Dữ liệu phi cấu trúc là thông tin không tuân theo lược đồ được xác định trước hoặc không được tổ chức theo mô hình dữ liệu đặt trước. Thông tin phi cấu trúc có thể có ít hoặc nhiều cấu trúc nhưng theo những cách không mong muốn hoặc không nhất quán. Văn bản, hình ảnh, âm thanh và video là những ví dụ phổ biến về dữ liệu phi cấu trúc. Hầu hết các công ty sản xuất và tiêu thụ dữ liệu phi cấu trúc như tài liệu, email, trang web, cuộc gọi điện thoại của trung tâm tương tác và mạng xã hội. Theo một số ước tính, dữ liệu phi cấu trúc có thể chiếm tới 80–90% tổng số dữ liệu doanh nghiệp mới và đang phát triển nhanh hơn nhiều lần so với dữ liệu có cấu trúc. Sau nhiều thập kỷ số hóa mọi thứ trong doanh nghiệp của bạn, bạn có thể có một lượng dữ liệu khổng lồ nhưng không có giá trị. Tuy nhiên, với sự trợ giúp của AI và máy học (ML), các công cụ phần mềm mới hiện đã có sẵn để khai thác giá trị của dữ liệu phi cấu trúc.

Trong bài đăng này, chúng tôi thảo luận về cách AWS có thể giúp bạn giải quyết thành công những thách thức trong việc trích xuất thông tin chuyên sâu từ dữ liệu phi cấu trúc. Chúng tôi thảo luận về các mẫu và kiến ​​trúc thiết kế khác nhau để trích xuất và lập danh mục những thông tin chi tiết có giá trị từ dữ liệu phi cấu trúc bằng AWS. Ngoài ra, chúng tôi còn hướng dẫn cách sử dụng dịch vụ AWS AI/ML để phân tích dữ liệu phi cấu trúc.

Tại sao việc xử lý và quản lý dữ liệu phi cấu trúc lại khó khăn

Dữ liệu phi cấu trúc chiếm một tỷ lệ lớn dữ liệu trong doanh nghiệp không thể được lưu trữ trong hệ thống quản lý cơ sở dữ liệu quan hệ truyền thống (RDBMS). Việc hiểu dữ liệu, phân loại, lưu trữ và trích xuất thông tin chi tiết từ dữ liệu có thể là một thách thức. Ngoài ra, việc xác định các thay đổi gia tăng đòi hỏi các mẫu chuyên biệt và phát hiện dữ liệu nhạy cảm cũng như đáp ứng các yêu cầu tuân thủ đối với các chức năng phức tạp. Có thể khó tích hợp dữ liệu phi cấu trúc với dữ liệu có cấu trúc từ các hệ thống thông tin hiện có. Một số xem dữ liệu có cấu trúc và không cấu trúc như quả táo và quả cam, thay vì bổ sung cho nhau. Nhưng quan trọng hơn hết, giá trị không hoạt động được giả định trong dữ liệu phi cấu trúc là một dấu hỏi, chỉ có thể được trả lời sau khi các kỹ thuật phức tạp này được áp dụng. Do đó, cần có khả năng phân tích và trích xuất giá trị từ dữ liệu một cách kinh tế và linh hoạt.

Tổng quan về giải pháp

Khám phá dữ liệu và siêu dữ liệu là một trong những yêu cầu chính trong phân tích dữ liệu, trong đó người tiêu dùng dữ liệu khám phá dữ liệu nào có sẵn và ở định dạng nào, sau đó sử dụng hoặc truy vấn dữ liệu đó để phân tích. Nếu bạn có thể áp dụng lược đồ lên trên tập dữ liệu thì việc truy vấn sẽ dễ dàng vì bạn có thể tải dữ liệu vào cơ sở dữ liệu hoặc áp dụng lược đồ bảng ảo để truy vấn. Nhưng trong trường hợp dữ liệu phi cấu trúc, việc khám phá siêu dữ liệu là một thách thức vì dữ liệu thô không dễ đọc được.

Bạn có thể tích hợp các công nghệ hoặc công cụ khác nhau để xây dựng giải pháp. Trong bài đăng này, chúng tôi giải thích cách tích hợp các dịch vụ AWS khác nhau để cung cấp giải pháp toàn diện bao gồm trích xuất, quản lý và quản trị dữ liệu.

