โพสต์นี้ร่วมเขียนโดย Hesham Fahim จาก Thomson Reuters
ทอมสัน รอยเตอร์ (TR) เป็นหนึ่งในองค์กรข้อมูลที่เชื่อถือได้มากที่สุดในโลกสำหรับธุรกิจและมืออาชีพ มอบข้อมูลอัจฉริยะ เทคโนโลยี และความเชี่ยวชาญของมนุษย์แก่บริษัทต่างๆ ที่พวกเขาต้องการเพื่อค้นหาคำตอบที่เชื่อถือได้ ทำให้พวกเขาตัดสินใจได้ดีขึ้นอย่างรวดเร็วยิ่งขึ้น ลูกค้าของ TR ครอบคลุมตลาดการเงิน ความเสี่ยง กฎหมาย ภาษี การบัญชี และสื่อ
Thomson Reuters นำเสนอผลิตภัณฑ์ชั้นนำของตลาดในแคมเปญภาษี กฎหมาย และข่าวสาร ซึ่งผู้ใช้สามารถลงทะเบียนเพื่อใช้รูปแบบสิทธิการใช้งานแบบสมัครสมาชิก เพื่อปรับปรุงประสบการณ์นี้ให้กับลูกค้าของพวกเขา TR ต้องการสร้างแพลตฟอร์มคำแนะนำแบบรวมศูนย์ที่ช่วยให้ทีมขายของพวกเขาสามารถแนะนำแพ็คเกจการสมัครสมาชิกที่เกี่ยวข้องมากที่สุดให้กับลูกค้าของพวกเขา สร้างคำแนะนำที่ช่วยเพิ่มการรับรู้ถึงผลิตภัณฑ์ที่สามารถช่วยให้ลูกค้าของพวกเขาให้บริการในตลาดได้ดีขึ้นผ่าน การเลือกผลิตภัณฑ์ที่เหมาะ
ก่อนที่จะสร้างแพลตฟอร์มแบบรวมศูนย์นี้ TR มีเครื่องมือตามกฎเดิมเพื่อสร้างคำแนะนำในการต่ออายุ กฎในกลไกนี้ได้รับการกำหนดไว้ล่วงหน้าและเขียนด้วย SQL ซึ่งนอกจากจะสร้างความท้าทายในการจัดการแล้ว ยังประสบปัญหาในการรับมือกับการเพิ่มจำนวนของข้อมูลจากแหล่งข้อมูลแบบบูรณาการต่างๆ ของ TR ข้อมูลลูกค้าของ TR มีการเปลี่ยนแปลงในอัตราที่เร็วกว่ากฎทางธุรกิจที่สามารถพัฒนาได้เพื่อสะท้อนถึงความต้องการของลูกค้าที่เปลี่ยนแปลงไป ข้อกำหนดหลักสำหรับเครื่องมือปรับแต่งส่วนบุคคลที่ใช้การเรียนรู้ของเครื่อง (ML) แบบใหม่ของ TR นั้นมีศูนย์กลางอยู่ที่ระบบคำแนะนำที่ถูกต้องซึ่งคำนึงถึงแนวโน้มล่าสุดของลูกค้า โซลูชันที่ต้องการจะเป็นโซลูชันที่มีค่าใช้จ่ายในการดำเนินงานต่ำ ความสามารถในการเร่งการบรรลุเป้าหมายทางธุรกิจ และเครื่องมือปรับแต่งส่วนบุคคลที่สามารถฝึกฝนอย่างต่อเนื่องด้วยข้อมูลล่าสุดเพื่อจัดการกับพฤติกรรมผู้บริโภคที่เปลี่ยนไปและผลิตภัณฑ์ใหม่ ๆ
การปรับคำแนะนำในการต่ออายุให้เป็นส่วนตัวโดยพิจารณาจากผลิตภัณฑ์ที่มีค่าสำหรับลูกค้าของ TR เป็นความท้าทายทางธุรกิจที่สำคัญสำหรับทีมขายและการตลาด TR มีข้อมูลมากมายที่สามารถใช้สำหรับการปรับเปลี่ยนในแบบของคุณ ซึ่งรวบรวมจากการโต้ตอบกับลูกค้าและจัดเก็บไว้ในคลังข้อมูลส่วนกลาง TR เป็นผู้ใช้ ML รุ่นแรกด้วย อเมซอน SageMakerและการครบกำหนดในโดเมน AI/ML