بيانات غير منظمة هي معلومات لا تتوافق مع مخطط محدد مسبقًا أو غير منظمة وفقًا لنموذج بيانات محدد مسبقًا. قد تحتوي المعلومات غير المنظمة على القليل أو الكثير من البنية ولكن بطرق غير متوقعة أو غير متسقة. تعد النصوص والصور والصوت ومقاطع الفيديو أمثلة شائعة للبيانات غير المنظمة. تنتج معظم الشركات وتستهلك بيانات غير منظمة مثل المستندات ورسائل البريد الإلكتروني وصفحات الويب والمكالمات الهاتفية لمركز المشاركة ووسائل التواصل الاجتماعي. وفقًا لبعض التقديرات، يمكن أن تشكل البيانات غير المنظمة ما يصل إلى 80-90% من جميع بيانات المؤسسة الجديدة وتنمو بشكل أسرع عدة مرات من البيانات المنظمة. بعد عقود من رقمنة كل شيء في مؤسستك، قد يكون لديك كمية هائلة من البيانات، ولكن ذات قيمة خاملة. ومع ذلك، بمساعدة الذكاء الاصطناعي والتعلم الآلي (ML)، تتوفر الآن أدوات برمجية جديدة لاكتشاف قيمة البيانات غير المنظمة.
في هذا المنشور، نناقش كيف يمكن أن تساعدك AWS في مواجهة تحديات استخلاص الرؤى من البيانات غير المنظمة بنجاح. نناقش أنماط التصميم والبنيات المختلفة لاستخراج وفهرسة الرؤى القيمة من البيانات غير المنظمة باستخدام AWS. بالإضافة إلى ذلك، نعرض كيفية استخدام خدمات AWS AI/ML لتحليل البيانات غير المنظمة.
لماذا يصعب معالجة وإدارة البيانات غير المنظمة
تشكل البيانات غير المنظمة نسبة كبيرة من البيانات الموجودة في المؤسسة والتي لا يمكن تخزينها في أنظمة إدارة قواعد البيانات العلائقية التقليدية (RDBMS). قد يكون فهم البيانات وتصنيفها وتخزينها واستخلاص الأفكار منها أمرًا صعبًا. بالإضافة إلى ذلك، يتطلب تحديد التغييرات المتزايدة أنماطًا متخصصة، ويتطلب الكشف عن البيانات الحساسة وتلبية متطلبات الامتثال وظائف معقدة. قد يكون من الصعب دمج البيانات غير المنظمة مع البيانات المنظمة من أنظمة المعلومات الحالية. ينظر البعض إلى البيانات المنظمة وغير المنظمة على أنها تفاح وبرتقال، بدلا من أن تكون متكاملة. ولكن الأهم من ذلك كله هو أن القيمة الخاملة المفترضة في البيانات غير المنظمة هي علامة استفهام، والتي لا يمكن الإجابة عليها إلا بعد تطبيق هذه التقنيات المعقدة. لذلك، هناك حاجة إلى القدرة على تحليل البيانات واستخلاص القيمة منها بشكل اقتصادي ومرن.
حل نظرة عامة
يعد اكتشاف البيانات والبيانات الوصفية أحد المتطلبات الأساسية في تحليلات البيانات، حيث يستكشف مستهلكو البيانات البيانات المتوفرة وبأي تنسيق، ثم يستهلكونها أو يستعلمون عنها لتحليلها. إذا كان بإمكانك تطبيق مخطط أعلى مجموعة البيانات، فسيكون من السهل الاستعلام لأنه يمكنك تحميل البيانات إلى قاعدة بيانات أو فرض مخطط جدول افتراضي للاستعلام. ولكن في حالة البيانات غير المنظمة، يمثل اكتشاف البيانات التعريفية تحديًا لأن البيانات الأولية لا يمكن قراءتها بسهولة.
يمكنك دمج تقنيات أو أدوات مختلفة لبناء الحل. نشرح في هذا المنشور كيفية دمج خدمات AWS المختلفة لتوفير حل شامل يتضمن استخراج البيانات وإدارتها وحوكمتها.
يدمج الحل البيانات في ثلاثة مستويات. الأول هو بيانات الإدخال الأولية التي يتم استيعابها بواسطة الأنظمة المصدر، والثاني هو بيانات الإخراج التي يتم استخلاصها من بيانات الإدخال باستخدام الذكاء الاصطناعي، والثالث هو طبقة البيانات الوصفية التي تحافظ على العلاقة بينهما لاكتشاف البيانات.
