Bu gönderi, Salesforce Einstein AI Ürün Direktörü Daryl Martis tarafından birlikte yazılmıştır.
Bu, Salesforce Data Cloud'un entegrasyonunu tartışan bir serinin üçüncü gönderisidir ve Amazon Adaçayı Yapıcı.
In Bölüm 1 ve Bölüm 2bölümünde, Salesforce Data Cloud ve Einstein Studio'nun SageMaker ile entegrasyonunun, işletmelerin SageMaker'ı kullanarak Salesforce verilerine güvenli bir şekilde erişmelerine ve SageMaker'da barındırılan uç noktalara modeller oluşturmak, eğitmek ve dağıtmak için araçlarını kullanmalarına nasıl olanak tanıdığını gösteriyoruz. SageMaker uç noktaları, Salesforce'taki tahminleri etkinleştirmek için Salesforce Veri Bulutu'na kaydedilebilir.
Bu yazıda, iş analistlerinin ve vatandaş veri bilimcilerinin herhangi bir kod olmadan makine öğrenimi (ML) modellerini nasıl oluşturabileceklerini gösteriyoruz. Amazon SageMaker Tuval Güçlü iş uygulamaları oluşturmak için Salesforce Einstein Studio ile entegrasyon için eğitimli modelleri devreye alın. SageMaker Canvas, Salesforce Data Cloud'daki verilere erişmek ve yalnızca birkaç tıklamayla modeller oluşturmak, test etmek ve dağıtmak için kodsuz bir deneyim sağlar. SageMaker Canvas ayrıca özelliğin önemini ve SHAP değerlerini kullanarak tahminlerinizi anlamanıza olanak tanıyarak ML modelleri tarafından yapılan tahminleri açıklamanızı kolaylaştırır.
SageMaker Kanvas
SageMaker Canvas, iş analistlerinin ve veri bilimi ekiplerinin tek bir kod satırı yazmaya gerek kalmadan makine öğrenimi ve üretken yapay zeka modelleri oluşturmasına ve kullanmasına olanak tanır. SageMaker Canvas, sınıflandırma, regresyon, tahmin, doğal dil işleme (NLP) ve bilgisayarlı görme (CV) için doğru ML tahminleri oluşturmak üzere görsel bir işaretle ve tıkla arayüzü sağlar. Ayrıca temel modellere (FM) şuradan erişebilir ve değerlendirebilirsiniz: Amazon Ana Kayası veya halka açık FM'ler Amazon SageMaker Hızlı Başlangıç Üretken yapay zeka çözümlerini desteklemek amacıyla içerik oluşturma, metin çıkarma ve metin özetleme için. SageMaker Canvas şunları yapmanızı sağlar: Oluşturulan makine öğrenimi modellerini istediğiniz yere getirin ve doğrudan SageMaker Canvas'ta tahminler oluşturun.
Salesforce Veri Bulutu ve Einstein Studio
Salesforce Data Cloud, işletmelere herhangi bir temas noktasından müşteri verilerinin gerçek zamanlı güncellemelerini sağlayan bir veri platformudur.
Einstein Studio, Salesforce Veri Bulutu'ndaki yapay zeka araçlarına açılan bir kapıdır. Einstein Studio ile yöneticiler ve veri bilimcileri birkaç tıklamayla veya kod kullanarak zahmetsizce modeller oluşturabilirler. Einstein Studio'nun kendi modelini getir (BYOM) deneyimi, SageMaker gibi harici platformlardan özel veya üretken yapay zeka modellerini Salesforce Data Cloud'a bağlama yeteneği sağlar.
Çözüme genel bakış
SageMaker Canvas'ı kullanarak Salesforce Data Cloud'daki verileri kullanarak makine öğrenimi modellerini nasıl oluşturabileceğinizi göstermek için, bir ürün önermek amacıyla tahmine dayalı bir model oluşturuyoruz. Bu model, Salesforce Data Cloud'da saklanan müşteri demografisi, pazarlama etkileşimleri ve satın alma geçmişi gibi özellikleri kullanır. Ürün öneri modeli, Salesforce Data Cloud'daki veriler kullanılarak SageMaker Canvas kodsuz kullanıcı arayüzü kullanılarak oluşturulur ve dağıtılır.