หมายความว่าพวกเขาได้รวบรวมชุดข้อมูลที่สำคัญของข้อมูลที่เกี่ยวข้องภายในคลังข้อมูล ซึ่งทีมสามารถฝึกโมเดลการปรับให้เป็นส่วนตัวได้ TR ได้พัฒนานวัตกรรม AI/ML อย่างต่อเนื่องและเพิ่งพัฒนาแพลตฟอร์มคำแนะนำที่ปรับปรุงใหม่โดยใช้ ปรับแต่ง Amazonซึ่งเป็นบริการ ML ที่มีการจัดการเต็มรูปแบบซึ่งใช้การโต้ตอบกับผู้ใช้และรายการเพื่อสร้างคำแนะนำสำหรับผู้ใช้ ในโพสต์นี้ เราจะอธิบายวิธีที่ TR ใช้ Amazon Personalize เพื่อสร้างระบบผู้แนะนำแบบหลายผู้เช่าที่ปรับขนาดได้ ซึ่งให้แผนการสมัครสมาชิกผลิตภัณฑ์ที่ดีที่สุดและราคาที่เกี่ยวข้องแก่ลูกค้า
สถาปัตยกรรมโซลูชัน
โซลูชันต้องได้รับการออกแบบโดยคำนึงถึงการดำเนินงานหลักของ TR ในการทำความเข้าใจผู้ใช้ผ่านข้อมูล การให้เนื้อหาที่เป็นส่วนตัวและมีความเกี่ยวข้องแก่ผู้ใช้เหล่านี้จากคลังข้อมูลขนาดใหญ่เป็นข้อกำหนดที่สำคัญต่อภารกิจ การมีระบบคำแนะนำที่ออกแบบมาอย่างดีเป็นกุญแจสำคัญในการรับคำแนะนำที่มีคุณภาพซึ่งปรับแต่งตามความต้องการของผู้ใช้แต่ละคน
โซลูชันจำเป็นต้องรวบรวมและเตรียมข้อมูลพฤติกรรมผู้ใช้ ฝึกอบรมแบบจำลอง ML โดยใช้ Amazon Personalize สร้างคำแนะนำส่วนบุคคลผ่านแบบจำลองที่ผ่านการฝึกอบรม และกระตุ้นแคมเปญการตลาดด้วยคำแนะนำส่วนบุคคล
TR ต้องการใช้ประโยชน์จากบริการที่มีการจัดการของ AWS หากเป็นไปได้เพื่อลดความซับซ้อนของการดำเนินงานและลดการยกของหนักที่ไม่แตกต่าง ทีอาร์ที่ใช้ AWS กาว DataBrew และ ชุด AWS งานเพื่อดำเนินการแยก แปลง และโหลดงาน (ETL) ในไปป์ไลน์ ML และ SageMaker ร่วมกับ Amazon Personalize เพื่อปรับแต่งคำแนะนำ จากมุมมองของปริมาณข้อมูลการฝึกอบรมและรันไทม์ โซลูชันจำเป็นต้องปรับขนาดได้เพื่อประมวลผลบันทึกนับล้านภายในกรอบเวลาที่กำหนดให้ผู้บริโภคปลายน้ำในทีมธุรกิจของ TR อยู่แล้ว
ส่วนต่อไปนี้จะอธิบายส่วนประกอบที่เกี่ยวข้องในโซลูชัน
ไปป์ไลน์การฝึกอบรม ML
ปฏิสัมพันธ์ระหว่างผู้ใช้และเนื้อหาถูกรวบรวมในรูปแบบของข้อมูลการคลิก ซึ่งสร้างขึ้นเมื่อลูกค้าคลิกที่เนื้อหา TR วิเคราะห์ว่านี่เป็นส่วนหนึ่งของแผนการสมัครสมาชิกหรือนอกเหนือแผนการสมัครสมาชิกของพวกเขา เพื่อให้พวกเขาสามารถให้รายละเอียดเพิ่มเติมเกี่ยวกับตัวเลือกการลงทะเบียนราคาและแผน ข้อมูลการโต้ตอบของผู้ใช้จากแหล่งต่างๆ จะคงอยู่ในคลังข้อมูลของพวกเขา
ไดอะแกรมต่อไปนี้แสดงไปป์ไลน์การฝึกอบรม ML
ไปป์ไลน์เริ่มต้นด้วยงาน AWS Batch ที่ดึงข้อมูลจากคลังข้อมูลและแปลงข้อมูลเพื่อสร้างชุดข้อมูลการโต้ตอบ ผู้ใช้ และรายการ
