Співавтором цієї публікації є Деріл Мартіс, директор із продуктів Salesforce Einstein AI.
Це третя публікація в серії, в якій обговорюється інтеграція Salesforce Data Cloud і Amazon SageMaker.
In Частина 1 та Частина 2, ми показуємо, як інтеграція Salesforce Data Cloud і Einstein Studio з SageMaker дозволяє компаніям отримувати безпечний доступ до своїх даних Salesforce за допомогою SageMaker і використовувати його інструменти для створення, навчання та розгортання моделей на кінцевих точках, розміщених на SageMaker. Кінцеві точки SageMaker можна зареєструвати в Salesforce Data Cloud, щоб активувати прогнози в Salesforce.
У цій публікації ми демонструємо, як бізнес-аналітики та дослідники даних громадян можуть створювати моделі машинного навчання (ML) без будь-якого коду в Canvas Amazon SageMaker і розгорнути навчені моделі для інтеграції з Salesforce Einstein Studio для створення потужних бізнес-додатків. SageMaker Canvas забезпечує доступ до даних із Salesforce Data Cloud, а також створення, тестування та розгортання моделей лише кількома клацаннями миші. SageMaker Canvas також дає змогу зрозуміти ваші прогнози за допомогою важливості функцій і значень SHAP, що спрощує пояснення прогнозів, зроблених моделями ML.
Полотно SageMaker
SageMaker Canvas дає змогу бізнес-аналітикам і командам із вивчення даних створювати та використовувати моделі машинного навчання та генеративні моделі ШІ без необхідності писати жодного рядка коду. SageMaker Canvas надає візуальний інтерфейс «наведіть і клацніть» для створення точних передбачень ML для класифікації, регресії, прогнозування, обробки природної мови (NLP) і комп’ютерного зору (CV). Крім того, ви можете отримати доступ і оцінити базові моделі (FM) з Amazon Bedrock або публічні FM-повідомлення від Amazon SageMaker JumpStart для створення вмісту, вилучення тексту та підсумовування тексту для підтримки генеративних рішень ШІ. SageMaker Canvas дозволяє створюйте моделі ML куди завгодно і створювати прогнози безпосередньо в SageMaker Canvas.
Salesforce Data Cloud і Einstein Studio
Salesforce Data Cloud — це платформа даних, яка надає компаніям оновлення даних про клієнтів у режимі реального часу з будь-якої точки дотику.
Einstein Studio — це шлюз до інструментів ШІ в Salesforce Data Cloud. За допомогою Einstein Studio адміністратори та дослідники даних можуть легко створювати моделі кількома клацаннями миші або за допомогою коду. Досвід створення власної моделі Einstein Studio (BYOM) надає можливість підключати власні або генеративні моделі ШІ із зовнішніх платформ, таких як SageMaker, до Salesforce Data Cloud.
Огляд рішення
Щоб продемонструвати, як ви можете створювати моделі ML, використовуючи дані в Salesforce Data Cloud за допомогою SageMaker Canvas, ми створюємо прогностичну модель, щоб рекомендувати продукт. Ця модель використовує функції, що зберігаються в Salesforce Data Cloud, як-от демографічні дані клієнтів, маркетингові взаємодії та історія покупок. Модель рекомендацій продукту створено та розгорнуто за допомогою інтерфейсу користувача SageMaker Canvas без коду з використанням даних у Salesforce Data Cloud.
