Σε προηγούμενη θέση, μιλήσαμε για την ανάλυση και την προσθήκη ετικετών σε στοιχεία που είναι αποθηκευμένα στο Veeva Vault PromoMats χρησιμοποιώντας υπηρεσίες AI της Amazon και τα API της πλατφόρμας Veeva Vault. Σε αυτήν την ανάρτηση, εξερευνούμε τον τρόπο χρήσης Ροή εφαρμογών Amazon, μια πλήρως διαχειριζόμενη υπηρεσία ενοποίησης που σας δίνει τη δυνατότητα να μεταφέρετε με ασφάλεια δεδομένα από εφαρμογές λογισμικού ως υπηρεσίας (SaaS) όπως το Veeva Vault στο AWS. ο Υποδοχή Amazon AppFlow Veeva σας επιτρέπει να συνδέσετε το περιβάλλον AWS σας με το οικοσύστημα Veeva γρήγορα, αξιόπιστα και οικονομικά, προκειμένου να αναλύσετε σε κλίμακα το πλούσιο περιεχόμενο που είναι αποθηκευμένο στο Veeva Vault.

Ο σύνδεσμος Amazon AppFlow Veeva είναι ο πρώτος σύνδεσμος AppFlow της Amazon που υποστηρίζει αυτόματη μεταφορά έγγραφα Veeva. Σας επιτρέπει να επιλέξετε μεταξύ της πιο πρόσφατης έκδοσης (η σταθερή κράτος έκδοση με όρους Veeva) και όλες τις εκδόσεις των εγγράφων. Επιπλέον, μπορείτε να εισαγάγετε μεταδεδομένα εγγράφου.

Με μερικά κλικ, μπορείτε εύκολα να ρυθμίσετε μια διαχειριζόμενη σύνδεση και να επιλέξετε τα έγγραφα και τα μεταδεδομένα Veeva Vault προς εισαγωγή. Μπορείτε να προσαρμόσετε περαιτέρω τη συμπεριφορά εισαγωγής αντιστοιχίζοντας τα πεδία πηγής στα πεδία προορισμού. Μπορείτε επίσης να προσθέσετε φίλτρα με βάση τον τύπο και τον δευτερεύοντα τύπο εγγράφου, την ταξινόμηση, τα προϊόντα, τη χώρα, τον ιστότοπο και άλλα. Τέλος, μπορείτε να προσθέσετε επικύρωση και να διαχειριστείτε ενεργοποιητές ροής κατ' απαίτηση και προγραμματισμένης ροής.

Μπορείτε να χρησιμοποιήσετε την υποδοχή AppFlow Veeva της Amazon για διάφορες περιπτώσεις χρήσης, από Veeva Vault PromoMats έως άλλες λύσεις Veeva Vault όπως QualityDocs, eTMF ή Regulatory Information Management (RIM). Ακολουθούν ορισμένες από τις περιπτώσεις χρήσης όπου μπορείτε να χρησιμοποιήσετε τον σύνδεσμο:

• Συγχρονισμός δεδομένων – Μπορείτε να χρησιμοποιήσετε τη σύνδεση στη διαδικασία δημιουργίας συνέπειας και εναρμόνισης μεταξύ των δεδομένων από μια πηγή Veeva Vault και τυχόν μεταγενέστερων συστημάτων με την πάροδο του χρόνου. Για παράδειγμα, μπορείτε να μοιραστείτε τα στοιχεία μάρκετινγκ της Veeva PromoMats στο Salesforce. Θα μπορούσατε επίσης να χρησιμοποιήσετε την εφαρμογή σύνδεσης για να μοιραστείτε έγγραφα Veeva QualityDocs, όπως τυπικές διαδικασίες λειτουργίας (SOP) ή προδιαγραφές σε ιστότοπους που έχουν αποθηκευτεί στην κρυφή μνήμη που είναι δυνατή η αναζήτηση από tablet που υπάρχουν στον κατασκευαστικό χώρο.
• Ανίχνευση ανωμαλιών – Μπορείτε να μοιραστείτε έγγραφα Veeva PromoMats σε Αναζήτηση Amazon για μετρήσεις για ανίχνευση ανωμαλιών. Μπορείτε επίσης να χρησιμοποιήσετε το σύνδεσμο με το Vault RIM σε έργα τέχνης, εμπορικές ετικέτες, πρότυπα ή φυλλάδια ασθενών πριν τα εισαγάγετε για εκτύπωση σε λύσεις ετικετών επιχειρήσεων όπως η Loftware.
• Ενυδάτωση λίμνης δεδομένων – Ο σύνδεσμος μπορεί να είναι ένα αποτελεσματικό εργαλείο για την αναπαραγωγή δομημένων ή μη δομημένων δεδομένων σε λίμνες δεδομένων, προκειμένου να υποστηριχθεί η δημιουργία και η ενυδάτωση λιμνών δεδομένων. Για παράδειγμα, μπορείτε να χρησιμοποιήσετε την εφαρμογή σύνδεσης για να εξαγάγετε τυποποιημένες πληροφορίες μελέτης από πρωτόκολλα που είναι αποθηκευμένα στο Vault RIM και να τις εκθέσετε κατάντη σε ομάδες πληροφοριών ιατρικής ανάλυσης.
• Μεταφράσεις – Η εφαρμογή σύνδεσης μπορεί να είναι χρήσιμη για την αποστολή έργων τέχνης, κλινικών εγγράφων, υλικού μάρκετινγκ ή πρωτοκόλλων μελέτης για μετάφραση σε μητρικές γλώσσες σε τμήματα όπως συσκευασία, κλινικές δοκιμές ή ρυθμιστικές υποβολές.