فيما يلي بنية عالية المستوى للحل الذي يمكننا إنشاؤه لمعالجة البيانات غير المنظمة، على افتراض أنه يتم استيعاب بيانات الإدخال في مخزن كائنات الإدخال الخام.
خطوات سير العمل هي كما يلي:
- تقوم خدمات الذكاء الاصطناعي المتكاملة باستخراج البيانات من البيانات غير المنظمة.
- تقوم هذه الخدمات بكتابة الإخراج إلى بحيرة البيانات.
- تساعد طبقة البيانات التعريفية في بناء العلاقة بين البيانات الأولية ومخرجات الذكاء الاصطناعي المستخرجة. عندما تكون البيانات والبيانات الوصفية متاحة للمستخدمين النهائيين، يمكننا تقسيم نمط وصول المستخدم إلى خطوات إضافية.
- في خطوة اكتشاف كتالوج البيانات التعريفية، يمكننا استخدام محركات الاستعلام للوصول إلى البيانات التعريفية للاكتشاف وتطبيق المرشحات وفقًا لاحتياجاتنا التحليلية. ثم ننتقل إلى المرحلة التالية وهي الوصول إلى البيانات الفعلية المستخرجة من البيانات الخام غير المنظمة.
- يصل المستخدم النهائي إلى مخرجات خدمات الذكاء الاصطناعي ويستخدم محركات الاستعلام للاستعلام عن البيانات المنظمة المتوفرة في بحيرة البيانات. يمكننا اختياريًا دمج أدوات إضافية تساعد في التحكم في الوصول وتوفير الإدارة.
- قد تكون هناك سيناريوهات حيث يريد المستخدم النهائي، بعد الوصول إلى مخرجات الذكاء الاصطناعي، الوصول إلى الكائن الخام الأصلي (مثل ملفات الوسائط) لمزيد من التحليل. بالإضافة إلى ذلك، نحتاج إلى التأكد من أن لدينا سياسات التحكم في الوصول حتى يتمكن المستخدم النهائي من الوصول فقط إلى البيانات الأولية المعنية التي يريد الوصول إليها.
الآن وبعد أن فهمنا البنية عالية المستوى، فلنناقش خدمات AWS التي يمكننا دمجها في كل خطوة من خطوات البنية لتوفير حل شامل.
الرسم البياني التالي هو النسخة المحسنة من بنية الحلول لدينا، حيث قمنا بدمج خدمات AWS.
دعونا نفهم كيفية دمج خدمات AWS هذه بالتفصيل. لقد قسمنا الخطوات إلى قسمين واسعين من تدفقات المستخدم: معالجة البيانات وإثراء البيانات التعريفية (الخطوات 1-3) والمستخدمين النهائيين الذين يصلون إلى البيانات والبيانات التعريفية من خلال التحكم الدقيق في الوصول (الخطوات 4-6).
- تقوم خدمات الذكاء الاصطناعي المختلفة (التي نناقشها في القسم التالي) باستخراج البيانات من مجموعات البيانات غير المنظمة.
- تتم كتابة الإخراج إلى خدمة تخزين أمازون البسيطة (Amazon S3) (المسمى Extracted JSON في الرسم التخطيطي السابق). بشكل اختياري، يمكننا إعادة هيكلة الكائنات الأولية للإدخال من أجل تقسيم أفضل، مما يمكن أن يساعد أثناء تنفيذ التحكم الدقيق في الوصول إلى بيانات الإدخال الأولية (المسمى باسم الدلو المقسم في الرسم التخطيطي).
- بعد مرحلة استخراج البيانات الأولية، يمكننا تطبيق تحويلات إضافية لإثراء مجموعات البيانات باستخدام غراء AWS. نقوم أيضًا ببناء طبقة بيانات تعريف إضافية، والتي تحافظ على العلاقة بين مسار كائن S3 الأولي، ومسار الإخراج المستخرج من الذكاء الاصطناعي، ومسار الإصدار المعزز الاختياري S3، وأي بيانات تعريف أخرى من شأنها أن تساعد المستخدم النهائي على اكتشاف البيانات.
- في خطوة اكتشاف كتالوج البيانات التعريفية، نستخدم كتالوج بيانات AWS Glue ككتالوج تقني، أمازون أثينا و طيف الأمازون للانزياح الأحمر كمحركات الاستعلام، تكوين بحيرة AWS للتحكم في الوصول الدقيق، و أمازون داتازون للحوكمة الإضافية.
