Veritabanlarındaki sütunlarda saklanan bilgiler gibi sabit bir modeli takip eden veriler olarak tanımlanan yapılandırılmış veriler ve metin, görseller veya sosyal medya gönderileri gibi belirli bir biçim veya kalıptan yoksun yapılandırılmamış veriler, üretilip tüketildikçe büyümeye devam ediyor. çeşitli kuruluşlar tarafından. Örneğin, International Data Corporation'a (IDC) göre, dünyadaki veri hacminin 2025 yılına kadar on kat artması ve yapısal olmayan verilerin önemli bir kısmını oluşturması bekleniyor. Kuruluşlar, akıllı veriyi genişletmek için dosya türü, oluşturulma tarihi veya boyutu gibi standart meta verilere ek olarak belge türleri (W-2 formları veya ödeme taslakları), adlar, organizasyon ve adres gibi çeşitli varlık türleri gibi özel meta veriler eklemek isteyebilir. belgeleri alırken arama yapın. Özel meta veriler, kuruluşların ve kuruluşların bilgileri tercih ettikleri şekilde kategorilere ayırmasına yardımcı olur. Örneğin meta veriler filtreleme ve arama için kullanılabilir. Müşteriler aşağıdakileri kullanarak özel meta verileri oluşturabilir: Amazon Kavramak, belgelerin içeriği hakkında öngörüler elde etmek ve bunları içine almak için AWS tarafından yönetilen bir doğal dil işleme (NLP) hizmetidir. Amazon Kendrası verileriyle birlikte indekse eklenir. Amazon Kendra, Machine Learning (AWS) tarafından desteklenen, son derece doğru ve kullanımı kolay bir kurumsal arama hizmetidir. Özel meta veriler daha sonra içeriği daha iyi bir şekilde zenginleştirmek için kullanılabilir. filtreleme ve yön Yetenekler. Amazon Kendra'da yönler, bir dizi arama sonucunun kapsamlı görünümleridir. Örneğin, belgelerin ilişkili oldukları belirli bir şehre göre filtrelendiği dünya çapındaki şehirler için arama sonuçları sağlayabilirsiniz. Belirli bir yazarın sonuçlarını görüntülemek için özellikler de oluşturabilirsiniz.
Sigorta şirketleri, işlemeleri gereken giderek artan sayıda taleple karşı karşıya kalıyor. Ek olarak, ilgili sigorta belgelerinin farklı türleri ve bu belgelerin her birinde bulunan özel varlıklar nedeniyle hasar taleplerinin işlenmesinin karmaşıklığı da artmaktadır. Bu yazıda sigorta sağlayıcılara yönelik özel içerik zenginleştirmeye yönelik bir kullanım senaryosunu açıklıyoruz. Sigorta sağlayıcı, ev, otomobil ve hayat sigortası gibi farklı sigorta türleri için lehdarın avukatından ödeme talepleri alır. Bu kullanım durumunda, sigorta sağlayıcısının eline geçen belgeler, içeriğin belirli varlıklar ve sınıflar bazında aranmasına olanak tanıyan herhangi bir meta veri içermemektedir. Sigorta sağlayıcı, Kendra içeriğini kendi iş alanlarına özgü özel varlıklara ve sınıflara göre filtrelemek istiyor. Bu gönderi, Amazon Comprehend'in özel modellerini kullanarak meta veri oluşturmayı nasıl otomatikleştirebileceğinizi ve basitleştirebileceğinizi göstermektedir. Oluşturulan meta veriler, Amazon Kendra ile besleme işlemi sırasında özelleştirilebilir Özel Belge Zenginleştirme (CDE) özel mantık.
Filtreleme ve özellik özellikleri olsun veya olmasın Amazon Kendra aramasının birkaç örneğine bakalım.
Aşağıdaki ekran görüntüsünde Amazon Kendra bir arama sonucu sağlıyor ancak herhangi bir filtre kullanarak arama sonuçlarını daha da daraltma seçeneği bulunmuyor.
Aşağıdaki ekran görüntüsü, Amazon Kendra arama sonuçlarının, arama sonuçlarını daraltmak için özel meta veriler tarafından oluşturulan Hukuk Bürosu, Politika Numaraları gibi farklı özellikler kullanılarak filtrelenebileceğini göstermektedir.