Ми використовуємо наступне зразок набору даних зберігається в Служба простого зберігання Amazon (Amazon S3). Щоб використовувати цей набір даних у Salesforce Data Cloud, див Створіть потік даних Amazon S3 у Data Cloud. Для створення моделі потрібні такі атрибути:
- Член клубу – Якщо клієнт є членом клубу
- Кампанія – Кампанія, частиною якої є клієнт
- стан – Штат або провінція, у якій проживає клієнт
- місяць – Місяць покупки
- Підрахунок випадків – Кількість випадків, порушених замовником
- Повернення типу справи – Чи повертав клієнт будь-який продукт протягом останнього року
- Тип корпусу Відправка пошкоджена – Чи були у клієнта пошкоджені відправлення протягом останнього року
- Оцінка залученості – Рівень залученості клієнта (реакція на розсилку, вхід в інтернет-магазин тощо)
- Перебування на посаді – Тривалість відносин клієнта з компанією
- Щиглики – Середня кількість кліків, які клієнт зробив протягом тижня до покупки
- Відвідані сторінки – Середня кількість сторінок, які клієнт відвідав протягом тижня до покупки
- Товар куплений – фактично придбаний товар
Наступні кроки дають огляд того, як використовувати конектор Salesforce Data Cloud, запущений у SageMaker Canvas, для доступу до корпоративних даних і створення прогнозної моделі:
- Налаштуйте підключену програму Salesforce для реєстрації домену SageMaker Canvas.
- Налаштуйте OAuth для Salesforce Data Cloud у SageMaker Canvas.
- Підключіться до даних Salesforce Data Cloud за допомогою вбудованого конектора Salesforce Data Cloud SageMaker Canvas та імпортуйте набір даних.
- Створюйте та навчайте моделі в SageMaker Canvas.
- Розгорніть модель у SageMaker Canvas і зробіть прогнози.
- Розгорнути API -шлюз Amazon кінцева точка як зовнішнє підключення до кінцевої точки висновку SageMaker.
- Зареєструйте кінцеву точку API Gateway в Einstein Studio. Інструкції див Перенесіть власні моделі штучного інтелекту в хмару даних.
Наступна діаграма ілюструє архітектуру рішення.
Передумови
Перш ніж почати, виконайте наступні кроки, необхідні для створення домену SageMaker і ввімкнення SageMaker Canvas:
- створити Студія Amazon SageMaker домен. Інструкції див На борту до домену Amazon SageMaker.
- Занотуйте ідентифікатор домену та роль виконання, яка створена та використовуватиметься вашим профілем користувача. Ви додаєте дозволи для цієї ролі в наступних кроках.
На наступному знімку екрана показано домен, який ми створили для цієї публікації.
- Далі перейдіть до профілю користувача та виберіть Редагувати.
- перейдіть до Налаштування Amazon SageMaker Canvas розділ і виберіть Увімкнути базові дозволи Canvas.
- Select Увімкнути пряме розгортання моделей Canvas та Увімкніть дозволи реєстру моделі для всіх користувачів.
Це дозволяє SageMaker Canvas розгортати моделі на кінцевих точках на консолі SageMaker. Ці параметри можна налаштувати на рівні домену або профілю користувача. Налаштування профілю користувача мають пріоритет над налаштуваннями домену.
Створіть або оновіть підключену програму Salesforce
Далі ми створюємо підключену програму Salesforce, щоб увімкнути потік OAuth від SageMaker Canvas до Salesforce Data Cloud. Виконайте наступні дії:
- Увійдіть у Salesforce і перейдіть до Setup.
- Шукати App Manager і створіть нову підключену програму.
- Надайте такі вхідні дані:
- для Назва підключеної програми, введіть ім'я.
- для Назва API, залиште за замовчуванням (заповнюється автоматично).
- для Контактна адреса електронної пошти, введіть свою контактну електронну адресу.
- Select Увімкніть налаштування OAuth.
- для URL -адреса зворотного дзвінка, введіть
https://<domain-id>.studio.<region>.sagemaker.aws/canvas/default/lab
і надайте ідентифікатор домену та регіон із вашого домену SageMaker.
- Налаштуйте такі області у підключеній програмі:
- Керуйте даними користувача через API (
api
). - Виконувати запити в будь-який час (
refresh_token
,offline_access
). - Виконуйте запити ANSI SQL до даних Salesforce Data Cloud (Data
Cloud_query_api
). - Керувати даними профілю Data Cloud (
Data Cloud_profile_api
). - Отримайте доступ до служби ідентифікації URL (
id
,profile
,email
,address
,phone
). - Доступ до унікальних ідентифікаторів користувача (
openid
).