ชุดข้อมูลต่อไปนี้ใช้เพื่อฝึกโมเดล:
- ข้อมูลผลิตภัณฑ์ที่มีโครงสร้าง – การสมัครสมาชิก คำสั่งซื้อ แคตตาล็อกสินค้า ธุรกรรม และรายละเอียดลูกค้า
- ข้อมูลพฤติกรรมกึ่งโครงสร้าง – ผู้ใช้ การใช้งาน และการโต้ตอบ
ข้อมูลที่แปลงแล้วนี้ถูกจัดเก็บไว้ใน บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon บัคเก็ต (Amazon S3) ซึ่งนำเข้าสู่ Amazon Personalize สำหรับการฝึกอบรม ML เนื่องจาก TR ต้องการสร้างคำแนะนำส่วนบุคคลสำหรับผู้ใช้ พวกเขาจึงใช้ USER_PERSONALIZATION สูตรในการฝึกโมเดล ML สำหรับข้อมูลที่กำหนดเอง ซึ่งเรียกว่าการสร้างเวอร์ชันโซลูชัน หลังจากสร้างเวอร์ชันโซลูชันแล้ว จะใช้เพื่อสร้างคำแนะนำส่วนบุคคลสำหรับผู้ใช้
เวิร์กโฟลว์ทั้งหมดจัดทำขึ้นโดยใช้ ฟังก์ชันขั้นตอนของ AWS. การแจ้งเตือนและการแจ้งเตือนจะถูกบันทึกและเผยแพร่ไปยัง Microsoft Teams โดยใช้ บริการแจ้งเตือนแบบง่ายของ Amazon (Amazon SNS) และ อเมซอน EventBridge.
การสร้างไปป์ไลน์คำแนะนำส่วนบุคคล: การอนุมานแบบกลุ่ม
ความต้องการและความชอบของลูกค้าเปลี่ยนแปลงบ่อยมาก และการโต้ตอบล่าสุดที่บันทึกไว้ในข้อมูลคลิกสตรีมทำหน้าที่เป็นจุดข้อมูลหลักเพื่อทำความเข้าใจการเปลี่ยนแปลงการตั้งค่าของลูกค้า เพื่อปรับให้เข้ากับความชอบของลูกค้าที่เปลี่ยนแปลงตลอดเวลา TR สร้างคำแนะนำส่วนบุคคลในแต่ละวัน
ไดอะแกรมต่อไปนี้แสดงไปป์ไลน์เพื่อสร้างคำแนะนำส่วนบุคคล
งาน DataBrew จะดึงข้อมูลจากคลังข้อมูล TR สำหรับผู้ใช้ที่มีสิทธิ์ให้คำแนะนำระหว่างการต่ออายุตามแผนการสมัครปัจจุบันและกิจกรรมล่าสุด เครื่องมือเตรียมข้อมูลด้วยภาพของ DataBrew ช่วยให้นักวิเคราะห์ข้อมูล TR และนักวิทยาศาสตร์ข้อมูลสามารถทำความสะอาดและปรับข้อมูลให้เป็นมาตรฐานเพื่อเตรียมข้อมูลสำหรับการวิเคราะห์และ ML ได้อย่างง่ายดาย ความสามารถในการเลือกจากการแปลงที่สร้างไว้ล่วงหน้ากว่า 250 รายการภายในเครื่องมือเตรียมข้อมูลภาพเพื่อให้งานเตรียมข้อมูลเป็นไปโดยอัตโนมัติโดยไม่จำเป็นต้องเขียนโค้ดใดๆ เป็นคุณสมบัติที่สำคัญ งาน DataBrew จะสร้างชุดข้อมูลส่วนเพิ่มสำหรับการโต้ตอบและอินพุตสำหรับงานแนะนำแบทช์ และจัดเก็บเอาต์พุตไว้ในบัคเก็ต S3 ชุดข้อมูลส่วนเพิ่มที่สร้างขึ้นใหม่จะถูกนำเข้าไปยังชุดข้อมูลการโต้ตอบ เมื่องานนำเข้าชุดข้อมูลส่วนเพิ่มสำเร็จ งานแนะนำแบบกลุ่มของ Amazon Personalize จะถูกทริกเกอร์ด้วยข้อมูลอินพุต Amazon Personalize สร้างคำแนะนำล่าสุดสำหรับผู้ใช้ที่ให้ไว้ในข้อมูลอินพุตและจัดเก็บไว้ในบัคเก็ตคำแนะนำ S3
