Andmeladude ja andmelaoplatvormidel tehtava analüütika tähtsus on aastate jooksul pidevalt kasvanud ning paljud ettevõtted hakkavad nendele süsteemidele toetuma, kuna need on nii lühiajaliste operatiivotsuste tegemisel kui ka pikaajalise strateegilise planeerimise missioonikriitilised. Traditsiooniliselt värskendatakse andmeladusid partiitsüklitena, näiteks iga kuu, kord nädalas või iga päev, et ettevõtted saaksid neist erinevaid teadmisi ammutada.
Paljud organisatsioonid mõistavad, et peaaegu reaalajas andmete sisestamine koos täiustatud analüütikaga avab uusi võimalusi. Näiteks saab finantsasutus ennustada, kas krediitkaarditehing on petturlik, käivitades kõrvalekalde tuvastamise programmi peaaegu reaalajas, mitte pakkrežiimis.
Selles postituses näitame, kuidas Amazoni punane nihe suudab pakkuda voogesituse neelamise ja masinõppe (ML) ennustusi ühel platvormil.
Amazon Redshift on kiire, skaleeritav, turvaline ja täielikult hallatav pilvandmeladu, mis muudab kõigi andmete analüüsimise standardse SQL-i abil lihtsaks ja kulutõhusaks.
Amazon Redshift ML teeb andmeanalüütikutele ja andmebaasi arendajatele lihtsaks ML-mudelite loomise, koolitamise ja rakendamise, kasutades tuttavaid SQL-i käske Amazon Redshifti andmeladudes.
Meil on hea meel käivitada Amazon Redshift Streaming Ingestion eest Amazon Kinesise andmevood ja Amazoni hallatav voogesitus Apache Kafka jaoks (Amazon MSK), mis võimaldab teil sisestada andmeid otse Kinesise andmevoost või Kafka teemast, ilma et peaksite andmeid sisestama Amazoni lihtne salvestusteenus (Amazon S3). Amazon Redshift voogesituse neelamine võimaldab teil saavutada sekundite suurusjärgus madala latentsusaega, kaasates samal ajal teie andmelattu sadu megabaite andmeid.
See postitus näitab, kuidas Amazon Redshift, pilvandmeladu, võimaldab teil luua peaaegu reaalajas ML ennustusi, kasutades Amazon Redshifti voogesituse ja Redshift ML-i funktsioone tuttava SQL-keelega.
Lahenduse ülevaade
Järgides selles postituses kirjeldatud samme, saate seadistada tootja voogedastusrakenduse Amazon Elastic Compute Cloud (Amazon EC2) eksemplar, mis simuleerib krediitkaarditehinguid ja edastab andmed reaalajas Kinesise andmevoogudesse. Seadistasite Amazon Redshiftis Amazon Redshift Streaming Ingestion materialiseeritud vaate, kus võetakse vastu voogesituse andmeid. Treenite ja koostate Redshift ML mudeli, et luua reaalajas järeldusi voogesituse andmete põhjal.
Järgmine diagramm illustreerib arhitektuuri ja protsessi voogu.
Samm-sammuline protsess on järgmine:
- EC2 eksemplar simuleerib krediitkaarditehingu rakendust, mis lisab krediitkaarditehingud Kinesise andmevoogu.
- Andmevoog salvestab sissetulevad krediitkaarditehingu andmed.
- Andmevoo peale luuakse Amazon Redshift Streaming Ingestion materialiseeritud vaade, mis sisestab voogesituse andmed automaatselt Amazon Redshifti.
- Redshift ML-i abil saate luua, koolitada ja juurutada ML-mudeli. Redshift ML mudelit koolitatakse ajalooliste tehinguandmete abil.
- Muudate voogesituse andmeid ja loote ML-ennustusi.
- Riski maandamiseks saate kliente hoiatada või rakendust värskendada.
See ülevaade kasutab krediitkaarditehingute voogesituse andmeid. Krediitkaarditehingu andmed on fiktiivsed ja põhinevad a simulaator. Kliendiandmestik on samuti fiktiivne ja genereeritakse mõne juhusliku andmefunktsiooniga.