- Керуйте даними користувача через API (
- Налаштуйте підключену програму IP Релаксація налаштування на Послабте обмеження IP.
Налаштуйте параметри OAuth для конектора Salesforce Data Cloud
Використання SageMaker Canvas Менеджер секретів AWS для безпечного зберігання інформації про підключення з підключеної програми Salesforce. SageMaker Canvas дозволяє адміністраторам налаштовувати параметри OAuth для окремого профілю користувача або на рівні домену. Зверніть увагу, що ви можете додати секрет як до домену, так і до профілю користувача, але SageMaker Canvas спочатку шукає секрети в профілі користувача.
Щоб налаштувати параметри OAuth, виконайте такі дії:
- Перейдіть до редагування параметрів домену або профілю користувача в SageMaker Console.
- Вибирати Налаштування полотна у навігаційній панелі.
- під Налаштування OAuth, Для Джерело данихвиберіть Хмара даних Salesforce.
- для Секретне налаштування, ви можете створити новий секрет або використати наявний секрет. У цьому прикладі ми створюємо новий секрет і вводимо ідентифікатор клієнта та секрет клієнта з підключеної програми Salesforce.
Докладніше про ввімкнення OAuth у SageMaker Canvas див Налаштуйте OAuth для Salesforce Data Cloud.
На цьому налаштування завершено, щоб увімкнути доступ до даних із Salesforce Data Cloud до SageMaker Canvas для створення моделей AI та ML.
Імпорт даних із Salesforce Data Cloud
Щоб імпортувати дані, виконайте такі дії:
- З профілю користувача, який ви створили у своєму домені SageMaker, виберіть Запуск і виберіть Полотно.
Під час першого доступу до програми Canvas створення займе близько 10 хвилин.
- Вибирати Data Wrangler у навігаційній панелі.
- на Створювати меню, виберіть Табличний щоб створити табличний набір даних.
- Назвіть набір даних і виберіть Створювати.
- для Джерело данихвиберіть Хмара даних Salesforce та Додати підключення щоб імпортувати об’єкт озера даних.
Якщо ви раніше налаштували підключення до Salesforce Data Cloud, ви побачите опцію використовувати це підключення замість створення нового.
- Введіть ім’я для нового з’єднання Salesforce Data Cloud і виберіть Додати підключення.
Це займе кілька хвилин.
- Ви будете перенаправлені до Вхід в Salesforce сторінку авторизації підключення.
Після успішного входу запит буде перенаправлено назад до SageMaker Canvas зі списком об’єктів Data Lake.
- Виберіть набір даних, який містить функції для навчання моделі, які було завантажено через Amazon S3.
- Перетягніть файл і виберіть його Редагувати в SQL.
Salesforce додає a “__c
“ до всіх полів об’єкта Data Cloud. Відповідно до угоди про найменування Canvas SageMaker, ”__“
не допускається в іменах полів.
- Відредагуйте SQL, щоб перейменувати стовпці та видалити метадані, які не стосуються навчання моделі. Замініть назву таблиці назвою свого об’єкта.
- Вибирати Запустіть SQL , А потім Створити набір даних.
- Виберіть набір даних і виберіть Створіть модель.
- Щоб створити модель для прогнозування рекомендації продукту, введіть назву моделі та виберіть Прогностичний аналіз та цінності Тип проблеми, і вибрати Створювати.
Побудуйте та навчіть модель
Виконайте наступні кроки, щоб створити та навчити свою модель:
- Після запуску моделі встановіть цільовий стовпець на
product_purchased
.
SageMaker Canvas відображає ключові статистичні дані та кореляції кожного стовпця з цільовим стовпцем. SageMaker Canvas надає вам інструменти для попереднього перегляду моделі та перевірки даних перед початком створення.