- من المتوقع أن يكون مخرجات AI المستخرجة متاحة كملف محدد أو بتنسيق JSON. يمكننا إنشاء جدول AWS Glue Data Catalog للاستعلام باستخدام Athena أو Redshift Spectrum. مثل الخطوة السابقة، يمكننا استخدام سياسات Lake Formation للتحكم الدقيق في الوصول.
- وأخيرًا، يصل المستخدم النهائي إلى البيانات الأولية غير المنظمة المتوفرة في Amazon S3 لمزيد من التحليل. لقد اقترحنا التكامل نقاط وصول Amazon S3 للتحكم في الوصول في هذه الطبقة. وسنوضح ذلك بالتفصيل لاحقًا في هذه التدوينة.
الآن دعونا نوسع الأجزاء التالية من البنية لفهم التنفيذ بشكل أفضل:
- استخدام خدمات AWS AI لمعالجة البيانات غير المنظمة
- استخدام نقاط وصول S3 لدمج التحكم في الوصول إلى بيانات S3 الأولية غير المنظمة
معالجة البيانات غير المنظمة باستخدام خدمات AWS AI
كما ناقشنا سابقًا، يمكن أن تأتي البيانات غير المنظمة في مجموعة متنوعة من التنسيقات، مثل النص والصوت والفيديو والصور، ويتطلب كل نوع من البيانات أسلوبًا مختلفًا لاستخراج البيانات الوصفية. تم تصميم خدمات AWS AI لاستخراج البيانات التعريفية من أنواع مختلفة من البيانات غير المنظمة. فيما يلي الخدمات الأكثر استخدامًا لمعالجة البيانات غير المنظمة:
- فهم الأمازون - تستخدم خدمة معالجة اللغة الطبيعية (NLP) تعلم الآلة لاستخراج البيانات التعريفية من البيانات النصية. يمكنه تحليل النص بلغات متعددة، واكتشاف الكيانات، واستخراج العبارات الرئيسية، وتحديد المشاعر، والمزيد. باستخدام Amazon Comprehend، يمكنك بسهولة الحصول على رؤى من كميات كبيرة من البيانات النصية مثل استخراج كيان المنتج واسم العميل والمشاعر من منشورات وسائل التواصل الاجتماعي.
- الأمازون النسخ - تستخدم خدمة تحويل الكلام إلى نص هذه ML لتحويل الكلام إلى نص واستخراج البيانات الوصفية من البيانات الصوتية. يمكنه التعرف على عدة مكبرات صوت، وتسجيل المحادثات، وتحديد الكلمات الرئيسية، والمزيد. باستخدام Amazon Transcribe، يمكنك تحويل البيانات غير المنظمة مثل تسجيلات دعم العملاء إلى نص واستخلاص المزيد من الرؤى منها.
- الأمازون إعادة الاعتراف - تستخدم خدمة تحليل الصور والفيديو هذه التعلم الآلي لاستخراج البيانات الوصفية من البيانات المرئية. يمكنه التعرف على الأشياء والأشخاص والوجوه والنصوص واكتشاف المحتوى غير المناسب والمزيد. باستخدام Amazon Rekognition، يمكنك بسهولة تحليل الصور ومقاطع الفيديو للحصول على رؤى مثل تحديد نوع الكيان (بشري أو غيره) وتحديد ما إذا كان الشخص أحد المشاهير المعروفين في الصورة.
- أمازون تيكستراك – يمكنك استخدام خدمة ML هذه لاستخراج البيانات التعريفية من المستندات والصور الممسوحة ضوئيًا. يمكنه استخراج النصوص والجداول والنماذج من الصور وملفات PDF والمستندات الممسوحة ضوئيًا. باستخدام Amazon Textract، يمكنك رقمنة المستندات واستخراج البيانات مثل اسم العميل واسم المنتج وسعر المنتج والتاريخ من الفاتورة.
- الأمازون SageMaker – تتيح لك هذه الخدمة إنشاء نماذج تعلم الآلة المخصصة ونشرها لمجموعة واسعة من حالات الاستخدام، بما في ذلك استخراج البيانات التعريفية من البيانات غير المنظمة. باستخدام SageMaker، يمكنك إنشاء نماذج مخصصة مصممة خصيصًا لتلبية احتياجاتك المحددة، والتي يمكن أن تكون مفيدة بشكل خاص لاستخراج البيانات التعريفية من البيانات غير المنظمة التي تتطلب درجة عالية من الدقة أو المعرفة الخاصة بالمجال.
