Dit bericht is mede geschreven door Ramdev Wudali en Kiran Mantripragada van Thomson Reuters.
In 1992, Thomson Reuters (TR) bracht zijn eerste juridische AI-onderzoeksdienst uit, WIN (Westlaw Is Natural), een innovatie in die tijd, aangezien de meeste zoekmachines alleen Booleaanse termen en connectoren ondersteunden. Sindsdien heeft TR veel meer mijlpalen bereikt, aangezien zijn AI-producten en -diensten voortdurend groeien in aantal en verscheidenheid, en ondersteuning bieden aan juridische, fiscale, boekhoudkundige, compliance- en nieuwsdienstprofessionals wereldwijd, met miljarden machine learning (ML) -inzichten die elk jaar worden gegenereerd .
Met deze enorme toename van AI-diensten was de volgende mijlpaal voor TR het stroomlijnen van innovatie en het faciliteren van samenwerking. Standaardiseer het bouwen en hergebruiken van AI-oplossingen in alle bedrijfsfuncties en persona's van AI-beoefenaars, en zorg ervoor dat de best practices van de onderneming worden nageleefd:
- Automatiseer en standaardiseer de repetitieve ongedifferentieerde technische inspanning
- Zorg voor de vereiste isolatie en controle van gevoelige gegevens volgens gemeenschappelijke bestuursnormen
- Bied gemakkelijke toegang tot schaalbare computerresources
Om aan deze vereisten te voldoen, bouwde TR het Enterprise AI-platform rond de volgende vijf pijlers: een dataservice, een experimenteerwerkruimte, een centraal modelregister, een modelimplementatieservice en modelbewaking.
In dit bericht bespreken we hoe TR en AWS samenwerkten om het allereerste Enterprise AI-platform van TR te ontwikkelen, een webgebaseerde tool die mogelijkheden biedt variรซrend van ML-experimenten, training, een centraal modelregister, modelimplementatie en modelmonitoring. Al deze mogelijkheden zijn gebouwd om tegemoet te komen aan de steeds evoluerende beveiligingsstandaarden van TR en eenvoudige, veilige en conforme services aan eindgebruikers te bieden. We delen ook hoe TR monitoring en governance mogelijk maakte voor ML-modellen die in verschillende bedrijfseenheden werden gecreรซerd met รฉรฉn enkel venster.
De uitdagingen
Historisch gezien was ML bij TR een mogelijkheid voor teams met geavanceerde datawetenschappers en ingenieurs. Teams met zeer bekwame middelen waren in staat om complexe ML-processen te implementeren volgens hun behoeften, maar raakten al snel erg geรฏsoleerd. Siled-benaderingen boden geen inzicht om toezicht te houden op uiterst kritieke besluitvormingsvoorspellingen.
TR-businessteams hebben uitgebreide domeinkennis; de technische vaardigheden en zware technische inspanning die vereist zijn in ML, maken het echter moeilijk om hun diepgaande expertise te gebruiken om zakelijke problemen op te lossen met de kracht van ML. TR wil de vaardigheden democratiseren en toegankelijk maken voor meer mensen binnen de organisatie.
Verschillende teams in TR volgen hun eigen praktijken en methodieken. TR wil de mogelijkheden bouwen die zich uitstrekken over de ML-levenscyclus naar hun gebruikers om de levering van ML-projecten te versnellen door teams in staat te stellen zich te concentreren op zakelijke doelen en niet op de repetitieve ongedifferentieerde technische inspanning.
Bovendien blijven de regelgeving rond data en ethische AI โโevolueren, waardoor gemeenschappelijke bestuursnormen voor alle AI-oplossingen van TR verplicht worden gesteld.