- Використовуйте функцію попереднього перегляду моделі, щоб перевірити точність моделі та перевірити набір даних, щоб запобігти проблемам під час побудови моделі.
- Після перегляду даних і внесення будь-яких змін до набору даних виберіть тип збірки. The Швидка збірка варіант може бути швидшим, але він використовуватиме лише підмножину ваших даних для побудови моделі. Для цілей цієї публікації ми вибрали Стандартна збірка варіант.
Стандартне збирання може тривати 2–4 години.
SageMaker Canvas автоматично обробляє відсутні значення у вашому наборі даних під час створення моделі. Він також застосує інші підготовчі перетворення даних, щоб підготувати дані для ML.
- Коли ваша модель почне будуватися, ви можете залишити сторінку.
Коли модель показує як Готовий на Мої моделі сторінки, вона готова для аналізу та прогнозів.
- Після створення моделі перейдіть до My Моделівиберіть вид щоб переглянути створену вами модель, і вибрати найновішу версію.
- Перейти до Аналізувати щоб побачити вплив кожної функції на прогноз.
- Щоб отримати додаткову інформацію про прогнози моделі, перейдіть до Рахунок Вкладка.
- Вибирати Прогнозуйте щоб ініціювати прогноз продукту.
Розгорніть модель і зробіть прогнози
Виконайте наведені нижче кроки, щоб розгорнути свою модель і почати прогнозувати:
- Ви можете зробити пакетні або окремі прогнози. Для цілей цієї публікації ми вибираємо Єдине передбачення.
Коли ви обираєте Єдине передбачення, SageMaker Canvas відображає функції, для яких ви можете надати вхідні дані.
- Ви можете змінити значення, вибравши Оновити і переглядайте прогноз у реальному часі.
Буде відображено точність моделі, а також вплив кожної функції на цей конкретний прогноз.
- Щоб розгорнути модель, укажіть назву розгортання, виберіть тип і кількість екземплярів, а потім виберіть Розгортання.
Розгортання моделі займе кілька хвилин.
Статус моделі оновлено до У службі після успішного розгортання.
SageMaker Canvas надає можливість перевірити розгортання.
- Вибирати Детальніше.
Команда ПОДРОБИЦІ Вкладка містить деталі кінцевої точки моделі. Тип екземпляра, кількість, формат введення, вміст відповіді та кінцева точка – це деякі з ключових деталей, які відображаються.
- Вибирати Тестове розгортання щоб перевірити розгорнуту кінцеву точку.
Подібно до одноразового передбачення, представлення відображає функції введення та надає можливість оновлювати та тестувати кінцеву точку в реальному часі.
Новий прогноз разом із результатом виклику кінцевої точки повертається користувачеві.
Створіть API для показу кінцевої точки SageMaker
Щоб генерувати прогнози, які забезпечують роботу бізнес-додатків у Salesforce, вам потрібно відкрити кінцеву точку висновку SageMaker, створену вашим розгортанням SageMaker Canvas через API Gateway, і зареєструвати її в Salesforce Einstein.
Формати запитів і відповідей відрізняються між кінцевою точкою висновку Salesforce Einstein і SageMaker. Ви можете використовувати API Gateway для виконання перетворення або використовувати AWS Lambda щоб перетворити запит і відобразити відповідь. Відноситься до Викличте кінцеву точку моделі Amazon SageMaker за допомогою Amazon API Gateway і AWS Lambda щоб відкрити кінцеву точку SageMaker через Lambda та API Gateway.
Наступний фрагмент коду є лямбда-функцією для перетворення запиту та відповіді
Оновити endpoint
та prediction_label
значення у функції Лямбда на основі вашої конфігурації.
