Цю публікацію спільно написали Рамдев Вудалі та Кіран Мантріпрагада з Thomson Reuters.
У 1992, Thomson Reuters (TR) випустила свою першу юридичну дослідницьку службу штучного інтелекту WIN (Westlaw Is Natural), інновацію на той час, оскільки більшість пошукових систем підтримували лише логічні терміни та сполучники. Відтоді TR досягла ще багатьох віх, оскільки кількість і різноманітність її продуктів і послуг штучного інтелекту постійно зростає, підтримуючи професіоналів з питань юриспруденції, оподаткування, бухгалтерського обліку, відповідності та новинних служб у всьому світі, завдяки мільярдам ідей машинного навчання (ML) щороку. .
З цим величезним збільшенням сервісів штучного інтелекту наступною віхою для TR стало оптимізація інновацій і сприяння співпраці. Стандартизуйте розробку та повторне використання рішень штучного інтелекту в бізнес-функціях і особах практиків штучного інтелекту, забезпечуючи при цьому дотримання найкращих корпоративних практик:
- Автоматизуйте та стандартизуйте повторювані недиференційовані інженерні зусилля
- Забезпечте необхідну ізоляцію та контроль конфіденційних даних відповідно до загальних стандартів управління
- Забезпечте легкий доступ до масштабованих обчислювальних ресурсів
Щоб виконати ці вимоги, TR побудував платформу Enterprise AI навколо таких п’яти стовпів: служба даних, робочий простір для експериментів, центральний реєстр моделей, служба розгортання моделі та моніторинг моделі.
У цьому дописі ми обговорюємо, як TR і AWS співпрацювали, щоб розробити першу в історії платформу TR Enterprise AI Platform, веб-інструмент, який надавав би різноманітні можливості від експериментів з машинним навчанням, навчання, центрального реєстру моделей, розгортання моделі та моніторингу моделі. Усі ці можливості розроблено відповідно до стандартів безпеки TR, що постійно розвиваються, і забезпечує прості, безпечні та сумісні послуги кінцевим користувачам. Ми також розповідаємо про те, як TR увімкнув моніторинг і управління для моделей ML, створених у різних бізнес-підрозділах за допомогою єдиного скла.
Виклики
Історично склалося так, що в TR ML був можливістю для команд з передовими науковцями та інженерами даних. Команди з висококваліфікованими ресурсами змогли впровадити складні процеси ML відповідно до своїх потреб, але швидко стали дуже відособленими. Відокремлені підходи не забезпечували жодної видимості для забезпечення управління надзвичайно важливими прогнозами прийняття рішень.
Бізнес-команди TR мають величезні знання в цій галузі; однак технічні навички та значні інженерні зусилля, необхідні для ML, ускладнюють використання їхнього глибокого досвіду для вирішення бізнес-проблем за допомогою потужності ML. TR хоче демократизувати навички, зробивши їх доступними для більшої кількості людей в організації.
Різні команди в TR дотримуються власних практик і методологій. TR хоче створити можливості, які охоплюють життєвий цикл машинного навчання для своїх користувачів, щоб прискорити виконання проектів машинного навчання, дозволяючи командам зосереджуватися на бізнес-цілях, а не на повторюваних недиференційованих інженерних зусиллях.
Крім того, нормативні акти щодо даних і етичного штучного інтелекту продовжують розвиватися, вимагаючи загальних стандартів управління для всіх рішень TR від ШІ.