Overzicht oplossingen
Het Enterprise AI-platform van TR was bedoeld om eenvoudige en gestandaardiseerde services te bieden aan verschillende persona's, met mogelijkheden voor elke fase van de ML-levenscyclus. TR heeft vijf hoofdcategorieรซn geรฏdentificeerd die alle vereisten van TR modulair maken:
- Data Service โ Om gemakkelijke en beveiligde toegang tot bedrijfsgegevensactiva mogelijk te maken
- Experimenteer werkruimte โ Mogelijkheden bieden om ML-modellen te experimenteren en te trainen
- Centraal modelregister โ Een bedrijfscatalogus voor modellen die zijn gebouwd voor verschillende bedrijfseenheden
- Modelimplementatieservice โ Om verschillende implementatieopties voor inferentie te bieden volgens TR's enterprise CI/CD-praktijken
- Modelbewakingsdiensten โ Mogelijkheden bieden om gegevens te monitoren en vooringenomenheid en driften te modelleren
Zoals te zien is in het volgende diagram, zijn deze microservices gebouwd met een paar belangrijke principes in gedachten:
- Verwijder de ongedifferentieerde technische inspanningen van gebruikers
- Bied de vereiste mogelijkheden met รฉรฉn klik op de knop
- Beveilig en beheer alle mogelijkheden volgens de bedrijfsnormen van TR
- Breng een enkele ruit voor ML-activiteiten
TR's AI Platform-microservices zijn gebouwd met Amazon Sage Maker als de kernmotor, AWS serverloze componenten voor workflows en AWS DevOps-services voor CI/CD-praktijken. SageMaker Studio wordt gebruikt voor experimenten en training, en het SageMaker-modelregister wordt gebruikt om modellen te registreren. Het centrale modelregister bestaat uit zowel het SageMaker-modelregister als een Amazon DynamoDB tafel. SageMaker-hostingservices worden gebruikt om modellen in te zetten, terwijl SageMaker-modelmonitor en SageMaker verduidelijken worden gebruikt om modellen te controleren op drift, bias, aangepaste metrische rekenmachines en verklaarbaarheid.
In de volgende secties worden deze services in detail beschreven.
Data Service
Een traditionele ML-projectlevenscyclus begint met het vinden van gegevens. Over het algemeen besteden datawetenschappers 60% of meer van hun tijd aan het vinden van de juiste gegevens wanneer ze die nodig hebben. Net als elke organisatie heeft TR meerdere datastores die dienen als single point of truth voor verschillende datadomeinen. TR identificeerde twee belangrijke datastores voor ondernemingen die gegevens leveren voor de meeste van hun ML-use-cases: een objectstore en een relationele datastore. TR heeft een AI Platform-dataservice gebouwd om naadloos toegang te bieden tot beide datastores vanuit de experimenteerwerkruimten van gebruikers en de last van gebruikers weg te nemen om door complexe processen te navigeren om zelf gegevens te verzamelen. Het AI-platform van de TR volgt alle compliances en best practices die zijn gedefinieerd door het Data and Model Governance-team. Dit omvat een verplichte gegevenseffectbeoordeling die ML-beoefenaars helpt het ethische en juiste gebruik van gegevens te begrijpen en te volgen, met formele goedkeuringsprocessen om passende toegang tot de gegevens te garanderen. De kern van deze service, evenals alle platformservices, is de beveiliging en compliance volgens de best practices die zijn vastgesteld door TR en de branche.
Amazon eenvoudige opslagservice (Amazon S3) objectopslag fungeert als een datameer voor inhoud. TR bouwde processen om veilig toegang te krijgen tot gegevens van het content-datameer tot de experimenteerwerkruimten van gebruikers, met behoud van de vereiste autorisatie en controleerbaarheid. Snowflake wordt gebruikt als de relationele primaire gegevensopslag van de onderneming. Op verzoek van de gebruiker en op basis van de goedkeuring van de gegevenseigenaar, biedt de AI Platform-gegevensservice een momentopname van de gegevens aan de gebruiker die direct beschikbaar is in hun experimenteerwerkruimte.
Toegang tot gegevens uit verschillende bronnen is een technisch probleem dat eenvoudig kan worden opgelost. Maar de complexiteit die TR heeft opgelost, is het bouwen van goedkeuringsworkflows die het identificeren van de eigenaar van de gegevens automatiseren, een toegangsverzoek verzenden, ervoor zorgen dat de eigenaar van de gegevens op de hoogte wordt gesteld dat er een toegangsverzoek in behandeling is en op basis van de goedkeuringsstatus actie ondernemen om gegevens te verstrekken aan de aanvrager. Alle gebeurtenissen tijdens dit proces worden bijgehouden en geregistreerd voor controleerbaarheid en naleving.
Zoals weergegeven in het volgende diagram, gebruikt TR AWS Stap Functies om de workflow te orkestreren en AWS Lambda om de functionaliteit uit te voeren. Amazon API-gateway wordt gebruikt om de functionaliteit bloot te leggen met een API-eindpunt dat moet worden gebruikt vanuit hun webportaal.