Αυτή η ανάρτηση εστιάζει στο πώς μπορείτε να χρησιμοποιήσετε Υπηρεσίες Amazon AI σε συνδυασμό με το Amazon AppFlow για την ανάλυση περιεχομένου που είναι αποθηκευμένο στο Veeva Vault PromoMats, την αυτόματη εξαγωγή πληροφοριών ετικετών και, τελικά, την τροφοδοσία αυτών των πληροφοριών στο σύστημα Veeva Vault. Η ανάρτηση συζητά τη συνολική αρχιτεκτονική, τα βήματα για την ανάπτυξη μιας λύσης και πίνακα εργαλείων και μια περίπτωση χρήσης της προσθήκης ετικετών μεταδεδομένων στοιχείων. Για περισσότερες πληροφορίες σχετικά με τη βάση κώδικα απόδειξης της έννοιας για αυτήν την περίπτωση χρήσης, ανατρέξτε στο Αποθετήριο GitHub.

Επισκόπηση λύσεων

Το παρακάτω διάγραμμα απεικονίζει την ενημερωμένη αρχιτεκτονική λύσης.

Προηγουμένως, για να εισαγάγετε στοιχεία από το Veeva Vault, έπρεπε να γράψετε τη δική σας λογική προσαρμοσμένου κώδικα χρησιμοποιώντας το API Veeva Vault σε δημοσκόπηση για αλλαγές και εισαγωγή των δεδομένων Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3). Αυτή θα μπορούσε να είναι μια μη αυτόματη, χρονοβόρα διαδικασία, στην οποία έπρεπε να λάβετε υπόψη τους περιορισμούς, τις αποτυχίες και τις επαναλήψεις του API, καθώς και την επεκτασιμότητα για να φιλοξενήσετε απεριόριστο αριθμό στοιχείων. Η ενημερωμένη λύση χρησιμοποιεί το Amazon AppFlow για να αφαιρέσει την πολυπλοκότητα της διατήρησης ενός προσαρμοσμένου αγωγού εισαγωγής δεδομένων Veeva σε Amazon S3.

Όπως αναφέρθηκε στην εισαγωγή, το Amazon AppFlow είναι ένα εύχρηστο εργαλείο αυτοεξυπηρέτησης χωρίς κώδικα που χρησιμοποιεί διαμορφώσεις point-and-click για να μετακινεί δεδομένα εύκολα και με ασφάλεια μεταξύ διαφόρων εφαρμογών SaaS και υπηρεσιών AWS. Το AppFlow σάς επιτρέπει να αντλείτε δεδομένα (αντικείμενα και έγγραφα) από υποστηριζόμενες πηγές και να γράφετε αυτά τα δεδομένα σε διάφορους υποστηριζόμενους προορισμούς. Η πηγή ή ο προορισμός μπορεί να είναι μια εφαρμογή SaaS ή μια υπηρεσία AWS όπως το Amazon S3, Amazon RedShift, ή Lookout for Metrics. Εκτός από τη διεπαφή χωρίς κώδικα, το Amazon AppFlow υποστηρίζει διαμόρφωση μέσω API, AWS CLI και AWS CloudFormation διεπαφές.

Μια ροή στο Amazon AppFlow περιγράφει τον τρόπο μετακίνησης δεδομένων, συμπεριλαμβανομένων των στοιχείων πηγής, λεπτομερειών προορισμού, συνθηκών ενεργοποίησης ροής (κατ' απαίτηση, σε συμβάν ή προγραμματισμένο) και εργασίες επεξεργασίας δεδομένων, όπως σημεία ελέγχου, επικύρωση πεδίου ή κάλυψη. Όταν ενεργοποιείται, το Amazon AppFlow εκτελεί μια ροή που ανακτά τα δεδομένα προέλευσης (γενικά μέσω των δημόσιων API της εφαρμογής πηγής), εκτελεί εργασίες επεξεργασίας δεδομένων και μεταφέρει τα επεξεργασμένα δεδομένα στον προορισμό.

Σε αυτό το παράδειγμα, αναπτύσσετε μια προρυθμισμένη ροή χρησιμοποιώντας ένα πρότυπο CloudFormation. Το ακόλουθο στιγμιότυπο οθόνης δείχνει τα προρυθμισμένα veeva-aws-connector ροή που δημιουργείται αυτόματα από το πρότυπο λύσης στην κονσόλα Amazon AppFlow.