การปรับราคาให้เหมาะสมเป็นขั้นตอนสุดท้ายก่อนที่คำแนะนำที่สร้างขึ้นใหม่จะพร้อมใช้งาน TR ดำเนินงานการเพิ่มประสิทธิภาพต้นทุนตามคำแนะนำที่สร้างขึ้น และใช้ SageMaker เพื่อเรียกใช้โมเดลที่กำหนดเองตามคำแนะนำซึ่งเป็นส่วนหนึ่งของขั้นตอนสุดท้ายนี้ งาน AWS Glue จะดูแลจัดการเอาต์พุตที่สร้างจาก Amazon Personalize และแปลงเป็นรูปแบบอินพุตที่จำเป็นสำหรับโมเดลแบบกำหนดเองของ SageMaker TR สามารถใช้ประโยชน์จากบริการต่างๆ ที่ AWS มอบให้ โดยใช้ทั้ง Amazon Personalize และ SageMaker ในแพลตฟอร์มคำแนะนำเพื่อปรับแต่งคำแนะนำตามประเภทของบริษัทลูกค้าและผู้ใช้ปลายทาง
เวิร์กโฟลว์ทั้งหมดถูกแยกส่วนและจัดการโดยใช้ Step Functions ซึ่งให้ความยืดหยุ่นในการปรับขนาดไปป์ไลน์โดยขึ้นอยู่กับข้อกำหนดในการประมวลผลข้อมูล การแจ้งเตือนและการแจ้งเตือนจะถูกบันทึกโดยใช้ Amazon SNS และ EventBridge
ขับเคลื่อนแคมเปญอีเมล
คำแนะนำที่สร้างขึ้นพร้อมกับผลลัพธ์การกำหนดราคาจะใช้เพื่อผลักดันแคมเปญอีเมลไปยังลูกค้าของ TR งาน AWS Batch ใช้เพื่อจัดการคำแนะนำสำหรับลูกค้าแต่ละรายและเสริมคุณค่าด้วยข้อมูลราคาที่เหมาะสมที่สุด คำแนะนำเหล่านี้จะนำเข้าระบบการรณรงค์ของ TR ซึ่งจะขับเคลื่อนแคมเปญอีเมลต่อไปนี้:
- การต่ออายุการสมัครโดยอัตโนมัติหรืออัปเกรดแคมเปญด้วยผลิตภัณฑ์ใหม่ที่ลูกค้าอาจสนใจ
- แคมเปญการต่ออายุสัญญากลางคันพร้อมข้อเสนอที่ดีกว่าและผลิตภัณฑ์ที่เกี่ยวข้องมากขึ้นและเนื้อหาทางกฎหมาย
ข้อมูลจากกระบวนการนี้จะถูกจำลองไปยังพอร์ทัลลูกค้าด้วย ดังนั้นลูกค้าที่ตรวจสอบการสมัครสมาชิกปัจจุบันสามารถดูคำแนะนำการต่ออายุใหม่ได้ TR ได้เห็นอัตราการแปลงที่สูงขึ้นจากแคมเปญอีเมล ซึ่งนำไปสู่คำสั่งซื้อขายที่เพิ่มขึ้น นับตั้งแต่ใช้แพลตฟอร์มคำแนะนำใหม่
อะไรต่อไป: ไปป์ไลน์คำแนะนำตามเวลาจริง
ความต้องการของลูกค้าและพฤติกรรมการซื้อของเปลี่ยนไปตามเวลาจริง และการปรับคำแนะนำให้เข้ากับการเปลี่ยนแปลงตามเวลาจริงเป็นกุญแจสำคัญในการให้บริการเนื้อหาที่เหมาะสม หลังจากประสบความสำเร็จอย่างมากในการปรับใช้ระบบคำแนะนำแบบกลุ่ม ตอนนี้ TR กำลังวางแผนที่จะยกระดับโซลูชันนี้ไปอีกขั้นโดยการติดตั้งไปป์ไลน์คำแนะนำตามเวลาจริงเพื่อสร้างคำแนะนำโดยใช้ Amazon Personalize
ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมเพื่อให้คำแนะนำตามเวลาจริง