Eeldused
- Looge Amazoni punanihke klaster.
- Konfigureerige klaster Redshift ML-i kasutamiseks.
- Looma an AWS-i identiteedi- ja juurdepääsuhaldus (IAM) kasutaja.
- Värskendage Redshifti klastrile lisatud IAM-i rolli, et lisada juurdepääsuõigused Kinesise andmevoogu. Nõutava poliitika kohta lisateabe saamiseks vaadake Voogesituse allaneelamisega alustamine.
- Looge m5.4xsuur EC2 eksemplar. Testisime rakendust Producer koos m5.4xlarge eksemplariga, kuid võite vabalt kasutada ka teist tüüpi eksemplari. Eksemplari loomisel kasutage amzn2-ami-kernel-5.10-hvm-2.0.20220426.0-x86_64-gp2 AMI.
- Veendumaks, et Python3 on EC2 eksemplari installitud, käivitage Pythoni versiooni kontrollimiseks järgmine käsk (pange tähele, et andmete ekstraktimise skript töötab ainult Python 3 puhul):
- Simulaatoriprogrammi käivitamiseks installige järgmised sõltuvad paketid:
- Konfigureerige Amazon EC2, kasutades ülaltoodud sammus 3 loodud IAM-i kasutaja jaoks loodud AWS-i mandaate. Järgmisel ekraanipildil on näide kasutamisest aws seadistada.
Kinesise andmevoogude seadistamine
Amazon Kinesis Data Streams on tohutult skaleeritav ja vastupidav reaalajas andmevoogesituse teenus. See suudab pidevalt jäädvustada gigabaite andmeid sekundis sadadest tuhandetest allikatest, näiteks veebisaitide klõpsuvoogudest, andmebaasi sündmuste voogudest, finantstehingutest, sotsiaalmeedia voogudest, IT-logidest ja asukoha jälgimise sündmustest. Kogutud andmed on saadaval millisekundites, et võimaldada reaalajas analüütika kasutusjuhtumeid, nagu reaalajas armatuurlauad, reaalajas anomaaliate tuvastamine, dünaamiline hinnakujundus ja palju muud. Kasutame Kinesise andmevoogusid, kuna see on serverita lahendus, mida saab kasutuse alusel skaleerida.
Looge Kinesise andmevoog
Esiteks peate voogesituse andmete vastuvõtmiseks looma Kinesise andmevoo:
- Amazon Kinesise konsoolil valige Andmevood navigeerimispaanil.
- Vali Loo andmevoog.
- eest Andmevoo nimi, sisenema
cust-payment-txn-stream
. - eest Mahutavusrežiimvalige Nõudlusel.
- Ülejäänud valikute jaoks valige vaikevalikud ja järgige seadistamise lõpuleviimiseks juhiseid.
- Jäädvustage loodud andmevoo ARN, et kasutada seda järgmises jaotises IAM-poliitika määratlemisel.
Seadistage load
Et voogedastusrakendus saaks kirjutada Kinesise andmevoogudesse, peab rakendusel olema juurdepääs Kinesisele. Järgmises jaotises seadistatud simulaatoriprotsessile andmevoogu juurdepääsu andmiseks saate kasutada järgmist poliitikaavaldust. Kasutage eelmises etapis salvestatud andmevoo ARN-i.
Seadistage voo tootja
Enne kui saame Amazon Redshiftis voogesituse andmeid tarbida, vajame voogesituse andmeallikat, mis kirjutab andmed Kinesise andmevoogu. See postitus kasutab kohandatud andmegeneraatorit ja AWS SDK Pythoni jaoks (Boto3) andmete avaldamiseks andmevoos. Seadistusjuhiste saamiseks vaadake Tootja simulaator. See simulaatori protsess avaldab voogesituse andmed eelmises etapis loodud andmevoos (cust-payment-txn-stream
).
Voo tarbija seadistamine
Selles jaotises räägitakse vootarbija konfigureerimisest (Amazon Redshift voogesituse allaneelamise vaade).