Огляд рішення
Платформа корпоративного штучного інтелекту TR була розроблена для надання простих і стандартизованих послуг різним особам, пропонуючи можливості для кожного етапу життєвого циклу машинного навчання. TR визначив п’ять основних категорій, які модульують усі вимоги TR:
- Служба передачі даних – Для забезпечення легкого та безпечного доступу до корпоративних даних
- Робоча область для експериментів – Надати можливість експериментувати та навчати моделі ML
- Центральний модельний реєстр – Корпоративний каталог для моделей, створених у різних бізнес-підрозділах
- Сервіс розгортання моделі – Забезпечити різні варіанти розгортання логічних висновків відповідно до корпоративних практик CI/CD TR
- Сервіси моніторингу моделей – Забезпечити можливості для моніторингу даних і моделювання зміщень і дрейфів
Як показано на наведеній нижче схемі, ці мікросервіси створено з урахуванням кількох ключових принципів:
- Усуньте недиференційовані інженерні зусилля від користувачів
- Надайте необхідні можливості одним натисканням кнопки
- Захистіть і керуйте всіма можливостями відповідно до корпоративних стандартів TR
- Візьміть із собою одну скляну панель для занять ММ
Мікросервіси платформи штучного інтелекту TR побудовані за допомогою Amazon SageMaker як основний двигун, безсерверні компоненти AWS для робочих процесів і служби AWS DevOps для практики CI/CD. Студія SageMaker використовується для експериментів і навчання, а реєстр моделей SageMaker використовується для реєстрації моделей. Центральний реєстр моделей складається як з реєстру моделей SageMaker, так і з Amazon DynamoDB таблиці. Послуги хостингу SageMaker використовуються для розгортання моделей, а Монітор моделі SageMaker та SageMaker Уточнити використовуються для моніторингу моделей на дрейф, зміщення, користувальницькі метричні калькулятори та можливість пояснення.
У наступних розділах детально описано ці послуги.
Служба передачі даних
Традиційний життєвий цикл проекту ML починається з пошуку даних. Загалом дослідники даних витрачають 60% або більше свого часу на пошук потрібних даних, коли вони їм потрібні. Як і кожна організація, TR має кілька сховищ даних, які служать єдиною точкою істини для різних доменів даних. TR визначила два ключових корпоративних сховища даних, які надають дані для більшості випадків використання ML: сховище об’єктів і сховище реляційних даних. TR створила службу даних платформи штучного інтелекту, щоб безперешкодно надавати доступ до обох сховищ даних із робочих просторів користувачів для експериментів і звільнити користувачів від навігації складними процесами для самостійного отримання даних. Платформа штучного інтелекту TR відповідає всім вимогам і найкращим практикам, визначеним групою управління даними та моделлю. Це включає в себе обов’язкову оцінку впливу даних, яка допомагає фахівцям з ML зрозуміти та дотримуватися етичного та належного використання даних, з офіційними процесами затвердження для забезпечення належного доступу до даних. Основою цієї послуги, як і всіх послуг платформи, є безпека та відповідність вимогам згідно з найкращими практиками, визначеними TR та галуззю.
Служба простого зберігання Amazon (Amazon S3) сховище об’єктів діє як озеро даних вмісту. TR створив процеси для безпечного доступу до даних з озера даних вмісту в експериментальних робочих просторах користувачів, зберігаючи необхідні авторизацію та перевірку. Snowflake використовується як корпоративне реляційне первинне сховище даних. За запитом користувача та на основі схвалення власника даних служба обробки даних платформи штучного інтелекту надає користувачеві миттєвий знімок даних, доступний у його робочому просторі експериментів.
Доступ до даних з різних джерел є технічною проблемою, яку можна легко вирішити. Але складність, яку вирішив TR, полягає в тому, щоб побудувати робочі процеси затвердження, які автоматизують ідентифікацію власника даних, надсилання запиту на доступ, переконання, що власник даних сповіщений про те, що у нього є незавершений запит на доступ, і на основі статусу схвалення вживають заходів для надання даних запитувач. Усі події протягом цього процесу відстежуються та реєструються для перевірки та відповідності.
Як показано на наступній діаграмі, TR використовує Функції кроку AWS організувати робочий процес і AWS Lambda для запуску функціональності. API -шлюз Amazon використовується для надання функціональних можливостей із кінцевою точкою API, яка буде використовуватися з їх веб-порталу.