การผสานรวมแบบเรียลไทม์เริ่มต้นด้วยการรวบรวมข้อมูลการมีส่วนร่วมของผู้ใช้แบบสดและสตรีมไปยัง Amazon Personalize ขณะที่ผู้ใช้โต้ตอบกับแอปพลิเคชันของ TR พวกเขาสร้างเหตุการณ์คลิกสตรีมซึ่งเผยแพร่ใน สตรีมข้อมูล Amazon Kinesis. จากนั้นเหตุการณ์จะถูกนำเข้าไปยังแพลตฟอร์มการสตรีมแบบรวมศูนย์ของ TR ซึ่งสร้างขึ้นจาก Amazon จัดการสตรีมมิ่งสำหรับ Kafka (อเมซอน เอ็มเอสเค). Amazon MSK ทำให้ง่ายต่อการนำเข้าและประมวลผลข้อมูลการสตรีมแบบเรียลไทม์ด้วย Apache Kafka ที่มีการจัดการเต็มรูปแบบ ในสถาปัตยกรรมนี้ Amazon MSK ทำหน้าที่เป็นแพลตฟอร์มการสตรีมและดำเนินการแปลงข้อมูลใดๆ ที่จำเป็นในเหตุการณ์การคลิกสตรีมดิบที่เข้ามา จากนั้น AWS แลมบ์ดา เรียกใช้ฟังก์ชันเพื่อกรองเหตุการณ์ไปยังสคีมาที่เข้ากันได้กับชุดข้อมูล Amazon Personalize และส่งเหตุการณ์เหล่านั้นไปยังตัวติดตามเหตุการณ์ Amazon Personalize โดยใช้ putEvent
เอพีไอ ซึ่งช่วยให้ Amazon Personalize เรียนรู้จากพฤติกรรมล่าสุดของผู้ใช้ของคุณ และรวมรายการที่เกี่ยวข้องไว้ในคำแนะนำ
เว็บแอปพลิเคชันของ TR เรียกใช้ API ที่ปรับใช้ใน Amazon API Gateway Amazon เพื่อรับคำแนะนำ ซึ่งจะเรียกใช้ฟังก์ชัน Lambda เพื่อเรียกใช้ GetRecommendations
การเรียก API ด้วย Amazon Personalize Amazon Personalize นำเสนอชุดคำแนะนำส่วนบุคคลล่าสุดที่คัดสรรตามพฤติกรรมของผู้ใช้ ซึ่งส่งกลับไปยังเว็บแอปพลิเคชันผ่าน Lambda และ API Gateway
ด้วยสถาปัตยกรรมแบบเรียลไทม์นี้ TR สามารถให้บริการลูกค้าด้วยคำแนะนำส่วนบุคคลที่คัดสรรตามพฤติกรรมล่าสุดและตอบสนองความต้องการได้ดียิ่งขึ้น
สรุป
ในโพสต์นี้ เราแสดงให้คุณเห็นว่า TR ใช้ Amazon Personalize และบริการอื่นๆ ของ AWS เพื่อใช้เครื่องมือแนะนำอย่างไร Amazon Personalize ช่วยให้ TR เร่งการพัฒนาและปรับใช้โมเดลประสิทธิภาพสูงเพื่อให้คำแนะนำแก่ลูกค้า TR สามารถเริ่มใช้งานชุดผลิตภัณฑ์ใหม่ได้ภายในไม่กี่สัปดาห์นี้ เมื่อเทียบกับหลายเดือนก่อนหน้านี้ ด้วย Amazon Personalize และ SageMaker ทำให้ TR สามารถยกระดับประสบการณ์ของลูกค้าด้วยแผนการสมัครสมาชิกเนื้อหาและราคาที่ดีขึ้นสำหรับลูกค้าของพวกเขา
หากคุณชอบอ่านบล็อกนี้และต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ Amazon Personalize และวิธีที่ Amazon Personalize สามารถช่วยองค์กรของคุณสร้างระบบคำแนะนำ โปรดดู คู่มือนักพัฒนา.