Bu yazıda tartışılan çözüm, sağlık hizmetleri, üretim ve araştırma gibi diğer işletmelere/kullanım durumlarına da kolaylıkla uygulanabilir.
Çözüme genel bakış
Önerilen bu çözümde, 1) sigorta talepleri gönderimlerini çeşitli sınıflara sınıflandıracağız ve 2) bu belgelerden sigortaya özgü varlıkları alacağız. Bu tamamlandığında belge uygun departmana veya alt süreçlere yönlendirilebilir.
Aşağıdaki şema önerilen çözüm mimarisini özetlemektedir.
Amazon Kavramak özel sınıflandırma API, belgelerinizi tanımladığınız kategorilere (sınıflara) göre düzenlemek için kullanılır. Özel sınıflandırma iki adımlı bir süreçtir. İlk olarak, ilginizi çeken sınıfları tanımak için özel bir sınıflandırma modelini (sınıflandırıcı olarak da bilinir) eğitirsiniz. Daha sonra istediğiniz sayıda belge kümesini sınıflandırmak için modelinizi kullanırsınız.
Amazon Kavramak özel varlık tanıma özelliği, belgede mevcut olanın ötesinde belirli varlık türlerini (sigorta şirketinin adları, sigortacının adları, poliçe numarası) tanımlamak için kullanılır. genel varlık türleri varsayılan olarak. Özel bir varlık tanıma modeli oluşturmak, belgeleri belgelerden çıkarmak için dize eşleştirme veya normal ifadeler kullanmaktan daha etkili bir yaklaşımdır. Özel bir varlık tanıma modeli, bu adların görünebileceği bağlamı öğrenebilir. Ek olarak, dize eşleştirme, yazım hatası olan veya yeni adlandırma kurallarına uyan varlıkları algılamaz; ancak bu, özel bir model kullanılarak mümkündür.
Daha derine dalmadan önce Amazon Kendra'yı keşfetmeye biraz zaman ayıralım. Amazon Kendra, makine öğrenimi ile desteklenen, son derece doğru ve kullanımı kolay bir kurumsal arama hizmetidir. Kullanıcıların, web siteleri ve veritabanlarından intranet sitelerine kadar kuruluşlarına yayılmış çok sayıda içerik içerisinde ihtiyaç duydukları bilgileri bulmalarına olanak tanır. Belgeleri almak için öncelikle bir Amazon Kendra dizini oluşturacağız. Verileri alırken Özel Veri Zenginleştirme (CDE) kavramını dikkate almak önemlidir. CDE, dış bilgileri arama dizinine dahil ederek arama yeteneğini geliştirmenizi sağlar. Daha fazla bilgi için bkz. Besleme sırasında belgelerinizi zenginleştirme. Bu gönderide CDE mantığı, belgeleri tanımlanmış sınıflar ve varlıklarla zenginleştirmek için Amazon Comprehend'in özel API'lerini çağırır. Son olarak, meta verilerin, yüzey oluşturma ve filtreleme yetenekleri ekleyerek arama yeteneğini nasıl geliştirdiğini göstermek için Amazon Kendra arama sayfasını kullanıyoruz.
Bu çözümü uygulamaya yönelik üst düzey adımlar aşağıdaki gibidir:
- Eğitim verilerini kullanarak Amazon Comprehend özel sınıflandırıcısını eğitme
- Eğitim verilerini kullanarak Amazon Comprehend özel varlık tanımayı eğitme
- Amazon Comprehend özel sınıflandırıcısını ve özel varlık tanıma uç noktalarını oluşturun
- Çıkarma sonrası zenginleştirme için Lambda işlevi oluşturma ve dağıtma
- Amazon Kendra dizinini oluşturma ve doldurma
- Amazon Kendra'daki aramaları filtrelemek için ayıklanan varlıkları kullanın
Ayrıca örnek bir uygulama da sunduk. GitHub repo referans için.
Veri güvenliği ve IAM hususları
Güvenliğin birinci öncelik olduğu bu çözüm, kullanılan hizmetler ve özellikler için en az ayrıcalıklı izin ilkesini izler. Amazon Comprehend özel sınıflandırma ve özel varlık tanıma tarafından kullanılan IAM rolünün, veri kümesine yalnızca test grubundan erişme izinleri vardır. Amazon Kendra hizmetinin, kavrama API'lerini çağırmak için kullanılan belirli bir S3 klasörüne ve Lambda işlevine erişimi vardır. Lambda işlevi yalnızca Amazon Comprehend API'lerini çağırma izinlerine sahiptir. Daha fazla bilgi için not defterindeki bölüm 1.2 ve 1.3'ü inceleyin.
