这篇文章是与首席科学家 Greg Benson 共同撰写的; Aaron Kesler,高级产品经理; 以及来自 SnapLogic 的企业解决方案架构师 Rich Dill。
许多客户正在构建生成式人工智能应用程序 亚马逊基岩 和 亚马逊 CodeWhisperer 创建基于自然语言的代码工件。 该用例强调了大型语言模型 (LLM) 如何能够成为人类语言(英语、西班牙语、阿拉伯语等)和机器可解释语言(Python、Java、Scala、SQL 等)以及复杂的语言之间的翻译者。内部推理。 LLM 的这种新兴能力迫使软件开发人员使用 LLM 作为自动化和 UX 增强工具,将自然语言转换为特定于领域的语言 (DSL):系统指令、API 请求、代码工件等。 在这篇文章中,我们向您展示如何 快照逻辑是一位 AWS 客户,使用 Amazon Bedrock 为他们的产品提供支持 快照GPT 产品通过从人类语言自动创建这些复杂的 DSL 工件来实现。
当客户从 LLM 创建 DSL 对象时,生成的 DSL 要么是现有接口数据和模式的精确复制品,要么是现有接口数据和模式的衍生品,这些数据和模式在支持服务中形成 UI 和业务逻辑之间的契约。 这种模式在独立软件供应商 (ISV) 和软件即服务 (SaaS) ISV 中尤其流行,因为它们通过代码表示配置的独特方式以及简化客户用户体验的愿望。 示例用例包括:
在 AWS 上使用 LLM 构建和扩展文本到管道应用程序的最直接方法是使用 Amazon Bedrock。 Amazon Bedrock 是使用基础模型 (FM) 构建和扩展生成式 AI 应用程序的最简单方法。 它是一项完全托管的服务,可通过单一 API 访问来自领先 AI 的高性能基础 FM,以及构建具有隐私和安全性的生成 AI 应用程序所需的广泛功能。 Anthropic 是一家人工智能安全和研究实验室,致力于构建可靠、可解释和可操纵的人工智能系统,是领先的人工智能公司之一,提供在 Amazon Bedrock 上获得最先进的法学硕士 Claude 的机会。 克劳德是一名法学硕士,擅长多种任务,包括深思熟虑的对话、内容创作、复杂推理、创造力和编码。 Anthropic 提供 Claude 和 Claude Instant 模型,所有这些模型都可以通过 Amazon Bedrock 获得。 Claude 因其推理能力的提高而在这些文本到管道应用程序中迅速受到欢迎,这使得它能够在解决模糊的技术问题方面表现出色。 Amazon Bedrock 上的 Claude 2 支持 100,000 个令牌上下文窗口,相当于大约 200 页英文文本。 在构建需要复杂推理、详细说明和全面示例的文本到管道应用程序时,这是一个特别重要的功能,您可以依赖它。
SnapLogic背景
SnapLogic 是 AWS 客户,其使命是将企业自动化推向世界。 SnapLogic 智能集成平台 (IIP) 使组织能够通过称为 Snaps 的预构建智能连接器连接应用程序、数据库、大数据、机器和设备、API 等的整个生态系统,从而实现企业范围的自动化。 SnapLogic 最近发布了一项名为 快照GPT,它提供了一个文本界面,您可以在其中以简单的人类语言键入要创建的所需集成管道。 SnapGPT 通过 Amazon Bedrock 使用 Anthropic 的 Claude 模型自动创建这些集成管道作为代码,然后通过 SnapLogic 的旗舰集成解决方案使用。 然而,SnapLogic 的 SnapGPT 之旅是人工智能领域多年运营的顶峰。
SnapLogic 的人工智能之旅
在集成平台领域,SnapLogic 始终处于领先地位,利用人工智能的变革力量。 多年来,该公司对人工智能创新的承诺已经变得显而易见,特别是当我们追溯从 鸢尾花 至 自动链接.