Aşağıdakileri kullanıyoruz örnek veri kümesi depolandı Amazon Basit Depolama Hizmeti (Amazon S3). Bu veri kümesini Salesforce Data Cloud'da kullanmak için bkz. Veri Bulutunda Amazon S3 Veri Akışı Oluşturun. Modeli oluşturmak için aşağıdaki niteliklere ihtiyaç vardır:
- Klüp üyesi – Müşteri kulübe üye ise
- Kampanya – Müşterinin dahil olduğu kampanya
- Eyalet – Müşterinin ikamet ettiği eyalet veya il
- Ay – Satın alındığı ay
- Vaka Sayısı – Müşteri tarafından gündeme getirilen vakaların sayısı
- Vaka Türü İade – Müşterinin son bir yıl içinde herhangi bir ürünü iade edip etmediği
- Kutu Türü Sevkiyat Hasarlı – Müşterinin son yıl içerisinde hasar görmüş gönderisi olup olmadığı
- Etkileşim Puanı – Müşterinin sahip olduğu etkileşim düzeyi (posta kampanyalarına verilen yanıtlar, çevrimiçi mağazaya girişler vb.)
- Görev süresi – Müşterinin şirketle olan ilişkisinin süresi
- Tıklamalar – Müşterinin satın almadan önceki bir hafta içinde yaptığı ortalama tıklama sayısı
- Ziyaret Edilen Sayfalar – Müşterinin satın almadan önceki bir hafta içinde ziyaret ettiği ortalama sayfa sayısı
- Satın Alınan Ürün – Satın alınan asıl ürün
Aşağıdaki adımlar, kurumsal verilerinize erişmek ve tahmine dayalı bir model oluşturmak için SageMaker Canvas'ta başlatılan Salesforce Veri Bulutu bağlayıcısının nasıl kullanılacağına ilişkin bir genel bakış sunar:
- SageMaker Canvas alanını kaydetmek için Salesforce bağlantılı uygulamayı yapılandırın.
- SageMaker Canvas'ta Salesforce Data Cloud için OAuth'u kurun.
- Yerleşik SageMaker Canvas Salesforce Veri Bulutu bağlayıcısını kullanarak Salesforce Veri Bulutu verilerine bağlanın ve veri kümesini içe aktarın.
- SageMaker Canvas'ta modeller oluşturun ve eğitin.
- Modeli SageMaker Canvas'ta konuşlandırın ve tahminlerde bulunun.
- dağıtmak Amazon API Ağ Geçidi SageMaker çıkarım uç noktasına ön uç bağlantı olarak uç nokta.
- API Ağ Geçidi uç noktasını Einstein Studio'ya kaydedin. Talimatlar için bkz. Kendi Yapay Zeka Modellerinizi Veri Bulutuna Taşıyın.
Aşağıdaki şemada çözüm mimarisi gösterilmektedir.
Önkoşullar
Başlamadan önce bir SageMaker alanı oluşturmak ve SageMaker Canvas'ı etkinleştirmek için aşağıdaki önkoşul adımlarını tamamlayın:
- Bir oluşturma Amazon SageMaker Stüdyosu ihtisas. Talimatlar için bkz. Amazon SageMaker Etki Alanında Yerleşik.
- Kullanıcı profiliniz tarafından oluşturulan ve kullanılacak olan etki alanı kimliğini ve yürütme rolünü not edin. Sonraki adımlarda bu role izinler eklersiniz.
Aşağıdaki ekran görüntüsü bu yazı için oluşturduğumuz alanı göstermektedir.
- Daha sonra kullanıcı profiline gidin ve Düzenle.
- gidin Amazon SageMaker Canvas ayarları bölümünü seçip Canvas temel izinlerini etkinleştir.
- seç Canvas modellerinin doğrudan dağıtımını etkinleştirin ve Tüm kullanıcılar için model kayıt defteri izinlerini etkinleştirin.
Bu, SageMaker Canvas'ın modelleri SageMaker konsolundaki uç noktalara dağıtmasına olanak tanır. Bu ayarlar etki alanı veya kullanıcı profili düzeyinde yapılandırılabilir. Kullanıcı profili ayarları, alan adı ayarlarından önceliklidir.