เกี่ยวกับผู้เขียน
เฮแชม Fahim เป็นหัวหน้าวิศวกรด้าน Machine Learning และ Personalization Engine Architect ที่ Thomson Reuters เขาเคยทำงานกับองค์กรต่างๆ ในแวดวงวิชาการและอุตสาหกรรม ตั้งแต่องค์กรขนาดใหญ่ไปจนถึงสตาร์ทอัพขนาดกลาง ด้วยการมุ่งเน้นไปที่สถาปัตยกรรมการเรียนรู้เชิงลึกที่ปรับขนาดได้ เขามีประสบการณ์ด้านหุ่นยนต์เคลื่อนที่ การวิเคราะห์ภาพทางชีวการแพทย์ และระบบผู้แนะนำ ห่างจากคอมพิวเตอร์ เขาชอบถ่ายภาพดาราศาสตร์ อ่านหนังสือ และขี่จักรยานทางไกล
ศรีนิวาสะ ไชค์ เป็น Solutions Architect ที่ AWS ซึ่งตั้งอยู่ในเมืองบอสตัน เขาช่วยลูกค้าระดับองค์กรในการเร่งการเดินทางสู่ระบบคลาวด์ เขาหลงใหลเกี่ยวกับคอนเทนเนอร์และเทคโนโลยีแมชชีนเลิร์นนิง ในเวลาว่าง เขาชอบใช้เวลากับครอบครัว ทำอาหาร และท่องเที่ยว
วัมชี กฤษณะ เอนาโบธาลา เป็น Sr. Applied AI Specialist Architect ที่ AWS เขาทำงานร่วมกับลูกค้าจากภาคส่วนต่างๆ เพื่อเร่งความเร็วของข้อมูลที่มีผลกระทบสูง การวิเคราะห์ และการเรียนรู้ของเครื่อง เขาหลงใหลเกี่ยวกับระบบคำแนะนำ, NLP และด้านคอมพิวเตอร์วิทัศน์ใน AI และ ML นอกเวลางาน Vamshi เป็นผู้ที่ชื่นชอบ RC สร้างอุปกรณ์ RC (เครื่องบิน รถยนต์ และโดรน) และยังชอบทำสวนอีกด้วย
ซิโมน ซูคเชต์ เป็นสถาปนิกโซลูชันอาวุโสที่ AWS ด้วยประสบการณ์กว่า 6 ปีในฐานะสถาปนิกระบบคลาวด์ Simone สนุกกับการทำงานในโครงการนวัตกรรมที่ช่วยเปลี่ยนวิธีที่องค์กรจัดการกับปัญหาทางธุรกิจ เขาช่วยสนับสนุนลูกค้าองค์กรขนาดใหญ่ที่ AWS และเป็นส่วนหนึ่งของ Machine Learning TFC นอกจากชีวิตการทำงานแล้ว เขาชอบทำงานเกี่ยวกับรถยนต์และการถ่ายภาพ
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-delivers-personalized-content-subscription-plans-at-scale-using-amazon-personalize/
- 100
- 7
- a
- ความสามารถ
- สามารถ
- เกี่ยวกับเรา
- สถาบันการศึกษา
- เร่งความเร็ว
- ลงชื่อเข้าใช้
- การบัญชี
- ถูกต้อง
- ข้าม
- อยากทำกิจกรรม
- ปรับ
- เพิ่มเติม
- ความได้เปรียบ
- หลังจาก
- AI
- AI / ML
- ทั้งหมด
- ช่วยให้
- แล้ว
- อเมซอน
- ปรับแต่ง Amazon
- การวิเคราะห์
- นักวิเคราะห์
- การวิเคราะห์
- การวิเคราะห์
- และ
- คำตอบ
- อาปาเช่
- API
- การใช้งาน
- ประยุกต์
- AI ประยุกต์
- เข้าใกล้
- สถาปัตยกรรม
- พื้นที่
- รอบ
- ที่เกี่ยวข้อง
- โดยอัตโนมัติ
- ความตระหนัก
- AWS
- AWS กาว
- กลับ
- ตาม
- รากฐาน
- เพราะ
- ก่อน
- ที่ดีที่สุด
- ดีกว่า
- ระหว่าง
- เกิน
- ชีวการแพทย์
- บล็อก
- บอสตัน
- ความกว้าง
- สร้าง
- การก่อสร้าง
- สร้าง
- ธุรกิจ
- ธุรกิจ
- โทรศัพท์
- รณรงค์
- การรณรงค์
- แคมเปญ
- รถยนต์
- แค็ตตาล็อก