Iris 的卑微起步
2017 年,SnapLogic 推出了 Iris,这是一款业界首款人工智能驱动的集成助手。 Iris 旨在使用机器学习 (ML) 算法来预测构建数据管道的后续步骤。 通过分析数百万个元数据元素和数据流,Iris 可以向用户提出智能建议,实现数据集成民主化,甚至允许那些没有深厚技术背景的人创建复杂的工作流程。
AutoLink:积蓄动力
基于 Iris 的成功和经验教训,SnapLogic 推出了 AutoLink,该功能旨在进一步简化数据映射过程。 使用 AutoLink,在源系统和目标系统之间手动映射字段的繁琐任务变得轻而易举。 AutoLink 使用人工智能自动识别并建议潜在的匹配项。 曾经需要数小时的集成只需几分钟即可完成。
SnapGPT 的生成性飞跃
SnapLogic 在人工智能领域的最新尝试为我们带来了 SnapGPT,其目标是进一步革新集成。 借助 SnapGPT,SnapLogic 推出了世界上第一个生成式集成解决方案。 这不仅仅是简化现有流程,而是完全重新构想集成的设计方式。 生成式人工智能的力量可以从头开始创建整个集成管道,根据所需的结果和数据特征优化工作流程。
SnapGPT 对 SnapLogic 的客户影响极大,因为他们能够大幅减少生成第一个 SnapLogic 管道所需的时间。 传统上,SnapLogic 客户需要花费数天或数周的时间从头开始配置集成管道。 现在,这些客户可以简单地要求 SnapGPT“创建一个管道,将我所有活跃的 SFDC 客户转移到 WorkDay”。 系统会自动为该客户创建工作管道初稿,从而大大缩短了创建集成管道基础所需的开发时间。 这使得最终客户可以花更多的时间专注于对他们有真正业务影响的事情,而不是致力于集成管道的配置。 以下示例展示了 SnapLogic 客户如何使用自然语言将描述输入 SnapGPT 功能以快速生成管道。
AWS 和 SnapLogic 在整个产品构建过程中密切合作,并在此过程中学到了很多东西。 本文的其余部分将重点介绍 AWS 和 SnapLogic 在使用 LLM 进行文本到管道应用程序方面的技术学习。
解决方案概述
为了解决这个文本到管道的问题,AWS 和 SnapLogic 设计了一个全面的解决方案,如下架构所示。
对 SnapGPT 的请求将经过以下工作流程:
- 用户向应用程序提交描述。
- SnapLogic 使用检索增强生成 (RAG) 方法来检索与用户请求类似的 SnapLogic 管道的相关示例。
- 这些提取的相关示例与用户输入相结合,并经过一些文本预处理,然后再发送给 Amazon Bedrock 上的 Claude。
- Claude 生成一个代表 SnapLogic 管道的 JSON 工件。
- JSON 工件直接集成到核心 SnapLogic 集成平台。
- SnapLogic 管道以视觉友好的方式呈现给用户。
通过 AWS 和 SnapLogic 之间的各种实验,我们发现解决方案图的即时工程步骤对于为这些文本到管道输出生成高质量的输出极其重要。 下一节将进一步介绍 Claude 在该领域使用的一些特定技术。
及时进行实验
在 SnapGPT 的整个开发阶段,AWS 和 SnapLogic 发现,发送给 Claude 的提示的快速迭代是提高 SnapLogic 输出中文本到管道输出的准确性和相关性的一项关键开发任务。 通过使用 亚马逊SageMaker Studio 通过交互式笔记本,AWS 和 SnapLogic 团队能够通过使用 Boto3 SDK 与 Amazon Bedrock 的连接。 基于笔记本的开发使团队能够快速创建与 Amazon Bedrock 的客户端连接,包括基于文本的描述以及用于向 Amazon Bedrock 发送提示的 Python 代码,并举行联合提示工程会议,在多个角色之间快速进行迭代。
人择克劳德提示工程方法
在本节中,我们将描述一些用于根据说明性用户请求创建高性能提示的迭代技术:“创建一个使用ExampleCompany 数据库检索所有活跃客户的管道。” 请注意,此示例不是 SnapGPT 所支持的架构,仅用于说明文本到管道应用程序。
为了确定我们的提示工程的基线,我们使用以下原始提示:
创建一个使用ExampleCompany数据库检索所有活跃客户的管道
预期输出如下:
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
改进#1:使用人工注释和助理注释
Claude 的训练程序教会 FM 在其提示结构中理解人类和助手之间的对话。 Claude 用户可以通过在 Assistant: 中结束提示来利用此结构,这将触发 Claude 开始根据人类所说的内容生成对查询的响应。 请注意,由于 Claude 将继续生成文本,直到被告知停止为止,因此请确保在使用 Claude 时在对 Amazon Bedrock 的 API 请求中使用 nnHuman: 停止序列。 这将确保您只收到助手的响应,而不是对话链中人员预测的下一个响应。 这些 nnHuman 和 nnAssistant 指标不仅有助于限制 Claude 对相关信息的响应,而且有助于在主要人类输入和来自其他交互的辅助响应之间提供清晰的界限。 这在几次提示设置中尤其有用,您可以使用标记为 nnHuman 的查询和标记为 nnAssistant 的先前响应进行多个查询和响应。 让我们看看改进的提示以及通过 Boto3 SDK 对 Amazon Bedrock 进行的相关说明性 API 调用。