- Додайте змінну середовища
SAGEMAKER_ENDPOINT_NAME
щоб зафіксувати кінцеву точку висновку SageMaker. - Встановіть мітку прогнозу відповідно до вихідного ключа JSON моделі, зареєстрованого в Einstein Studio.
Час очікування за замовчуванням для функції лямбда становить 3 секунди. Залежно від розміру вхідного запиту передбачення, відповідь API SageMaker у реальному часі може зайняти більше 3 секунд.
- Збільште тайм-аут функції Лямбда, але залиште його нижче Час очікування інтеграції API Gateway за замовчуванням, що становить 29 секунд.
Зареєструйте модель у Salesforce Einstein Studio
Щоб зареєструвати кінцеву точку API Gateway в Einstein Studio, див Перенесіть власні моделі штучного інтелекту в хмару даних.
Висновок
У цій публікації ми пояснили, як можна використовувати SageMaker Canvas для підключення до Salesforce Data Cloud і генерувати прогнози за допомогою автоматизованих функцій ML без написання жодного рядка коду. Ми продемонстрували можливість побудови моделі SageMaker Canvas для попереднього перегляду продуктивності вашої моделі перед запуском стандартної побудови, яка навчає модель із повним набором даних. Ми також продемонстрували діяльність після створення моделі, як-от використання єдиного інтерфейсу прогнозів у SageMaker Canvas і розуміння ваших прогнозів за допомогою важливості функцій. Далі ми використали кінцеву точку SageMaker, створену в SageMaker Canvas, і зробили її доступною як API, щоб ви могли інтегрувати її з Salesforce Einstein Studio та створювати потужні програми Salesforce.
У наступній публікації ми покажемо вам, як використовувати дані з Salesforce Data Cloud у SageMaker Canvas, щоб зробити аналіз даних і підготовку ще простішими за допомогою візуального інтерфейсу та простих підказок природною мовою.
Щоб почати роботу з SageMaker Canvas, див День занурення в SageMaker Canvas і посилаються на Початок роботи з Amazon SageMaker Canvas.
Про авторів
Деріл Мартіс є директором із продуктів Einstein Studio в Salesforce Data Cloud. Він має понад 10 років досвіду в плануванні, розробці, запуску та управлінні рішеннями світового класу для корпоративних клієнтів, включаючи AI/ML і хмарні рішення. Раніше він працював у сфері фінансових послуг у Нью-Йорку. Слідуйте за ним Linkedin.
Рачна Чадха є головним архітектором рішень AI/ML у Strategic Accounts в AWS. Рахна — оптиміст, який вірить, що етичне та відповідальне використання ШІ може покращити суспільство в майбутньому та принести економічне та соціальне процвітання. У вільний час Рачна любить проводити час з сім'єю, гуляти в походах і слухати музику.
Іфе Стюарт є головним архітектором рішень у стратегічному сегменті ISV в AWS. Протягом останніх 2 років вона працювала з Salesforce Data Cloud, щоб допомогти створити інтегрований досвід клієнтів у Salesforce і AWS. Ife має понад 10 років досвіду в галузі технологій. Вона є прихильником різноманітності та інклюзії в галузі технологій.
Раві Бхаттіпролу є старшим партнерським архітектором рішень в AWS. Раві співпрацює зі стратегічними партнерами, Salesforce і Tableau, щоб надавати інноваційні та добре архітектурні продукти та рішення, які допомагають спільним клієнтам реалізувати їхні бізнес-цілі.