Amazon Redshift Streaming Ingestion pakub madala latentsusajaga ja kiiret voogesituse andmete sisestamist Kinesise andmevoogudest Amazon Redshift materialiseeritud vaatesse. Saate konfigureerida oma Amazon Redshifti klastri nii, et see võimaldaks voogesituse allaneelamist ja luua automaatse värskendamisega materialiseeritud vaade, kasutades SQL-lauseid, nagu on kirjeldatud jaotises Realiseeritud vaadete loomine rakenduses Amazon Redshift. Automaatne materialiseeritud vaate värskendamise protsess neelab voogesituse andmeid sadade megabaitidega sekundis Kinesis Data Streamsist Amazon Redshiftisse. Selle tulemuseks on kiire juurdepääs välistele andmetele, mida värskendatakse kiiresti.
Pärast materialiseeritud vaate loomist pääsete SQL-i abil juurde oma andmetele andmevoost ja lihtsustate oma andmekonveierid, luues materialiseeritud vaated otse voo kohale.
Amazon Redshifti voogesituse materialiseeritud vaate konfigureerimiseks tehke järgmised sammud.
- Valige IAM-konsooli navigeerimispaanil poliitikad.
- Vali Loo poliitika.
- Looge uus IAM-poliitika nimega
KinesisStreamPolicy
. Voogedastuspoliitika määratluse kohta vt Voogesituse allaneelamisega alustamine. - Valige navigeerimispaanil rollid.
- Valige Loo roll.
- valima AWS-teenus Ja vali Redshift ja Redshift on kohandatavad.
- Looge uus roll nimega
redshift-streaming-role
ja lisage poliitikaKinesisStreamPolicy
. - Looge Kinesise andmevoogudega vastendamiseks väline skeem:
Nüüd saate vooandmete tarbimiseks luua materialiseeritud vaate. Saate kasutada andmetüüpi SUPER, et salvestada kasulik koormus JSON-vormingus või kasutada Amazon Redshift JSON-i funktsioone, et sõeluda JSON-andmed üksikutesse veergudesse. Selle postituse jaoks kasutame teist meetodit, kuna skeem on hästi määratletud.
- Looge voogesituse allaneelamise materialiseeritud vaade
cust_payment_tx_stream
. Kui määrate järgmises koodis AUTO FRESH YES, saate lubada voogedastusvaate automaatse värskendamise, mis säästab aega, vältides andmekonveierite loomist.
Pange tähele, et json_extract_path_text
pikkuse piirang on 64 KB. Samuti filtreerib from_varbye kirjed, mis on suuremad kui 65KB.
- Värskendage andmeid.
Amazon Redshift voogesituse materialiseeritud vaadet värskendab Amazon Redshift teie jaoks automaatselt. Nii ei pea te muretsema andmete vananemise pärast. Realiseeritud vaate automaatse värskendamise korral laaditakse andmed automaatselt Amazon Redshifti, kui need voos kättesaadavaks muutuvad. Kui otsustate selle toimingu käsitsi teha, kasutage järgmist käsku:
- Nüüd esitame näidisandmete nägemiseks voogesituse materialiseeritud vaate päringu:
- Kontrollime, mitu kirjet on praegu voogedastusvaates:
Nüüd olete lõpetanud Amazon Redshifti voogedastusvaate seadistamise, mida värskendatakse pidevalt sissetulevate krediitkaarditehingute andmetega. Minu seadistuses näen, et sel ajal, kui käivitasin oma valikuloenduse päringu, on voogesituse vaatesse tõmmatud umbes 67,000 XNUMX kirjet. See number võib teie jaoks olla erinev.
Punane nihe ML
Redshift ML-iga saate kaasa võtta eelkoolitatud ML-mudeli või ehitada selle natiivselt. Lisateabe saamiseks vaadake Masinaõppe kasutamine rakenduses Amazon Redshift.
Selles postituses koolitame ja loome ajaloolise andmestiku abil ML-mudeli. Andmed sisaldavad a tx_fraud
väli, mis märgib ajaloolise tehingu kas petturlikuks või mitte. Ehitame järelevalve all oleva ML-i mudeli Redshift Auto ML-i abil, mis õpib sellest andmekogumist ja ennustab sissetulevaid tehinguid, kui neid ennustusfunktsioonide kaudu käivitatakse.