Giải pháp tích hợp dữ liệu theo ba tầng. Đầu tiên là dữ liệu đầu vào thô được hệ thống nguồn sử dụng, thứ hai là dữ liệu đầu ra được trích xuất từ ​​dữ liệu đầu vào bằng AI và thứ ba là lớp siêu dữ liệu duy trì mối quan hệ giữa chúng để khám phá dữ liệu.

Sau đây là kiến ​​trúc cấp cao của giải pháp mà chúng tôi có thể xây dựng để xử lý dữ liệu phi cấu trúc, giả sử dữ liệu đầu vào đang được nhập vào kho lưu trữ đối tượng đầu vào thô.

Các bước của quy trình làm việc như sau:

1. Các dịch vụ AI tích hợp trích xuất dữ liệu từ dữ liệu phi cấu trúc.
2. Các dịch vụ này ghi kết quả đầu ra vào hồ dữ liệu.
3. Lớp siêu dữ liệu giúp xây dựng mối quan hệ giữa dữ liệu thô và đầu ra được trích xuất bằng AI. Khi dữ liệu và siêu dữ liệu có sẵn cho người dùng cuối, chúng tôi có thể chia mẫu quyền truy cập của người dùng thành các bước bổ sung.
4. Trong bước khám phá danh mục siêu dữ liệu, chúng tôi có thể sử dụng các công cụ truy vấn để truy cập siêu dữ liệu để khám phá và áp dụng các bộ lọc theo nhu cầu phân tích của mình. Sau đó, chúng ta chuyển sang giai đoạn tiếp theo là truy cập dữ liệu thực tế được trích xuất từ ​​dữ liệu thô phi cấu trúc.
5. Người dùng cuối truy cập đầu ra của dịch vụ AI và sử dụng các công cụ truy vấn để truy vấn dữ liệu có cấu trúc có sẵn trong hồ dữ liệu. Chúng tôi có thể tùy ý tích hợp các công cụ bổ sung giúp kiểm soát quyền truy cập và cung cấp khả năng quản trị.
6. Có thể có những tình huống trong đó, sau khi truy cập vào kết quả đầu ra được trích xuất bằng AI, người dùng cuối muốn truy cập vào đối tượng thô ban đầu (chẳng hạn như tệp phương tiện) để phân tích thêm. Ngoài ra, chúng tôi cần đảm bảo rằng chúng tôi có chính sách kiểm soát quyền truy cập để người dùng cuối chỉ có quyền truy cập vào dữ liệu thô tương ứng mà họ muốn truy cập.

Bây giờ chúng ta đã hiểu kiến ​​trúc cấp cao, hãy thảo luận về những dịch vụ AWS nào chúng ta có thể tích hợp trong từng bước của kiến ​​trúc để cung cấp giải pháp toàn diện.

Sơ đồ sau đây là phiên bản nâng cao của kiến ​​trúc giải pháp của chúng tôi, trong đó chúng tôi đã tích hợp các dịch vụ AWS.

Hãy cùng tìm hiểu chi tiết cách các dịch vụ AWS này được tích hợp. Chúng tôi đã chia các bước thành hai luồng người dùng rộng: xử lý dữ liệu và làm giàu siêu dữ liệu (Bước 1–3) và người dùng cuối truy cập dữ liệu và siêu dữ liệu bằng kiểm soát truy cập chi tiết (Bước 4–6).