Modelexperimenten en -ontwikkeling
Een essentiรซle mogelijkheid voor het standaardiseren van de ML-levenscyclus is een omgeving waarin datawetenschappers kunnen experimenteren met verschillende ML-frameworks en datagroottes. Door binnen enkele minuten zo'n veilige, conforme omgeving in de cloud mogelijk te maken, worden datawetenschappers ontlast van de last van het omgaan met de cloudinfrastructuur, netwerkvereisten en beveiligingsstandaardmaatregelen, en kunnen ze zich in plaats daarvan concentreren op het datawetenschapsprobleem.
TR bouwt een experimenteerwerkruimte die toegang biedt tot diensten zoals AWS lijm, Amazon EMR, en SageMaker Studio om gegevensverwerking en ML-mogelijkheden mogelijk te maken die voldoen aan de enterprise cloud-beveiligingsnormen en vereiste accountisolatie voor elke bedrijfseenheid. TR is de volgende uitdagingen tegengekomen bij het implementeren van de oplossing:
- Orkestratie was in het begin niet volledig geautomatiseerd en omvatte verschillende handmatige stappen. Opsporen waar zich problemen voordeden, was niet eenvoudig. TR loste deze fout op door de workflows te orkestreren met Step Functions. Met het gebruik van Step Functions werd het bouwen van complexe workflows, het beheren van statussen en het afhandelen van fouten veel eenvoudiger.
- Proper AWS Identiteits- en toegangsbeheer (IAM) roldefinitie voor de experimenteerwerkruimte was moeilijk te definiรซren. Om te voldoen aan TR's interne beveiligingsstandaarden en het model met de minste bevoegdheden, werd de werkruimterol oorspronkelijk gedefinieerd met inline-beleid. Bijgevolg groeide het inline-beleid met de tijd en werd het uitgebreid, waardoor het de toegestane limiet voor de IAM-rol overschreed. Om dit te verhelpen, schakelde TR over op het gebruik van meer door de klant beheerd beleid en het verwijzen ernaar in de definitie van de werkruimterol.
- TR bereikte af en toe de standaard resourcelimieten die werden toegepast op het AWS-accountniveau. Dit veroorzaakte incidentele fouten bij het starten van SageMaker-taken (bijvoorbeeld trainingstaken) omdat de gewenste limiet voor het resourcetype was bereikt. TR werkte hierbij nauw samen met het SageMaker-serviceteam. Dit probleem werd opgelost nadat het AWS-team SageMaker lanceerde als een ondersteunde service in Servicequota's in juni 2022.
Tegenwoordig kunnen datawetenschappers bij TR een ML-project starten door een onafhankelijke werkruimte te creรซren en vereiste teamleden toe te voegen om samen te werken. Onbeperkte schaal aangeboden door SageMaker is binnen handbereik door hen aangepaste kernelafbeeldingen met verschillende formaten te bieden. SageMaker Studio werd al snel een cruciaal onderdeel van het AI-platform van TR en heeft het gebruikersgedrag veranderd van het gebruik van beperkte desktop-applicaties naar schaalbare en kortstondige speciaal gebouwde engines. Het volgende diagram illustreert deze architectuur.
Centraal modelregister
Het modelregister biedt een centrale opslagplaats voor alle machine learning-modellen van TR, maakt risico- en gezondheidsbeheer daarvan op een gestandaardiseerde manier mogelijk voor alle bedrijfsfuncties en stroomlijnt het hergebruik van potentiรซle modellen. Daarom moest de service het volgende doen:
- Bied de mogelijkheid om zowel nieuwe als verouderde modellen te registreren, zowel binnen als buiten SageMaker ontwikkeld
- Implementeer governance-workflows, waardoor datawetenschappers, ontwikkelaars en belanghebbenden de levenscyclus van modellen kunnen bekijken en collectief kunnen beheren
- Vergroot de transparantie en samenwerking door een gecentraliseerd overzicht te creรซren van alle modellen in TR, naast metadata en gezondheidsstatistieken
TR begon het ontwerp met alleen het SageMaker-modelregister, maar een van de belangrijkste vereisten van TR is om de mogelijkheid te bieden om modellen te registreren die buiten SageMaker zijn gemaakt. TR evalueerde verschillende relationele databases, maar koos uiteindelijk voor DynamoDB omdat het metadataschema voor modellen die afkomstig zijn van oudere bronnen heel anders zal zijn. TR wilde de gebruikers ook geen extra werk opleggen, dus implementeerden ze een naadloze automatische synchronisatie tussen de AI Platform-werkruimte SageMaker-registers naar het centrale SageMaker-register met behulp van Amazon EventBridge regels en vereiste IAM-rollen. TR heeft het centrale register verbeterd met DynamoDB om de mogelijkheden uit te breiden om verouderde modellen te registreren die op de desktops van gebruikers zijn gemaakt.