Експериментування та розробка моделі
Важливою можливістю для стандартизації життєвого циклу машинного навчання є середовище, яке дозволяє дослідникам даних експериментувати з різними рамками машинного навчання та розмірами даних. Увімкнення такого безпечного, сумісного середовища в хмарі за лічені хвилини звільняє спеціалістів із обробки даних від тягаря обробки хмарної інфраструктури, мережевих вимог і стандартів безпеки, щоб замість цього зосередитися на проблемі науки про дані.
TR створює експериментальний робочий простір, який пропонує доступ до таких послуг, як Клей AWS, Amazon EMRі SageMaker Studio для обробки даних і можливостей машинного навчання відповідно до корпоративних стандартів хмарної безпеки та необхідної ізоляції облікових записів для кожного бізнес-підрозділу. Під час впровадження рішення TR зіткнувся з такими проблемами:
- Оркестровка на початку не була повністю автоматизованою та включала кілька ручних кроків. Відстежити, де виникають проблеми, було нелегко. TR подолав цю помилку, організувавши робочі процеси за допомогою покрокових функцій. З використанням Step Functions побудова складних робочих процесів, керування станами та обробка помилок стали набагато легшими.
- правильний Управління ідентифікацією та доступом AWS (IAM) визначення ролі для робочого простору експериментів було важко визначити. Щоб відповідати внутрішнім стандартам безпеки TR і моделі найменших привілеїв, спочатку роль робочого простору була визначена за допомогою вбудованих політик. Як наслідок, вбудована політика з часом зростала та стала багатослівною, перевищуючи ліміт розміру політики, дозволений для ролі IAM. Щоб пом’якшити це, TR перейшов на використання політик, керованих клієнтом, і посилання на них у визначенні ролі робочої області.
- Час від часу TR досягав обмежень ресурсів за умовчанням, які застосовуються на рівні облікового запису AWS. Це спричиняло випадкові збої під час запуску завдань SageMaker (наприклад, завдань навчання) через досягнення ліміту бажаного типу ресурсу. Над цим питанням TR тісно співпрацював із командою обслуговування SageMaker. Цю проблему було вирішено після того, як команда AWS запустила SageMaker як підтримувану службу в Квоти послуг У червні 2022.
Сьогодні дослідники обробки даних у TR можуть запустити проект МЛ, створивши незалежний робочий простір і додавши необхідних членів команди для співпраці. Необмежений масштаб, пропонований SageMaker, у них під рукою, надаючи їм власні образи ядра з різними розмірами. SageMaker Studio швидко стала ключовим компонентом платформи штучного інтелекту TR і змінила поведінку користувачів від використання обмежених настільних додатків до масштабованих і ефемерних спеціально створених механізмів. Наступна діаграма ілюструє цю архітектуру.
Центральний модельний реєстр
Реєстр моделей забезпечує центральне сховище для всіх моделей машинного навчання TR, дає змогу стандартизовано керувати ризиками та працездатністю цих моделей у бізнес-функціях, а також спрощує потенційне повторне використання моделей. Тому сервісу необхідно було зробити наступне:
- Забезпечте можливість реєстрації як нових, так і застарілих моделей, розроблених у SageMaker чи поза ним
- Впроваджуйте робочі процеси управління, дозволяючи дослідникам обробки даних, розробникам і зацікавленим сторонам переглядати життєвий цикл моделей і спільно керувати ними
- Підвищте прозорість і співпрацю, створивши централізований перегляд усіх моделей у TR разом із метаданими та показниками стану
TR розпочав розробку лише з реєстру моделей SageMaker, але однією з ключових вимог TR є надання можливості реєстрації моделей, створених поза SageMaker. TR оцінював різні реляційні бази даних, але зрештою вибрав DynamoDB, оскільки схема метаданих для моделей, що надходять із застарілих джерел, буде дуже різною. TR також не хотів нав’язувати користувачам жодної додаткової роботи, тому вони запровадили безперебійну автоматичну синхронізацію між реєстрами SageMaker робочої області платформи штучного інтелекту та центральним реєстром SageMaker за допомогою Amazon EventBridge правила та необхідні ролі IAM. TR розширив центральний реєстр за допомогою DynamoDB, щоб розширити можливості реєстрації застарілих моделей, створених на робочих столах користувачів.