我们使用以下提示:
人力:创建一个使用ExampleCompany数据库检索所有活跃客户的管道
助理:
输出如下:
以下是一个 MongoDB 管道,用于从 ExampleCompany 数据库中检索所有活动客户:
pipeline = [ { '$match': { 'database': 'ExampleCompany', 'status': 'active' } } ] db.customers.aggregate(pipeline)
关键步骤是:
– `$match` 将文档过滤为仅包含在ExampleCompany 数据库中且状态等于“活动”的文档。
– `db.customers.aggregate()` 在客户集合上运行管道并返回过滤后的结果。
因此,这将从 exampleCompany 数据库中返回状态字段设置为“活动”的所有客户文档。
请注意,在输出中,克劳德如何在没有任何上下文的情况下回答我们的问题。 答案可能会有帮助,但它并不特定于我们试图解决的问题,因为它没有提供足够的上下文。 同样重要的是要注意,在使用 Claude 模型时,Anthropic 需要这种人类和助手的格式; 如果您不包含此步骤,Amazon Bedrock 将返回错误。
改进#2:在告诉 Claude 做什么之前,为 Claude 加入超具体的上下文
当克劳德得到关于需要完成什么以及如何完成该任务的良好背景时,它会表现得最好。 在告诉 Claude 任务之前,需要包含以下一些示例作为 Claude 的上下文:
- 描述您希望克劳德履行的工作职能。 通过这样做,你可以让克劳德以从事该工作的人的角色来思考,或者更像是刚刚受雇于该特定工作角色的人。 这将帮助克劳德从特定工作角色的角度制定答案,减少答案中的幻觉和随机性。
- 包括有关输出格式的技术细节。 基础模型通常擅长遵循操作,因此要求 Claude 通过一个或几个示例以特定格式或模式生成输出将帮助 Claude 以正确的格式提供答案,从而减少对输出进行过滤和后处理的需要。 以下提示中的示例显示了与预期输出匹配的虚构架构。
让我们结合这些建议来改进我们原来的提示:
人类:你的工作是充当 ETL 管道的专家。 具体来说,您的工作是创建 ETL 管道的 JSON 表示形式,它将解决提供给您的用户请求。
JSON 输出应遵循以下格式:
您的任务是:创建一个使用ExampleCompany数据库检索所有活跃客户的管道
助理:
输出如下:
以下是 ETL 管道的 JSON 表示形式,用于从 ExampleCompany 数据库中检索所有活动客户:
此管道使用 ExampleCompany 数据库和 SQL 查询从客户表中选择状态为“活动”的所有记录。
通过添加上下文,该模型现在能够大部分得到我们的答案。 现在它知道如何构造输出,并且知道需要编写 SQL 语句来解决任务。 但是,您会注意到该模型没有正确使用我们期望的 ec_prod.customers 命名法。 有改进的余地! 另请注意,在实践中,您需要包含比我们在本示例中提供的上下文更多的上下文,才能在文本到管道用例中获得高质量结果。
改进 #3:将示例包含在 XML 标记中
少样本学习是提高 FM 准确性的一种流行方法,您可以通过相关示例来指导 FM 完成其任务。 这在文本到管道应用程序中工作时尤其重要,因为这些超特定管道输出通常不包含在任何公共数据集中,因为它们特定于单个客户的数据表示。 使用 Claude 时,您可以利用其对任意 XML 标记的固有知识,以少量的格式提供这些示例。 在以下改进的提示中,请注意添加了包含在XML 标签。 此外,您可以使用人类和助理的缩写 H 和 A 来为 Claude 提供上下文,而不会让它认为这些是已经发生的对话的特定片段。
我们使用以下提示:
人类:你的工作是充当 ETL 管道的专家。 具体来说,您的工作是创建 ETL 管道的 JSON 表示形式,它将解决提供给您的用户请求。
JSON 输出应遵循以下格式:
以下是正确解决所提供任务的用户请求和关联输出 JSON 工件的一些示例。 如果您使用相同的数据库,请确保使用示例中提供的相同术语。
H:查询 ExampleCompany 数据库中客户 #1234 的任何活动订单
A:
此查询的原因是客户 #1234 已被过滤,并且我们正在“订单”表中搜索“活动”过滤器之后的任何现有记录。
H:删除ExampleCompany数据库中上个月不活跃的所有客户
A:
此查询的原因是“ec_prod.customers”表是ExampleCompany 数据库中唯一包含客户记录的表。
您的任务是:创建一个使用ExampleCompany 数据库检索所有活跃客户的管道。
助理:
输出如下:
以下是用于从 ExampleCompany 数据库检索所有活动客户的 ETL 管道的 JSON 表示形式:
推理是:
ExampleCompany 数据库被指定为要使用的数据库
ec_prod.customers 表包含客户数据
状态字段指示客户是否活跃,因此查询仅筛选活跃客户
这应该从 ExampleCompany 数据库中检索所有活动客户记录。 如果您需要任何说明或对 ETL 管道有其他要求,请告诉我!