Het centrale modelregister van het AI Platform van TR is geรฏntegreerd in de AI Platform-portal en biedt een visuele interface om modellen te doorzoeken, metadata van modellen bij te werken en basislijnstatistieken van modellen en periodieke aangepaste monitoringstatistieken te begrijpen. Het volgende diagram illustreert deze architectuur.
Modelimplementatie
TR identificeerde twee belangrijke patronen om de implementatie te automatiseren:
- Modellen die zijn ontwikkeld met behulp van SageMaker via SageMaker transformeren taken in batch om conclusies te trekken over een voorkeursschema
- Modellen die buiten SageMaker zijn ontwikkeld op lokale desktops met behulp van open-sourcebibliotheken, via de bring your own container-benadering met behulp van SageMaker-verwerkingstaken om aangepaste inferentiecode uit te voeren, als een efficiรซnte manier om die modellen te migreren zonder de code te herstructureren
Met de AI Platform-implementatieservice kunnen TR-gebruikers (datawetenschappers en ML-engineers) een model uit de catalogus identificeren en een deductietaak implementeren in hun gekozen AWS-account door de vereiste parameters te verstrekken via een UI-gestuurde workflow.
TR automatiseerde deze implementatie met behulp van AWS DevOps-services zoals AWS CodePipeline en AWS CodeBuild. TR gebruikt Step Functions om de workflow van het lezen en voorbewerken van gegevens te orkestreren voor het maken van SageMaker-inferentietaken. TR implementeert de vereiste componenten als code met behulp van AWS CloudFormatie Sjablonen. Het volgende diagram illustreert deze architectuur.
Modelbewaking
De ML-levenscyclus is niet compleet zonder modellen te kunnen monitoren. Het enterprise governance-team van TR verplicht en moedigt businessteams ook aan om de prestaties van hun modellen in de loop van de tijd te monitoren om eventuele uitdagingen op het gebied van regelgeving aan te pakken. TR begon met het monitoren van modellen en data voor drift. TR gebruikte SageMaker Model Monitor om een โโgegevensbasislijn en gevolgtrekkingsgrondwaarheid te bieden om periodiek te controleren hoe de gegevens en gevolgtrekkingen van TR afdrijven. Samen met SageMaker-modelbewakingsstatistieken, heeft TR de bewakingsmogelijkheden verbeterd door aangepaste statistieken te ontwikkelen die specifiek zijn voor hun modellen. Dit zal de datawetenschappers van TR helpen te begrijpen wanneer ze hun model opnieuw moeten trainen.
Naast driftmonitoring wil TR ook de bias in de modellen begrijpen. De kant-en-klare mogelijkheden van SageMaker Clarify worden gebruikt om de bias-service van TR te bouwen. TR bewaakt zowel data als modelbias en stelt deze statistieken beschikbaar voor hun gebruikers via de AI Platform-portal.
Om alle teams te helpen deze bedrijfsstandaarden te adopteren, heeft TR deze services onafhankelijk en direct beschikbaar gemaakt via de AI Platform-portal. De zakelijke teams van TR kunnen naar het portaal gaan en zelf een modelbewakingstaak of biasbewakingstaak implementeren en deze volgens hun voorkeursschema uitvoeren. Ze worden geรฏnformeerd over de status van de taak en de statistieken voor elke run.
TR gebruikte AWS-services voor CI/CD-implementatie, workfloworkestratie, serverloze frameworks en API-eindpunten om microservices te bouwen die onafhankelijk kunnen worden geactiveerd, zoals weergegeven in de volgende architectuur.
Resultaten en toekomstige verbeteringen
Het AI-platform van TR ging live in het derde kwartaal van 3 met alle vijf de belangrijkste componenten: een dataservice, een experimenteerwerkruimte, een centraal modelregister, modelimplementatie en modelmonitoring. TR voerde interne trainingssessies uit voor zijn business units om het platform te leren kennen en bood hen zelfgeleide trainingsvideo's aan.