Salesforce bağlantılı uygulamayı oluşturun veya güncelleyin
Daha sonra, SageMaker Canvas'tan Salesforce Data Cloud'a OAuth akışını etkinleştirmek için Salesforce bağlantılı bir uygulama oluşturuyoruz. Aşağıdaki adımları tamamlayın:
- Salesforce'ta oturum açın ve şuraya gidin: Kurmak.
- Aramak App Manager ve yeni bir bağlı uygulama oluşturun.
- Aşağıdaki girdileri sağlayın:
- İçin Bağlı Uygulama Adı, isim girin.
- İçin API Adı, varsayılan olarak bırakın (otomatik olarak doldurulur).
- İçin İletişim Email, iletişim e-posta adresinizi girin.
- seç OAuth Ayarlarını Etkinleştir.
- İçin Geri arama URL'si, girmek
https://<domain-id>.studio.<region>.sagemaker.aws/canvas/default/lab
ve SageMaker alan adınızdaki alan kimliğini ve Bölgeyi sağlayın.
- Bağlı uygulamanızda aşağıdaki kapsamları yapılandırın:
- Kullanıcı verilerini API'ler aracılığıyla yönetin (
api
). - İstekleri istediğiniz zaman gerçekleştirin (
refresh_token
,offline_access
). - Salesforce Data Cloud verilerinde ANSI SQL sorguları gerçekleştirin (Veri
Cloud_query_api
). - Data Cloud profil verilerini yönetin (
Data Cloud_profile_api
). - Kimlik URL hizmetine erişin (
id
,profile
,email
,address
,phone
). - Benzersiz kullanıcı tanımlayıcılarına erişin (
openid
).
- Kullanıcı verilerini API'ler aracılığıyla yönetin (
- Bağlı uygulamanızı ayarlayın IP Gevşetme ayarlanmak IP kısıtlamalarını gevşetin.
Salesforce Data Cloud bağlayıcısı için OAuth ayarlarını yapılandırma
SageMaker Canvas'ın kullanım alanları AWS Sırları Yöneticisi Salesforce bağlantılı uygulamasından bağlantı bilgilerini güvenli bir şekilde saklamak için. SageMaker Canvas, yöneticilerin OAuth ayarlarını bireysel bir kullanıcı profili için veya etki alanı düzeyinde yapılandırmasına olanak tanır. Hem etki alanına hem de kullanıcı profiline bir sır ekleyebileceğinizi ancak SageMaker Canvas'ın öncelikle sırları kullanıcı profilinde aradığını unutmayın.
OAuth ayarlarınızı yapılandırmak için aşağıdaki adımları tamamlayın:
- SageMaker Konsolunda Etki Alanı veya Kullanıcı Profili Ayarlarını düzenlemek için gidin.
- Klinik Tuval Ayarları Gezinti bölmesinde.
- Altında OAuth ayarları, Için Veri kaynağı, seçmek Salesforce Veri Bulutu.
- İçin Gizli kurulum, yeni bir gizli dizi oluşturabilir veya mevcut bir gizli diziyi kullanabilirsiniz. Bu örnekte, yeni bir gizli dizi oluşturuyoruz ve Salesforce bağlantılı uygulamadan müşteri kimliğini ve müşteri sırrını giriyoruz.
SageMaker Canvas'ta OAuth'u etkinleştirme hakkında daha fazla ayrıntı için bkz. Salesforce Data Cloud için OAuth'u kurma.
Bu, AI ve ML modelleri oluşturmak için Salesforce Data Cloud'dan SageMaker Canvas'a veri erişimini etkinleştirmek üzere kurulumu tamamlar.
Salesforce Data Cloud'dan verileri içe aktarın
Verilerinizi içe aktarmak için aşağıdaki adımları tamamlayın:
- SageMaker alanınızla oluşturduğunuz kullanıcı profilinden Başlatmak seçin Tuval.
Canvas uygulamanıza ilk kez eriştiğinizde, oluşturulması yaklaşık 10 dakika sürecektir.