- أمازون بيدروك - توفر هذه الخدمة المُدارة بالكامل مجموعة مختارة من النماذج الأساسية عالية الأداء (FMs) من شركات الذكاء الاصطناعي الرائدة مثل AI21 Labs وAnthropic وCohere وMeta وStability AI وAmazon مع واجهة برمجة تطبيقات واحدة. كما أنه يوفر مجموعة واسعة من الإمكانات لبناء تطبيقات الذكاء الاصطناعي التوليدية، وتبسيط عملية التطوير مع الحفاظ على الخصوصية والأمان.
باستخدام خدمات الذكاء الاصطناعي المتخصصة هذه، يمكنك استخراج البيانات التعريفية بكفاءة من البيانات غير المنظمة واستخدامها لمزيد من التحليل والرؤى. من المهم ملاحظة أن كل خدمة لها نقاط قوتها وقيودها الخاصة، واختيار الخدمة المناسبة لحالة الاستخدام المحددة الخاصة بك أمر بالغ الأهمية لتحقيق نتائج دقيقة وموثوقة.
تتوفر خدمات AWS AI عبر واجهات برمجة التطبيقات المتنوعة، والتي تمكنك من دمج إمكانات الذكاء الاصطناعي في تطبيقاتك وسير العمل. وظائف خطوة AWS هي خدمة سير عمل بدون خادم تسمح لك بتنسيق وتنسيق خدمات AWS المتعددة، بما في ذلك خدمات الذكاء الاصطناعي، في سير عمل واحد. يمكن أن يكون هذا مفيدًا بشكل خاص عندما تحتاج إلى معالجة كميات كبيرة من البيانات غير المنظمة وتنفيذ مهام متعددة متعلقة بالذكاء الاصطناعي، مثل تحليل النص والتعرف على الصور ومعالجة اللغات الطبيعية.
مع وظائف الخطوة و AWS لامدا الوظائف، يمكنك إنشاء مسارات عمل متطورة تتضمن خدمات الذكاء الاصطناعي وخدمات AWS الأخرى. على سبيل المثال، يمكنك استخدام Amazon S3 لتخزين بيانات الإدخال، واستدعاء وظيفة Lambda لتشغيل مهمة Amazon Transcribe لنسخ ملف صوتي، واستخدام المخرجات لتشغيل مهمة تحليل Amazon Comprehend لإنشاء بيانات تعريف المشاعر للنص المكتوب. يمكّنك هذا من إنشاء مهام سير عمل معقدة ومتعددة الخطوات يسهل إدارتها وقابلة للتطوير وفعالة من حيث التكلفة.
فيما يلي مثال على بنية توضح كيف يمكن أن تساعد Step Functions في استدعاء خدمات AWS AI باستخدام وظائف Lambda.
خطوات سير العمل كالتالي:
- يتم استيعاب البيانات غير المنظمة، مثل الملفات النصية وملفات الصوت وملفات الفيديو، في حاوية S3 الأولية.
- يتم تشغيل وظيفة Lambda لقراءة البيانات من حاوية S3 واستدعاء Step Functions لتنسيق سير العمل المطلوب لاستخراج البيانات التعريفية.
- يتحقق سير عمل Step Functions من نوع الملف، ويستدعي واجهات برمجة تطبيقات خدمة AWS AI المقابلة، ويتحقق من حالة المهمة، وينفذ أي معالجة لاحقة مطلوبة على المخرجات.
- يمكن الوصول إلى خدمات AWS AI عبر واجهات برمجة التطبيقات واستدعائها كمهام مجمعة. لاستخراج البيانات التعريفية من أنواع مختلفة من البيانات غير المنظمة، يمكنك استخدام خدمات الذكاء الاصطناعي المتعددة بالتسلسل، حيث تقوم كل خدمة بمعالجة نوع الملف المقابل.
- بعد أن يكمل سير عمل Step Functions عملية استخراج البيانات التعريفية ويقوم بأي معالجة لاحقة مطلوبة، يتم تخزين المخرجات الناتجة في حاوية S3 للفهرسة.
بعد ذلك، دعونا نفهم كيف يمكننا تنفيذ الأمان أو التحكم في الوصول على كل من المخرجات المستخرجة وكذلك كائنات الإدخال الأولية.