Het AI-platform heeft TR-teams mogelijkheden geboden die voorheen nooit bestonden; het heeft een breed scala aan mogelijkheden geopend voor het enterprise governance-team van TR om de nalevingsnormen te verbeteren en het register te centraliseren, waardoor een enkelvoudig overzicht wordt geboden voor alle ML-modellen binnen TR.
TR erkent dat geen enkel product op zijn best is bij de eerste release. Alle componenten van TR bevinden zich op verschillende volwassenheidsniveaus en het Enterprise AI Platform-team van TR bevindt zich in een continue verbeteringsfase om productkenmerken iteratief te verbeteren. TR's huidige vooruitgangspijplijn omvat het toevoegen van extra SageMaker-inferentie-opties zoals real-time, asynchrone en multi-model eindpunten. TR is ook van plan om modeluitlegbaarheid toe te voegen als functie aan zijn modelbewakingsservice. TR is van plan om de uitlegmogelijkheden van SageMaker Clarify te gebruiken om zijn interne uitlegdienst te ontwikkelen.
Conclusie
TR kan nu grote hoeveelheden gegevens veilig verwerken en geavanceerde AWS-mogelijkheden gebruiken om een โโML-project van idee naar productie te brengen in een tijdsbestek van weken, in vergelijking met de maanden daarvoor. Met de out-of-the-box mogelijkheden van AWS-services kunnen teams binnen TR voor het eerst ML-modellen registreren en monitoren, waardoor ze voldoen aan hun evoluerende standaarden voor modelbeheer. TR stelde datawetenschappers en productteams in staat om hun creativiteit effectief te ontketenen om de meest complexe problemen op te lossen.
Voor meer informatie over TR's Enterprise AI Platform op AWS, bekijk de AWS re:Invent 2022-sessie. Als u wilt weten hoe TR het gebruik van machine learning heeft versneld met behulp van de AWS-datalab programma, zie de case study.
Over de auteurs
Ramdev Wudali is een data-architect die helpt bij het ontwerpen en bouwen van het AI/ML-platform om datawetenschappers en onderzoekers in staat te stellen machine learning-oplossingen te ontwikkelen door zich te concentreren op de datawetenschap en niet op de infrastructuurbehoeften. In zijn vrije tijd vouwt hij graag papier om origami-vullingen te maken en draagt โโhij oneerbiedige T-shirts.
Kiran Mantripragada is de Senior Director van AI Platform bij Thomson Reuters. Het AI Platform-team is verantwoordelijk voor het mogelijk maken van AI-softwaretoepassingen van productiekwaliteit en het mogelijk maken van het werk van datawetenschappers en onderzoekers op het gebied van machine learning. Met een passie voor wetenschap, AI en techniek, overbrugt Kiran graag de kloof tussen onderzoek en productie om de echte innovatie van AI naar de eindgebruikers te brengen.
Bhavana Chirumamilla is Sr. Resident Architect bij AWS. Ze is gepassioneerd door data- en ML-operaties en brengt veel enthousiasme met zich mee om ondernemingen te helpen bij het ontwikkelen van data- en ML-strategieรซn. In haar vrije tijd geniet ze van reizen, wandelen, tuinieren en het kijken naar documentaires met haar gezin.
Srinivasa Shaik is een Solutions Architect bij AWS in Boston. Hij helpt zakelijke klanten hun reis naar de cloud te versnellen. Hij is gepassioneerd door containers en machine learning-technologieรซn. In zijn vrije tijd brengt hij graag tijd door met zijn gezin, koken en reizen.
Qingwei Li is Machine Learning Specialist bij Amazon Web Services. Hij promoveerde in Operations Research nadat hij de onderzoeksbeursrekening van zijn adviseur had verbroken en de beloofde Nobelprijs niet kon leveren. Momenteel helpt hij klanten in de financiรซle dienstverlening en de verzekeringssector bij het bouwen van machine learning-oplossingen op AWS. In zijn vrije tijd houdt hij van lezen en lesgeven.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. Toegang hier.