Центральний реєстр моделей платформи штучного інтелекту TR інтегрований у портал платформи штучного інтелекту та надає візуальний інтерфейс для пошуку моделей, оновлення метаданих моделі та розуміння базових показників моделі та метрик періодичного спеціального моніторингу. Наступна діаграма ілюструє цю архітектуру.
Розгортання моделі
TR визначив два основних шаблони для автоматизації розгортання:
- Моделі, розроблені за допомогою SageMaker через завдання пакетного перетворення SageMaker, щоб отримати висновки за бажаним розкладом
- Моделі, розроблені за межами SageMaker на локальних настільних комп’ютерах із використанням бібліотек з відкритим вихідним кодом, за допомогою підходу до вашого власного контейнера з використанням завдань обробки SageMaker для запуску спеціального коду висновку, як ефективного способу міграції цих моделей без рефакторингу коду
Завдяки службі розгортання платформи штучного інтелекту користувачі TR (науковці даних та інженери ML) можуть ідентифікувати модель із каталогу та розгорнути завдання виведення у вибраний ними обліковий запис AWS, надаючи необхідні параметри через робочий процес, керований інтерфейсом користувача.
TR автоматизував це розгортання за допомогою таких служб AWS DevOps AWS CodePipeline та AWS CodeBuild. TR використовує покрокові функції для організації робочого процесу читання та попередньої обробки даних для створення завдань висновку SageMaker. TR розгортає необхідні компоненти як код за допомогою AWS CloudFormation шаблони. Наступна діаграма ілюструє цю архітектуру.
Моніторинг моделі
Життєвий цикл ML не є повним без можливості моніторингу моделей. Команда корпоративного управління TR також зобов’язує та заохочує бізнес-команди контролювати ефективність своєї моделі з часом, щоб вирішити будь-які нормативні проблеми. TR почався з моделей моніторингу та даних для дрейфу. TR використовував монітор моделі SageMaker, щоб забезпечити базову лінію даних і правдивість висновків, щоб періодично відстежувати, як дані та висновки TR дрейфують. Разом із показниками моніторингу моделей SageMaker компанія TR розширила можливості моніторингу, розробивши користувацькі показники, специфічні для їхніх моделей. Це допоможе дослідникам даних TR зрозуміти, коли слід перенавчати свою модель.
Окрім моніторингу дрейфу, TR також хоче зрозуміти упередженість у моделях. Готові можливості SageMaker Clarify використовуються для створення служби упередженості TR. TR відстежує зміщення як даних, так і моделей і робить ці показники доступними для своїх користувачів через портал AI Platform.
Щоб допомогти всім командам прийняти ці корпоративні стандарти, TR зробив ці служби незалежними та легкодоступними через портал AI Platform. Бізнес-команди TR можуть зайти на портал і розгорнути завдання моніторингу моделі або завдання моніторингу упередженості самостійно та запустити їх за бажаним розкладом. Вони отримують сповіщення про статус завдання та показники для кожного запуску.
TR використовував служби AWS для розгортання CI/CD, оркестровки робочого процесу, безсерверних фреймворків і кінцевих точок API для створення мікросервісів, які можна запускати незалежно, як показано на наступній архітектурі.
Результати та майбутні вдосконалення
Платформа штучного інтелекту від TR запрацювала в третьому кварталі 3 року з усіма п’ятьма основними компонентами: службою даних, робочим простором для експериментів, центральним реєстром моделей, розгортанням моделі та моніторингом моделі. Компанія TR провела внутрішні тренінги для своїх бізнес-підрозділів щодо роботи на платформі та запропонувала їм навчальні відео для самостійного керування.
Платформа AI надала командам TR можливості, яких ніколи раніше не існувало; це відкрило широкий спектр можливостей для команди управління підприємством TR для вдосконалення стандартів відповідності та централізації реєстру, забезпечуючи єдиний огляд усіх моделей ML у TR.