JSON 输出现在具有正确的数据库命名法,Claude 能够使用我们提供的示例来使用该命名法。 将人工和助理指示器与 XML 标签相结合,使 Claude 更容易理解类似示例中的任务是什么以及答案是什么,并且多个少数样本示例之间的分离非常清晰。 克劳德越容易理解,答案就会越好、越相关,从而进一步减少模型产生幻觉并提供随机不相关答案的机会。
改进 #4:触发 Claude 开始使用 XML 标签生成 JSON
使用 FM 的文本到管道应用程序的一个小挑战是需要精确解析结果文本的输出,以便可以将其解释为下游应用程序中的代码。 Claude 解决此问题的一种方法是利用其 XML 标签理解并将其与自定义停止序列相结合。 在下面的提示中,我们指示 Claude 将输出括在XML 标签。 然后,我们添加了标记到提示的末尾。 这确保了 Claude 发出的第一个文本将成为 JSON 输出的开始。 如果您不这样做,克劳德通常会回复一些对话文本,然后才是真正的代码回复。 通过指示 Claude 立即开始生成输出,您可以在看到结束时轻松停止生成标签。 这显示在更新的 Boto3 API 调用中。 这项技术的好处是双重的。 首先,您能够准确解析 Claude 的代码响应。 其次,您可以降低成本,因为 Claude 只生成代码输出,没有额外的文本。 这降低了 Amazon Bedrock 的成本,因为您需要为所有 FM 输出生成的每个令牌付费。
我们使用以下提示:
人类:你的工作是充当 ETL 管道的专家。 具体来说,您的工作是创建 ETL 管道的 JSON 表示形式,它将解决提供给您的用户请求。
JSON 输出应遵循以下格式:
以下是正确解决所提供任务的用户请求和关联输出 JSON 工件的一些示例。 如果您使用相同的数据库,请确保使用示例中提供的相同术语。
H:查询 ExampleCompany 数据库中客户 #1234 的任何活动订单
A:
此查询的原因是客户 #1234 已被过滤,并且我们正在“订单”表中搜索“活动”过滤器之后的任何现有记录。
H:删除ExampleCompany数据库中上个月不活跃的所有客户
A:
此查询的原因是“ec_prod.customers”表是ExampleCompany 数据库中唯一包含客户记录的表。
始终记住将 JSON 输出括在标签。
您的任务是:创建一个使用ExampleCompany 数据库检索所有活跃客户的管道。
助理:
我们使用以下代码:
body = json.dumps({"prompt": prompt, "stop_sequences": ['nnHuman:', '</json>']})
response = bedrock.invoke_model(
body=body,
modelId='anthropic.claude-v2'
)
输出如下:
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
现在我们已经达到了预期的输出,只返回了 JSON 对象! 通过使用这种方法,我们能够生成立即可用的技术工件,并通过减少输出代币来降低生成成本。
结论
要立即开始使用 SnapGPT,请请求 免费试用 SnapLogic or 请求产品演示。 如果您今天想使用这些概念来构建应用程序,我们建议 亲自尝试 通过本文中的提示工程部分,在适合您业务的不同 DSL 生成用例上使用相同的流程,并深入研究 通过 Amazon Bedrock 提供的 RAG 功能.