Çözümü üretim ortamında uygulamadan önce aşağıdakileri üretim dışı bir ortamda yapmanızı öneririz.
Eğitim verilerini kullanarak Comprehend özel sınıflandırıcısını eğitme
Amazon Comprehend Özel Sınıflandırma, ek açıklama dosyaları için iki veri biçimi türünü destekler:
Verilerimiz zaten etiketlendiğinden ve CSV dosyalarında saklandığından, örnek olarak ek açıklama dosyası için CSV dosya formatını kullanacağız. Etiketlenen eğitim verilerini CSV dosyasında UTF-8 kodlu metin olarak sağlamamız gerekiyor. CSV dosyasına başlık satırı eklemeyin. Dosyanıza başlık satırı eklemek çalışma zamanı hatalarına neden olabilir. Eğitim verileri CSV dosyasına bir örnek aşağıdaki gibidir:
Sınıflandırıcı eğitim verilerini hazırlamak için bkz. Sınıflandırıcı eğitim verilerinin hazırlanması. CSV dosyasındaki her satır için ilk sütun bir veya daha fazla sınıf etiketi içerir. Bir sınıf etiketi herhangi bir geçerli UTF-8 dizesi olabilir. Anlam olarak örtüşmeyen net sınıf adları kullanmanızı öneririz. Ad, boşluk içerebilir ve alt çizgi veya kısa çizgiyle birbirine bağlanan birden fazla sözcükten oluşabilir. Satırdaki değerleri ayıran virgüllerden önce veya sonra boşluk karakteri bırakmayın.
Daha sonra, aşağıdakileri kullanarak antrenman yapacaksınız: Çok sınıflı mod or Çoklu etiket modu. Spesifik olarak, çoklu sınıf modunda, sınıflandırma her belge için bir sınıf atar; çoklu etiket modunda ise bireysel sınıflar, birbirini dışlamayan farklı kategorileri temsil eder. Bizim durumumuzda Düz metin modelleri için Çoklu Sınıf modunu kullanacağız.
Amazon Comprehend özel sınıflandırıcı eğitimi ve model değerlendirmesi için ayrı eğitim ve test veri kümeleri hazırlayabilirsiniz. Veya hem eğitim hem de test için yalnızca bir veri kümesi sağlayın. Comprehen, test verileri olarak kullanmak üzere sağladığınız veri kümesinin %10'unu otomatik olarak seçecektir. Bu örnekte ayrı eğitim ve test veri kümeleri sağlıyoruz.
Aşağıdaki örnek, çeşitli belgelerle ilişkili sınıf adlarını içeren bir CSV dosyasını gösterir.
Özel sınıflandırma modeli eğitildiğinde, belgeler üzerinde farklı sigorta sınıflarını (Ev, Araç veya Hayat sigortası) yakalayabilir.
Eğitim verilerini kullanarak Amazon Comprehend özel varlık tanıyıcıyı (NER) eğitme
Amazon Comprehend Custom Entity Recognition (NER) için eğitim veri kümesi iki farklı yoldan biriyle hazırlanabilir:
- Açıklamalar – Mod eğitimi için açıklamalı varlıkları içeren bir veri seti sağlar
- Varlık listeleri (yalnızca düz metin) – Model eğitimi için kuruluşların bir listesini ve etiket türlerini (“Sigorta şirketi adları” gibi) ve bu kuruluşları içeren bir dizi açıklamasız belge sağlar
Daha fazla bilgi için, bkz. Varlık tanıyıcı eğitim verilerinin hazırlanması.
Varlık listesini kullanarak bir modeli eğitirken iki bilgi sağlamamız gerekir: ilişkili özel varlık türleriyle birlikte varlık adlarının bir listesi ve varlıkların göründüğü açıklamasız belgeler koleksiyonu.
Otomatik eğitim iki tür bilgiye sahip olmayı gerektirir: örnek belgeler ve varlık listesi veya ek açıklamalar. Tanıyıcı eğitildikten sonra bunu belgelerinizdeki özel varlıkları tespit etmek için kullanabilirsiniz. Küçük bir metin gövdesini gerçek zamanlı olarak hızlı bir şekilde analiz edebilir veya büyük bir belge kümesini eşzamansız bir iş ile analiz edebilirsiniz.