- ศูนย์กลาง
- ส่วนกลาง
- ท้าทาย
- เปลี่ยนแปลง
- การเปลี่ยนแปลง
- เปลี่ยนแปลง
- Choose
- เมฆ
- รหัส
- การเก็บรวบรวม
- มุ่งมั่น
- บริษัท
- เมื่อเทียบกับ
- เข้ากันได้
- ส่วนประกอบ
- คอมพิวเตอร์
- วิสัยทัศน์คอมพิวเตอร์
- คอมพิวเตอร์
- พิจารณา
- ไม่หยุดหย่อน
- ผู้บริโภค
- ผู้บริโภค
- ภาชนะบรรจุ
- เนื้อหา
- อย่างต่อเนื่อง
- การแปลง
- แกน
- ราคา
- ได้
- สร้าง
- ที่สร้างขึ้น
- การสร้าง
- curated
- ภัณฑารักษ์
- ปัจจุบัน
- ประเพณี
- ลูกค้า
- ข้อมูลลูกค้า
- ประสบการณ์ของลูกค้า
- ลูกค้า
- ประจำวัน
- ข้อมูล
- การเตรียมข้อมูล
- การประมวลผล
- ชุดข้อมูล
- จัดการ
- การตัดสินใจ
- ลึก
- การเรียนรู้ลึก ๆ
- การส่งมอบ
- มอบ
- ทั้งนี้ขึ้นอยู่กับ
- นำไปใช้
- ปรับใช้
- การใช้งาน
- ได้รับการออกแบบ
- รายละเอียด
- พัฒนา
- พัฒนาการ
- ต่าง
- ระยะทาง
- โดเมน
- ขับรถ
- การขับขี่
- โดรน
- ในระหว่าง
- แต่ละ
- ก่อน
- ก่อน
- ยกระดับ
- เหมาะสม
- อีเมล
- เปิดการใช้งาน
- การเปิดใช้งาน
- มีส่วนร่วม
- เครื่องยนต์
- วิศวกร
- ประเทือง
- Enterprise
- ผู้ประกอบการ
- คนที่กระตือรือร้น
- ทั้งหมด
- อุปกรณ์
- เหตุการณ์
- เหตุการณ์
- เปลี่ยนแปลงตลอดเวลา
- คาย
- ประสบการณ์
- ความชำนาญ
- อธิบาย
- สารสกัด
- สารสกัดจาก
- ครอบครัว
- เร็วขึ้น
- ลักษณะ
- กรอง
- สุดท้าย
- ทางการเงิน
- หา
- บริษัท
- ความยืดหยุ่น
- โฟกัส
- ดังต่อไปนี้
- ฟอร์ม
- รูป
- ที่เกิดขึ้น
- FRAME
- ราคาเริ่มต้นที่
- อย่างเต็มที่
- ฟังก์ชัน
- ฟังก์ชั่น
- เกตเวย์
- สร้าง
- สร้าง
- สร้าง
- การสร้าง
- ได้รับ
- ได้รับ
- จะช่วยให้
- เป้าหมาย
- ยิ่งใหญ่
- มี
- ช่วย
- จะช่วยให้
- ประสิทธิภาพสูง
- สูงกว่า
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- HTML
- HTTPS
- เป็นมนุษย์
- ภาพ
- การดำเนินการ
- การดำเนินการ
- นำเข้า
- สำคัญ
- in
- ประกอบด้วย
- ขาเข้า
- เพิ่มขึ้น
- อุตสาหกรรม
- ข้อมูล
- ความคิดริเริ่ม
- นักวิเคราะห์ส่วนบุคคลที่หาโอกาสให้เป็นไปได้มากที่สุด
- นวัตกรรม
- อินพุต
- แบบบูรณาการ
- บูรณาการ
- Intelligence
- การมีปฏิสัมพันธ์
- ปฏิสัมพันธ์
- อยากเรียนรู้
- ร่วมมือ
- IT
- รายการ
- การสัมภาษณ์
- งาน
- การเดินทาง
- คีย์
- ใหญ่
- ชื่อสกุล
- ล่าสุด
- นำ
- ชั้นนำ
- เรียนรู้
- การเรียนรู้
- มรดก
- กฎหมาย
- ชั้น
- ลิขสิทธิ์
- ชีวิต
- facelift
- สด
- โหลด
- นาน
- ต่ำ
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- ทำให้
- จัดการ
- การจัดการ
- ตลาด
- เป็นผู้นำตลาด
- การตลาด
- ตลาด
- วุฒิภาวะ
- ภาพบรรยากาศ
- ไมโครซอฟท์
- ทีมไมโครซอฟท์
- อาจ
- ล้าน
- ML
- โทรศัพท์มือถือ
- แบบ
