEPM_DG (ตัวสร้างข้อมูล) เพื่อสร้างใบสั่งขายในอดีตประมาณ 80,000 รายการ และสร้างมุมมอง HANA CDS เพื่อรวบรวมข้อมูลตามรหัสผลิตภัณฑ์ วันที่ขาย และเมือง ดังที่แสดงในรหัสต่อไปนี้:
ในส่วนถัดไป เราเปิดเผยมุมมองนี้โดยใช้บริการ SAP OData เป็นโครงสร้าง ABAP ซึ่งช่วยให้เราแยกข้อมูลด้วย Amazon AppFlow
ตารางต่อไปนี้แสดงข้อมูลการขายในอดีตของตัวแทนจาก SAP ซึ่งเราใช้ในโพสต์นี้
Productid | วันที่ขาย | เมือง | ยอดขายทั้งหมด |
P-4 | 2013-01-02 00:00:00 | กีโต | 1922.00 |
P-5 | 2013-01-02 00:00:00 | ซันโตโดมิงโก | 1903.00 |
ไฟล์ข้อมูลเป็นข้อมูลประวัติความถี่รายวัน มีสี่คอลัมน์ (productid
, saledate
, city
และ totalsales
). เราใช้ Canvas เพื่อสร้างแบบจำลอง ML ที่ใช้ในการพยากรณ์ totalsales
for
productid
ในเมืองใดเมืองหนึ่ง
โพสต์นี้จัดทำขึ้นเพื่อแสดงกิจกรรมและความรับผิดชอบสำหรับวิศวกรข้อมูลและนักวิเคราะห์ธุรกิจเพื่อสร้างการคาดการณ์ยอดขายผลิตภัณฑ์
วิศวกรข้อมูล: แยก แปลง และโหลดชุดข้อมูลจาก SAP ไปยัง Amazon S3 ด้วย Amazon AppFlow
งานแรกที่คุณดำเนินการในฐานะวิศวกรข้อมูลคือการเรียกใช้งานการแยก การแปลง และโหลด (ETL) ในข้อมูลการขายในอดีตจาก SAP ECC ไปยังบัคเก็ต S3 ซึ่งนักวิเคราะห์ธุรกิจใช้เป็นชุดข้อมูลต้นทางสำหรับแบบจำลองการคาดการณ์ของพวกเขา สำหรับสิ่งนี้ เราใช้ Amazon AppFlow เพราะมีฟีเจอร์ที่พร้อมใช้งานทันที ตัวเชื่อมต่อ SAP OData สำหรับ ETL (ดังแสดงในแผนภาพต่อไปนี้) ด้วย UI แบบง่ายในการตั้งค่าทุกอย่างที่จำเป็นในการกำหนดค่าการเชื่อมต่อจาก SAP ECC ไปยังบัคเก็ต S3
เบื้องต้น
ต่อไปนี้คือข้อกำหนดในการผสานรวม Amazon AppFlow กับ SAP:
- SAP NetWeaver Stack เวอร์ชัน 7.40 SP02 ขึ้นไป
- เปิดใช้งานบริการแค็ตตาล็อก (OData v2.0/v2.0) ใน SAP Gateway สำหรับการค้นพบบริการ
- รองรับการแบ่งหน้าฝั่งไคลเอ็นต์และตัวเลือกการสืบค้นสำหรับ SAP OData Service
- HTTPS เปิดใช้งานการเชื่อมต่อกับ SAP
การยืนยันตัวตน