Järgmistes jaotistes näitame, kuidas seadistada ajaloolist andmekogumit ja kliendiandmeid.
Laadige ajalooline andmestik
Ajaloolises tabelis on rohkem välju kui voogesituse andmeallikas. Need väljad sisaldavad kliendi viimaseid kulutusi ja terminali riskiskoori, näiteks voogesituse andmete teisendamise teel arvutatud pettuste arvu. Samuti on kategoorilisi muutujaid, nagu nädalavahetuse tehingud või öised tehingud.
Ajalooliste andmete laadimiseks käivitage käsud, kasutades Amazon Redshift päringuredaktor.
Looge tehingute ajaloo tabel järgmise koodiga. DDL-i võib leida ka aadressilt GitHub.
Kontrollime, kui palju tehinguid on laaditud:
Kontrollige igakuiste pettuste ja mittepettustehingute trendi:
Looge ja laadige kliendiandmeid
Nüüd koostame klienditabeli ja laadime andmed, mis sisaldavad kliendi meili ja telefoninumbrit. Järgmine kood loob tabeli, laadib andmed ja proovib tabelit. Tabel DDL on saadaval aadressil GitHub.
Meie testiandmetel on umbes 5,000 klienti. Järgmine ekraanipilt näitab näidiskliendi andmeid.
Ehitage ML-mudel
Meie ajaloolise kaarditehingute tabelis on 6 kuu andmed, mida kasutame nüüd ML-mudeli koolitamiseks ja testimiseks.
Mudel võtab sisendiks järgmised väljad:
Saame tx_fraud
väljundina.
Jagasime need andmed koolitus- ja testiandmeteks. Tehingud 2022-04-01 kuni 2022-07-31 on koolituskomplekti jaoks. Testkomplekti jaoks kasutatakse tehinguid 2022-08-01 kuni 2022-09-30.
Loome tuttavat SQL-i kasutades ML-mudeli CREATE MODEL avaldus. Kasutame Redshift ML-käsu põhivormi. Kasutatakse järgmist meetodit Amazon SageMakeri autopiloot, mis teostab andmete ettevalmistamise, funktsioonide projekteerimise, mudelivaliku ja koolituse teie eest automaatselt. Esitage koodi sisaldava S3 ämbri nimi.
Ma nimetan ML mudelit kui Cust_cc_txn_fd
ja ennustusfunktsioon kui fn_customer_cc_fd
. Klausel FROM näitab ajaloolise tabeli sisendveerge public.cust_payment_tx_history
. Sihtparameeter on seatud väärtusele tx_fraud
, mis on sihtmuutuja, mida püüame ennustada. IAM_Role
on seatud vaikimisi, kuna klaster on konfigureeritud selle rolliga; kui ei, siis peate esitama oma Amazon Redshift klastri IAM-i rolli ARN. Panin paika max_runtime
3,600 sekundini, mis on aeg, mille anname SageMakerile protsessi lõpuleviimiseks. Redshift ML juurutab parima mudeli, mis selle aja jooksul tuvastatud.
Olenevalt mudeli keerukusest ja andmemahust võib kuluda veidi aega, enne kui mudel on saadaval. Kui leiate, et teie mudelivalik ei ole lõpule viidud, suurendage väärtust max_runtime
. Saate määrata maksimaalseks väärtuseks 9999.
Käsk CREATE MODEL käivitatakse asünkroonselt, mis tähendab, et see töötab taustal. Võite kasutada NÄITA MUDELI mudeli oleku vaatamiseks. Kui olek kuvatakse Valmis, tähendab see, et mudel on koolitatud ja kasutusele võetud.
Järgmised ekraanipildid näitavad meie väljundit.