TR визнає, що жоден продукт не є найкращим у своєму первинному випуску. Усі компоненти TR знаходяться на різних рівнях зрілості, а команда TR Enterprise AI Platform перебуває на етапі безперервного вдосконалення, щоб постійно вдосконалювати функції продукту. Поточна лінія вдосконалення TR включає додавання додаткових параметрів висновку SageMaker, таких як кінцеві точки в реальному часі, асинхронні та багатомодельні. TR також планує додати пояснюваність моделі як функцію до своєї служби моніторингу моделей. TR планує використовувати можливості пояснення SageMaker Clarify для розробки внутрішньої служби пояснення.
Висновок
Тепер TR може безпечно обробляти величезні обсяги даних і використовувати розширені можливості AWS, щоб перевести проект МЛ від ідеї до виробництва за кілька тижнів, порівняно з місяцями, які потрібні були раніше. Завдяки готовим можливостям сервісів AWS команди TR можуть вперше реєструвати та контролювати моделі машинного навчання, досягаючи відповідності своїм стандартам керування моделями, що розвиваються. TR дав змогу спеціалістам із обробки даних і командам із розробки продуктів ефективно розкрити свій творчий потенціал для вирішення найскладніших проблем.
Щоб дізнатися більше про корпоративну платформу штучного інтелекту TR на AWS, перегляньте Сеанс AWS re:Invent 2022. Якщо ви хочете дізнатися, як TR прискорив використання машинного навчання за допомогою Лабораторія даних AWS програми, зверніться до тематичне дослідження.
Про авторів
Рамдев Вудалі є архітектором даних, який допомагає розробити та побудувати платформу AI/ML, щоб науковці та дослідники даних могли розробляти рішення машинного навчання, зосереджуючись на науці про дані, а не на потребах інфраструктури. У вільний час він любить складати папір, створюючи мозаїки орігамі, і носити нешанобливі футболки.
Кіран Мантрипрагада є старшим директором AI Platform у Thomson Reuters. Команда платформи штучного інтелекту відповідає за створення програмного забезпечення штучного інтелекту виробничого рівня, а також за роботу дослідників даних і машинного навчання. Маючи пристрасть до науки, ШІ та інженерії, Кіран любить подолати розрив між дослідженнями та виробництвом, щоб донести справжні інновації ШІ до кінцевих споживачів.
Бхавана Чірумамілла є старшим постійним архітектором AWS. Вона захоплена операціями з даними та машинним навчанням і з великим ентузіазмом допомагає підприємствам розробляти стратегії обробки даних і машинного навчання. У вільний час вона насолоджується подорожами з родиною, походами, садівництвом і переглядом документальних фільмів.
Шрініваса Шейк є архітектором рішень в AWS у Бостоні. Він допомагає корпоративним клієнтам прискорити їх шлях до хмари. Він захоплюється контейнерами та технологіями машинного навчання. У вільний час любить проводити час із сім’єю, готувати їжу та подорожувати.