Amazon AppFlow รองรับกลไกการตรวจสอบสิทธิ์สองแบบเพื่อเชื่อมต่อกับ SAP:
- ขั้นพื้นฐาน – รับรองความถูกต้องโดยใช้ชื่อผู้ใช้และรหัสผ่าน SAP OData
- OAuth2.0 – ใช้การกำหนดค่า OAuth 2.0 กับผู้ให้บริการข้อมูลประจำตัว ต้องเปิดใช้งาน OAuth 2.0 สำหรับบริการ OData v2.0/v2.0
การเชื่อมต่อ
Amazon AppFlow สามารถเชื่อมต่อกับ SAP ECC โดยใช้อินเทอร์เฟซ SAP OData สาธารณะหรือการเชื่อมต่อส่วนตัว การเชื่อมต่อส่วนตัวช่วยปรับปรุงความเป็นส่วนตัวและความปลอดภัยของข้อมูลโดยการถ่ายโอนข้อมูลผ่านเครือข่าย AWS ส่วนตัวแทนอินเทอร์เน็ตสาธารณะ การเชื่อมต่อส่วนตัวใช้บริการจุดสิ้นสุด VPC สำหรับอินสแตนซ์ SAP OData ที่ทำงานใน VPC บริการตำแหน่งข้อมูล VPC ต้องมีหลักบริการ Amazon AppFlow appflow.amazonaws.com
เป็นเงินต้นที่อนุญาตและต้องมีอย่างน้อยมากกว่า 50% ของ Availability Zone ในภูมิภาค AWS
ตั้งค่าโฟลว์ใน Amazon AppFlow
เรากำหนดค่าโฟลว์ใหม่ใน Amazon AppFlow เพื่อเรียกใช้งาน ETL จากข้อมูลจาก SAP ไปยังบัคเก็ต S3 โฟลว์นี้อนุญาตให้กำหนดค่าของ SAP OData Connector เป็นแหล่งที่มา, บัคเก็ต S3 เป็นปลายทาง, การเลือกอ็อบเจ็กต์ OData, การแมปข้อมูล, การตรวจสอบความถูกต้องของข้อมูล และการกรองข้อมูล
- กำหนดค่า SAP OData Connector เป็นแหล่งข้อมูลโดยระบุข้อมูลต่อไปนี้:
- หลังจากที่คุณตั้งค่าคอนฟิกแหล่งที่มา เลือกออบเจ็กต์ OData และออบเจ็กต์ย่อยสำหรับใบสั่งขาย
โดยทั่วไป ข้อมูลการขายจาก SAP จะถูกส่งออกที่ความถี่ที่แน่นอน เช่น รายเดือนหรือรายไตรมาสสำหรับขนาดเต็ม สำหรับโพสต์นี้ ให้เลือกตัวเลือกวัตถุย่อยสำหรับการส่งออกขนาดเต็ม
- เลือกบัคเก็ต S3 เป็นปลายทาง
โฟลว์ส่งออกข้อมูลไปยังที่เก็บข้อมูลนี้
- สำหรับ การตั้งค่ารูปแบบข้อมูลให้เลือก รูปแบบ CSV.
- สำหรับ การตั้งค่าการถ่ายโอนข้อมูลให้เลือก รวมระเบียนทั้งหมด.
- สำหรับ การตั้งค่าชื่อไฟล์ให้เลือก เพิ่มการประทับเวลาให้กับชื่อไฟล์.
- สำหรับ การกำหนดลักษณะโครงสร้างโฟลเดอร์ให้เลือก ไม่มีโฟลเดอร์ประทับเวลา.