Міріам Лебовіц є архітектором рішень у стратегічному сегменті ISV в AWS. Вона співпрацює з командами Salesforce, зокрема Salesforce Data Cloud, і спеціалізується на аналітиці даних. Поза роботою вона любить пекти, подорожувати та проводити час з друзями та родиною.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
- PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
- ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
- PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/democratize-ml-on-salesforce-data-cloud-with-no-code-amazon-sagemaker-canvas/
- : має
- :є
- : ні
- $UP
- 1
- 10
- 100
- 29
- 7
- 8
- a
- МЕНЮ
- доступ
- Рахунки
- точність
- точний
- через
- діяльності
- фактичний
- додавати
- доповнення
- Додатковий
- Додаткова інформація
- адреса
- Додає
- Адміністратори
- адвокат
- після
- AI
- Моделі AI
- AI / ML
- ВСІ
- дозволено
- дозволяє
- по
- Також
- Amazon
- API -шлюз Amazon
- Amazon SageMaker
- Canvas Amazon SageMaker
- Amazon Web Services
- an
- аналіз
- аналітики
- аналітика
- та
- будь-який
- API
- Інтерфейси
- додаток
- застосування
- Застосовувати
- архітектура
- ЕСТЬ
- AS
- At
- Атрибути
- авторизувати
- Автоматизований
- автоматично
- доступний
- середній
- AWS
- назад
- база
- заснований
- BE
- було
- перед тим
- починати
- вважає,
- нижче
- між
- тіло
- обидва
- приносити
- будувати
- Створюємо
- Будує
- побудований
- вбудований
- бізнес
- Бізнес-додатки
- підприємства
- але
- by
- Каліфорнія
- Кампанія
- Кампанії
- CAN
- полотно
- можливості
- захоплення
- випадків
- зміна
- Зміни
- Вибирати
- Вибираючи
- громадянин
- Місто
- класифікація
- клієнт
- хмара
- клуб
- код
- Колонка
- Колони
- повний
- Завершує
- комп'ютер
- Комп'ютерне бачення
- Проводити
- конфігурація
- налаштувати
- З'єднуватися
- підключений
- зв'язку
- Консоль
- контакт
- містить
- зміст
- Генерація контенту
- контекст
- Конвенція
- кореляції
- може
- створювати
- створений
- створення
- створення
- виготовлений на замовлення
- клієнт
- дані про клієнтів
- Клієнти
- дані
- доступ до даних
- Analytics даних
- Озеро даних
- Платформа даних
- наука про дані
- дефолт
- доставляти
- демократизувати
- Демографічна
- демонструвати
- продемонстрований
- Залежно
- розгортання
- розгорнути
- розгортання
- розгортання
- деталі
- прямий
- безпосередньо
- Директор
- обговорення
- displayed
- дисплеїв
- різноманітність
- Різноманітність та включеність
- домен
- вниз
- Падіння
- кожен
- Рано
- Економічний
- легко
- Einstein
- або
- включіть
- дозволяє
- дозволяє
- Кінцева точка
- зайнятий
- зачеплення
- зобов'язань
- Що натомість? Створіть віртуальну версію себе у
- підприємство
- Навколишнє середовище
- етичний
- оцінювати
- Навіть
- Event
- приклад
- виконання
- існуючий
- досвід
- Досліди
- Пояснювати
- пояснені
- зовнішній
- видобуток
- сім'я
- швидше
- особливість
- риси
- кілька
- поле
- Поля
- філе
- фінансовий
- фінансові послуги
- Перший
- перший раз
- потік
- стежити
- після
- для
- формат
- фонд
- друзі
- від
- Повний
- функція
- майбутнє
- шлюз
- породжувати
- покоління
- генеративний
- Генеративний ШІ
- отримати
- Давати
- Go
- було
- Ручки
- має
- he
- допомога
- її
- його
- історія
- відбувся
- ГОДИННИК
- Як
- How To
- HTML
- HTTP
- HTTPS
- ID
- ідентифікатори
- Особистість
- if
- ілюструє
- занурення
- Impact
- імпорт
- значення
- удосконалювати
- in
- У тому числі
- включення
- індивідуальний
- промисловість
- інформація
- ініціювати
- інноваційний
- вхід
- витрати
- розуміння
- екземпляр
- замість
- інструкції
- інтегрувати
- інтегрований
- інтеграція
- інтерфейс
- IP
- питання
- ісв
- IT
- ЙОГО
- спільна
- JPG
- json
- просто
- тримати
- ключ
- етикетка
- озеро
- мова
- останній
- запущений
- запуск
- вивчення
- Залишати
- рівень
- як
- Сподобалося
- Лінія
- Прослуховування
- список
- Логін
- ВИГЛЯДИ
- машина
- навчання за допомогою машини
- made
- розсилки
- зробити
- Робить
- управління
- карта
- Маркетинг
- матч
- Може..