Amazon Comprehend özel varlık tanıyıcı eğitimi ve model değerlendirmesi için ayrı eğitim ve test veri kümeleri hazırlayabilirsiniz. Veya hem eğitim hem de test için yalnızca bir veri kümesi sağlayın. Amazon Comprehend, test verileri olarak kullanmak üzere sağladığınız veri kümesinin %10'unu otomatik olarak seçecektir. Aşağıdaki örnekte eğitim veri setini şu şekilde belirledik: Documents.S3Uri
altında InputDataConfig
.
Aşağıdaki örnek, varlıkları içeren bir CSV dosyasını gösterir:
Özel varlıklar (NER) modeli eğitildikten sonra, aşağıdaki gibi çeşitli varlıkları çıkarabilecektir: "PAYOUT
""INSURANCE_COMPANY
""LAW_FIRM
""POLICY_HOLDER_NAME
""POLICY_NUMBER
".
Amazon Comprehend özel sınıflandırıcısını ve özel varlıkları (NER) uç noktalarını oluşturun
Amazon Comprehend'in uç noktaları, özel modellerinizi gerçek zamanlı sınıflandırma için kullanılabilir hale getirir. Bir uç nokta oluşturduktan sonra, işletmenizin gelişmesi gerektikçe uç nokta üzerinde değişiklikler yapabilirsiniz. Örneğin, uç nokta kullanımınızı izleyebilir ve uç nokta provizyonunu kapasite ihtiyaçlarınıza uyacak şekilde otomatik olarak ayarlamak için otomatik ölçeklendirme uygulayabilirsiniz. Tüm uç noktalarınızı tek bir görünümden yönetebilir ve artık bir uç noktaya ihtiyacınız kalmadığında maliyetten tasarruf etmek için onu silebilirsiniz. Amazon Comprehend hem eşzamanlı hem de eşzamansız seçenekleri destekler; kullanım durumunuz için gerçek zamanlı sınıflandırma gerekmiyorsa eşzamansız veri sınıflandırması için Amazon Comprehend'e bir toplu iş gönderebilirsiniz.
Bu kullanım durumunda, özel modelinizi gerçek zamanlı analiz için kullanılabilir hale getirmek üzere bir uç nokta oluşturursunuz.
Metin işleme ihtiyaçlarınızı karşılamak için uç noktaya çıkarım birimleri atarsınız ve her birim saniyede 100 karakterlik bir aktarıma izin verir. Daha sonra verimi yukarı veya aşağı ayarlayabilirsiniz.
Çıkarma sonrası zenginleştirme için Lambda işlevi oluşturma ve dağıtma
Çıkarma sonrası Lambda işlevi, Amazon Kendra tarafından alınan belgeden çıkarılan metni işlemek için mantığı uygulamanıza olanak tanır. Yapılandırdığımız çıkarma sonrası işlevi, özel varlıkları tespit etmek ve belgeleri Amazon Kendra tarafından çıkarılan metinden özel olarak sınıflandırmak için Amazon Comprehend'i çağıracak kodu uygular ve bunları, bir Amazon Kendra aramasında özellikler olarak sunulan belge meta verilerini güncellemek için kullanır. . İşlev kodu dizüstü bilgisayara yerleştirilmiştir. PostExtractionLambda
kod şu şekilde çalışır:
- Sayfa metnini, anlamanın maksimum bayt uzunluğu sınırını aşmayacak şekilde bölümlere ayırır.
detect_entities
API. (Görmek Sınırları ).
NOT Betik, basitlik sağlamak amacıyla basit bir karakter uzunluğu bölme algoritması kullanıyor; üretim kullanım durumları, UTF8 bayt uzunluğuna dayalı olarak örtüşen veya cümle sınırı bölmeleri uygulamalıdır. - Metnin her bölümü için, aşağıdaki varlık türlerini algılamak üzere özel varlıklara yönelik gerçek zamanlı uç noktaları ve özel sınıflandırıcıyı çağırır: [“
PAYOUT
""INSURANCE_COMPANY
""LAW_FIRM
""POLICY_HOLDER_NAME
""POLICY_NUMBER
""INSURANCE_TYPE
"]. - Güven puanı eşiğinin altında olan tespit edilen varlıkları filtreler. 0.50 eşiğini kullanıyoruz; bu, yalnızca %50 ve daha fazla güvene sahip varlıkların kullanılacağı anlamına gelir. Bu, kullanım durumuna ve gereksinimlere göre ayarlanabilir.