SnapLogic 和 AWS 能够有效合作,在人类语言和由 Amazon Bedrock 提供支持的 SnapLogic 集成管道的复杂模式之间构建高级翻译器。 在整个旅程中,我们看到了如何使用特定的提示工程技术在文本到管道应用程序中改进 Claude 生成的输出。 AWS 和 SnapLogic 很高兴能够在生成式 AI 领域继续合作,并期待未来在这个快速发展的领域开展合作和创新。
作者简介
格雷格·本森 是旧金山大学计算机科学教授和 SnapLogic 首席科学家。 他于 1998 年加入南佛罗里达大学计算机科学系,教授本科生和研究生课程,包括操作系统、计算机体系结构、编程语言、分布式系统和入门编程。 Greg 发表了操作系统、并行计算和分布式系统领域的研究成果。 自 2010 年加入 SnapLogic 以来,Greg 帮助设计和实现了多个关键平台功能,包括集群处理、大数据处理、云架构和机器学习。 他目前正在研究用于数据集成的生成人工智能。
亚伦·凯斯勒 Aaron 是 SnapLogic 的 AI 产品和服务高级产品经理,他运用十多年的产品管理专业知识来开拓 AI/ML 产品开发并在整个组织内推广服务。 他是即将出版的《你的问题是什么?》一书的作者。 旨在指导新产品经理完成产品管理职业生涯。 他的创业之旅始于他的大学初创公司 STAK,该公司后来被 Carvertise 收购,Aaron 为该公司被评为特拉华州 2015 年度科技初创公司做出了重大贡献。 除了职业追求之外,亚伦还喜欢与父亲一起打高尔夫球、在旅行中探索新文化和食物以及练习尤克里里。
丰富的莳萝 是一位首席解决方案架构师,在多个专业领域拥有广泛的经验。 跨越多平台企业软件和 SaaS 的成功记录。 以将客户拥护(作为客户的声音)转化为创收的新功能和产品而闻名。 事实证明,我们有能力在快节奏的陆上和海上环境中将尖端产品推向市场,并在预算范围内按时完成项目。 用一个简单的方式来描述我:科学家的头脑、探险家的心和艺术家的灵魂。
克莱埃尔莫 是 AWS 的 AI/ML 专家解决方案架构师。 在材料研究实验室呆了很长时间后,他很快就放弃了化学工程背景,去追求他对机器学习的兴趣。 他致力于从能源贸易到酒店营销等许多不同行业的机器学习应用。 Clay 目前在 AWS 的工作重点是帮助客户将软件开发实践引入 ML 和生成式 AI 工作负载,从而使客户能够在这些复杂的环境中构建可重复、可扩展的解决方案。 业余时间,克莱喜欢滑雪、解魔方、阅读和烹饪。
西娜·索乔迪 是一名技术主管、系统工程师、产品负责人、前创始人和创业顾问。 他于 2021 年 2 月加入 AWS,担任首席解决方案架构师。 新浪目前是美国西部 ISV 领域的首席解决方案架构师。 他与 SaaS 和 B2018B 软件公司合作,在 AWS 上建立和发展他们的业务。 在加入 Amazon 之前,新浪曾担任 VMware 和 Pivotal Software(2020 年首次公开募股,2013 年 VMware 并购)的技术主管,并担任过多个领导职务,包括 Xtreme Labs(15 年被 Pivotal 收购)的创始工程师。 新浪在过去 XNUMX 年的工作经验中致力于为企业、软件企业和公共部门构建软件平台和实践。 他是一位充满创新热情的行业领袖。 新浪拥有滑铁卢大学电气工程和心理学学士学位。
桑迪普·罗希拉 是 AWS 的高级解决方案架构师,为美国西部地区的 ISV 客户提供支持。 他专注于帮助客户在 AWS 云上利用容器和生成式 AI 构建解决方案。 Sandeep 热衷于了解客户的业务问题并帮助他们通过技术实现目标。 他在担任解决方案架构师十多年后加入 AWS,发挥了自己 17 年的经验。 桑迪普拥有硕士学位。 拥有英国布里斯托尔西英格兰大学软件工程博士学位。
法鲁克·萨比尔博士 是 AWS 的高级人工智能和机器学习专家解决方案架构师。 他拥有德克萨斯大学奥斯汀分校的电气工程博士和硕士学位,以及佐治亚理工学院的计算机科学硕士学位。 他拥有超过 15 年的工作经验,也喜欢教授和指导大学生。 在 AWS,他帮助客户制定和解决他们在数据科学、机器学习、计算机视觉、人工智能、数值优化和相关领域的业务问题。 他和他的家人居住在得克萨斯州达拉斯,喜欢旅行和长途旅行。