- Klinik Veri Düzenleyici Gezinti bölmesinde.
- Üzerinde oluşturmak menü seç çizelge halinde tablo halinde bir veri kümesi oluşturmak için.
- Veri kümesine bir ad verin ve seçin oluşturmak.
- İçin Veri kaynağı, seçmek Salesforce Veri Bulutu ve Bağlantı Ekle veri gölü nesnesini içe aktarmak için.
Daha önce Salesforce Data Cloud'a bir bağlantı yapılandırdıysanız yeni bir bağlantı oluşturmak yerine bu bağlantıyı kullanma seçeneğini göreceksiniz.
- Yeni Salesforce Data Cloud bağlantısı için bir ad girin ve Bağlantı ekle.
Tamamlanması birkaç dakika sürecektir.
- Adresine yönlendirileceksiniz Salesforce'a giriş yapın Bağlantıyı yetkilendirmek için sayfa.
Oturum açma başarılı olduktan sonra istek, Data Lake nesne listesiyle birlikte SageMaker Canvas'a geri yönlendirilecektir.
- Amazon S3 aracılığıyla yüklenen model eğitimine yönelik özellikleri içeren veri kümesini seçin.
- Dosyayı sürükleyip bırakın ve ardından SQL'de düzenle.
Salesforce şunları ekler: “__c
" tüm Veri Bulutu nesne alanlarına. SageMaker Canvas adlandırma kuralına göre, ”__“
alan adlarında izin verilmez.
- Sütunları yeniden adlandırmak ve model eğitimiyle ilgili olmayan meta verileri bırakmak için SQL'i düzenleyin. Tablo adını nesne adınızla değiştirin.
- Klinik SQL'i çalıştırın ve sonra Veri kümesi oluşturun.
- Veri kümesini seçin ve Bir model oluşturun.
- Bir ürün önerisini tahmin etmek amacıyla bir model oluşturmak için bir model adı girin, Tahmine dayalı analiz için Sorun tipi, ve Seç oluşturmak.
Modeli oluşturun ve eğitin
Modelinizi oluşturmak ve eğitmek için aşağıdaki adımları tamamlayın:
- Model başlatıldıktan sonra hedef sütunu şu şekilde ayarlayın:
product_purchased
.
SageMaker Canvas, her sütunun hedef sütunla temel istatistiklerini ve korelasyonlarını görüntüler. SageMaker Canvas, oluşturmaya başlamadan önce modelinizin önizlemesini yapmanız ve verilerinizi doğrulamanız için araçlar sağlar.
- Modelinizin doğruluğunu görmek ve modeli oluştururken sorunları önlemek amacıyla veri kümenizi doğrulamak için önizleme modeli özelliğini kullanın.
- Verilerinizi inceledikten ve veri kümenizde gerekli değişiklikleri yaptıktan sonra derleme türünüzü seçin. Hızlı inşa seçeneği daha hızlı olabilir ancak bir model oluşturmak için verilerinizin yalnızca bir alt kümesini kullanır. Bu yazının amacı doğrultusunda şunları seçtik: Standart yapı seçeneği.
Standart bir derlemenin tamamlanması 2-4 saat sürebilir.
SageMaker Canvas, modeli oluştururken veri kümenizdeki eksik değerleri otomatik olarak işler. Ayrıca verileri makine öğrenimi için hazır hale getirmeniz için diğer veri hazırlama dönüşümlerini de uygulayacaktır.
- Modeliniz oluşturulmaya başladıktan sonra sayfadan ayrılabilirsiniz.
Model şu şekilde gösterildiğinde Hazır üzerinde modellerim sayfa, analiz ve tahminler için hazırdır.
- Model oluşturulduktan sonra şuraya gidin: My modelleri, seçmek Görüntüle Oluşturduğunuz modeli görüntülemek ve en yeni sürümü seçmek için.
- Git Çözümlemek Her özelliğin tahmin üzerindeki etkisini görmek için sekmeyi tıklayın.
- Modelin tahminleri hakkında ek bilgi için şuraya gidin: Puanlama sekmesi.
- Klinik Tahmin Bir ürün tahmini başlatmak için.