การกำหนดค่าการรวมเรกคอร์ดจะส่งออกข้อมูลการขายขนาดเต็มจาก SAP ที่รวมกันเป็นไฟล์เดียว ชื่อไฟล์ลงท้ายด้วยการประทับเวลาในรูปแบบ YYYY-MM-DDTHH:mm:ss ในโฟลเดอร์เดียว (ชื่อโฟลว์) ภายในบัคเก็ต S3 Canvas นำเข้าข้อมูลจากไฟล์เดียวนี้สำหรับการฝึกแบบจำลองและการคาดการณ์
- กำหนดค่าการแมปข้อมูลและการตรวจสอบความถูกต้องเพื่อจับคู่ฟิลด์ข้อมูลต้นทางกับฟิลด์ข้อมูลปลายทาง และเปิดใช้งานกฎการตรวจสอบข้อมูลตามความจำเป็น
- คุณยังตั้งค่าคอนฟิกเงื่อนไขการกรองข้อมูลเพื่อกรองเรกคอร์ดเฉพาะหากความต้องการของคุณต้องการ
- กำหนดค่าทริกเกอร์โฟลว์ของคุณเพื่อตัดสินใจว่าโฟลว์รันด้วยตนเองตามความต้องการหรือโดยอัตโนมัติตามกำหนดการ
เมื่อกำหนดค่าสำหรับกำหนดการ ความถี่จะขึ้นอยู่กับความถี่ที่จำเป็นต้องสร้างการคาดการณ์ (โดยทั่วไปจะเป็นรายเดือน รายไตรมาส หรือครึ่งปี)
หลังจากกำหนดค่าโฟลว์แล้ว นักวิเคราะห์ธุรกิจสามารถเรียกใช้ตามต้องการหรือตามกำหนดการเพื่อดำเนินงาน ETL กับข้อมูลใบสั่งขายจาก SAP ไปยังบัคเก็ต S3 - นอกจากการกำหนดค่า Amazon AppFlow แล้ว วิศวกรข้อมูลยังต้องกำหนดค่าและ AWS Identity และการจัดการการเข้าถึง บทบาท (IAM) สำหรับ Canvas เพื่อให้สามารถเข้าถึงบริการอื่นๆ ของ AWS สำหรับคำแนะนำ โปรดดูที่ ให้สิทธิ์ผู้ใช้ของคุณในการคาดการณ์อนุกรมเวลา.
นักวิเคราะห์ธุรกิจ: ใช้ข้อมูลการขายในอดีตเพื่อฝึกแบบจำลองการคาดการณ์
มาเปลี่ยนเกียร์และย้ายไปที่ฝั่งนักวิเคราะห์ธุรกิจกัน ในฐานะนักวิเคราะห์ธุรกิจ เรากำลังมองหาบริการแบบชี้และคลิกที่ทำให้ง่ายต่อการสร้างโมเดล ML และสร้างการคาดคะเนที่แม่นยำโดยไม่ต้องเขียนโค้ดแม้แต่บรรทัดเดียวหรือมีความเชี่ยวชาญด้าน ML Canvas เหมาะกับความต้องการในฐานะโซลูชัน ML แบบไม่มีโค้ด
อันดับแรก ตรวจสอบให้แน่ใจว่าบทบาท IAM ของคุณได้รับการกำหนดค่าเพื่อให้ Canvas สามารถเข้าถึงบริการอื่นๆ ของ AWS ได้ สำหรับข้อมูลเพิ่มเติม โปรดดูที่ ให้สิทธิ์ผู้ใช้ของคุณในการคาดการณ์อนุกรมเวลาหรือคุณสามารถขอความช่วยเหลือจากทีม Cloud Engineering ของคุณ
เมื่อวิศวกรข้อมูลตั้งค่าการกำหนดค่า ETL แบบอิง Amazon AppFlow เสร็จแล้ว ข้อมูลการขายที่ผ่านมาจะพร้อมใช้งานสำหรับคุณในบัคเก็ต S3
ตอนนี้คุณพร้อมที่จะฝึกโมเดลด้วย Canvas แล้ว! โดยทั่วไปแล้วจะมีสี่ขั้นตอน ได้แก่ การนำเข้าข้อมูลเข้าสู่บริการ การกำหนดค่าการฝึกแบบจำลองโดยการเลือกประเภทแบบจำลองที่เหมาะสม การฝึกแบบจำลอง และสุดท้าย การสร้างการคาดการณ์โดยใช้แบบจำลอง
นำเข้าข้อมูลใน Canvas
ขั้นแรก ให้เปิดแอพ Canvas จาก อเมซอน SageMaker คอนโซลหรือจากการเข้าถึงการลงชื่อเพียงครั้งเดียวของคุณ หากคุณไม่ทราบวิธีดำเนินการดังกล่าว โปรดติดต่อผู้ดูแลระบบเพื่อขอคำแนะนำตลอดขั้นตอนการตั้งค่า Canvas ตรวจสอบให้แน่ใจว่าคุณเข้าถึงบริการในภูมิภาคเดียวกับบัคเก็ต S3 ที่มีชุดข้อมูลประวัติจาก SAP คุณควรเห็นหน้าจอดังต่อไปนี้