- SEO 支持的内容和 PR 分发。 今天得到放大。
- PlatoData.Network 垂直生成人工智能。 赋予自己力量。 访问这里。
- 柏拉图爱流。 Web3 智能。 知识放大。 访问这里。
- 柏拉图ESG。 碳, 清洁科技, 能源, 环境, 太阳能, 废物管理。 访问这里。
- 柏拉图健康。 生物技术和临床试验情报。 访问这里。
- Sumber: https://aws.amazon.com/blogs/machine-learning/how-snaplogic-built-a-text-to-pipeline-application-with-amazon-bedrock-to-translate-business-intent-into-action/
- :具有
- :是
- :不是
- :在哪里
- $UP
- 10
- 100
- 121
- 14
- 15 年
- 15%
- 150
- 17
- 1998
- 200
- 2010
- 2013
- 2015
- 2017
- 2018
- 2020
- 2021
- 31
- 33
- 7
- 8
- 9
- a
- 亚伦
- 对,能力--
- Able
- 关于
- ACCESS
- 完成
- 后天
- 获得
- 横过
- 法案
- 操作
- 行动
- 要积极。
- 添加
- 增加
- 额外
- 高级
- 优点
- 顾问
- 鼓吹
- 后
- AI
- 人工智能系统
- AI供电
- AI / ML
- 针对
- 目标
- 算法
- 所有类型
- 允许
- 允许
- 允许
- 沿
- 靠
- 已经
- 还
- Amazon
- 亚马逊网络服务
- 量
- an
- 分析
- 和
- 回答
- 答案
- 人类的
- 任何
- API
- APIs
- 应用领域
- 应用领域
- 适用
- 的途径
- 应用
- 阿拉伯
- 架构
- 保健
- 国家 / 地区
- 地区
- 围绕
- 抵达
- 艺术
- 人造的
- 人工智能
- 人工智能和机器学习
- 艺术家
- AS
- 问
- 问
- 助理
- 相关
- At
- 增强
- 奥斯汀
- 作者
- 自动化
- 自动化
- 自动
- 自动化和干细胞工程
- 可使用
- AWS
- AWS 客户
- B2B模式
- 背景
- 后盾
- 基地
- 基于
- 底线
- BE
- 承担
- 成为
- 因为
- 成为
- 很
- before
- 开始
- 开始
- 背后
- 作为
- 好处
- 最佳
- 更好
- 之间
- 超越
- 大
- 大数据运用
- 书
- 都
- 带来
- 瞻
- 带来
- 布里斯托尔
- 广阔
- 宽广地
- 预算
- 建立
- 建筑物
- 建立
- 建
- 商业
- 商业冲击
- 企业
- 但是
- by
- 呼叫
- 被称为
- CAN
- 能力
- 寻找工作
- 案件
- 例
- 中心
- 链
- 挑战
- 机会
- 特点
- 带电
- 化学
- 首席
- 选择
- 清除
- 密切
- 关闭
- 云端技术
- 簇
- 码
- 编码
- 合作
- 合作
- 采集
- 学院
- 结合
- 结合
- 购买的订单均
- 承诺
- 公司
- 公司的
- 被迫
- 完成
- 复杂
- 全面
- 一台
- 计算机科学
- 计算机视觉
- 计算
- 概念
- 配置
- 连接
- 地都
- 连接
- 始终如一
- 集装箱
- 包含
- 内容
- 内容创造
- 上下文
- 继续
- 合同
- 贡献
- 听起来像对话
- 烹调
- 核心
- 正确
- 正确地
- 价格
- 可以
- 课程
- 创建信息图
- 创建
- 创建
- 创造力
- 危急
- 电流
- 目前
- 习俗
- 顾客
- 合作伙伴
- 切割
- 前沿
- 达拉斯
- data
- 数据集成
- 数据处理
- 数据科学
- 数据库
- 数据库