- Her varlığın sıklık sayısını izler.
- Oluşma sıklığına bağlı olarak her sayfa için yalnızca ilk N (10) benzersiz varlığı seçer.
- Belge sınıflandırması için, çok sınıflı sınıflandırıcı her belge için yalnızca bir sınıf atar. Bu Lambda işlevinde belgeler Araç Sigortası, Ev Sigortası veya Hayat Sigortası olarak sınıflandırılacaktır.
Bu yazının yazıldığı an itibarıyla CDE'nin yalnızca eşzamanlı çağrıları desteklediğini veya eşzamansız olması gerekiyorsa açık bir bekleme döngüsünün gerekli olduğunu unutmayın. Ekstraksiyon sonrası Lambda için maksimum yürütme süresi 1 dakikadır. Lambda özel mantığı, kullanım durumunuza uygun gereksinimlere göre değiştirilebilir.
Amazon Kendra dizinini oluşturma ve doldurma
Bu adımda verileri Amazon Kendra dizinine aktaracağız ve kullanıcılar için aranabilir hale getireceğiz. Alma sırasında, önceki adımda oluşturulan Lambda işlevini bir çıkarma sonrası adımı olarak kullanacağız ve Lambda işlevi, özel meta veri alanlarını oluşturmak için özel sınıflandırma ve özel varlık tanıma (NER) uç noktalarını çağıracaktır.
Bu çözümü uygulamaya yönelik üst düzey adımlar aşağıdaki gibidir:
- oluşturmak Amazon Kendra Endeksi.
- oluşturmak Amazon Kendra Veri kaynağı – Veri kümesini almak için kullanılabilecek farklı veri kaynakları vardır. Bu yazıda bir S3 kovası kullanıyoruz.
- Özellik Oluştur
Law_Firm
,Payout
,Insurance_Company
,Policy_Number
,Policy_Holder_Name
,Insurance_Type
' olarak dize türüyleSTRING_LIST_VALUE
'. - Kendra CDE'yi oluşturun ve bunu daha önce oluşturulan çıkarma sonrası Lambda işlevine yönlendirin.
- Veri kümesini almak için senkronizasyon işlemini gerçekleştirin.
Tamamlandığında, dizini sigorta verileriyle doldurabilir, post-extract lambda ile Kendra CDE'yi kullanarak aramaları özel varlık türlerine ve özel meta veri alanları olarak özel sınıflandırmaya göre filtreleyebilirsiniz.
Kendra'daki aramaları filtrelemek için çıkarılan varlıkları kullanın
Artık indeks doldurulmuş ve kullanıma hazırdır. Amazon Kendra konsolunda şunu seçin: Veri Yönetimi Altında Dizine Eklenmiş İçeriği Arayın ve aşağıdakileri yapın.
Aşağıdakileri sorgulayın: Geç başvuru nedeniyle sigorta listesi başarısız oldu mu?
Sonuçlar politika türünden bir yanıtı gösterir: HOME INSURANCE
ve getirir text_18
ve text_14
en iyi sonuçlar olarak.
Soldaki "Arama sonuçlarını filtrele"yi seçin. Artık Comprehend kullanılarak çıkarılan tüm Varlık türlerini ve sınıflandırma değerlerini göreceksiniz ve her varlık değeri ve sınıflandırma için eşleşen belge sayısını göreceksiniz.
Altında INSURANCE_TYPE
“Oto Sigorta”yı seçin ve ardından bir cevap alacaksınız. text_25
dosyası.
Sonuçlarınızın ekran görüntüsünde gösterilen sonuçlardan biraz farklı olabileceğini unutmayın.
Kendi sorgularınızla arama yapmayı deneyin ve Amazon Comprehend tarafından tanımlanan varlıkların ve belge sınıflandırmasının aşağıdakileri hızlı bir şekilde yapmanıza nasıl olanak tanıdığını gözlemleyin:
- Arama sonuçlarınızın kategoriler arasında nasıl dağıldığını görün.