- โมเดล
- เดือน
- ข้อมูลเพิ่มเติม
- มากที่สุด
- จำเป็นต้อง
- ความต้องการ
- ใหม่
- ผลิตภัณฑ์ใหม่
- ข่าว
- ถัดไป
- NLP
- การประกาศ
- การแจ้งเตือน
- เสนอ
- ออนบอร์ด
- ONE
- การดำเนินงาน
- การดำเนินการ
- การเพิ่มประสิทธิภาพ
- การปรับให้เหมาะสม
- Options
- คำสั่งซื้อ
- organizacja
- องค์กร
- อื่นๆ
- ด้านนอก
- แพคเกจ
- ส่วนหนึ่ง
- หลงใหล
- ดำเนินการ
- ดำเนินการ
- ส่วนบุคคล
- ปรับแต่ง
- ส่วนบุคคล
- มุมมอง
- การถ่ายภาพ
- ท่อ
- แผนการ
- การวางแผน
- แผน
- เวที
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- กรุณา
- จุด
- พอร์ทัล
- เป็นไปได้
- โพสต์
- การตั้งค่า
- เตรียมการ
- การเตรียมความพร้อม
- ราคา
- ราคา
- การตั้งราคา
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- การประมวลผล
- ผลิตภัณฑ์
- ผลิตภัณฑ์
- มืออาชีพ
- มืออาชีพ
- โครงการ
- ให้
- ให้
- ให้
- การให้
- การตีพิมพ์
- ผลัก
- คุณภาพ
- อย่างรวดเร็ว
- ยก
- ตั้งแต่
- คะแนน
- ดิบ
- การอ่าน
- พร้อม
- จริง
- เรียลไทม์
- เมื่อเร็ว ๆ นี้
- เมื่อเร็ว ๆ นี้
- สูตร
- แนะนำ
- แนะนำ
- บันทึก
- ลด
- เรียกว่า
- สะท้อน
- ตรงประเด็น
- การจำลองแบบ
- จำเป็นต้องใช้
- ความต้องการ
- ความต้องการ
- ผลสอบ
- รอยเตอร์ส
- การตรวจสอบ
- ความเสี่ยง
- หุ่นยนต์
- กฎระเบียบ
- วิ่ง
- sagemaker
- ขาย
- ที่ปรับขนาดได้
- ขนาด
- ปรับ
- นักวิทยาศาสตร์
- ส่วน
- ภาค
- เห็น
- ระดับอาวุโส
- ให้บริการ
- ให้บริการอาหาร
- บริการ
- บริการ
- การให้บริการ
- ชุด
- ช้อปปิ้ง
- ลงชื่อ
- สำคัญ
- ง่าย
- ลดความซับซ้อน
- ตั้งแต่
- So
- ทางออก
- โซลูชัน
- แหล่ง
- แหล่งที่มา
- ผู้เชี่ยวชาญ
- การใช้จ่าย
- เริ่มต้น
- startups
- ขั้นตอน
- การเก็บรักษา
- เก็บไว้
- ร้านค้า
- ที่พริ้ว
- การสมัครสมาชิก
- การสมัครรับข้อมูล
- ความสำเร็จ
- ที่ประสบความสำเร็จ
- ชุด
- สนับสนุน
- ระบบ
- ระบบ
- ปรับปรุง
- เอา
- ใช้เวลา
- งาน
- ภาษี
- ทีม
- ทีม
- เทคโนโลยี
- เทคโนโลยี
- พื้นที่
- ของพวกเขา
- รอยเตอร์ทอมสัน
- ตลอด
- เวลา
- ไปยัง
- เครื่องมือ
- ด้านบน
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- การทำธุรกรรม
- แปลง
- การแปลง
- เปลี่ยน
- การเดินทาง
- แนวโน้ม
- ทริกเกอร์
- ที่เชื่อถือ
- เข้าใจ
- ความเข้าใจ
- ทันเหตุการณ์
- อัพเกรด
- การใช้
- ใช้
- ผู้ใช้งาน
- ผู้ใช้
- มีคุณค่า
- ต่างๆ
- รุ่น
- ผ่านทาง
- วิสัยทัศน์
- ปริมาณ
- อยาก
- ความมั่งคั่ง
- เว็บ
- เว็บแอปพลิเคชัน
- สัปดาห์ที่ผ่านมา
- อะไร
- ที่
- WHO
- ภายใน
- ไม่มี
- งาน
- ทำงาน
- การทำงาน
- โรงงาน
- ของโลก
- จะ
- เขียน
- เขียน
- ปี
- คุณ
- ของคุณ
- ลมทะเล