จากนั้นทำตามขั้นตอนต่อไปนี้:
- ใน Canvas เลือก ชุดข้อมูล ในบานหน้าต่างนำทาง
- Choose นำเข้า เพื่อเริ่มนำเข้าข้อมูลจากบัคเก็ต S3
- บนหน้าจอนำเข้า เลือกไฟล์ข้อมูลหรือวัตถุจากบัคเก็ต S3 เพื่อนำเข้าข้อมูลการฝึก
คุณสามารถนำเข้าชุดข้อมูลหลายชุดใน Canvas นอกจากนี้ยังรองรับการสร้างการรวมระหว่างชุดข้อมูลด้วยการเลือก เข้าร่วม dataซึ่งมีประโยชน์อย่างยิ่งเมื่อข้อมูลการฝึกกระจายไปหลายไฟล์
กำหนดค่าและฝึกโมเดล
หลังจากที่คุณนำเข้าข้อมูลแล้ว ให้ทำตามขั้นตอนต่อไปนี้:
- Choose Models ในบานหน้าต่างนำทาง
- Choose รุ่นใหม่ เพื่อเริ่มการตั้งค่าคอนฟิกสำหรับการฝึกโมเดลการคาดการณ์
- สำหรับรุ่นใหม่ ให้ตั้งชื่อที่เหมาะสม เช่น
product_sales_forecast_model
. - เลือกชุดข้อมูลการขายแล้วเลือก เลือกชุดข้อมูล.
หลังจากเลือกชุดข้อมูลแล้ว คุณสามารถดูสถิติข้อมูลและกำหนดค่าการฝึกแบบจำลองบนแท็บสร้างได้
- เลือก ยอดขายทั้งหมด เป็นคอลัมน์เป้าหมายสำหรับการทำนาย
ท่านสามารถเข้าดู พยากรณ์อนุกรมเวลา จะถูกเลือกโดยอัตโนมัติเป็นประเภทรุ่น - Choose กำหนดค่า.
- ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร การกำหนดค่าการคาดการณ์อนุกรมเวลา ส่วนเลือก Productid for คอลัมน์ ID รายการ.
- Choose เมือง for คอลัมน์กลุ่ม.
- Choose วันที่ขาย for คอลัมน์ประทับเวลา.
- สำหรับ วันป้อน
120
. - Choose ลด.
สิ่งนี้กำหนดค่าแบบจำลองเพื่อทำการคาดการณ์สำหรับtotalsales
เป็นเวลา 120 วันโดยใช้saledate
อิงจากข้อมูลในอดีตซึ่งสามารถสืบค้นได้productid
และcity
.
- เมื่อการกำหนดค่าการฝึกแบบจำลองเสร็จสมบูรณ์ ให้เลือก บิลด์มาตรฐาน เพื่อเริ่มการฝึกโมเดล
พื้นที่ ดูตัวอย่างรุ่น ไม่มีตัวเลือกสำหรับประเภทแบบจำลองการคาดการณ์อนุกรมเวลา คุณสามารถตรวจสอบเวลาโดยประมาณสำหรับการฝึกแบบจำลองได้ที่ วิเคราะห์ แถบ
การฝึกโมเดลอาจใช้เวลา 1-4 ชั่วโมง ขึ้นอยู่กับขนาดข้อมูล เมื่อแบบจำลองพร้อมแล้ว คุณสามารถใช้แบบจำลองนั้นเพื่อสร้างการคาดการณ์ได้
สร้างการคาดการณ์
เมื่อการฝึกแบบจำลองเสร็จสิ้น จะแสดงความแม่นยำในการทำนายของแบบจำลองบน วิเคราะห์ แท็บ ตัวอย่างเช่น ในตัวอย่างนี้ แสดงความแม่นยำในการทำนายเป็น 92.87%
การคาดการณ์ถูกสร้างขึ้นบน ทำนาย แท็บ คุณสามารถสร้างการคาดการณ์สำหรับรายการทั้งหมดหรือรายการเดียวที่เลือก นอกจากนี้ยังแสดงช่วงวันที่ที่สามารถสร้างการคาดการณ์ได้
ตัวอย่างเช่น เลือก รายการเดียว ตัวเลือก เลือก P-2 for ชิ้น และ กีโต for บัญชีกลุ่ม เพื่อสร้างการคาดการณ์สำหรับผลิตภัณฑ์ P-2 สำหรับเมือง Quito สำหรับช่วงวันที่ 2017-08-15 00:00:00 จนถึง 2017-12-13 00:00:00 น.