1. Các dịch vụ AI khác nhau (mà chúng ta sẽ thảo luận trong phần tiếp theo) trích xuất dữ liệu từ các bộ dữ liệu phi cấu trúc.
2. Đầu ra được ghi vào một Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3) (được gắn nhãn JSON được trích xuất trong sơ đồ trước). Theo tùy chọn, chúng ta có thể cơ cấu lại các đối tượng thô đầu vào để phân vùng tốt hơn, điều này có thể hữu ích trong khi triển khai kiểm soát truy cập chi tiết trên dữ liệu đầu vào thô (được gắn nhãn là Bộ chứa được phân vùng trong sơ đồ).
3. Sau giai đoạn trích xuất dữ liệu ban đầu, chúng ta có thể áp dụng các phép biến đổi bổ sung để làm phong phú bộ dữ liệu bằng cách sử dụng Keo AWS. Chúng tôi cũng xây dựng một lớp siêu dữ liệu bổ sung để duy trì mối quan hệ giữa đường dẫn đối tượng S3 thô, đường dẫn đầu ra được trích xuất bằng AI, đường dẫn S3 phiên bản được làm giàu tùy chọn và bất kỳ siêu dữ liệu nào khác sẽ giúp người dùng cuối khám phá dữ liệu.
4. Trong bước khám phá danh mục siêu dữ liệu, chúng tôi sử dụng Danh mục dữ liệu AWS Glue làm danh mục kỹ thuật, amazon Athena và Quang phổ dịch chuyển đỏ Amazon như công cụ truy vấn, Sự hình thành hồ AWS để kiểm soát truy cập chi tiết và Vùng dữ liệu Amazon để quản lý bổ sung.
5. Đầu ra được trích xuất bằng AI dự kiến ​​sẽ có sẵn dưới dạng tệp được phân tách hoặc ở định dạng JSON. Chúng ta có thể tạo bảng Danh mục dữ liệu AWS Glue để truy vấn bằng Athena hoặc Redshift Spectrum. Giống như bước trước, chúng ta có thể sử dụng các chính sách Lake Formation để kiểm soát quyền truy cập chi tiết hơn.
6. Cuối cùng, người dùng cuối truy cập dữ liệu thô phi cấu trúc có sẵn trong Amazon S3 để phân tích thêm. Chúng tôi đã đề xuất tích hợp Điểm truy cập Amazon S3 để kiểm soát truy cập ở lớp này. Chúng tôi giải thích điều này một cách chi tiết sau trong bài viết này.

Bây giờ, hãy mở rộng các phần sau của kiến ​​trúc để hiểu rõ hơn về cách triển khai:

• Sử dụng dịch vụ AI của AWS để xử lý dữ liệu phi cấu trúc
• Sử dụng Điểm truy cập S3 để tích hợp kiểm soát truy cập trên dữ liệu phi cấu trúc S3 thô

Xử lý dữ liệu phi cấu trúc bằng dịch vụ AI của AWS

Như chúng ta đã thảo luận trước đó, dữ liệu phi cấu trúc có thể có nhiều định dạng khác nhau, chẳng hạn như văn bản, âm thanh, video và hình ảnh và mỗi loại dữ liệu yêu cầu một cách tiếp cận khác nhau để trích xuất siêu dữ liệu. Dịch vụ AI của AWS được thiết kế để trích xuất siêu dữ liệu từ các loại dữ liệu phi cấu trúc khác nhau. Sau đây là các dịch vụ được sử dụng phổ biến nhất để xử lý dữ liệu phi cấu trúc:

• Amazon hiểu – Dịch vụ xử lý ngôn ngữ tự nhiên (NLP) này sử dụng ML để trích xuất siêu dữ liệu từ dữ liệu văn bản. Nó có thể phân tích văn bản bằng nhiều ngôn ngữ, phát hiện các thực thể, trích xuất các cụm từ khóa, xác định tình cảm, v.v. Với Amazon Comprehend, bạn có thể dễ dàng thu được thông tin chi tiết từ khối lượng lớn dữ liệu văn bản chẳng hạn như trích xuất thực thể sản phẩm, tên khách hàng và cảm tính từ các bài đăng trên mạng xã hội.
• Phiên âm Amazon – Dịch vụ chuyển giọng nói thành văn bản này sử dụng ML để chuyển đổi giọng nói thành văn bản và trích xuất siêu dữ liệu từ dữ liệu âm thanh. Nó có thể nhận ra nhiều người nói, ghi lại cuộc hội thoại, xác định từ khóa và hơn thế nữa. Với Amazon Transcribe, bạn có thể chuyển đổi dữ liệu phi cấu trúc như bản ghi hỗ trợ khách hàng thành văn bản và thu thập thêm thông tin chi tiết từ dữ liệu đó.
• Nhận thức lại Amazon – Dịch vụ phân tích hình ảnh và video này sử dụng ML để trích xuất siêu dữ liệu từ dữ liệu trực quan. Nó có thể nhận dạng đồ vật, con người, khuôn mặt và văn bản, phát hiện nội dung không phù hợp, v.v. Với Amazon Rekognition, bạn có thể dễ dàng phân tích hình ảnh và video để có được thông tin chi tiết như xác định loại thực thể (con người hoặc loại khác) và xác định xem người đó có phải là người nổi tiếng được biết đến trong hình ảnh hay không.
• Văn bản Amazon – Bạn có thể sử dụng dịch vụ ML này để trích xuất siêu dữ liệu từ các tài liệu và hình ảnh được quét. Nó có thể trích xuất văn bản, bảng và biểu mẫu từ hình ảnh, tệp PDF và tài liệu được quét. Với Amazon Textract, bạn có thể số hóa tài liệu và trích xuất dữ liệu như tên khách hàng, tên sản phẩm, giá sản phẩm và ngày tháng trên hóa đơn.
• Amazon SageMaker – Dịch vụ này cho phép bạn xây dựng và triển khai các mô hình ML tùy chỉnh cho nhiều trường hợp sử dụng, bao gồm trích xuất siêu dữ liệu từ dữ liệu phi cấu trúc. Với SageMaker, bạn có thể xây dựng các mô hình tùy chỉnh phù hợp với nhu cầu cụ thể của mình, điều này có thể đặc biệt hữu ích để trích xuất siêu dữ liệu từ dữ liệu phi cấu trúc đòi hỏi độ chính xác cao hoặc kiến ​​thức về miền cụ thể.
• nền tảng Amazon – Dịch vụ được quản lý hoàn toàn này cung cấp nhiều lựa chọn về mô hình nền tảng (FM) hiệu suất cao từ các công ty AI hàng đầu như AI21 Labs, Anthropic, Cohere, Meta, Stability AI và Amazon với một API duy nhất. Nó cũng cung cấp một loạt khả năng để xây dựng các ứng dụng AI tổng quát, đơn giản hóa việc phát triển trong khi vẫn duy trì quyền riêng tư và bảo mật.