تنفيذ التحكم في الوصول إلى البيانات الأولية والمعالجة في Amazon S3
نحن نأخذ في الاعتبار فقط عناصر التحكم في الوصول لثلاثة أنواع من البيانات عند إدارة البيانات غير المنظمة: المخرجات شبه المنظمة المستخرجة من الذكاء الاصطناعي، والبيانات الوصفية، والملفات الأصلية الخام غير المنظمة. عندما يتعلق الأمر بمخرجات الذكاء الاصطناعي المستخرجة، فهي بتنسيق JSON ويمكن تقييدها عبر Lake Formation وAmazon DataZone. نوصي بالاحتفاظ بالبيانات التعريفية (المعلومات التي تلتقط مجموعات البيانات غير المنظمة التي تمت معالجتها بالفعل بواسطة التدفق ومتاحة للتحليل) مفتوحة لمؤسستك، مما سيمكن من اكتشاف بيانات التعريف عبر المؤسسة.
للتحكم في الوصول إلى البيانات الأولية غير المنظمة، يمكنك دمج نقاط وصول S3 واستكشاف دعم إضافي في المستقبل مع تطور خدمات AWS. تعمل نقاط وصول S3 على تبسيط الوصول إلى البيانات لأي خدمة AWS أو تطبيق عميل يقوم بتخزين البيانات في Amazon S3. تُسمى نقاط الوصول بنقاط نهاية الشبكة المرتبطة بالمجموعات التي يمكنك استخدامها لتنفيذ عمليات كائن S3. تتمتع كل نقطة وصول بأذونات وضوابط شبكة مميزة تطبقها خدمة Amazon S3 على أي طلب يتم تقديمه من خلال نقطة الوصول تلك. تفرض كل نقطة وصول سياسة نقطة وصول مخصصة تعمل جنبًا إلى جنب مع سياسة المجموعة المرفقة بالحاوية الأساسية. باستخدام نقاط وصول S3، يمكنك إنشاء سياسات فريدة للتحكم في الوصول لكل نقطة وصول للتحكم بسهولة في الوصول إلى مجموعات بيانات محددة داخل حاوية S3. يعمل هذا بشكل جيد في سيناريوهات الحاوية متعددة المستأجرين أو المشتركة حيث يتم تعيين المستخدمين أو الفرق لبادئات فريدة ضمن حاوية S3 واحدة.
يمكن لنقطة الوصول أن تدعم مستخدمًا واحدًا أو تطبيقًا واحدًا، أو مجموعات من المستخدمين أو التطبيقات داخل الحسابات وعبرها، مما يسمح بإدارة منفصلة لكل نقطة وصول. ترتبط كل نقطة وصول بحاوية واحدة وتحتوي على عنصر تحكم في أصل الشبكة وعنصر تحكم في حظر الوصول العام. على سبيل المثال، يمكنك إنشاء نقطة وصول باستخدام عنصر تحكم أصل الشبكة الذي يسمح فقط بالوصول إلى التخزين من السحابة الافتراضية الخاصة (VPC)، وهي قسم معزول منطقيًا من سحابة AWS. يمكنك أيضًا إنشاء نقطة وصول باستخدام سياسة نقطة الوصول التي تم تكوينها للسماح فقط بالوصول إلى الكائنات ذات البادئة المحددة أو الكائنات ذات العلامات المحددة. يمكنك أيضًا تكوين إعدادات حظر الوصول العام المخصصة لكل نقطة وصول.
توفر البنية التالية نظرة عامة حول كيفية وصول المستخدم النهائي إلى كائنات S3 محددة من خلال افتراض وجود كائن محدد إدارة الهوية والوصول AWS دور (IAM). إذا كان لديك عدد كبير من كائنات S3 للتحكم في الوصول، ففكر في تجميع كائنات S3 وتعيين علامات لها، ثم تحديد التحكم في الوصول حسب العلامات.
إذا كنت تنفذ حلاً يدمج بيانات S3 المتوفرة في حسابات AWS المتعددة، فيمكنك الاستفادة منه الدعم عبر الحسابات لنقاط الوصول S3.
وفي الختام
يوضح هذا المنشور كيف يمكنك استخدام خدمات AWS AI لاستخراج البيانات القابلة للقراءة من مجموعات البيانات غير المنظمة، وإنشاء طبقة بيانات تعريفية فوقها للسماح باكتشاف البيانات، وإنشاء آلية للتحكم في الوصول أعلى كائنات S3 الأولية والبيانات المستخرجة باستخدام Lake Formation وAmazon DataZone ونقاط الوصول S3.