Цінвей Лі є спеціалістом з машинного навчання в Amazon Web Services. Він отримав ступінь доктора філософії в галузі операційних досліджень після того, як зламав рахунок гранту на дослідження свого радника і не зміг присудити Нобелівську премію, яку він обіцяв. Зараз він допомагає клієнтам у сфері фінансових послуг і страхування створювати рішення машинного навчання на AWS. У вільний час любить читати та викладати.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- Платоблокчейн. Web3 Metaverse Intelligence. Розширені знання. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-built-an-ai-platform-using-amazon-sagemaker-to-accelerate-delivery-of-ml-projects/
- 100
- 2022
- 7
- a
- Здатний
- МЕНЮ
- прискорювати
- прискорений
- доступ
- доступною
- За
- рахунки
- бухгалтерський облік
- досягнутий
- досягнення
- набувати
- через
- дію
- акти
- Додатковий
- адреса
- прийняти
- просунутий
- після
- AI
- Платформа AI
- Послуги ШІ
- AI / ML
- ВСІ
- дозволяє
- пліч-о-пліч
- Amazon
- Amazon SageMaker
- Amazon Web Services
- суми
- та
- API
- застосування
- прикладної
- підхід
- підходи
- твердження
- архітектура
- навколо
- авторизації
- автоматизувати
- Автоматизований
- автоматичний
- доступний
- AWS
- заснований
- Базова лінія
- оскільки
- перед тим
- буття
- КРАЩЕ
- передового досвіду
- між
- зміщення
- мільярди
- Бостон
- BRIDGE
- приносити
- Приносить
- Зламав
- будувати
- Створюємо
- Будує
- побудований
- тягар
- бізнес
- господарська діяльність
- можливості
- випадків
- каталог
- категорії
- викликаний
- центральний
- централізована
- проблеми
- перевірка
- Вибираючи
- вибраний
- тісно
- хмара
- інфраструктура хмари
- Хмара безпеки
- код
- співпрацювати
- співпрацював
- співробітництво
- колективно
- майбутній
- загальний
- порівняний
- повний
- комплекс
- складність
- дотримання
- поступливий
- компонент
- Компоненти
- У складі
- обчислення
- спожитий
- Споживачі
- Контейнер
- Контейнери
- зміст
- продовжувати
- безперервний
- контроль
- Core
- створювати
- створений
- створення
- креативність
- критичний
- вирішальне значення
- Поточний
- В даний час
- виготовлений на замовлення
- Клієнти
- дані
- Озеро даних
- обробка даних
- наука про дані
- базами даних
- Прийняття рішень
- глибокий
- глибока експертиза
- дефолт
- доставляти
- доставка
- демократизувати
- розгортання
- розгортання
- розгортає
- описувати
- дизайн
- робочий стіл
- деталь
- певний
- розвивати
- розвиненою
- розробників
- розвивається
- розробка
- різний
- важкий
- Директор
- обговорювати
- документальні фільми
- домен
- домени
- вниз
- Рано
- легше
- легко
- фактично
- ефективний
- зусилля
- уповноважений
- включіть
- включений
- дозволяє
- дозволяє
- заохочує
- Кінцева точка
- двигун
- Машинобудування
- Інженери
- Двигуни
- підвищена
- забезпечувати
- забезпечення
- підприємство
- підприємств
- ентузіазм
- Навколишнє середовище
- помилка
- істотний
- етичний
- оцінюється
- Події
- НІКОЛИ
- еволюціонувати
- еволюціонує
- приклад
- експеримент
- експертиза
- продовжити
- надзвичайно
- фасилітувати
- не вдалося
- сім'я
- особливість
- риси
- кілька
- остаточний
- фінансовий
- фінансова служба
- знайти
- виявлення
- Перший
- перший раз
- Сфокусувати
- фокусування
- стежити
- після
- слідує
- формальний
- каркаси
- від
- Виконати
- повністю
- функціональність
- Функції
- майбутнє
- розрив
- Загальне
- генерується
- отримати
- скло
- Go
- Цілі
- управління
- надавати
- Земля
- Зростання
- Обробка
- Жорсткий
- здоров'я
- допомога
- допомогу
- допомагає
- дуже
- хостинг
- Як
- Однак
- HTML
- HTTPS
- ідентифікований
- ідентифікувати
- ідентифікує
- Особистість