Modeli dağıtın ve tahminlerde bulunun
Modelinizi dağıtmak ve tahminler yapmaya başlamak için aşağıdaki adımları tamamlayın:
- Toplu veya tekli tahminler yapmayı seçebilirsiniz. Bu yazının amacı için seçiyoruz Tek tahmin.
Seçtiğinizde Tek tahmin, SageMaker Canvas, girdi sağlayabileceğiniz özellikleri görüntüler.
- Değerleri seçerek değiştirebilirsiniz. Güncelleme ve gerçek zamanlı tahmini görüntüleyin.
Modelin doğruluğu ve her özelliğin söz konusu spesifik tahmine etkisi görüntülenecektir.
- Modeli dağıtmak için bir dağıtım adı girin, bir örnek türü ve örnek sayısı seçin ve Sürüş.
Model dağıtımı birkaç dakika sürecektir.
Model durumu şu şekilde güncellendi: Serviste dağıtım başarılı olduktan sonra.
SageMaker Canvas, dağıtımı test etme seçeneği sunar.
- Klinik Ayrıntıları görüntüle.
The - Detaylar sekmesi model uç noktası ayrıntılarını sağlar. Örnek türü, sayısı, giriş formatı, yanıt içeriği ve uç nokta, görüntülenen önemli ayrıntılardan bazılarıdır.
- Klinik Test dağıtımı Dağıtılan uç noktayı test etmek için.
Tek tahmine benzer şekilde görünüm, giriş özelliklerini görüntüler ve uç noktayı gerçek zamanlı olarak güncelleme ve test etme seçeneği sunar.
Yeni tahmin, uç nokta çağırma sonucuyla birlikte kullanıcıya döndürülür.
SageMaker Endpoint'i kullanıma sunmak için API oluşturun
Salesforce'ta iş uygulamalarına güç veren tahminler oluşturmak için, SageMaker Canvas dağıtımınız tarafından oluşturulan SageMaker çıkarım uç noktasını API Gateway aracılığıyla kullanıma sunmanız ve bunu Salesforce Einstein'a kaydetmeniz gerekir.
İstek ve yanıt formatları, Salesforce Einstein ve SageMaker çıkarım uç noktası arasında değişiklik gösterir. Dönüşümü gerçekleştirmek için API Gateway'i kullanabilir veya kullanabilirsiniz. AWS Lambda isteği dönüştürmek ve yanıtı eşlemek. Bakınız Amazon API Gateway ve AWS Lambda kullanarak bir Amazon SageMaker model uç noktasını çağırın Lambda ve API Ağ Geçidi aracılığıyla bir SageMaker uç noktasını açığa çıkarmak için.
Aşağıdaki kod parçacığı, isteği ve yanıtı dönüştürmek için kullanılan bir Lambda işlevidir
Güncelleme endpoint
ve prediction_label
Yapılandırmanıza bağlı olarak Lambda işlevindeki değerler.
- Ortam değişkeni ekleme
SAGEMAKER_ENDPOINT_NAME
SageMaker çıkarım uç noktasını yakalamak için. - Tahmin etiketini, Einstein Studio'da kayıtlı model çıkışı JSON anahtarıyla eşleşecek şekilde ayarlayın.
Lambda işlevi için varsayılan zaman aşımı 3 saniyedir. Tahmin isteği giriş boyutuna bağlı olarak SageMaker gerçek zamanlı çıkarım API'sinin yanıt vermesi 3 saniyeden uzun sürebilir.
- Lambda işlevi zaman aşımını artırın ancak bu süreyi, API Ağ Geçidi varsayılan entegrasyon zaman aşımıyani 29 saniye.
Modeli Salesforce Einstein Studio'ya kaydedin
API Ağ Geçidi uç noktasını Einstein Studio'ya kaydetmek için bkz. Kendi Yapay Zeka Modellerinizi Veri Bulutuna Taşıyın.