การคาดการณ์ที่สร้างขึ้นจะแสดงการคาดการณ์โดยเฉลี่ยตลอดจนขอบเขตบนและล่างของการคาดการณ์ ขอบเขตการคาดการณ์ช่วยกำหนดค่าแนวทางเชิงรุกหรือสมดุลสำหรับการจัดการการคาดการณ์
คุณยังสามารถดาวน์โหลดการคาดการณ์ที่สร้างขึ้นเป็นไฟล์ CSV หรือรูปภาพ โดยทั่วไปแล้ว ไฟล์ CSV การคาดการณ์ที่สร้างขึ้นใช้เพื่อทำงานแบบออฟไลน์กับข้อมูลการคาดการณ์
ขณะนี้มีการสร้างการคาดการณ์สำหรับข้อมูลอนุกรมเวลา เมื่อมีข้อมูลพื้นฐานใหม่สำหรับการคาดการณ์ คุณสามารถเปลี่ยนชุดข้อมูลใน Canvas เพื่อฝึกแบบจำลองการคาดการณ์ใหม่โดยใช้ข้อมูลพื้นฐานใหม่
คุณสามารถฝึกแบบจำลองได้หลายครั้งเมื่อมีการเปลี่ยนแปลงข้อมูลการฝึก
สรุป
ในโพสต์นี้ คุณได้เรียนรู้วิธีที่ Amazon AppFlow SAP OData Connector ส่งออกข้อมูลใบสั่งขายจากระบบ SAP ไปยังบัคเก็ต S3 และวิธีใช้ Canvas เพื่อสร้างแบบจำลองสำหรับการคาดการณ์
คุณสามารถใช้ Canvas สำหรับสถานการณ์ข้อมูลอนุกรมเวลาของ SAP เช่น การคาดการณ์ค่าใช้จ่ายหรือรายได้ กระบวนการสร้างการคาดการณ์ทั้งหมดขับเคลื่อนด้วยการตั้งค่าคอนฟิก ผู้จัดการฝ่ายขายและตัวแทนสามารถสร้างการคาดการณ์การขายซ้ำๆ ต่อเดือนหรือต่อไตรมาสด้วยชุดข้อมูลที่รีเฟรชอย่างรวดเร็ว ตรงไปตรงมา และใช้งานง่ายโดยไม่ต้องเขียนโค้ดแม้แต่บรรทัดเดียว ซึ่งช่วยปรับปรุงประสิทธิภาพการทำงานและช่วยให้สามารถวางแผนและตัดสินใจได้อย่างรวดเร็ว
ในการเริ่มต้นใช้งาน เรียนรู้เพิ่มเติมเกี่ยวกับ Canvas และ Amazon AppFlow โดยใช้แหล่งข้อมูลต่อไปนี้:
- คู่มือนักพัฒนา Amazon SageMaker Canvas
- ประกาศเปิดตัว Amazon SageMaker Canvas – ภาพที่ไม่มีความสามารถในการเรียนรู้ด้วยเครื่องโค้ดสำหรับนักวิเคราะห์ธุรกิจ
- ดึงข้อมูลจาก SAP ERP และ BW ด้วย Amazon AppFlow
- การกำหนดค่าตัวเชื่อมต่อ SAP OData
เกี่ยวกับผู้เขียน
บราเจนดรา ซิงห์ เป็นสถาปนิกโซลูชันใน Amazon Web Services ที่ทำงานร่วมกับลูกค้าระดับองค์กร เขามีพื้นฐานด้านนักพัฒนาซอฟต์แวร์ที่แข็งแกร่งและเป็นคนที่กระตือรือร้นในด้านข้อมูลและโซลูชันการเรียนรู้ของเครื่อง
ดาวิเด้ กัลลิเตลลี่ เป็น Specialist Solutions Architect สำหรับ AI/ML ในภูมิภาค EMEA เขาอยู่ในบรัสเซลส์และทำงานอย่างใกล้ชิดกับลูกค้าทั่วเบเนลักซ์ เขาเป็นนักพัฒนาตั้งแต่ยังเด็ก เริ่มเขียนโค้ดเมื่ออายุ 7 ขวบ เขาเริ่มเรียน AI/ML ที่มหาวิทยาลัย และตกหลุมรักมันตั้งแต่นั้นเป็นต้นมา