- 一年中的
- 十
- 减少
- 专用
- 深
- 更深
- 特拉华
- 演示
- 民主化
- 问题类型
- 衍生物
- 描述
- 描述
- 设计
- 设计
- 欲望
- 期望
- 详细
- 详情
- 开发
- 研发支持
- 设备
- 对话
- 不同
- 直接
- 分布
- 分布式系统
- 跳水
- do
- 文件
- 不会
- 做
- 域名
- 别
- 向下
- 草案
- 大幅
- 驾驶
- 两
- 每
- 更容易
- 最简单的
- 容易
- 生态系统
- 只
- 或
- 电气工程
- 分子
- 使
- 结束
- 结束
- 能源
- 工程师
- 工程师
- 英国
- 英语
- 增强
- 更多
- 确保
- 确保
- 输入
- 企业
- 企业软件
- 企业解决方案
- 企业
- 整个
- 完全
- 创业
- 环境中
- 等于
- 错误
- 特别
- 醚(ETH)
- 甚至
- 明显
- 究竟
- 例子
- 例子
- Excel
- 兴奋
- 执行
- 现有
- 预期
- 期待
- 体验
- 技术专家
- 专门知识
- 探险家
- 探索
- 额外
- 非常
- 家庭
- 快速移动
- 快节奏
- 专栏
- 特征
- 少数
- 部分
- 字段
- 过滤
- 过滤
- 过滤器
- 发现
- 姓氏:
- 旗舰
- 流
- 流动
- 专注焦点
- 重点
- 聚焦
- 遵循
- 以下
- 如下
- 食品
- 针对
- 突袭
- 第一线
- 格式
- 形式
- 向前
- 发现
- 基金会
- 创建
- 旧金山
- 友好
- 止
- 履行
- 充分
- 功能
- 进一步
- 未来
- 获得
- 通常
- 生成
- 产生
- 产生
- 发电
- 代
- 生成的
- 生成式人工智能
- 佐治亚理工学院
- 得到
- GIF
- 特定
- Go
- 理想中
- GOES
- 非常好
- 毕业
- 增长
- 指南
- 民政事务总署
- 手
- 治理
- 有
- he
- 胸襟
- 帮助
- 帮助
- 有帮助
- 帮助
- 帮助
- 此处
- 高绩效
- 高品质
- 亮点
- 他的
- 举行
- 持有
- 好客
- HOURS
- 创新中心
- How To
- 但是
- HTML
- HTTPS
- 人
- 谦逊
- 确定
- if
- 说明
- 立即
- 影响力故事
- 有影响力的
- 实施
- 重要
- 改善
- 改善
- 改善
- in
- 包括
- 包括
- 包含
- 增加
- 独立
- 表示
- 指标
- 个人
- 行业
- 行业中的应用:
- 行业领袖
- 信息
- 先天
- 创新
- 創新
- 输入
- 输入
- 即食类
- 代替
- 研究所
- 说明
- 集成
- 积分
- 集成
- 房源搜索
- 智能化
- 意图
- 互动
- 互动
- 兴趣
- 接口
- 内部
- 成
- 介绍
- 推出
- 介绍
- IPO
- ISV
- IT
- 迭代
- 迭代
- 它的
- 爪哇岛
- 工作
- 加盟
- 加盟
- 联合
- 旅程
- 喜悦
- JPG
- JSON
- 只是
- 键
- 知道
- 知识
- 已知
- 知道
- 实验室
- 实验室
- 语言
- 语言
- 大
- 名:
- 后来
- 最新
- 铅
- 领导者
- 领导团队
- 领导
- 飞跃
- 知道
- 学习
- 左
- 让
- 借力
- 喜欢
- 喜欢
- 逻辑
- 长
- 看
- 占地
- 爱
- 嘛
- 机
- 机器学习
- 机
- 制成
- 使
- 制作
- 制作
- 管理
- 颠覆性技术
- 经理
- 经理
- 方式
- 手动
- 许多
- 制图
- 三月
- 市场
- 营销
- 火柴
- 物料
- me
- 导师
- 聚体
- 元数据
- 方法
- 百万
- 介意
- 分钟
- 使命
- ML
- 模型
- 模型
- MongoDB的
- 更多
- 最先进的
- 移动
- MS
- 多平台
- 多
- my
- 姓名
- 自然
- 自然语言
- 需求
- 需要
- 全新
- 新功能
- 新产品
- 下页
- 没有
- 注意
- 笔记本电脑
- 注意..