Sonuç
Bu yazıda, Salesforce Data Cloud'a bağlanmak ve tek satır kod yazmadan otomatik makine öğrenimi özellikleri aracılığıyla tahminler oluşturmak için SageMaker Canvas'ı nasıl kullanabileceğinizi açıkladık. Modeli tam veri kümesiyle eğiten standart yapıyı çalıştırmadan önce model performansınızın erken bir önizlemesini yürütmek için SageMaker Canvas model oluşturma yeteneğini gösterdik. Ayrıca SageMaker Canvas içindeki tek tahmin arayüzünü kullanmak ve özellik önemini kullanarak tahminlerinizi anlamak gibi post-model oluşturma etkinliklerini de sergiledik. Daha sonra, SageMaker Canvas'ta oluşturulan SageMaker uç noktasını kullandık ve onu Salesforce Einstein Studio ile entegre edebilmeniz ve güçlü Salesforce uygulamaları oluşturabilmeniz için bir API olarak kullanıma sunduk.
Gelecek bir gönderide, görsel bir arayüz ve basit doğal dil istemleri kullanarak veri öngörülerini ve hazırlığını daha da basit hale getirmek için SageMaker Canvas'ta Salesforce Veri Bulutu'ndaki verileri nasıl kullanacağınızı göstereceğiz.
SageMaker Canvas'ı kullanmaya başlamak için bkz. SageMaker Canvas'a dalma günü ve bakın Amazon SageMaker Canvas'ı kullanmaya başlama.
yazarlar hakkında
Daryl Martis Salesforce Data Cloud'da Einstein Studio'nun Ürün Direktörüdür. AI/ML ve bulut çözümleri de dahil olmak üzere kurumsal müşteriler için birinci sınıf çözümler planlama, oluşturma, başlatma ve yönetme konusunda 10 yıldan fazla deneyime sahiptir. Daha önce New York'ta finansal hizmetler sektöründe çalışmıştı. Onu takip et Linkedin.
Rahna Çadha AWS'de Stratejik Hesaplar alanında Baş Çözüm Mimarı AI/ML'dir. Rachna, yapay zekanın etik ve sorumlu kullanımının gelecekte toplumu iyileştirebileceğine ve ekonomik ve sosyal refah getirebileceğine inanan bir iyimser. Rachna boş zamanlarında ailesiyle vakit geçirmeyi, yürüyüş yapmayı ve müzik dinlemeyi seviyor.
Ife Stewart AWS'de Stratejik ISV segmentinde Baş Çözüm Mimarıdır. Salesforce ve AWS genelinde entegre müşteri deneyimleri oluşturmaya yardımcı olmak için son 2 yıldır Salesforce Data Cloud ile çalışmaktadır. Ife, teknolojide 10 yılı aşkın deneyime sahiptir. Teknoloji alanında çeşitliliğin ve katılımın savunucusudur.
Ravi Bhattiprolu AWS'de Kıdemli İş Ortağı Çözüm Mimarıdır. Ravi, ortak müşterilerin iş hedeflerini gerçekleştirmelerine yardımcı olan yenilikçi ve iyi tasarlanmış ürünler ve çözümler sunmak için stratejik ortaklar Salesforce ve Tableau ile birlikte çalışır.