Với các dịch vụ AI chuyên dụng này, bạn có thể trích xuất siêu dữ liệu từ dữ liệu phi cấu trúc một cách hiệu quả và sử dụng nó để phân tích và hiểu biết sâu hơn. Điều quan trọng cần lưu ý là mỗi dịch vụ đều có điểm mạnh và hạn chế riêng và việc chọn dịch vụ phù hợp cho trường hợp sử dụng cụ thể của bạn là rất quan trọng để đạt được kết quả chính xác và đáng tin cậy.

Dịch vụ AI của AWS có sẵn thông qua nhiều API khác nhau, cho phép bạn tích hợp các khả năng AI vào ứng dụng và quy trình công việc của mình. Chức năng bước AWS là dịch vụ quy trình làm việc không có máy chủ cho phép bạn điều phối và sắp xếp nhiều dịch vụ AWS, bao gồm cả dịch vụ AI, vào một quy trình công việc duy nhất. Điều này có thể đặc biệt hữu ích khi bạn cần xử lý lượng lớn dữ liệu phi cấu trúc và thực hiện nhiều tác vụ liên quan đến AI, chẳng hạn như phân tích văn bản, nhận dạng hình ảnh và NLP.

Với chức năng bước và AWS Lambda chức năng, bạn có thể tạo các quy trình công việc phức tạp bao gồm các dịch vụ AI và các dịch vụ AWS khác. Ví dụ: bạn có thể sử dụng Amazon S3 để lưu trữ dữ liệu đầu vào, gọi hàm Lambda để kích hoạt tác vụ Amazon Transcribe nhằm chép lại tệp âm thanh và sử dụng đầu ra để kích hoạt tác vụ phân tích Amazon Comprehend nhằm tạo siêu dữ liệu cảm tính cho văn bản được chép lời. Điều này cho phép bạn tạo các quy trình làm việc phức tạp, gồm nhiều bước, dễ quản lý, có thể mở rộng và tiết kiệm chi phí.

Sau đây là kiến ​​trúc mẫu cho thấy cách Step Functions có thể giúp gọi các dịch vụ AI AWS bằng cách sử dụng hàm Lambda.