- метадані
- хвилин
- відсутній
- ML
- модель
- Моделі
- місяць
- більше
- найбільш
- музика
- ім'я
- Імена
- іменування
- Природний
- Обробка природних мов
- Переміщення
- навігація
- Необхідність
- необхідний
- Нові
- Нью-Йорк
- Нью-Йорк
- наступний
- nlp
- увагу
- номер
- oauth
- об'єкт
- цілей
- of
- on
- ONE
- онлайн
- тільки
- варіант
- or
- OS
- Інше
- вихід
- поза
- над
- огляд
- власний
- сторінка
- сторінок
- pane
- частина
- партнер
- партнери
- для
- Виконувати
- продуктивність
- Дозволи
- планування
- платформа
- Платформи
- plato
- Інформація про дані Платона
- PlatoData
- точка
- заселений
- пошта
- влада
- потужний
- передбачати
- прогноз
- Прогнози
- підготовка
- запобігати
- попередній перегляд
- раніше
- Головний
- попередній
- обробка
- Product
- Продукти
- профіль
- підказок
- процвітання
- забезпечувати
- забезпечує
- громадськість
- покупка
- мета
- якість
- запити
- піднятий
- готовий
- реальний
- реального часу
- реалізувати
- останній
- рекомендувати
- Рекомендація
- послатися
- регіон
- реєструвати
- зареєстрований
- реєстру
- відносини
- доречний
- замінювати
- запросити
- запитів
- Реагувати
- відповідь
- відповідальний
- Обмеження
- результат
- повертати
- рецензування
- Роль
- біг
- час виконання
- мудрець
- Висновок SageMaker
- Salesforce
- наука
- Вчені
- seconds
- секрет
- секрети
- розділ
- безпечно
- побачити
- сегмент
- вибрати
- обраний
- Серія
- обслуговування
- Послуги
- комплект
- установка
- налаштування
- установка
- вона
- Показувати
- продемонстрований
- Шоу
- простий
- один
- Розмір
- уривок
- So
- соціальна
- суспільство
- рішення
- Рішення
- деякі
- спеціалізується
- конкретний
- Витрати
- standard
- старт
- почалася
- стан
- статистика
- Статус
- заходи
- stewart
- зберігання
- зберігати
- зберігати
- просто
- Стратегічний
- стратегічні партнери
- потік
- студія
- наступні
- успішний
- такі
- підтримка
- таблиця
- Жива картина
- Приймати
- Мета
- команди
- Технологія
- тест
- текст
- ніж
- Що
- Команда
- Майбутнє
- Держава
- їх
- потім
- Ці
- третій
- це
- через
- час
- до
- інструменти
- торкатися
- поїзд
- навчений
- Навчання
- поїзда
- Перетворення
- Перетворення
- перетворень
- Подорож
- тип
- розуміти
- розуміння
- створеного
- Майбутні
- Оновити
- оновлений
- Updates
- завантажено
- URL
- використання
- використовуваний
- користувач
- Інтерфейс користувача
- використовує
- використання
- ПЕРЕВІР
- Цінності
- змінна
- версія
- через
- вид
- бачення
- visited
- візуальний
- було
- Вашингтон
- we
- Web
- веб-сервіси
- week
- ДОБРЕ
- Чи
- який
- в той час як
- ВООЗ
- волі
- з
- в
- без
- Work
- працював
- працює
- Семінари
- Світовий клас
- запис
- лист
- років
- йорк
- Ти
- вашу
- зефірнет