Väljundist näen, et mudel on õigesti tuvastatud BinaryClassification
ja eesmärgiks on valitud F1. The F1 skoor on mõõdik, mis arvestab mõlemat täpsus ja meeldejätmine. See tagastab väärtuse vahemikus 1 (täiuslik täpsus ja meeldetuletus) kuni 0 (madalaim võimalik skoor). Minu puhul on see 0.91. Mida kõrgem väärtus, seda parem on mudeli jõudlus.
Testime seda mudelit testandmestikuga. Käivitage järgmine käsk, mis toob välja prognooside näidised:
Näeme, et mõned väärtused sobivad ja mõned mitte. Võrdleme ennustusi põhitõega:
Kinnitasime, et mudel töötab ja F1 skoor on hea. Liigume edasi andmete voogesituse ennustuste loomise juurde.
Ennusta petturlikke tehinguid
Kuna Redshift ML-mudel on kasutamiseks valmis, saame seda kasutada andmete voogesituse tõkestamiseks. Ajaloolises andmekogumis on rohkem välju, kui meil on voogesituse andmeallikas, kuid need on lihtsalt kliendi hiljutise ja sageduse mõõdikud ning petturliku tehingu terminali risk.
Saame voogesituse andmete peal olevaid teisendusi väga lihtsalt rakendada, manustades vaadetesse SQL-i. Looge esimene vaade, mis koondab voogesituse andmed kliendi tasemel. Seejärel looge teine vaade, mis koondab voogesituse andmed terminali tasemel, ja kolmas vaade, mis ühendab sissetulevad tehinguandmed kliendi ja terminali koondandmetega ning kutsub ennustusfunktsiooni kõik ühes kohas välja. Kolmanda vaate kood on järgmine:
Käivitage vaates SELECT-lause:
Kui käitate SELECT-avaldust korduvalt, läbivad viimased krediitkaarditehingud peaaegu reaalajas teisendusi ja ML-i ennustusi.
See demonstreerib Amazon Redshifti võimsust – hõlpsasti kasutatavate SQL-käskude abil saate muuta voogedastusandmeid, rakendades keerukaid aknafunktsioone ja rakendada ML-mudelit, et ennustada petturlikke tehinguid ühe sammuga, ilma keerulisi andmekonveieride ehitamiseta ja haldamiseta. täiendav infrastruktuur.
Laiendage lahendust
Kuna andmevood ja ML-ennustused tehakse peaaegu reaalajas, saate luua äriprotsesse klientide hoiatamiseks, kasutades Amazoni lihtne teavitusteenus (Amazon SNS) või saate lukustada kliendi krediitkaardikonto operatsioonisüsteemis.
See postitus ei käsitle nende toimingute üksikasju, kuid kui soovite rohkem teada saada sündmustepõhiste lahenduste loomise kohta Amazon Redshifti abil, vaadake järgmist GitHubi hoidla.
Koristage
Edaspidiste tasude vältimiseks kustutage selle postituse osana loodud ressursid.
Järeldus
Selles postituses demonstreerisime, kuidas seadistada Kinesise andmevoogu, konfigureerida tootjat ja avaldada andmeid voogudes ning seejärel luua Amazon Redshift Streaming Inestion vaade ja teha Amazon Redshiftis andmete päringuid. Pärast seda, kui andmed olid Amazon Redshifti klastris, näitasime, kuidas treenida ML-mudelit ja luua ennustusfunktsiooni ning rakendada seda voogesituse andmete suhtes, et genereerida ennustusi peaaegu reaalajas.
Kui teil on tagasisidet või küsimusi, jätke need kommentaaridesse.
Autoritest
Bhanu Pittampally on Dallases asuv Analyticsi lahenduste spetsialist. Ta on spetsialiseerunud analüütiliste lahenduste ehitamisele. Tema taust on andmeladudes – arhitektuur, arendus ja haldus. Ta on andme- ja analüüsivaldkonnas tegutsenud üle 15 aasta.
Praveen Kadipikonda on Dallases asuva AWS-i vanemanalüüsispetsialisti lahenduste arhitekt. Ta aitab klientidel luua tõhusaid, tulemuslikke ja skaleeritavaid analüütilisi lahendusi. Ta on töötanud andmebaaside ja andmelaolahendustega üle 15 aasta.
Ritesh Kumar Sinha on San Franciscos asuv Analyticsi lahenduste spetsialist. Ta on aidanud klientidel luua skaleeritavaid andmehoidlaid ja suurandmete lahendusi juba üle 16 aasta. Talle meeldib AWS-is tõhusaid terviklikke lahendusi kavandada ja ehitada. Vabal ajal armastab ta lugeda, jalutada ja joogat teha.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/big-data/near-real-time-fraud-detection-using-amazon-redshift-streaming-ingestion-with-amazon-kinesis-data-streams-and-amazon-redshift-ml/
- 000
- 000 klienti
- 1
- 10
- 100
- 11
- 15 aastat
- 67
- 7
- 9
- a
- Võimalik
- MEIST
- üle
- juurdepääs
- konto
- Saavutada
- tegevus
- Täiendavad lisad
- haldamine
- edasijõudnud
- pärast
- vastu
- Häire
- Materjal: BPA ja flataatide vaba plastik
- võimaldab
- Amazon
- Amazon EC2
- Amazon kinesis
- summa
- Analüütikud
- Analüütiline
- analytics
- analüüsima
- ja
- anomaalia tuvastamine
- Apache
- taotlus
- kehtima
- Rakendades
- arhitektuur
- ümber
- kinnitage
- auto
- Automaatne
- automaatselt
- saadaval
- vältides
- AWS
- tagapõhi
- põhineb
- põhiline
- sest
- muutub
- BEST
- Parem
- vahel
- Suur
- Big andmed
- tooma
- ehitama
- Ehitus
- äri
- äriprotsessid
- ettevõtted
- helistama
- kutsutud
- Kutsub
- lüüa
- kaart
- juhul
- juhtudel
- iseloom
- koormuste
- kontrollima
- Vali
- Linn
- Cloud
- Cluster
- kood
- Veerud
- ühendab
- tulevad
- kommentaarid
- võrdlema
- täitma
- lõpetamist
- keeruline
- keerukus
- Arvutama
- arvab
- konsool
- tarbima
- tarbija
- sisaldab
- kuluefektiivne
- võiks
- looma
- loodud
- loob
- loomine
- volikiri
- krediit
- krediitkaart
- klient
- kliendi andmed
- Kliendid
- tsüklit
- iga päev
- Dallas
- andmed
- Andmete ettevalmistamine
- andmekogus
- andmelaod
- andmebaas
- andmebaasid
- andmekogumid
- kuupäev
- Otsuse tegemine
- vaikimisi
- määratlemisel
- tarnima
- Näidatud
- sõltuv
- juurutada
- lähetatud
- juurutab
- kirjeldatud
- Disain
- detailid
- Detection
- Arendajad
- & Tarkvaraarendus
- erinev
- otse
- Ei tee
- teeme
- Ära
- dow
- dünaamiline
- kergesti
- lihtne-to-use
- mõju
- tõhus
- võimaldama
- võimaldab
- Lõpuks-lõpuni
- Inseneriteadus
- sisene
- Eeter (ETH)
- sündmus
- sündmused
- näide
- erutatud
- väline
- kaevandamine
- f1
- tuttav
- KIIRE
- tunnusjoon
- FUNKTSIOONID
- tagasiside
- väli
- Valdkonnad
- Filtrid
- finants-
- leidma
- lipud
- voog
- järgima
- Järel
- järgneb
- vorm
- formaat
- avastatud
- FRAME
- Francisco
- pettus
- pettuste avastamine
- tasuta
- Sagedus
- Alates
- täielikult
- funktsioon
- funktsioonid
- tulevik
- tekitama
- loodud
- teeniva
- generaator
- saama
- Andma
- Go
- hea
- anda
- Maa
- Grupp
- võttes
- aitas
- aitab
- rohkem
- Esile tõstma
- ajalooline
- ajalugu
- Kuidas
- Kuidas
- HTML
- HTTPS
- sajad
- IAM
- tuvastatud
- Identity
- tähtsus
- in
- sisaldama
- Sissetulev
- Suurendama
- kasvav
- eraldi