- คอยน์สมาร์ท การแลกเปลี่ยน Bitcoin และ Crypto ที่ดีที่สุดในยุโรป
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าฟรี
- คริปโตฮอว์ก เรดาร์ Altcoin ทดลองฟรี.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/extract-insights-from-sap-erp-with-no-code-ml-solutions-with-amazon-appflow-and-amazon-sagemaker- ผ้าใบ/
- '
- "
- 000
- 100
- 7
- a
- เกี่ยวกับเรา
- เร่งความเร็ว
- เข้า
- ถูกต้อง
- บรรลุ
- ข้าม
- กิจกรรม
- นอกจากนี้
- มีผลต่อ
- ทั้งหมด
- ช่วยให้
- เสมอ
- อเมซอน
- Amazon Web Services
- นักวิเคราะห์
- การวิเคราะห์
- app
- เข้าใกล้
- เหมาะสม
- รอบ
- ตรวจสอบสิทธิ์
- การยืนยันตัวตน
- อัตโนมัติ
- ความพร้อมใช้งาน
- ใช้ได้
- เฉลี่ย
- AWS
- พื้นหลัง
- baseline
- เพราะ
- ระหว่าง
- ชายแดน
- นำมาซึ่ง
- บรัสเซลส์
- สร้าง
- ธุรกิจ
- ผ้าใบ
- ส่วนกลาง
- บาง
- เปลี่ยนแปลง
- Choose
- เมือง
- เมฆ
- รหัส
- การทำงานร่วมกัน
- คอลัมน์
- รวม
- ร่วมกัน
- สมบูรณ์
- ส่วนประกอบ
- เงื่อนไข
- องค์ประกอบ
- เชื่อมต่อ
- การเชื่อมต่อ
- ปลอบใจ
- ผู้บริโภค
- ติดต่อเรา
- สร้าง
- ที่สร้างขึ้น
- การสร้าง
- ลูกค้า
- ประจำวัน
- ข้อมูล
- ความเป็นส่วนตัวของข้อมูล
- ความเป็นส่วนตัวและความปลอดภัยของข้อมูล
- วิทยาศาสตร์ข้อมูล
- การตัดสินใจ
- การจัดส่ง
- ความต้องการ
- ความต้องการ
- ทั้งนี้ขึ้นอยู่กับ
- ปลายทาง
- ผู้พัฒนา
- โดยตรง
- การกระจาย
- โดเมน
- ลง
- ดาวน์โหลด
- ขับเคลื่อน
- อย่างง่ายดาย
- ประสิทธิผล
- ให้อำนาจ
- ทำให้สามารถ
- ช่วยให้
- ปลายทาง
- สิ้นสุด
- วิศวกร
- ชั้นเยี่ยม
- วิศวกร
- เข้าสู่
- Enterprise
- ประมาณ
- ทุกอย่าง
- ตัวอย่าง
- ความชำนาญ
- FAST
- สาขา
- กรอง
- ในที่สุด
- ชื่อจริง
- ไหล
- ดังต่อไปนี้
- ดังต่อไปนี้
- รูป
- ราคาเริ่มต้นที่
- เต็ม
- อนาคต
- เกตเวย์
- โดยทั่วไป
- สร้าง
- การสร้าง
- รุ่น
- เครื่องกำเนิดไฟฟ้า
- สินค้า
- บัญชีกลุ่ม
- ให้คำแนะนำ
- การจัดการ
- มี
- ความสูง
- ช่วย
- จะช่วยให้
- ทางประวัติศาสตร์
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- อย่างไรก็ตาม
- HTTPS
- เอกลักษณ์
- ภาพ
- ส่งผลกระทบ
- การนำเข้า