Miriam Lebowitz AWS'de Stratejik ISV segmentinde Çözüm Mimarıdır. Salesforce Data Cloud da dahil olmak üzere Salesforce'taki ekiplerle etkileşim halindedir ve veri analitiği konusunda uzmanlaşmıştır. İş dışında yemek pişirmeyi, seyahat etmeyi ve arkadaşları ve ailesiyle kaliteli zaman geçirmeyi seviyor.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
- PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
- PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/democratize-ml-on-salesforce-data-cloud-with-no-code-amazon-sagemaker-canvas/
- :vardır
- :dır-dir
- :olumsuzluk
- $UP
- 1
- 10
- 100
- 29
- 7
- 8
- a
- Hakkımızda
- erişim
- Hesaplar
- doğruluk
- doğru
- karşısında
- faaliyetler
- gerçek
- eklemek
- ilave
- Ek
- Ek Bilgi
- adres
- Ekler
- yöneticiler
- savunucu
- Sonra
- AI
- AI modelleri
- AI / ML
- Türkiye
- izin
- veriyor
- boyunca
- Ayrıca
- Amazon
- Amazon API Ağ Geçidi
- Amazon Adaçayı Yapıcı
- Amazon SageMaker Tuval
- Amazon Web Servisleri
- an
- analiz
- Analistler
- analytics
- ve
- herhangi
- api
- API'ler
- uygulamayı yükleyeceğiz
- uygulamaları
- Tamam
- mimari
- ARE
- AS
- At
- öznitelikleri
- yetki vermek
- Otomatik
- otomatik olarak
- mevcut
- ortalama
- AWS
- Arka
- baz
- merkezli
- BE
- olmuştur
- önce
- başlamak
- inanıyor
- altında
- arasında
- vücut
- her ikisi de
- getirmek
- inşa etmek
- bina
- inşa
- yapılı
- yerleşik
- iş
- İş Uygulamaları
- işletmeler
- fakat
- by
- Kaliforniya
- Kampanya
- Kampanyalar
- CAN
- tuval
- kabiliyet
- ele geçirmek
- durumlarda
- değişiklik
- değişiklikler
- Klinik
- seçme
- vatandaş
- Şehir
- sınıflandırma
- müşteri
- bulut
- kulüp
- kod
- Sütun
- Sütunlar
- tamamlamak
- Tamamladı
- bilgisayar
- Bilgisayar görüşü
- Davranış
- yapılandırma
- yapılandırılmış
- Sosyal medya
- bağlı
- bağ
- konsolos
- UAF ile
- içeren
- içerik
- İçerik Üretimi
- bağlam
- Kongre
- bağıntılar
- olabilir
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- Oluşturma
- oluşturma
- görenek
- müşteri
- müşteri bilgisi
- Müşteriler
- veri
- veri erişim
- Veri Analizi
- Veri Gölü
- Veri Platformu
- veri bilimi
- Varsayılan
- teslim etmek
- demokratikleştirmek
- Demografi
- göstermek
- gösterdi
- bağlı
- dağıtmak
- konuşlandırılmış
- açılma
- dağıtımları
- ayrıntılar
- direkt
- direkt olarak
- yönetmen
- tartışırken
- görüntülenen
- görüntüler
- Çeşitlilik
- Çeşitlilik ve katılım
- domain
- aşağı
- Damla
- her
- Erken
- Ekonomik
- zahmetsizce
- Einstein
- ya
- E-posta
- etkinleştirmek
- sağlar
- etkinleştirme
- Son nokta
- nişanlı
- nişan
- nişan
- Keşfet
- kuruluş
- çevre
- törel
- değerlendirmek
- Hatta
- Etkinlikler
- örnek
- infaz
- mevcut
- deneyim
- Deneyimler
- Açıklamak
- açıkladı
- dış
- çıkarma
- aile
- Daha hızlı
- Özellikler(Hazırlık aşamasında)
- Özellikler
- az
- alan
- Alanlar
- fileto
- mali
- finansal hizmetler
- Ad
- ilk kez
- akış
- takip et
- takip etme
- İçin
- biçim
- vakıf
- arkadaşlar
- itibaren
- tam
- işlev
- gelecek
- geçit
- oluşturmak
- nesil
- üretken
- üretken yapay zeka
- almak
- Vermek
- Go
- vardı
- Kolları
- sahip olan
- he
- yardım et
- onu
- onu
- tarih
- ev sahipliği yaptı
- SAAT
- Ne kadar
- Nasıl Yapılır
- HTML
- http
- HTTPS
- ID
- tanımlayıcıları
- Kimlik
- if
- göstermektedir
- daldırma
- darbe
- ithalat
- önem
- iyileştirmek
- in
- Dahil olmak üzere
- içerme
- bireysel
- sanayi
- bilgi
- başlatmak
- yenilikçi
- giriş
- girişler
- anlayışlar
- örnek
- yerine
- talimatlar
- entegre
- entegre
- bütünleşme
- arayüzey
- IP
- sorunlar
- isv
- IT
- ONUN
- ortak
- jpg
- json
- sadece
- tutmak
- anahtar
- etiket
- göl
- dil
- Soyad
- başlattı
- fırlatma
- öğrenme
- Ayrılmak
- seviye
- sevmek
- seviyor
- çizgi
- Dinleme
- listeleme
- giriş
- GÖRÜNÜYOR
- makine
- makine öğrenme
- yapılmış
- postalama
- yapmak
- Yapımı
- yönetme
- harita
- Pazarlama
- Maç
- Mayıs..