بالإضافة إلى خدمات AWS AI، يمكنك أيضًا دمج نماذج اللغة الكبيرة مع قواعد البيانات المتجهة لتمكين البحث الدلالي أو البحث عن التشابه أعلى مجموعات البيانات غير المنظمة. لمعرفة المزيد حول كيفية تمكين البحث الدلالي على البيانات غير المنظمة من خلال التكامل خدمة Amazon OpenSearch كقاعدة بيانات متجهة، راجع جرّب البحث الدلالي باستخدام محرك المتجهات الخاص بـ Amazon OpenSearch Service.
حتى وقت كتابة هذا المنشور، تعد نقاط وصول S3 واحدة من أفضل الحلول لتنفيذ التحكم في الوصول على كائنات S3 الأولية باستخدام وضع العلامات، ولكن مع تطور ميزات خدمة AWS في المستقبل، يمكنك استكشاف خيارات بديلة أيضًا.
حول المؤلف
ساكتى ميشرا هو مهندس الحلول الرئيسي في AWS، حيث يساعد العملاء على تحديث بنية البيانات الخاصة بهم وتحديد استراتيجية البيانات الشاملة الخاصة بهم، بما في ذلك أمان البيانات وإمكانية الوصول والحوكمة والمزيد. وهو أيضا مؤلف الكتاب تبسيط تحليلات البيانات الضخمة باستخدام Amazon EMR. خارج العمل ، تستمتع Sakti بتعلم التقنيات الجديدة ومشاهدة الأفلام وزيارة الأماكن مع العائلة.
بهافانا تشيروماميلا هو مهندس مقيم أول في AWS ولديه شغف قوي بالبيانات وعمليات التعلم الآلي. إنها تجلب ثروة من الخبرة والحماس لمساعدة المؤسسات على بناء استراتيجيات فعالة للبيانات وتعلم الآلة. في أوقات فراغها ، تستمتع بهافانا بقضاء الوقت مع عائلتها والانخراط في أنشطة مختلفة مثل السفر والمشي لمسافات طويلة والبستنة ومشاهدة الأفلام الوثائقية.
شيلا سونوني هو مهندس معماري مقيم أول في AWS. إنها تساعد عملاء AWS على اتخاذ اختيارات مستنيرة ومقايضات حول تسريع بياناتهم، وتحليلاتهم، وأعباء عمل الذكاء الاصطناعي/تعلم الآلة وعمليات التنفيذ. وفي أوقات فراغها، تستمتع بقضاء الوقت مع عائلتها، عادة في ملاعب التنس.
دانيال برونو هو المهندس المعماري المقيم الرئيسي في AWS. لقد كان يبني حلول التحليلات والتعلم الآلي لأكثر من 20 عامًا ويقسم وقته لمساعدة العملاء على بناء برامج علوم البيانات وتصميم منتجات تعلم الآلة المؤثرة.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/big-data/unstructured-data-management-and-governance-using-aws-ai-ml-and-analytics-services/
- :لديها
- :يكون
- :أين
- $ UP
- 100
- 20
- 20 سنة
- a
- ماهرون
- من نحن
- تسريع
- الوصول
- الوصول
- إمكانية الوصول
- الوصول
- وفقا
- الحسابات
- دقة
- دقيق
- تحقيق
- في
- أنشطة
- يقدم
- إضافة
- إضافي
- وبالإضافة إلى ذلك
- العنوان
- مميزات
- بعد
- AI
- خدمات الذكاء الاصطناعي
- AI / ML
- الكل
- السماح
- السماح
- يسمح
- سابقا
- أيضا
- البديل
- أمازون
- فهم الأمازون
- الأمازون إعادة الاعتراف
- أمازون تيكستراك
- الأمازون النسخ
- أمازون ويب سيرفيسز
- كمية
- المبالغ
- an
- تحليل
- تحليلات
- تحليل
- تحليل
- و
- أنثروبي
- أي وقت
- API
- واجهات برمجة التطبيقات
- تطبيق
- التطبيقات
- تطبيقي
- ينطبق
- التقديم
- نهج
- هندسة معمارية
- هي
- AS
- تعيين
- أسوشيتد
- يفترض
- At
- تعلق
- سمعي
- المؤلفة
- متاح
- AWS
- غراء AWS
- BE
- لان
- كان