- ปรับปรุง
- อุตสาหกรรม
- ข้อมูล
- แจ้ง
- ข้อมูลเชิงลึก
- ตัวอย่าง
- รวบรวม
- อินเตอร์เฟซ
- อินเทอร์เน็ต
- ใช้งานง่าย
- IT
- การสัมภาษณ์
- ร่วม
- ร่วม
- คีย์
- ทราบ
- ความรู้
- ฉลาก
- เปิดตัว
- เรียนรู้
- ได้เรียนรู้
- การเรียนรู้
- ระดับ
- Line
- LINK
- โหลด
- โลจิสติก
- ที่ต้องการหา
- ความรัก
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- ทำให้
- จัดการ
- ผู้จัดการ
- ด้วยมือ
- การผลิต
- แผนที่
- การทำแผนที่
- วัสดุ
- อาจ
- ML
- แบบ
- โมเดล
- เดือน
- รายเดือน
- ข้อมูลเพิ่มเติม
- ย้าย
- หลาย
- การเดินเรือ
- ความต้องการ
- เครือข่าย
- ออฟไลน์
- การดำเนินการ
- ตัวเลือกเสริม (Option)
- Options
- ใบสั่ง
- คำสั่งซื้อ
- องค์กร
- Organized
- อื่นๆ
- ตัวอย่าง
- ในสิ่งที่สนใจ
- โดยเฉพาะ
- รหัสผ่าน
- การวางแผน
- คำทำนาย
- การคาดการณ์
- ดูตัวอย่าง
- ประถม
- หลัก
- ความเป็นส่วนตัว
- ความเป็นส่วนตัวและความปลอดภัย
- ส่วนตัว
- กระบวนการ
- กระบวนการ
- ผลิตภัณฑ์
- การผลิต
- ผลผลิต
- การเขียนโปรแกรม
- ผู้จัดหา
- ให้
- การให้
- สาธารณะ
- ประกาศ
- วัตถุประสงค์
- หนึ่งในสี่
- รวดเร็ว
- พิสัย
- ดิบ
- ระเบียน
- บันทึก
- ภูมิภาค
- ตัวแทน
- จำเป็นต้องใช้
- ความต้องการ
- แหล่งข้อมูล
- ความรับผิดชอบ
- รับผิดชอบ
- ค้าปลีก
- รายได้
- ทบทวน
- บทบาท
- กฎระเบียบ
- วิ่ง
- วิ่ง
- การขาย
- ขาย
- เดียวกัน
- สนามเพลาะ
- วิทยาศาสตร์
- คะแนน
- จอภาพ
- ความปลอดภัย
- เลือก
- การเลือก
- ชุด
- บริการ
- บริการ
- ชุด
- การตั้งค่า
- แสดง
- ง่าย
- ตั้งแต่
- เดียว
- ขนาด
- ทักษะ
- So
- ของแข็ง
- ทางออก
- โซลูชัน
- ผู้เชี่ยวชาญ
- โดยเฉพาะ
- กระจาย
- กอง
- เริ่มต้น
- ข้อความที่เริ่ม
- สถิติ
- การเก็บรักษา
- ร้านค้า
- แข็งแรง
- สนับสนุน
- รองรับ
- สวิตซ์
- ระบบ
- ระบบ
- เป้า
- งาน
- ทีม
- การทดสอบ
- พื้นที่
- ที่มา
- ตลอด
- ตลอด
- เวลา
- ครั้ง
- เครื่องมือ
- การฝึกอบรม
- การทำธุกรรม
- โอน
- การถ่ายโอน
- แปลง
- แนวโน้ม
- เป็นปกติ
- ui
- ความเข้าใจ
- มหาวิทยาลัย
- us
- ใช้
- ผู้ใช้
- การตรวจสอบ
- รุ่น
- รายละเอียด
- วิธี
- เว็บ
- บริการเว็บ
- กำหนดไว้อย่างดี
- ว่า
- ภายใน
- ไม่มี
- งาน
- การทำงาน
- โรงงาน
- การเขียน
- หนุ่มสาว
- ของคุณ