- Varlık/sınıflandırma değerlerinden herhangi birine göre filtreleyerek aramanızı daraltın.
Temizlemek
Aramayı denedikten ve Github deposunda sağlanan not defterini denedikten sonra, istenmeyen masraflardan kaçınmak için AWS hesabınızda sağladığınız altyapıyı silin. Temizleme hücrelerini not defterinde çalıştırabilirsiniz. Alternatif olarak kaynakları AWS konsolu aracılığıyla manuel olarak silebilirsiniz:
- Amazon Kendra Endeksi
- Özel sınıflandırıcıyı ve özel varlık tanıma (NER) uç noktalarını anlama
- Özel sınıflandırıcı ve özel varlık tanıma (NER) özel modellerini anlama
- Lambda işlevi
- S3 kepçe
- IAM rolleri ve politikaları
Sonuç
Bu yazıda, Amazon Comprehend özel varlıklarının ve özel sınıflandırıcının, son kullanıcıların yapılandırılmış/yapılandırılmamış veriler üzerinde daha iyi aramalar yapmasına yardımcı olmak için CDE özelliği tarafından desteklenen Amazon Kendra aramasını nasıl etkinleştirdiğini gösterdik. Amazon Comprehend'in özel varlıkları ve özel sınıflandırıcı, onu farklı kullanım durumları ve çeşitli etki alanına özgü veriler için çok faydalı kılar. Amazon Comprehend'in nasıl kullanılacağı hakkında daha fazla bilgi için bkz. Amazon Comprehend geliştirici kaynakları ve Amazon Kendra için bkz. Amazon Kendra geliştirici kaynakları.
Kullanım durumunuz için bu çözümü deneyin. Sizi yorum bölümlerine görüşlerinizi bırakmaya davet ediyoruz.
Yazarlar Hakkında
amit chaudhary Amazon Web Services'te Kıdemli Çözüm Mimarıdır. Odak alanı AI/ML'dir ve müşterilere üretken yapay zeka, geniş dil modelleri ve hızlı mühendislik konularında yardımcı olur. Amit iş dışında ailesiyle vakit geçirmekten hoşlanıyor.
Yanyan Zhang AWS Profesyonel Hizmetlerinde Enerji Dağıtımı ekibinde Kıdemli Veri Bilimcisidir. Müşterilerin gerçek sorunları AI/ML bilgisiyle çözmelerine yardımcı olma konusunda tutkulu. Son zamanlarda, Üretken Yapay Zeka ve Yüksek Lisans'ın potansiyelini keşfetmeye odaklandı. İş dışında seyahat etmeyi, çalışmayı ve yeni şeyler keşfetmeyi seviyor.
Nikhil Jaha Amazon Web Services'de Kıdemli Teknik Hesap Yöneticisidir. Odak alanları arasında AI/ML ve analitik bulunmaktadır. Boş zamanlarında kızıyla badminton oynamayı ve dışarıyı keşfetmeyi 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/use-custom-metadata-created-by-amazon-comprehend-to-intelligently-process-insurance-claims-using-amazon-kendra/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 1
- 1.3
- 10
- 100
- 19
- 2025
- 33
- 50
- 500
- 7
- 9
- a
- Yapabilmek
- Hakkımızda
- erişim
- Göre
- Hesap
- muhasebe
- doğru
- karşısında
- eklemek
- ekleme
- ilave
- Ayrıca
- adres
- Sonra
- AI
- AI / ML
- algoritma
- Türkiye
- veriyor
- boyunca
- zaten
- Ayrıca
- Amazon
- Amazon Kavramak
- Amazon Kendrası
- Amazon Web Servisleri
- miktar
- an
- analiz
- analytics
- çözümlemek
- ve
- cevap
- herhangi
- api
- API'ler
- görünmek
- Uygulama
- uygulamalı
- Tamam
- yaklaşım
- uygun
- mimari
- ARE
- ALAN
- alanlar
- AS
- ilişkili
- At
- avukat
- yazar
- Oto
- otomatikleştirmek
- otomatik olarak
- mevcut
- önlemek
- AWS