Các bước quy trình làm việc như sau:

1. Dữ liệu phi cấu trúc, chẳng hạn như tệp văn bản, tệp âm thanh và tệp video, được nhập vào bộ chứa thô S3.
2. Hàm Lambda được kích hoạt để đọc dữ liệu từ nhóm S3 và gọi Step Functions để điều phối quy trình làm việc cần thiết nhằm trích xuất siêu dữ liệu.
3. Quy trình làm việc của Step Functions sẽ kiểm tra loại tệp, gọi API dịch vụ AI AWS tương ứng, kiểm tra trạng thái công việc và thực hiện bất kỳ quá trình xử lý hậu kỳ nào được yêu cầu ở đầu ra.
4. Dịch vụ AI của AWS có thể được truy cập thông qua API và được gọi dưới dạng tác vụ hàng loạt. Để trích xuất siêu dữ liệu từ các loại dữ liệu phi cấu trúc khác nhau, bạn có thể sử dụng nhiều dịch vụ AI theo trình tự, với mỗi dịch vụ xử lý loại tệp tương ứng.
5. Sau khi quy trình làm việc của Step Functions hoàn tất quy trình trích xuất siêu dữ liệu và thực hiện bất kỳ quá trình xử lý hậu kỳ cần thiết nào, kết quả đầu ra sẽ được lưu trữ trong bộ chứa S3 để lập danh mục.

Tiếp theo, hãy hiểu cách chúng ta có thể triển khai kiểm soát bảo mật hoặc quyền truy cập trên cả đối tượng đầu ra được trích xuất cũng như đối tượng đầu vào thô.

Triển khai kiểm soát quyền truy cập vào dữ liệu thô và đã xử lý trong Amazon S3

Chúng tôi chỉ xem xét các biện pháp kiểm soát quyền truy cập đối với ba loại dữ liệu khi quản lý dữ liệu phi cấu trúc: đầu ra bán cấu trúc được trích xuất bằng AI, siêu dữ liệu và các tệp gốc phi cấu trúc thô. Khi nói đến đầu ra được trích xuất bằng AI, nó có định dạng JSON và có thể bị hạn chế thông qua Lake Formation và Amazon DataZone. Chúng tôi khuyên bạn nên giữ siêu dữ liệu (thông tin thu thập các tập dữ liệu phi cấu trúc đã được xử lý theo quy trình và có sẵn để phân tích) mở cho tổ chức của bạn, điều này sẽ cho phép khám phá siêu dữ liệu trong toàn tổ chức.

Để kiểm soát quyền truy cập dữ liệu thô phi cấu trúc, bạn có thể tích hợp Điểm truy cập S3 và khám phá hỗ trợ bổ sung trong tương lai khi các dịch vụ AWS phát triển. Điểm truy cập S3 đơn giản hóa việc truy cập dữ liệu cho mọi dịch vụ AWS hoặc ứng dụng khách hàng lưu trữ dữ liệu trên Amazon S3. Điểm truy cập là các điểm cuối mạng được đặt tên được gắn vào các nhóm mà bạn có thể sử dụng để thực hiện các thao tác đối tượng S3. Mỗi điểm truy cập có các quyền và biện pháp kiểm soát mạng riêng biệt mà Amazon S3 áp dụng cho mọi yêu cầu được thực hiện thông qua điểm truy cập đó. Mỗi điểm truy cập thực thi một chính sách điểm truy cập tùy chỉnh hoạt động cùng với chính sách vùng lưu trữ được đính kèm với vùng lưu trữ bên dưới. Với Điểm truy cập S3, bạn có thể tạo các chính sách kiểm soát quyền truy cập duy nhất cho từng điểm truy cập để dễ dàng kiểm soát quyền truy cập vào các tập dữ liệu cụ thể trong bộ chứa S3. Tính năng này hoạt động tốt trong các tình huống nhóm có nhiều đối tượng thuê hoặc nhóm dùng chung trong đó người dùng hoặc nhóm được chỉ định các tiền tố duy nhất trong một nhóm S3.

Điểm truy cập có thể hỗ trợ một người dùng hoặc ứng dụng hoặc nhóm người dùng hoặc ứng dụng trong và trên các tài khoản, cho phép quản lý riêng từng điểm truy cập. Mỗi điểm truy cập được liên kết với một nhóm duy nhất và chứa kiểm soát nguồn gốc mạng và kiểm soát Chặn truy cập công cộng. Ví dụ: bạn có thể tạo một điểm truy cập có kiểm soát nguồn gốc mạng chỉ cho phép truy cập bộ nhớ từ đám mây riêng ảo (VPC), một phần được cách ly về mặt logic của Đám mây AWS. Bạn cũng có thể tạo một điểm truy cập với chính sách điểm truy cập được định cấu hình để chỉ cho phép truy cập vào các đối tượng có tiền tố xác định hoặc các đối tượng có thẻ cụ thể. Bạn cũng có thể định cấu hình cài đặt Chặn truy cập công cộng tùy chỉnh cho từng điểm truy cập.