- 现在
- 对象
- 对象
- 发生
- of
- 优惠精选
- 经常
- on
- 一旦
- 一
- 仅由
- 操作
- 操作系统
- 优化
- 追求项目的积极优化
- or
- 秩序
- 订单
- 组织
- 组织
- 原版的
- 其他名称
- 我们的
- 输出
- 成果
- 产量
- 输出
- 超过
- 网页
- 并行
- 尤其
- 合伙人
- 合作伙伴
- 情
- 多情
- 过去
- 模式
- 施行
- 透视
- 相
- 博士学位
- 件
- 先驱
- 管道
- 关键的
- 地方
- 平台
- 平台
- 柏拉图
- 柏拉图数据智能
- 柏拉图数据
- 热门
- 声望
- 帖子
- 潜力
- 可能
- 功率
- 供电
- 在练习上
- 做法
- 预测
- 都曾预测
- 以前
- 小学
- 校长
- 隐私
- 隐私和安全
- 市场问题
- 问题
- 程序
- 过程
- 过程
- 处理
- 生成
- 产生
- 产品
- 产品开发
- 产品管理
- 产品经理
- 热销产品
- 产品与服务
- 所以专业
- 教授
- 代码编程
- 编程语言
- 项目
- 提示
- 成熟
- 提供
- 提供
- 提供
- 优
- 心理学
- 国家
- 出版
- 发表的研究
- 追求
- 蟒蛇
- 查询
- 题
- 很快
- 随机
- 随机性
- 范围
- 范围
- 快
- 阅读
- 实现
- 境界
- 接收
- 最近
- 承认
- 建议
- 记录
- 记录
- 减少
- 减少
- 减少
- 关于
- 地区
- 重新想象
- 有关
- 发布
- 相应
- 可靠
- 依靠
- 纪念
- 去掉
- 呈现
- 可重复的
- 回复
- 表示
- 代表
- 代表
- 请求
- 要求
- 要求
- 必须
- 岗位要求
- 需要
- 研究
- 响应
- 回复
- REST的
- 导致
- 成果
- 回报
- 回报
- 革命化
- 丰富
- 右
- 路
- 角色
- 角色
- Room
- 运行
- 运行
- SaaS的
- 实现安全
- sagemaker
- 说
- 同
- 圣
- 旧金山
- 斯卡拉
- 可扩展性
- 鳞片
- 始你
- 科学
- 科学家
- 划伤
- SDK
- 搜索
- 其次
- 部分
- 扇形
- 保安
- 看到
- 看到
- 选择
- 发送
- 前辈
- 发送
- 序列
- 已服务
- 服务
- 特色服务
- 服务
- 招生面试
- 集
- 设置
- 几个
- 应该
- 显示
- 如图
- 作品
- 显著
- 类似
- 简易
- 简化
- 简化
- 只是
- 自
- 单
- 小
- So
- 软件
- 软件作为一种服务
- 软件开发者
- 软件开发
- 软件工程
- 方案,
- 解决方案
- 解决
- 解决
- 一些
- 有人
- 极致
- 灵魂
- 来源
- 太空
- 西班牙语
- 张力
- 专家
- 具体的
- 特别是
- 指定
- 花
- 花费
- SQL
- 开始
- 开始
- 启动
- 个人陈述
- Status
- 步
- 步骤
- Stop 停止
- 简单的
- 结构体
- 学生
- 研究
- 成功
- 支持
- 支持
- 应该
- 肯定
- 系统
- 产品
- 表
- 行李牌
- 采取
- 目标
- 任务
- 任务
- 教
- 团队
- 队
- 科技
- 高科技启动
- 文案
- 技术
- 技术
- 专业技术
- 展示
- 十
- 德州
- 文本
- 比
- 这
- 西方
- 世界
- 其
- 他们
- 然后
- 博曼
- 他们
- 事
- 认为
- Free Introduction
- 那些
- 通过
- 始终
- 次
- 至
- 今晚
- 象征
- 令牌
- 告诉
- 了
- 工具
- 追踪
- 跟踪时
- 交易
- 传统
- 产品培训
- 变革
- 变换
- 翻译
- 旅行
- 旅行
- 趋势
- 试用
- 触发
- 触发
- true
- 真代码
- 试图
- 谈到
- 类型
- ui
- Uk
- 下
- 理解
- 理解
- 理解
- 独特
- 大学
- 直到
- 亮相
- 即将上市
- 更新
- 上
- us
- 可用
- 使用
- 用例
- 用过的
- 用户
- 用户体验
- 用户
- 使用
- 运用
- 平时
- ux
- 各个
- 厂商
- 非常
- 通过
- 愿景
- 视觉
- VMware的
- 音色
- 想
- 是
- 方法..
- we
- 卷筒纸
- Web服务
- 周
- 井
- 为
- 西部
- 什么是
- 什么是
- ,尤其是
- 这
- 宽
- 大范围
- 将
- 窗口
- 也完全不需要
- 工作
- 工作
- 工作流程
- 工作流程
- 加工
- 合作
- 世界
- 世界
- 将
- 写
- XML
- 年
- 年
- 您
- 您一站式解决方案
- YouTube的
- 和风网