- AWS Profesyonel Hizmetleri
- merkezli
- BE
- olmuştur
- önce
- altında
- Daha iyi
- Ötesinde
- vücut
- her ikisi de
- sınır
- Getiriyor
- bina
- iş
- fakat
- by
- çağrı
- denilen
- aramalar
- CAN
- yetenekleri
- kabiliyet
- Kapasite
- ele geçirmek
- dava
- durumlarda
- kategoriler
- Sebeb olmak
- Hücreler
- belli
- değişmiş
- değişiklikler
- karakter
- karakterler
- yükler
- Klinik
- Şehirler
- Şehir
- iddia
- sınıf
- sınıflar
- sınıflandırma
- sınıflandırılmış
- sınıflandırmak
- açık
- kod
- Toplamak
- Sütun
- Sütunlar
- yorumlar
- Şirketler
- şirket
- tamamlamak
- Tamamlandı
- karmaşıklık
- idrak
- kavram
- güven
- yapılandırılmış
- bağlı
- Düşünmek
- konsolos
- tüketilen
- içermek
- içeren
- içerik
- bağlam
- devam etmek
- sözleşmeler
- KURUMSAL
- maliyetler
- olabilir
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- görenek
- Müşteriler
- özelleştirilmiş
- veri
- veri zenginleştirme
- veri yönetimi
- veri bilimcisi
- veri seti
- veritabanları
- veri kümeleri
- Tarih
- derin
- Varsayılan
- tanımlamak
- tanımlı
- teslim
- bölüm
- dağıtmak
- tanımlamak
- belirlemek
- algılandı
- Geliştirici
- farklı
- farklı olarak
- tartışılan
- ekran
- dağıtıldı
- çeşitli
- dalış
- do
- belge
- evraklar
- domain
- don
- Dont
- aşağı
- gereken
- sırasında
- e
- E&T
- her
- kolayca
- kolay kullanımlı
- Etkili
- ya
- el
- gömülü
- sağlar
- Son nokta
- enerji
- Mühendislik
- artırmak
- gelişmiş
- zenginleştirmek
- zenginleştirme
- kuruluş
- işletmelerin
- kişiler
- varlık
- çevre
- Hatalar
- gerekli
- değerlendirme
- gelişmek
- örnek
- örnekler
- aşmak
- Dışında
- istisna
- Exclusive
- infaz
- Çıkma
- beklenen
- keşfetmek
- Keşfetmek
- ifade
- uzatmak
- dış
- çıkarmak
- çıkarma
- yönleriyle
- başarısız
- aile
- Özellikler(Hazırlık aşamasında)
- Özellikler
- geribesleme
- az
- Alanlar
- fileto
- dosyalar
- Dosyalama
- filtre
- süzme
- filtreler
- Nihayet
- bulmak
- Firma
- Ad
- uygun
- sabit
- odak
- takip et
- takip etme
- şu
- İçin
- Airdrop Formu
- biçim
- formlar
- Sıklık
- itibaren
- işlev
- daha fazla
- oluşturulan
- nesil
- üretken
- üretken yapay zeka
- almak
- GitHub
- Büyümek
- Var
- sahip olan
- he
- sağlık
- yardım et
- yardım
- yardımcı olur
- onu
- üst düzey
- daha yüksek
- en yüksek
- büyük ölçüde
- onun
- Ana Sayfa
- Ne kadar
- Nasıl Yapılır
- HTML
- HTTPS
- i
- IDC
- tespit
- belirlemek
- if
- göstermektedir
- görüntüleri
- uygulamak
- uygulanması
- uygular
- in
- dahil
- birleşmeyle
- Artırmak
- artan
- indeks
- endeksli
- bireysel
- bilgi
- Altyapı
- giriş
- anlayışlar
- örnek
- sigorta
- Akıllı
- faiz
- Uluslararası
- Uluslararası Veri Şirketi (IDC)
- içine
- davetiye
- çağırır
- ilgili
- IT
- İş
- json
- bilgi
- etiket
- Etiketler
- dil
- büyük
- Geç
- Kanun
- hukuk firması
- ÖĞRENİN
- öğrenme
- en az
- Ayrılmak
- sol
- uzunluk
- hayat
- sevmek
- Muhtemelen
- LİMİT
- Liste
- Listeler
- Yüksek Lisans
- mantık
- uzun
- Bakın
- seviyor
- makine
- makine öğrenme
- yapmak
- YAPAR
- yönetmek
- yönetilen
- yönetim
- müdür
- el ile
- üretim
- uygun
- maksimum
- Mayıs..