- يجري
- أفضل
- أفضل
- ما بين
- كبير
- البيانات الكبيرة
- حظر
- كتاب
- على حد سواء
- استراحة
- يجلب
- واسع
- برونو
- نساعدك في بناء
- ابني
- لكن
- by
- دعوة
- دعوات
- CAN
- يستطيع الحصول على
- قدرات
- يلتقط
- حقيبة
- الحالات
- الأقسام
- التصنيف
- شهرة
- مركز
- التحديات
- تحدي
- التغييرات
- الشيكات
- خيار
- الخيارات
- اختيار
- سحابة
- تأتي
- يأتي
- مشترك
- عادة
- الشركات
- مكمل
- يكمل
- مجمع
- الالتزام
- فهم
- تكوين
- بالتزامن
- نظر
- تستهلك
- المستهلكين
- يحتوي
- محتوى
- مراقبة
- ضوابط
- المحادثات
- تحول
- رابطة
- المقابلة
- فعاله من حيث التكلفه
- المحاكم
- خلق
- حرج
- على
- زبون
- دعم العملاء
- العملاء
- حسب الطلب
- دانيال
- البيانات
- الوصول إلى البيانات
- تحليلات البيانات
- بحيرة البيانات
- إدارة البيانات
- معالجة المعلومات
- علم البيانات
- أمن البيانات
- استراتيجية البيانات
- قاعدة البيانات
- قواعد البيانات
- قواعد البيانات
- التاريخ
- عقود
- حدد
- تعريف
- تحديد
- الدرجة العلمية
- نشر
- تصميم
- أنماط التصميم
- تصميم
- تصميم
- التفاصيل
- بكشف أو
- حدد
- التطوير التجاري
- مختلف
- صعبة
- رقمنة
- رقمنة
- اكتشف
- اكتشاف
- بحث
- ناقش
- خامد
- منقسم
- أفلام وثائقية
- وثائق
- لا
- كل
- في وقت سابق
- بسهولة
- الطُرق الفعّالة
- بكفاءة
- رسائل البريد الإلكتروني
- تمكين
- تمكن
- النهائي إلى نهاية
- النهاية
- اشتباك
- جذاب
- محركات
- تعزيز
- ضخم
- إثراء
- المخصب
- مشروع
- الشركات
- حماسة
- الكيانات
- كيان
- تقديرات
- الأثير (ETH)
- الحدث/الفعالية
- كل
- كل شىء
- يتطور
- مثال
- أمثلة
- القائمة
- وسع
- متوقع
- الخبره في مجال الغطس
- شرح
- شرح
- اكتشف
- استخراج
- استخلاص
- وجوه
- للعائلات
- أسرع
- المميزات
- قم بتقديم
- ملفات
- مرشحات
- الاسم الأول
- بمرونة
- يطفو
- متابعيك
- متابعات
- في حالة
- شكل
- تشكيل
- صيغ
- أشكال
- دورة تأسيسية
- تبدأ من
- تماما
- وظيفة
- وظائف
- إضافي
- مستقبل
- ربح
- توليد
- توليدي
- الذكاء الاصطناعي التوليدي
- دولار فقط واحصل على خصم XNUMX% على جميع
- الحكم
- مجموعات
- متزايد
- كان
- يملك
- he
- مساعدة
- مساعدة
- يساعد
- لها
- مرتفع
- رفيع المستوى
- عالية الأداء
- المشي لمسافات طويلة
- له
- كيفية
- كيفية
- لكن
- HTML
- HTTP
- HTTPS
- الانسان
- IAM
- تحديد
- تحديد
- هوية
- if
- صورة
- التعرف على الصور
- صور
- تأثيرا
- تنفيذ
- التنفيذ
- تطبيقات
- تحقيق
- أهمية
- مفروض
- in
- تتضمن
- يشمل
- بما فيه
- الإضافية
- معلومات
- نظم المعلومات
- وأبلغ
- في البداية
- إدخال
- رؤى
- مثل
- بدلًا من ذلك
- دمج
- المتكاملة
- يدمج
- دمج
- إلى
- فاتورة
- التذرع
- معزول
- IT
- انها
- وظيفة
- المشــاريــع
- JPG
- جسون
- م
- حفظ
- القفل
- الكلمات المفتاحية
- المعرفة
- معروف
- مختبرات
- بحيرة
- لغة
- اللغات
- كبير
- الى وقت لاحق
- طبقة
- قيادة
- تعلم
- تعلم
- مستوى
- مثل
- القيود
- القليل
- تحميل
- الكثير
- آلة
- آلة التعلم
- صنع
- المحافظة
- تحتفظ
- جعل
- يصنع
- إدارة
- تمكن
- إدارة
- إدارة
- كثير
- علامة
- مايو..