- Bron: 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
- a
- in staat
- Over
- versnellen
- versneld
- toegang
- beschikbaar
- Volgens
- Account
- Accounting
- bereikt
- verwerven
- over
- Actie
- Handelingen
- Extra
- adres
- adopteren
- vergevorderd
- Na
- AI
- AI-platform
- AI-diensten
- AI / ML
- Alles
- toestaat
- naast
- Amazone
- Amazon Sage Maker
- Amazon Web Services
- hoeveelheden
- en
- api
- toepassingen
- toegepast
- nadering
- benaderingen
- goedkeuring
- architectuur
- rond
- machtiging
- automatiseren
- geautomatiseerde
- Automatisch
- Beschikbaar
- AWS
- gebaseerde
- Baseline
- omdat
- vaardigheden
- wezen
- BEST
- 'best practices'
- tussen
- vooringenomenheid
- miljarden
- Boston
- BRUG
- brengen
- Brengt
- Kapot gegaan
- bouw
- Gebouw
- bouwt
- bebouwd
- last
- bedrijfsdeskundigen
- zakelijke functies
- mogelijkheden
- gevallen
- catalogus
- categorieรซn
- veroorzaakt
- centraal
- gecentraliseerde
- uitdagingen
- controle
- het kiezen van
- uitgekozen
- van nabij
- Cloud
- cloud infrastructuur
- Cloud Security
- code
- samenwerken
- samengewerkt
- samenwerking
- collectief
- komst
- Gemeen
- vergeleken
- compleet
- complex
- ingewikkeldheid
- nakoming
- compliant
- bestanddeel
- componenten
- bestaat uit
- computergebruik
- geconsumeerd
- Consumenten
- Containers
- containers
- content
- voortzetten
- doorlopend
- onder controle te houden
- koken
- Kern
- en je merk te creรซren
- aangemaakt
- Wij creรซren
- creativiteit
- kritisch
- cruciaal
- Actueel
- Op dit moment
- gewoonte
- Klanten
- gegevens
- Datameer
- gegevensverwerking
- data science
- databanken
- Besluitvorming
- deep
- diepe expertise
- Standaard
- leveren
- levering
- democratiseren
- implementeren
- inzet
- ontplooit
- beschrijven
- Design
- desktop
- detail
- vastbesloten
- ontwikkelen
- ontwikkelde
- ontwikkelaars
- het ontwikkelen van
- Ontwikkeling
- DevOps
- anders
- moeilijk
- Director
- bespreken
- documentaires
- domein
- domeinen
- beneden
- Vroeg
- gemakkelijker
- gemakkelijk
- effectief
- doeltreffend
- inspanning
- gemachtigd
- in staat stellen
- ingeschakeld
- maakt
- waardoor
- moedigt
- Endpoint
- Motor
- Engineering
- Ingenieurs
- Motoren
- verbeterde
- verzekeren
- zorgen
- Enterprise
- zakelijke klanten
- bedrijven
- enthousiasme
- Milieu
- fout
- essentieel
- Ether (ETH)
- ethisch
- geรซvalueerd
- EVENTS
- OOIT
- ontwikkelen
- evoluerende
- voorbeeld
- experiment
- expertise
- Uitlegbaarheid
- verlengen
- uiterst
- vergemakkelijken
- Mislukt
- familie
- Kenmerk
- Voordelen
- weinig
- finale
- financieel
- financiรซle dienst
- VIND DE PLEK DIE PERFECT VOOR JOU IS
- het vinden van
- Voornaam*
- eerste keer
- Focus
- gericht
- volgen
- volgend
- volgt
- formeel
- frameworks
- oppompen van
- vervullen
- geheel
- functionaliteit
- functies
- toekomst
- kloof
- Algemeen
- gegenereerde
- krijgen
- glas
- Go
- Doelen
- bestuur
- toe te kennen
- Ground
- Groeiend
- Behandeling
- Hard
- Gezondheid
- hulp
- het helpen van
- helpt
- zeer
- wandelen
- Hosting
- Hoe
- Echter
- HTML
- HTTPS
- IAM
- geรฏdentificeerd
- identificeren
- het identificeren van
- Identiteit
- afbeeldingen
- Impact
- uitvoeren
- geรฏmplementeerd
- uitvoering
- opgelegde
- verbeteren
- in
- omvat
- Laat uw omzet
- onafhankelijk
- onafhankelijk
- -industrie
- Infrastructuur
- eerste
- Innovatie
- inzichten
- verkrijgen in plaats daarvan
- verzekering
- verzekeringsbranche
- geรฏntegreerde
- Interface
- intern
- betrokken zijn
- isolatie
- kwestie
- IT
- Jobomschrijving:
- Vacatures
- sleutel
- blijven
- kennis
- meer
- lancering
- gelanceerd
- lancering
- LEARN
- leren
- Nalatenschap
- Juridisch
- Niveau
- niveaus
- bibliotheken
- LIMIT
- grenzen
- leven
- lokaal
- machine
- machine learning
- gemaakt
- groot
- MERKEN
- maken
- beheer
- management
- beheren
- mandaten
- manier
- handboek
- veel
- ะทัะตะปะพััั
- maatregelen
- Leden
- Metadata
- methodologieรซn
- metriek
- Metriek
- microservices
- trekken
- mijlpaal
- Mijlpalen
- denken
- minuten
- Verzachten
- ML
- model
- modellen
- monitor
- Grensverkeer
- monitors
- maanden
- meer
- meest
- meervoudig
- Naturel
- OP DEZE WEBSITE VIND JE
- Noodzaak
- nodig
- behoeften
- netwerken
- New
- nieuws
- volgende
- Nobelprijs
- aantal
- object
- Object Opslag
- occasionele
- aangeboden
- het aanbieden van
- Aanbod
- Aan boord
- EEN
- open source
- geopend
- Operations
- Opties
- orkestratie
- organisatie
- oorspronkelijk
- buiten
- het te bezitten.