- anlam
- anlamına geliyor
- medya
- Neden
- Metadata
- dk
- Moda
- model
- modelleri
- an
- izlemek
- Daha
- çoğu
- çoklu
- şart
- karşılıklı olarak
- isim
- isimleri
- adlandırma
- dar
- gerek
- gerekli
- ihtiyaçlar
- yeni
- nlp
- yok hayır
- defter
- şimdi
- numara
- sayılar
- nesne
- nesneler
- gözlemek
- olay
- of
- on
- bir Zamanlar
- ONE
- bir tek
- seçenek
- Opsiyonlar
- or
- kuruluşlar
- organizasyonlar
- Diğer
- bizim
- dışarı
- açık havada
- ana hatlar
- dışında
- kendi
- Kanal
- çift
- tutkulu
- model
- başına
- Yapmak
- izinleri
- parçalar
- Sade
- Platon
- Plato Veri Zekası
- PlatoVeri
- oynama
- Nokta
- politika
- nüfuslu
- kısım
- mümkün
- Çivi
- Mesajlar
- potansiyel
- powered
- tercihli
- Hazırlamak
- hazırlanmış
- sundu
- önceki
- Önceden
- prensip
- Önceki
- öncelik
- ayrıcalık
- sorunlar
- süreç
- işleme
- Üretilmiş
- üretim
- profesyonel
- önerilen
- sağlamak
- sağlanan
- sağlayan
- sağlayıcılar
- sağlar
- sağlama
- sorgular
- hızla
- tırnak işareti
- değişen
- Okumak
- hazır
- gerçek
- gerçek zaman
- Alınan
- alır
- geçenlerde
- tanıma
- tanımak
- tanınan
- tavsiye etmek
- başvurmak
- referans
- düzenli
- Depo
- temsil etmek
- gereklidir
- Yer Alan Kurallar
- gerektirir
- araştırma
- Kaynaklar
- sonuç
- Sonuçlar
- dönüş
- yorum
- Rol
- rolleri
- SIRA
- koşmak
- runtime
- aynı
- İndirim
- ölçekleme
- bilim adamı
- Gol
- senaryo
- Ara
- aramalar
- arama
- İkinci
- Bölüm
- bölümler
- güvenlik
- görmek
- seçmek
- kıdemli
- cümle
- ayrı
- hizmet
- Hizmetler
- set
- Setleri
- o
- meli
- şov
- gösterdi
- gösterilen
- Gösteriler
- önemli
- basitlik
- basitleştirmek
- tek
- Yer
- beden
- küçük
- So
- Sosyal Medya
- sosyal medya
- Sosyal Medya Gönderileri
- çözüm
- Çözümler
- ÇÖZMEK
- kaynaklar
- uzay
- özel
- özellikle
- Belirtilen
- Harcama
- Splits
- yayılma
- standart
- adım
- Basamaklar
- mağaza
- saklı
- dizi
- Gönderimler
- sunmak
- böyle
- destek
- Destekler
- senkron.
- Bizi daha iyi tanımak için
- takım
- Teknik
- test
- Test yapmak
- metin
- göre
- o
- The
- Bilgi
- Dünya
- ve bazı Asya
- Onları
- sonra
- Orada.
- Bunlar
- onlar
- işler
- Re-Tweet
- Bu
- eşik
- İçinden
- verim
- zaman
- için
- üst
- iz
- Tren
- eğitilmiş
- Eğitim
- Seyahat
- tedavi etmek
- denenmiş
- denemek
- ayarlanmış
- iki
- tip
- türleri
- altında
- çizgi
- benzersiz
- birim
- birimleri
- istenmeyen
- Güncelleme
- kullanım
- kullanım durumu
- Kullanılmış
- kullanıcılar
- kullanım
- kullanma
- geçerli
- değer
- Değerler
- çeşitli
- Geniş
- çok
- Görüntüle
- Gösterim
- hacim
- beklemek
- istemek
- istiyor
- Yol..
- yolları
- we
- ağ
- web hizmetleri
- web siteleri
- İYİ
- Ne
- Nedir
- ne zaman
- hangi
- süre
- beyaz
- irade
- ile
- içinde
- olmadan
- sözler
- İş
- çalışma
- egzersiz yapmak
- çalışır
- Dünya
- Dünyanın en
- yazı yazıyor
- yazılı
- Sen
- zefirnet