- Metadata
- dakika
- eksik
- ML
- model
- modelleri
- Ay
- Daha
- çoğu
- Music
- isim
- isimleri
- adlandırma
- Doğal (Madenden)
- Doğal Dil İşleme
- Gezin
- Navigasyon
- gerek
- gerekli
- yeni
- New York
- new york city
- sonraki
- nlp
- notlar
- numara
- oauth
- nesne
- hedefleri
- of
- on
- ONE
- Online
- bir tek
- seçenek
- or
- OS
- Diğer
- çıktı
- dışında
- tekrar
- genel bakış
- kendi
- Kanal
- sayfaları
- bölmesi
- Bölüm
- Partner
- ortaklar
- başına
- Yapmak
- performans
- izinleri
- planlama
- platform
- Platformlar
- Platon
- Plato Veri Zekası
- PlatoVeri
- Nokta
- nüfuslu
- Çivi
- güç kelimesini seçerim
- güçlü
- tahmin
- tahmin
- Tahminler
- hazırlık
- önlemek
- Önizleme
- Önceden
- Anapara
- Önceki
- işleme
- PLATFORM
- Ürünler
- Profil
- istemleri
- refah
- sağlamak
- sağlar
- halka açık
- satın alma
- amaç
- kalite
- sorgular
- yükseltilmiş
- hazır
- gerçek
- gerçek zaman
- gerçekleştirmek
- son
- tavsiye etmek
- Tavsiye
- başvurmak
- bölge
- kayıt olmak
- kayıtlı
- kayıt
- ilişki
- uygun
- değiştirmek
- talep
- isteklerinizi
- Yanıtlamak
- yanıt
- sorumlu
- kısıtlamaları
- sonuç
- dönüş
- gözden
- Rol
- koşu
- runtime
- sagemaker
- SageMaker Çıkarımı
- satış ekibi
- Bilim
- bilim adamları
- saniye
- Gizli
- sırları
- Bölüm
- Güvenli
- görmek
- bölüm
- seçmek
- seçilmiş
- Dizi
- hizmet
- Hizmetler
- set
- ayar
- ayarlar
- kurulum
- o
- şov
- görücüye
- Gösteriler
- Basit
- tek
- beden
- pasajı
- So
- Sosyal Medya
- Toplum
- çözüm
- Çözümler
- biraz
- uzmanlaşmış
- özel
- Harcama
- standart
- başlama
- başladı
- Eyalet
- istatistik
- Durum
- Basamaklar
- stewart
- hafızası
- mağaza
- saklı
- basit
- Stratejik
- stratejik ortaklar
- dere
- stüdyo
- sonraki
- başarılı
- böyle
- destek
- tablo
- Tablo
- Bizi daha iyi tanımak için
- Hedef
- takım
- Teknoloji
- test
- metin
- göre
- o
- The
- Gelecek
- Devlet
- ve bazı Asya
- sonra
- Bunlar
- Üçüncü
- Re-Tweet
- İçinden
- zaman
- için
- araçlar
- dokunma
- Tren
- eğitilmiş
- Eğitim
- trenler
- Dönüştürmek
- Dönüşüm
- dönüşümler
- Seyahat
- tip
- anlamak
- anlayış
- benzersiz
- yaklaşan
- Güncelleme
- güncellenmiş
- Güncellemeler
- Yüklenen
- URL
- kullanım
- Kullanılmış
- kullanıcı
- Kullanıcı Arayüzü
- kullanım
- kullanma
- DOĞRULA
- Değerler
- değişken
- versiyon
- üzerinden
- Görüntüle
- vizyonumuz
- ziyaret
- görsel
- oldu
- washington
- we
- ağ
- web hizmetleri
- hafta
- İYİ
- olup olmadığını
- hangi
- süre
- DSÖ
- irade
- ile
- içinde
- olmadan
- İş
- işlenmiş
- çalışır
- Atölyeler
- Dünya standartlarında
- yazmak
- yazı yazıyor
- yıl
- york
- Sen
- zefirnet