- eigenaar
- brood
- Papier
- parameters
- passie
- hartstochtelijk
- patronen
- Mensen
- prestatie
- periodiek
- fase
- pijpleiding
- planning
- plannen
- platform
- Plato
- Plato gegevensintelligentie
- PlatoData
- punt
- beleidsmaatregelen door te lezen.
- beleidsmaatregelen
- Portaal
- mogelijkheden
- Post
- potentieel
- energie
- praktijken
- Voorspellingen
- bij voorkeur
- primair
- principes
- prijs
- probleem
- problemen
- processen
- verwerking
- Product
- productie
- Producten
- Producten en Diensten
- professionals
- Programma
- project
- projecten
- beloofde
- zorgen voor
- mits
- biedt
- het verstrekken van
- Q3
- q3 2022
- snel
- reeks
- variรซrend
- RE
- bereikt
- lezing
- vast
- real-time
- ontvangen
- registreren
- register
- reglement
- regelgevers
- los
- uitgebracht
- verwijderen
- bewaarplaats
- te vragen
- nodig
- Voorwaarden
- onderzoek
- onderzoekers
- hulpbron
- Resources
- verantwoordelijk
- Reuters
- Risico
- Rol
- rollen
- reglement
- lopen
- sagemaker
- SageMaker Inferentie
- schaalbare
- Scale
- rooster
- Wetenschap
- wetenschappers
- naadloos
- naadloos
- Ontdek
- Zoekmachines
- secties
- beveiligen
- Beveiligde
- vast
- veiligheid
- verzending
- senior
- gevoelig
- dienen
- Serverless
- service
- Diensten
- sessies
- verscheidene
- Delen
- getoond
- Eenvoudig
- sinds
- single
- Maat
- maten
- geschoold
- vaardigheden
- Momentopname
- So
- Software
- oplossing
- Oplossingen
- OPLOSSEN
- bronnen
- specialist
- specifiek
- besteden
- Uitgaven
- Stadium
- stakeholders
- standaardiseren
- normen
- gestart
- starts
- Staten
- Status
- Stap voor
- Stappen
- mediaopslag
- shop
- winkels
- strategieรซn
- gestroomlijnd
- studio
- dergelijk
- ondersteunde
- Ondersteuning
- geschakelde
- synchronisatie
- tafel
- Nemen
- belasting
- Onderwijs
- team
- teams
- Technisch
- technische vaardigheden
- Technologies
- templates
- termen
- De
- hun
- daarom
- Thomson Reuters
- Door
- overal
- niet de tijd of
- naar
- tools
- Tracking
- traditioneel
- Trainen
- Trainingen
- Transformeren
- Transparantie
- Reizend
- ontzettend
- veroorzaakt
- begrijpen
- eenheid
- eenheden
- ontketenen
- onbeperkt
- bijwerken
- .
- Gebruiker
- gebruikers
- variรซteit
- divers
- groot
- via
- Video's
- Bekijk
- zichtbaarheid
- kijken
- web
- webservices
- Web-based
- weken
- of
- en
- breed
- Grote range
- wil
- winnen
- binnen
- zonder
- Mijn werk
- werkte
- workflow
- workflows
- wereldwijd
- zou
- jaar
- Your
- zephyrnet