- آلية
- الوسائط
- الاجتماع
- مييتااا
- البيانات الوصفية
- ربما
- ML
- نموذج
- عارضات ازياء
- تحديث
- الأكثر من ذلك
- أكثر
- خطوة
- أفلام
- متعدد
- الاسم
- عين
- محلي
- طبيعي
- اللغة الطبيعية
- معالجة اللغات الطبيعية
- حاجة
- إحتياجات
- شبكة
- جديد
- التكنولوجيات الجديدة
- التالي
- البرمجة اللغوية العصبية
- لاحظ
- الآن
- عدد
- موضوع
- الأجسام
- of
- عروض
- on
- ONE
- فقط
- جاكيت
- عمليات
- مزيد من الخيارات
- or
- منظمة
- منظم
- المنشأ
- أصلي
- أخرى
- لنا
- الناتج
- في الخارج
- على مدى
- نظرة عامة
- الخاصة
- صفحات
- خاصة
- أجزاء
- شغف
- مسار
- نمط
- أنماط
- مجتمع
- إلى
- نفذ
- ينفذ
- أذونات
- تسمح
- شخص
- مرحلة جديدة
- للهواتف
- المكالمات الهاتفية
- عبارات
- خط أنابيب
- وجهات
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- البوينت
- نقاط
- سياسات الخصوصية والبيع
- سياسة
- منشور
- المنشورات
- سابق
- السعر
- ابتدائي
- رئيسي
- خصوصية
- الخصوصية والأمن
- خاص
- عملية المعالجة
- معالجة
- معالجة
- إنتاج
- المنتج
- المنتجات
- البرامج
- نسبة
- المقترح
- تزود
- ويوفر
- جمهور
- سؤال
- نطاق
- الخام
- مسودة بيانات
- عرض
- اعتراف
- الاعتراف
- نوصي
- الرجوع
- صلة
- الخدمة الموثوقة
- طلب
- مطلوب
- المتطلبات الأساسية
- يتطلب
- هؤلاء
- مقيد
- إعادة هيكلة
- مما أدى
- النتائج
- حق
- النوع
- sagemaker
- تحجيم
- سيناريوهات
- علوم
- بحث
- الثاني
- القسم
- أمن
- كبير
- حساس
- عاطفة
- مستقل
- تسلسل
- Serverless
- الخدمة
- خدماتنا
- طقم
- إعدادات
- شاركت
- هي
- إظهار
- يظهر
- الاشارات
- تبسيط
- تبسيط
- عزباء
- So
- العدالة
- وسائل التواصل الاجتماعي
- منشورات مواقع التواصل الاجتماعي
- تطبيقات الكمبيوتر
- حل
- الحلول
- بعض
- متطور
- مصدر
- مكبرات الصوت
- متخصص
- محدد
- طيف
- خطاب
- الكلام إلى نص
- الإنفاق
- الإنشقاقات
- استقرار
- المسرح
- الحالة
- خطوة
- خطوات
- تخزين
- متجر
- تخزين
- فروعنا
- صريح
- استراتيجيات
- الإستراتيجيات
- نقاط القوة
- قوي
- بناء
- منظم
- البيانات المنظمة وغير المهيكلة
- بنجاح
- هذه
- الدعم
- بالتأكيد
- أنظمة
- جدول
- تناسب
- أخذ
- المهام
- فريق
- تقني
- تقنيات
- التكنولوجيا
- كرة المضرب
- نص
- من
- أن
- •
- المستقبل
- من مشاركة
- منهم
- then
- هناك.
- وبالتالي
- تشبه
- هم
- الثالث
- ثلاثة
- عبر
- الوقت
- مرات
- إلى
- أدوات
- تيشرت
- تقليدي
- التحولات
- السفر
- يثير
- أثار
- اثنان
- نوع
- أنواع
- التي تقوم عليها
- فهم
- فهم
- غير متوقع
- فريد من نوعه
- تستخدم
- حالة الاستخدام
- مستعمل
- مفيد
- مستخدم
- المستخدمين
- يستخدم
- استخدام
- القيمة
- قيمنا
- تشكيلة
- مختلف
- الإصدار
- بواسطة
- فيديو
- مقاطع فيديو
- المزيد
- افتراضي
- مجلدات
- تريد
- يريد
- مراقبة
- طرق
- we
- ثروة
- الويب
- خدمات ويب
- حسن
- ابحث عن
- متى
- التي
- في حين
- واسع
- مدى واسع
- سوف
- مع
- في غضون
- للعمل
- سير العمل
- سير العمل
- أعمال
- اكتب
- جاري الكتابة
- مكتوب
- سنوات
- لصحتك!
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت