Tietovarastojen ja tietovarastoalustoilla suoritetun analytiikan merkitys on kasvanut tasaisesti vuosien varrella, ja monet yritykset ovat alkaneet luottaa näihin järjestelmiin kriittisinä sekä lyhyen aikavälin operatiivisessa päätöksenteossa että pitkän aikavälin strategisessa suunnittelussa. Perinteisesti tietovarastot päivitetään eräjaksoissa, esimerkiksi kuukausittain, viikoittain tai päivittäin, jotta yritykset voivat saada niistä erilaisia oivalluksia.
Monet organisaatiot ymmärtävät, että lähes reaaliaikainen tiedonkeruu yhdessä edistyneen analytiikan kanssa avaa uusia mahdollisuuksia. Esimerkiksi rahoituslaitos voi ennustaa, onko luottokorttitapahtuma vilpillinen, suorittamalla poikkeamien havaitsemisohjelman lähes reaaliaikaisessa tilassa eräajon sijaan.
Tässä viestissä näytämme kuinka Amazonin punainen siirto voi tarjota suoratoiston käsittelyn ja koneoppimisen (ML) ennusteita yhdellä alustalla.
Amazon Redshift on nopea, skaalautuva, turvallinen ja täysin hallittu pilvitietovarasto, jonka avulla on helppoa ja kustannustehokasta analysoida kaikki tietosi tavallisella SQL:llä.
Amazon Redshift ML tekee tietoanalyytikoille ja tietokantakehittäjille helpoksi luoda, kouluttaa ja soveltaa ML-malleja tuttujen SQL-komentojen avulla Amazon Redshift -tietovarastoissa.
Olemme innoissamme lanseerauksesta Amazon Redshift -suoratoisto varten Amazon Kinesis -tietovirrat ja Amazon hallinnoi suoratoistoa Apache Kafkalle (Amazon MSK), jonka avulla voit syöttää tietoja suoraan Kinesis-tietovirrasta tai Kafka-aiheesta ilman, että sinun tarvitsee lavastaa tietoja Amazonin yksinkertainen tallennuspalvelu (Amazon S3). Amazon Redshift -suoratoiston avulla voit saavuttaa alhaisen viiveen sekunneissa samalla kun siirrät satoja megatavuja dataa tietovarastoon.
Tämä viesti osoittaa, kuinka Amazon Redshift, pilvitietovarasto, antaa sinun rakentaa lähes reaaliaikaisia ML-ennusteita käyttämällä Amazon Redshift -suoratoistoa ja Redshift ML -ominaisuuksia tutulla SQL-kielellä.
Ratkaisun yleiskatsaus
Noudattamalla tässä viestissä kuvattuja vaiheita voit määrittää tuottajan suoratoistosovelluksen Amazonin elastinen laskentapilvi (Amazon EC2) -esiintymä, joka simuloi luottokorttitapahtumia ja siirtää tiedot Kinesis Data Streams -tietovirtoihin reaaliajassa. Olet määrittänyt Amazon Redshift Streaming Inestion -näkymän Amazon Redshiftissä, jossa suoratoistodata vastaanotetaan. Harjoittelet ja rakennat Redshift ML -mallin luodaksesi reaaliaikaisia päätelmiä suoratoistodatasta.
Seuraava kaavio havainnollistaa arkkitehtuuria ja prosessikulkua.
Vaiheittainen prosessi on seuraava:
- EC2-instanssi simuloi luottokorttitapahtumasovellusta, joka lisää luottokorttitapahtumat Kinesis-tietovirtaan.
- Tietovirta tallentaa saapuvat luottokorttitapahtumatiedot.
- Datavirran päälle luodaan toteutunut Amazon Redshift Streaming Inestion -näkymä, joka syöttää suoratoistodatan automaattisesti Amazon Redshiftiin.
- Rakennat, koulutat ja otat käyttöön ML-mallin Redshift ML:n avulla. Redshift ML -mallia opetetaan käyttämällä historiallisia tapahtumatietoja.
- Muunnat suoratoistodataa ja luot ML-ennusteita.
- Voit varoittaa asiakkaita tai päivittää sovelluksen riskin vähentämiseksi.
Tämä opastus käyttää luottokorttitapahtumien suoratoistotietoja. Luottokorttitapahtumatiedot ovat kuvitteellisia ja perustuvat a simulaattori. Asiakastietojoukko on myös fiktiivinen, ja se luodaan joillakin satunnaisilla datafunktioilla.
Edellytykset
- Luo Amazon Redshift -klusteri.
- Määritä klusteri käyttämään Redshift ML:ää.
- luoda an AWS-henkilöllisyyden ja käyttöoikeuksien hallinta (IAM) -käyttäjä.
- Päivitä Redshift-klusteriin liitetty IAM-rooli, jotta se sisältää oikeudet käyttää Kinesis-tietovirtaa. Lisätietoja vaaditusta käytännöstä on kohdassa Aloita suoratoiston käsittely.
- Luo m5.4xlarge EC2-instanssi. Testasimme Producer-sovellusta m5.4xlarge-instanssilla, mutta voit vapaasti käyttää muuta ilmentymätyyppiä. Kun luot ilmentymän, käytä amzn2-ami-kernel-5.10-hvm-2.0.20220426.0-x86_64-gp2 OLENKO MINÄ.
- Varmista, että Python3 on asennettu EC2-instanssiin, suorittamalla seuraava komento Python-versiosi tarkistamiseksi (huomaa, että tiedonpoimintakomentosarja toimii vain Python 3:ssa):
- Asenna seuraavat riippuvat paketit suorittaaksesi simulaattoriohjelman:
- Määritä Amazon EC2 käyttämällä muuttujia, kuten edellä vaiheessa 3 luotuja IAM-käyttäjälle luotuja AWS-tunnistetietoja. Seuraava kuvakaappaus näyttää esimerkin käytöstä aws asetukset.
Määritä Kinesis-tietovirrat
Amazon Kinesis Data Streams on massiivisesti skaalautuva ja kestävä reaaliaikainen datan suoratoistopalvelu. Se voi kaapata jatkuvasti gigatavuja dataa sekunnissa sadoilta tuhansilta lähteiltä, kuten verkkosivustojen napsautusvirroista, tietokantatapahtumavirroista, taloustapahtumista, sosiaalisen median syötteistä, IT-lokeista ja sijainninseurantatapahtumista. Kerätyt tiedot ovat käytettävissä millisekunneissa, jotta ne mahdollistavat reaaliaikaisen analytiikan käyttötapaukset, kuten reaaliaikaiset kojelaudat, reaaliaikainen poikkeamien havaitseminen, dynaaminen hinnoittelu ja paljon muuta. Käytämme Kinesis Data Streamsiä, koska se on palvelimeton ratkaisu, joka voi skaalata käytön perusteella.
Luo Kinesis-tietovirta
Ensin sinun on luotava Kinesis-datavirta vastaanottaaksesi suoratoistodatan:
- Valitse Amazon Kinesis -konsolissa Tietovirrat navigointipaneelissa.
- Valita Luo tietovirta.
- varten Tietovirran nimi, tulla sisään
cust-payment-txn-stream
. - varten Kapasiteettitilavalitse Tarpeen vaatiessa.
- Valitse muiden vaihtoehtojen osalta oletusasetukset ja suorita asennus loppuun seuraamalla ohjeita.
- Kaappaa luodun tietovirran ARN käytettäväksi seuraavassa osassa IAM-käytäntöä määritettäessä.
Määritä käyttöoikeudet
Jotta suoratoistosovellus voi kirjoittaa Kinesis-tietovirtoihin, sovelluksella on oltava pääsy Kinesikseen. Voit antaa seuraavassa osiossa määrittämällesi simulaattoriprosessille pääsyn tietovirtaan seuraavan käytäntölausekkeen avulla. Käytä edellisessä vaiheessa tallentamasi tietovirran ARN-numeroa.
Määritä streamin tuottaja
Ennen kuin voimme käyttää suoratoistodataa Amazon Redshiftissä, tarvitsemme suoratoistotietolähteen, joka kirjoittaa tiedot Kinesis-tietovirtaan. Tämä viesti käyttää räätälöityä tietogeneraattoria ja AWS SDK Pythonille (Boto3) julkaista tiedot tietovirrassa. Katso asennusohjeet kohdasta Tuottajan simulaattori. Tämä simulaattoriprosessi julkaisee suoratoistodatan edellisessä vaiheessa luotuun tietovirtaan (cust-payment-txn-stream
).
Määritä stream-kuluttaja
Tässä osiossa puhutaan suoratoiston kuluttajan määrittämisestä (Amazon Redshift -suoratoistonäkymä).
Amazon Redshift Streaming Ingestion tarjoaa matalan viiveen ja nopean suoratoistodatan käsittelyn Kinesis Data Streamsista Amazon Redshift -toteutuneeseen näkymään. Voit määrittää Amazon Redshift -klusterin ottamaan käyttöön suoratoiston ja luoda materialisoidun näkymän automaattisella päivityksellä käyttämällä SQL-käskyjä kohdassa kuvatulla tavalla. Realisoituneiden näkymien luominen Amazon Redshiftissä. Automaattinen toteutunut näkymän päivitysprosessi syöttää suoratoistodataa satoja megatavuja sekunnissa Kinesis Data Streamsista Amazon Redshiftiin. Tämä mahdollistaa nopean pääsyn ulkoisiin tietoihin, jotka päivitetään nopeasti.
Kun olet luonut materialisoidun näkymän, voit käyttää tietojasi tietovirrasta SQL:n avulla ja yksinkertaistaa tietoputkia luomalla materialisoituja näkymiä suoraan virran päälle.
Suorita seuraavat vaiheet määrittääksesi Amazon Redshift -suoratoiston toteutuneen näkymän:
- Valitse IAM-konsolin siirtymisruudusta käytännöt.
- Valita Luo käytäntö.
- Luo uusi IAM-käytäntö nimeltä
KinesisStreamPolicy
. Katso suoratoistokäytännön määritelmä Aloita suoratoiston käsittely. - Valitse siirtymisruudussa Roolit.
- Valitse Luo rooli.
- valita AWS-palvelu Ja valitse Redshift ja Redshift muokattavissa.
- Luo uusi rooli nimeltä
redshift-streaming-role
ja liitä politiikkaKinesisStreamPolicy
. - Luo ulkoinen skeema, joka yhdistetään Kinesis-tietovirtoihin:
Nyt voit luoda materialisoidun näkymän stream-datan kuluttamiseen. Voit käyttää SUPER-tietotyyppiä tallentaaksesi hyötykuorman sellaisenaan, JSON-muodossa, tai käyttää Amazon Redshift JSON -toimintoja jäsentämään JSON-tiedot yksittäisiksi sarakkeiksi. Tässä viestissä käytämme toista menetelmää, koska skeema on hyvin määritelty.
- Luo suoratoiston käsittelyn toteutunut näkymä
cust_payment_tx_stream
. Määrittämällä AUTOMAATTINEN PÄIVITYS KYLLÄ seuraavassa koodissa voit ottaa automaattisen päivityksen käyttöön suoratoistonäkymässä, mikä säästää aikaa välttämällä tietoputkien rakentamista:
Huomaa, että json_extract_path_text
sen pituusrajoitus on 64 kt. Myös from_varbye suodattaa tietueet, jotka ovat suurempia kuin 65 kt.
- Päivitä tiedot.
Amazon Redshift -suoratoiston toteutunut näkymä päivittyy automaattisesti Amazon Redshiftillä puolestasi. Tällä tavalla sinun ei tarvitse huolehtia tietojen vanhenemisesta. Toteutuneen näkymän automaattisen päivityksen avulla tiedot ladataan automaattisesti Amazon Redshiftiin, kun ne tulevat saataville streamissa. Jos päätät suorittaa tämän toiminnon manuaalisesti, käytä seuraavaa komentoa:
- Tehdään nyt kysely suoratoiston toteutuneesta näkymästä nähdäksesi esimerkkitiedot:
- Tarkastetaan nyt, kuinka monta tietuetta on suoratoistonäkymässä:
Nyt olet määrittänyt Amazon Redshift -suoratoistonäkymän, jota päivitetään jatkuvasti saapuvilla luottokorttitapahtumatiedoilla. Asetuksissani huomaan, että noin 67,000 XNUMX tietuetta on vedetty suoratoistonäkymään, kun suoritin valintakyselyni. Tämä numero voi olla erilainen sinulle.
Punainen siirtymä ML
Redshift ML:n avulla voit tuoda valmiiksi koulutetun ML-mallin tai rakentaa sellaisen alkuperäisesti. Lisätietoja on kohdassa Koneoppimisen käyttäminen Amazon Redshiftissä.
Tässä viestissä koulutamme ja rakennamme ML-mallin käyttämällä historiallista tietojoukkoa. Tiedot sisältävät a tx_fraud
kenttä, joka merkitsee historiallisen tapahtuman vilpillisenä tai ei. Rakennamme valvotun ML-mallin käyttämällä Redshift Auto ML:ää, joka oppii tästä tietojoukosta ja ennustaa saapuvat tapahtumat, kun ne ajetaan ennustetoimintojen kautta.
Seuraavissa osioissa näytämme, kuinka historiatietojoukot ja asiakastiedot määritetään.
Lataa historiallinen tietojoukko
Historiallisessa taulukossa on enemmän kenttiä kuin suoratoistodatalähteessä. Nämä kentät sisältävät asiakkaan viimeisimmät kulutus- ja terminaaliriskipisteet, kuten vilpillisten tapahtumien määrän, joka on laskettu muuntamalla suoratoistodataa. On myös kategorisia muuttujia, kuten viikonlopputapahtumat tai yötapahtumat.
Voit ladata historialliset tiedot suorittamalla komennot käyttämällä Amazon Redshift -kyselyeditori.
Luo tapahtumahistoriataulukko seuraavalla koodilla. DDL löytyy myös osoitteesta GitHub.
Katsotaan kuinka monta tapahtumaa ladataan:
Tarkista kuukausittaisten petosten ja ei-petostapahtumien trendi:
Luo ja lataa asiakastietoja
Nyt luomme asiakastaulukon ja lataamme tiedot, jotka sisältävät asiakkaan sähköpostiosoitteen ja puhelinnumeron. Seuraava koodi luo taulukon, lataa tiedot ja ottaa näytteitä taulukosta. Pöytä DDL on saatavilla GitHub.
Testitiedoillamme on noin 5,000 XNUMX asiakasta. Seuraava kuvakaappaus näyttää esimerkkiasiakastiedot.
Rakenna ML-malli
Historiallisessa korttitapahtumataulukossamme on 6 kuukauden tiedot, joita käytämme nyt ML-mallin kouluttamiseen ja testaamiseen.
Malli syöttää seuraavat kentät:
Saamme tx_fraud
tuotoksena.
Jaamme nämä tiedot koulutus- ja testitietosarjoiksi. Tapahtumat 2022-04-01 - 2022-07-31 koskevat koulutuspakettia. Testisarjassa käytetään tapahtumia 2022-08-01 - 2022-09-30.
Luodaan ML-malli tutulla SQL:llä CREATE MODEL -lauseke. Käytämme Redshift ML -komennon perusmuotoa. Seuraavaa menetelmää käytetään Amazon SageMaker -autopilotti, joka suorittaa tietojen valmistelun, ominaisuuksien suunnittelun, mallin valinnan ja koulutuksen automaattisesti puolestasi. Anna koodin sisältävän S3-ämpärisi nimi.
Kutsun ML-mallia nimellä Cust_cc_txn_fd
, ja ennustefunktio kuten fn_customer_cc_fd
. FROM-lause näyttää historiallisen taulukon syöttösarakkeet public.cust_payment_tx_history
. Kohdeparametriksi on asetettu tx_fraud
, joka on tavoitemuuttuja, jota yritämme ennustaa. IAM_Role
on asetettu oletukseksi, koska klusteri on määritetty tällä roolilla; jos ei, sinun on annettava Amazon Redshift -klusterin IAM-rooli ARN. asetin max_runtime
3,600 XNUMX sekuntiin, joka on aika, jonka annamme SageMakerille prosessin suorittamiseen. Redshift ML ottaa käyttöön parhaan mallin, joka on tunnistettu tällä aikavälillä.
Mallin monimutkaisuudesta ja tiedon määrästä riippuen saattaa kestää jonkin aikaa, ennen kuin malli on käytettävissä. Jos mallivalintasi ei ole valmis, lisää arvoa max_runtime
. Voit asettaa enimmäisarvon 9999.
CREATE MODEL -komento suoritetaan asynkronisesti, mikä tarkoittaa, että se toimii taustalla. Voit käyttää NÄYTÄ MALLI -komento nähdäksesi mallin tilan. Kun tila on Valmis, se tarkoittaa, että malli on koulutettu ja otettu käyttöön.
Seuraavat kuvakaappaukset näyttävät tuloksemme.
Tulosteesta näen, että malli on tunnistettu oikein BinaryClassification
, ja F1 on valittu tavoitteeksi. The F1 pisteet on mittari, joka ottaa huomioon molemmat tarkkuutta ja muistamista. Se palauttaa arvon väliltä 1 (täydellinen tarkkuus ja muistaminen) ja 0 (pienin mahdollinen pistemäärä). Minun tapauksessani se on 0.91. Mitä suurempi arvo, sitä parempi mallin suorituskyky.
Testataan tätä mallia testidatajoukolla. Suorita seuraava komento, joka hakee esimerkkiennusteita:
Näemme, että jotkin arvot sopivat yhteen ja toiset eivät. Verrataan ennusteita pohjatotuuteen:
Vahvistimme, että malli toimii ja F1-pisteet ovat hyvät. Siirrytään ennusteiden luomiseen suoratoistodatasta.
Ennusta vilpilliset liiketoimet
Koska Redshift ML -malli on käyttövalmis, voimme käyttää sitä ennusteiden suorittamiseen suoratoistodatan nielemistä vastaan. Historiallisessa tietojoukossa on enemmän kenttiä kuin mitä meillä on suoratoistodatalähteessä, mutta ne ovat vain äskettäisyys- ja taajuusmittareita, jotka koskevat asiakasta ja vilpillisen tapahtuman pääteriskiä.
Voimme soveltaa muunnoksia suoratoistodatan päälle erittäin helposti upottamalla SQL:n näkymien sisään. Luo ensimmäinen näkymä, joka aggregoi suoratoistodataa asiakastasolla. Luo sitten toinen näkymä, joka kokoaa suoratoistodatan päätetasolla, ja kolmas näkymä, joka yhdistää saapuvat tapahtumatiedot asiakkaiden ja päätteiden aggregoituihin tietoihin ja kutsuu ennustustoimintoa yhteen paikkaan. Kolmannen näkymän koodi on seuraava:
Suorita SELECT-käsky näkymässä:
Kun suoritat SELECT-lauseketta toistuvasti, uusimmat luottokorttitapahtumat käyvät läpi muunnoksia ja ML-ennusteita lähes reaaliajassa.
Tämä osoittaa Amazon Redshiftin tehon – helppokäyttöisten SQL-komentojen avulla voit muuttaa suoratoistodataa käyttämällä monimutkaisia ikkunatoimintoja ja soveltaa ML-mallia vilpillisten tapahtumien ennustamiseen yhdessä vaiheessa ilman monimutkaisten tietoputkien rakentamista tai hallintaa. lisäinfrastruktuuria.
Laajenna ratkaisua
Koska tietovirrat ja ML-ennusteet tehdään lähes reaaliajassa, voit rakentaa liiketoimintaprosesseja varoittaaksesi asiakkaitasi käyttämällä Amazonin yksinkertainen ilmoituspalvelu (Amazon SNS), tai voit lukita asiakkaan luottokorttitilin käyttöjärjestelmään.
Tässä viestissä ei käsitellä näiden toimintojen yksityiskohtia, mutta jos olet kiinnostunut oppimaan lisää tapahtumalähtöisten ratkaisujen rakentamisesta Amazon Redshiftin avulla, katso seuraavaa GitHub-arkisto.
Puhdistaa
Vältä tulevia maksuja poistamalla resurssit, jotka luotiin osana tätä viestiä.
Yhteenveto
Tässä viestissä osoitimme, kuinka luodaan Kinesis-datavirta, määritetään tuottaja ja julkaistaan tiedot virroissa ja luodaan sitten Amazon Redshift Streaming Inestion -näkymä ja tiedoista tehdään kysely Amazon Redshiftissä. Kun tiedot olivat Amazon Redshift -klusterissa, osoitimme, kuinka koulutetaan ML-malli ja rakennetaan ennustefunktio ja sovelletaan sitä suoratoistodataan vasten ennusteiden luomiseksi lähes reaaliaikaisesti.
Jos sinulla on palautetta tai kysymyksiä, jätä ne kommentteihin.
Tietoja Tekijät
Bhanu Pittampally on Analyticsin asiantuntijaratkaisujen arkkitehti Dallasista. Hän on erikoistunut analyyttisten ratkaisujen rakentamiseen. Hänen taustansa on tietovarastoissa – arkkitehtuurissa, kehityksessä ja hallinnossa. Hän on työskennellyt datan ja analytiikan alalla yli 15 vuotta.
Praveen Kadipikonda on Senior Analytics Specialist Solutions -arkkitehti AWS:ssä Dallasista. Hän auttaa asiakkaita rakentamaan tehokkaita, suorituskykyisiä ja skaalautuvia analyyttisiä ratkaisuja. Hän on työskennellyt tietokantojen ja tietovarastoratkaisujen rakentamisen parissa yli 15 vuoden ajan.
Ritesh Kumar Sinha on Analyticsin asiantuntijaratkaisujen arkkitehti San Franciscosta. Hän on auttanut asiakkaita rakentamaan skaalautuvia tietovarasto- ja big data -ratkaisuja yli 16 vuoden ajan. Hän rakastaa tehokkaiden kokonaisvaltaisten ratkaisujen suunnittelua ja rakentamista AWS:lle. Vapaa-ajallaan hän rakastaa lukemista, kävelyä ja joogaa.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. Pääsy tästä.
- Lähde: 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 asiakasta
- 1
- 10
- 100
- 11
- 15 vuotta
- 67
- 7
- 9
- a
- pystyy
- Meistä
- edellä
- pääsy
- Tili
- Saavuttaa
- Toiminta
- lisä-
- hallinto
- kehittynyt
- Jälkeen
- vastaan
- Hälytys
- Kaikki
- mahdollistaa
- Amazon
- Amazon EC2
- Amazon kinesis
- määrä
- analyytikot
- Analyyttinen
- Analytics
- analysoida
- ja
- poikkeavuuden havaitseminen
- Apache
- Hakemus
- käyttää
- Hakeminen
- arkkitehtuuri
- noin
- liittää
- auto
- automaattisesti
- automaattisesti
- saatavissa
- välttämällä
- AWS
- tausta
- perustua
- perustiedot
- koska
- tulee
- PARAS
- Paremmin
- välillä
- Iso
- Big Data
- tuoda
- rakentaa
- Rakentaminen
- liiketoiminta
- liiketoimintaprosesseja
- yritykset
- soittaa
- nimeltään
- Puhelut
- kaapata
- kortti
- tapaus
- tapauksissa
- merkki
- maksut
- tarkastaa
- Valita
- Kaupunki
- pilvi
- Cluster
- koodi
- Pylväät
- yhdistää
- tuleva
- kommentit
- verrata
- täydellinen
- Suoritettuaan
- monimutkainen
- monimutkaisuus
- Laskea
- pitää
- Console
- kuluttaa
- kuluttaja
- sisältää
- kustannustehokas
- voisi
- luoda
- luotu
- luo
- Luominen
- Valtakirja
- pisteitä
- luottokortti
- asiakas
- asiakastiedot
- Asiakkaat
- jaksoa
- päivittäin
- Dallas
- tiedot
- Tietojen valmistelu
- tietovarasto
- tietovarastot
- tietokanta
- tietokannat
- aineistot
- Päivämäärä
- Päätöksenteko
- oletusarvo
- määrittelemällä
- toimittaa
- osoittivat
- riippuvainen
- sijoittaa
- käyttöön
- lauennut
- on kuvattu
- Malli
- yksityiskohdat
- Detection
- kehittäjille
- Kehitys
- eri
- suoraan
- ei
- tekee
- Dont
- Dow
- dynaaminen
- helposti
- helppo käyttää
- vaikutus
- tehokas
- mahdollistaa
- mahdollistaa
- päittäin
- Tekniikka
- enter
- Eetteri (ETH)
- tapahtuma
- Tapahtumat
- esimerkki
- innoissaan
- ulkoinen
- uuttaminen
- f1
- tuttu
- FAST
- Ominaisuus
- Ominaisuudet
- palaute
- ala
- Fields
- suodattimet
- taloudellinen
- Löytää
- liput
- virtaus
- seurata
- jälkeen
- seuraa
- muoto
- muoto
- löytyi
- FRAME
- Francisco
- petos
- petosten havaitseminen
- Ilmainen
- Taajuus
- alkaen
- täysin
- toiminto
- tehtävät
- tulevaisuutta
- tuottaa
- syntyy
- tuottaa
- generaattori
- saada
- Antaa
- Go
- hyvä
- myöntää
- Maa
- Ryhmä
- ottaa
- auttanut
- auttaa
- korkeampi
- Korostaa
- historiallinen
- historia
- Miten
- Miten
- HTML
- HTTPS
- Sadat
- IAM
- tunnistettu
- Identiteetti
- merkitys
- in
- sisältää
- Saapuva
- Kasvaa
- lisää
- henkilökohtainen
- tiedot
- Infrastruktuuri
- panos
- insertit
- oivalluksia
- asentaa
- esimerkki
- Instituutti
- ohjeet
- kiinnostunut
- IT
- yhdistää
- json
- Kafka
- Kinesis-tietovirrat
- Kieli
- suurempi
- Viive
- uusin
- käynnistää
- oppiminen
- jättää
- Pituus
- Taso
- RAJOITA
- rajoitus
- kuormitus
- kuormat
- pitkän aikavälin
- Matala
- kone
- koneoppiminen
- tehty
- tehdä
- TEE
- onnistui
- toimitusjohtaja
- käsin
- monet
- kartta
- massiivisesti
- matching
- matplotlib
- max
- välineet
- Media
- menetelmä
- metrinen
- Metrics
- lieventää
- ML
- tila
- malli
- mallit
- kuukausittain
- kk
- lisää
- eniten
- liikkua
- nimi
- suunnistus
- Tarve
- tarpeet
- Uusi
- seuraava
- ilmoituksen
- numero
- numpy
- tavoite
- ONE
- avautuu
- toiminta
- toiminta-
- Operations
- Mahdollisuudet
- Vaihtoehdot
- tilata
- organisaatioiden
- Muut
- hahmoteltu
- paketit
- pandas
- lasi
- parametri
- osa
- täydellinen
- suorittaa
- suorituskyky
- suorittaa
- Oikeudet
- puhelin
- Paikka
- suunnittelu
- foorumi
- Platforms
- Platon
- Platonin tietotieto
- PlatonData
- Ole hyvä
- politiikkaa
- politiikka
- mahdollinen
- Kirje
- teho
- Tarkkuus
- ennustaa
- ennustus
- Ennusteet
- ennustaa
- edellinen
- hinnoittelu
- prosessi
- Prosessit
- tuottaja
- Ohjelma
- toimittaa
- tarjoaa
- julkinen
- julkaista
- Python
- kysymykset
- nopeasti
- satunnainen
- Lukeminen
- valmis
- todellinen
- reaaliaikainen
- reaaliaikainen data
- ymmärtämättä
- vastaanottaa
- sai
- äskettäinen
- tunnustettu
- asiakirjat
- TOISTUVASTI
- korvata
- tarvitaan
- resurssi
- Esittelymateriaalit
- REST
- tulokset
- Tuotto
- Riski
- Rooli
- ajaa
- juoksu
- sagemaker
- San
- San Francisco
- skaalautuva
- Asteikko
- kuvakaappauksia
- sdk
- merestä syntynyt
- Toinen
- sekuntia
- Osa
- osiot
- turvallinen
- valittu
- valinta
- serverless
- palvelu
- setti
- asetus
- settings
- setup
- Lyhytaikainen
- näyttää
- Näytä
- Yksinkertainen
- yksinkertaistaa
- simulaattori
- So
- sosiaalinen
- sosiaalinen media
- ratkaisu
- Ratkaisumme
- jonkin verran
- lähde
- Lähteet
- asiantuntija
- erikoistunut
- viettää
- jakaa
- SQL
- Vaihe
- standardi
- alkoi
- Osavaltio
- Lausunto
- lausuntoja
- Tila
- Vaihe
- Askeleet
- Levytila
- verkkokaupasta
- varastot
- Strateginen
- virta
- streaming
- Suoratoistopalvelu
- puroihin
- niin
- suuri
- järjestelmä
- järjestelmät
- taulukko
- ottaa
- vie
- Neuvottelut
- Kohde
- terminaali
- testi
- -
- kolmas
- tuhansia
- Kautta
- aika
- aikaleima
- että
- ylin
- aihe
- perinteisesti
- Juna
- koulutettu
- koulutus
- kauppa
- kaupallisen
- Liiketoimet
- Muuttaa
- muunnokset
- muuttamassa
- Trend
- Päivitykset
- päivitetty
- Käyttö
- käyttää
- käyttäjä
- validoitu
- arvo
- arvot
- eri
- totuus
- versio
- Näytä
- näkymät
- kävely
- läpikäynti
- Varasto
- Varastointi
- Verkkosivu
- viikonloppu
- viikoittain
- Mitä
- joka
- vaikka
- wikipedia
- tulee
- ilman
- työskenteli
- työskentely
- toimii
- kirjoittaa
- vuotta
- Jooga
- Sinun
- zephyrnet