- info
- Infrastruktuur
- sisend
- Lisab
- teadmisi
- paigaldama
- Näiteks
- Instituut
- juhised
- huvitatud
- IT
- liituma
- Json
- Kafka
- Kinesise andmevood
- keel
- suurem
- Hilinemine
- hiljemalt
- algatama
- õppimine
- Lahkuma
- Pikkus
- Tase
- LIMIT
- piiramine
- koormus
- saadetised
- pikaajaline
- Madal
- masin
- masinõpe
- tehtud
- tegema
- TEEB
- juhitud
- juhtiv
- käsitsi
- palju
- kaart
- massiliselt
- sobitamine
- matplotlib
- max
- vahendid
- Meedia
- meetod
- meetriline
- Meetrika
- Leevendada
- ML
- viis
- mudel
- mudelid
- igakuine
- kuu
- rohkem
- kõige
- liikuma
- nimi
- NAVIGATSIOON
- Vajadus
- vajadustele
- Uus
- järgmine
- teade
- number
- tuim
- eesmärk
- ONE
- Avaneb
- töö
- töökorras
- Operations
- Võimalused
- Valikud
- et
- organisatsioonid
- Muu
- välja toodud
- pakette
- pandas
- pane
- parameeter
- osa
- täiuslik
- täitma
- jõudlus
- täidab
- Õigused
- telefon
- Koht
- planeerimine
- inimesele
- Platvormid
- Platon
- Platoni andmete intelligentsus
- PlatoData
- palun
- Poliitika
- poliitika
- võimalik
- post
- võim
- Täpsus
- ennustada
- ennustus
- Ennustused
- Ennustab
- eelmine
- hinnapoliitika
- protsess
- Protsessid
- tootja
- Programm
- anda
- annab
- avalik
- avaldama
- Python
- Küsimused
- kiiresti
- juhuslik
- Lugemine
- valmis
- reaalne
- reaalajas
- reaalajas andmeid
- realiseerimisel
- saama
- saadud
- hiljuti
- tunnustatud
- andmed
- KORDUVALT
- asendama
- nõutav
- ressurss
- Vahendid
- REST
- Tulemused
- Tulu
- Oht
- Roll
- jooks
- jooksmine
- salveitegija
- San
- San Francisco
- skaalautuvia
- Skaala
- ekraanipilte
- SDK
- meres sündinud
- Teine
- sekundit
- Osa
- lõigud
- kindlustama
- väljavalitud
- valik
- Serverita
- teenus
- komplekt
- kehtestamine
- seaded
- seade
- lühiajaline
- näitama
- Näitused
- lihtne
- lihtsustama
- simulaator
- So
- sotsiaalmeedia
- Sotsiaalse meedia
- lahendus
- Lahendused
- mõned
- allikas
- Allikad
- spetsialist
- spetsialiseerunud
- kulutama
- jagada
- SQL
- Stage
- standard
- alustatud
- riik
- väljavõte
- avaldused
- olek
- Samm
- Sammud
- ladustamine
- salvestada
- kauplustes
- Strateegiline
- oja
- streaming
- Voogesituse teenus
- ojad
- selline
- super
- süsteem
- süsteemid
- tabel
- Võtma
- võtab
- Läbirääkimised
- sihtmärk
- terminal
- test
- .
- Kolmas
- tuhandeid
- Läbi
- aeg
- ajatempel
- et
- ülemine
- teema
- traditsiooniliselt
- Rong
- koolitatud
- koolitus
- tehing
- tehinguline
- Tehingud
- Muutma
- muundumised
- transformeerivate
- Trend
- Värskendused
- ajakohastatud
- Kasutus
- kasutama
- Kasutaja
- kinnitatud
- väärtus
- Väärtused
- eri
- Tõend
- versioon
- vaade
- vaated
- jalutamine
- läbikäiguks
- Ladu
- Ladustamine
- veebisait
- nädalavahetus
- iga nädal
- M
- mis
- kuigi
- Wikipedia
- will
- ilma
- töötas
- töö
- töötab
- kirjutama
- aastat
- jooga
- Sinu
- sephyrnet