- зображень
- Impact
- здійснювати
- реалізовані
- реалізації
- накладений
- удосконалювати
- in
- includes
- Augmenter
- незалежний
- самостійно
- промисловість
- Інфраструктура
- початковий
- інновація
- розуміння
- замість
- страхування
- інтегрований
- інтерфейс
- внутрішній
- залучений
- ізоляція
- питання
- IT
- робота
- Джобс
- подорож
- ключ
- Знати
- знання
- озеро
- запуск
- запущений
- запуск
- УЧИТЬСЯ
- вивчення
- Legacy
- легальний
- рівень
- рівні
- libraries
- МЕЖА
- рамки
- жити
- місцевий
- машина
- навчання за допомогою машини
- made
- основний
- РОБОТИ
- Робить
- управляти
- управління
- управління
- мандатів
- манера
- керівництво
- багато
- зрілість
- заходи
- члени
- метадані
- методології
- метрика
- Метрика
- мікросервіс
- мігрувати
- віха
- Основні етапи
- mind
- хвилин
- Пом'якшити
- ML
- модель
- Моделі
- монітор
- моніторинг
- монітори
- місяців
- більше
- найбільш
- множинний
- Природний
- Переміщення
- Необхідність
- потреби
- мережа
- Нові
- новини
- наступний
- Нобелівська премія
- номер
- об'єкт
- іноді
- запропонований
- пропонує
- Пропозиції
- Onboard
- ONE
- з відкритим вихідним кодом
- відкритий
- операції
- Опції
- оркестровка
- організація
- спочатку
- поза
- власний
- власник
- pane
- Папір
- параметри
- пристрасть
- пристрасний
- моделі
- Люди
- продуктивність
- періодичний
- фаза
- трубопровід
- планування
- плани
- платформа
- plato
- Інформація про дані Платона
- PlatoData
- точка
- Політика
- політика
- Портал
- можливостей
- пошта
- потенціал
- влада
- практики
- Прогнози
- переважним
- первинний
- Принципи
- приз
- Проблема
- проблеми
- процес
- процеси
- обробка
- Product
- Production
- Продукти
- професіонали
- програма
- проект
- проектів
- пообіцяв
- забезпечувати
- за умови
- забезпечує
- забезпечення
- Q3
- q3 2022
- швидко
- діапазон
- ранжування
- RE
- досяг
- читання
- реальний
- реального часу
- отримано
- реєструвати
- реєстру
- правила
- регуляторні
- звільнити
- випущений
- видаляти
- Сховище
- запросити
- вимагається
- Вимога
- дослідження
- Дослідники
- ресурс
- ресурси
- відповідальний
- Reuters
- Risk
- Роль
- ролі
- Правила
- прогін
- мудрець
- Висновок SageMaker
- масштабовані
- шкала
- розклад
- наука
- Вчені
- безшовні
- плавно
- Пошук
- Пошукові системи
- розділам
- безпечний
- Забезпечений
- безпечно
- безпеку
- відправка
- старший
- чутливий
- служити
- Без сервера
- обслуговування
- Послуги
- сесіях
- кілька
- Поділитись
- показаний
- простий
- з
- один
- Розмір
- розміри
- кваліфікований
- навички
- Знімок
- So
- Софтвер
- рішення
- Рішення
- ВИРІШИТИ
- Джерела
- спеціаліст
- конкретний
- витрачати
- Витрати
- Стажування
- зацікавлених сторін
- стандартизації
- стандартів
- почалася
- починається
- Штати
- Статус
- Крок
- заходи
- зберігання
- зберігати
- магазинів
- стратегії
- раціоналізувати
- студія
- такі
- Підтриманий
- Підтримуючий
- переключено
- синхронізація
- таблиця
- Приймати
- податок
- Навчання
- команда
- команди
- технічний
- технічні навички
- Технології
- Шаблони
- terms
- Команда
- їх
- отже
- Thomson Reuters
- через
- по всьому
- час
- до
- інструмент
- Відстеження
- традиційний
- поїзд
- Навчання
- Перетворення
- прозорість
- Подорож
- величезний
- спрацьовує
- розуміти
- блок
- одиниць
- розв'язати
- необмежений
- Оновити
- використання
- користувач
- користувачі
- різноманітність
- різний
- величезний
- через
- Відео
- вид
- видимість
- спостереження
- Web
- веб-сервіси
- Web-Based
- тижня
- Чи
- в той час як
- широкий
- Широкий діапазон
- волі
- виграти
- в
- без
- Work
- працював
- Робочі процеси
- світовий
- б
- рік
- вашу
- зефірнет