Kiến trúc sau đây cung cấp cái nhìn tổng quan về cách người dùng cuối có thể truy cập vào các đối tượng S3 cụ thể bằng cách giả sử một địa chỉ cụ thể Quản lý truy cập và nhận dạng AWS (IAM). Nếu bạn có một số lượng lớn đối tượng S3 để kiểm soát quyền truy cập, hãy cân nhắc việc nhóm các đối tượng S3, gán thẻ cho chúng rồi xác định kiểm soát quyền truy cập theo thẻ.

Nếu bạn đang triển khai giải pháp tích hợp dữ liệu S3 có sẵn trong nhiều tài khoản AWS, bạn có thể tận dụng hỗ trợ nhiều tài khoản cho Điểm truy cập S3.

Kết luận

Bài đăng này giải thích cách bạn có thể sử dụng dịch vụ AWS AI để trích xuất dữ liệu có thể đọc được từ các tập dữ liệu phi cấu trúc, xây dựng lớp siêu dữ liệu trên chúng để cho phép khám phá dữ liệu và xây dựng cơ chế kiểm soát truy cập trên các đối tượng S3 thô và trích xuất dữ liệu bằng cách sử dụng Lake Formation , Amazon DataZone và Điểm truy cập S3.

Ngoài các dịch vụ AI của AWS, bạn cũng có thể tích hợp các mô hình ngôn ngữ lớn với cơ sở dữ liệu vectơ để cho phép tìm kiếm ngữ nghĩa hoặc tính tương tự trên các tập dữ liệu phi cấu trúc. Để tìm hiểu thêm về cách kích hoạt tìm kiếm ngữ nghĩa trên dữ liệu phi cấu trúc bằng cách tích hợp Dịch vụ Tìm kiếm Mở của Amazon như một cơ sở dữ liệu vector, hãy tham khảo Thử tìm kiếm ngữ nghĩa bằng công cụ vectơ Dịch vụ OpenSearch của Amazon.

Khi viết bài đăng này, Điểm truy cập S3 là một trong những giải pháp tốt nhất để triển khai kiểm soát quyền truy cập trên các đối tượng S3 thô bằng cách gắn thẻ, nhưng khi các tính năng dịch vụ AWS phát triển trong tương lai, bạn cũng có thể khám phá các tùy chọn thay thế.

Về các tác giả

Sakti Mishra là Kiến trúc sư giải pháp chính tại AWS, nơi ông giúp khách hàng hiện đại hóa kiến ​​trúc dữ liệu và xác định chiến lược dữ liệu toàn diện, bao gồm bảo mật dữ liệu, khả năng truy cập, quản trị, v.v. Ông cũng là tác giả cuốn sách Đơn giản hóa phân tích dữ liệu lớn với Amazon EMR. Ngoài công việc, Sakti thích học hỏi những công nghệ mới, xem phim và đi thăm thú các địa điểm cùng gia đình.

Bhavana Chirumamilla là Kiến trúc sư thường trú cấp cao tại AWS với niềm đam mê mãnh liệt đối với hoạt động máy học và dữ liệu. Cô ấy mang đến nhiều kinh nghiệm và sự nhiệt tình để giúp các doanh nghiệp xây dựng các chiến lược ML và dữ liệu hiệu quả. Khi rảnh rỗi, Bhavana thích dành thời gian cho gia đình và tham gia nhiều hoạt động khác nhau như du lịch, đi bộ đường dài, làm vườn và xem phim tài liệu.

Sheela Sonone là Kiến trúc sư thường trú cấp cao tại AWS. Cô giúp khách hàng AWS đưa ra những lựa chọn và cân nhắc sáng suốt trong việc tăng tốc dữ liệu, phân tích cũng như khối lượng công việc và triển khai AI/ML của họ. Trong thời gian rảnh rỗi, cô thích dành thời gian cho gia đình - thường là trên sân tennis.

Daniel Bruno là Kiến trúc sư thường trú chính tại AWS. Ông đã xây dựng các giải pháp phân tích và học máy trong hơn 20 năm và dành thời gian giúp khách hàng xây dựng các chương trình khoa học dữ liệu cũng như thiết kế các sản phẩm ML có tác động.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• nguồn: https://aws.amazon.com/blogs/big-data/unstructured-data-management-and-governance-using-aws-ai-ml-and-analytics-services/