Η ροή χρησιμοποιεί το Veeva ως πηγή και έχει ρυθμιστεί για εισαγωγή αντικειμένων στοιχείων Veeva Vault. Τόσο τα μεταδεδομένα όσο και τα αρχεία προέλευσης είναι απαραίτητα για να παρακολουθείτε τα στοιχεία που έχουν υποστεί επεξεργασία και να ωθήσετε ετικέτες πίσω στο σωστό αντίστοιχο στοιχείο στο σύστημα προέλευσης. Σε αυτήν την περίπτωση, εισάγεται μόνο η πιο πρόσφατη έκδοση και οι παραδόσεις δεν περιλαμβάνονται.

Πρέπει επίσης να διαμορφωθεί ο προορισμός της ροής. Στο παρακάτω στιγμιότυπο οθόνης, ορίζουμε μια μορφή αρχείου και μια δομή φακέλου για τον κάδο S3 που δημιουργήθηκε ως μέρος του προτύπου CloudFormation.

Τέλος, η ροή ενεργοποιείται κατόπιν ζήτησης για σκοπούς επίδειξης. Αυτό μπορεί να τροποποιηθεί έτσι ώστε η ροή να εκτελείται σύμφωνα με ένα χρονοδιάγραμμα, με μέγιστη ευαισθησία 1 λεπτό. Όταν ενεργοποιείται σε ένα χρονοδιάγραμμα, η λειτουργία μεταφοράς αλλάζει αυτόματα από μια πλήρη μεταφορά σε μια σταδιακή λειτουργία μεταφοράς. Καθορίζετε ένα πεδίο χρονικής σήμανσης πηγής για την παρακολούθηση των αλλαγών. Για την περίπτωση χρήσης προσθήκης ετικετών, βρήκαμε ότι το Ημερομηνία τελευταίας τροποποίησης η ρύθμιση είναι η πιο κατάλληλη.

Στη συνέχεια, το Amazon AppFlow ενσωματώνεται με Amazon EventBridge για δημοσίευση συμβάντων κάθε φορά που ολοκληρώνεται μια εκτέλεση ροής.

Για καλύτερη ανθεκτικότητα, το AVAIAppFlowListener AWS Lambda η λειτουργία είναι ενσύρματη στο EventBridge. Όταν ενεργοποιείται ένα συμβάν Amazon AppFlow, επαληθεύει ότι η συγκεκριμένη εκτέλεση ροής ολοκληρώθηκε με επιτυχία, διαβάζει τις πληροφορίες μεταδεδομένων όλων των εισαγόμενων στοιχείων από τη συγκεκριμένη εκτέλεση ροής και ωθεί τα μεταδεδομένα μεμονωμένων εγγράφων σε Υπηρεσία απλής ουράς Amazon (Amazon SQS) ουρά. Η χρήση του Amazon SQS παρέχει μια χαλαρή σύζευξη μεταξύ των τμημάτων παραγωγού και επεξεργαστή της αρχιτεκτονικής και σας επιτρέπει επίσης να αναπτύξετε αλλαγές στην ενότητα επεξεργαστή χωρίς να σταματήσετε τις εισερχόμενες ενημερώσεις.

Μια δεύτερη συνάρτηση δημοσκόπησης (AVAIQueuePoller) διαβάζει την ουρά SQS σε συχνά διαστήματα (κάθε λεπτό) και επεξεργάζεται τα εισερχόμενα στοιχεία. Για ακόμα καλύτερο χρόνο αντίδρασης από τη συνάρτηση Lambda, μπορείτε να αντικαταστήσετε τον κανόνα CloudWatch διαμορφώνοντας το Amazon SQS ως έναυσμα για τη συνάρτηση.

Ανάλογα με τον τύπο του εισερχόμενου μηνύματος, η λύση χρησιμοποιεί διάφορες υπηρεσίες AWS AI για να αντλήσει πληροφορίες από τα δεδομένα σας. Μερικά παραδείγματα περιλαμβάνουν:

• Αρχεία κειμένου - Η συνάρτηση χρησιμοποιεί το DetectEntities λειτουργία του Amazon Comprehend Medical, μια υπηρεσία επεξεργασίας φυσικής γλώσσας (NLP) που καθιστά εύκολη τη χρήση της ML για την εξαγωγή σχετικών ιατρικών πληροφοριών από μη δομημένο κείμενο. Αυτή η λειτουργία εντοπίζει οντότητες σε κατηγορίες όπως Anatomy, Medical_Condition, Medication, Protected_Health_Information, να Test_Treatment_Procedure. Η προκύπτουσα έξοδος φιλτράρεται για Protected_Health_Information, και οι υπόλοιπες πληροφορίες, μαζί με τις βαθμολογίες εμπιστοσύνης, ισοπεδώνονται και εισάγονται σε ένα Amazon DynamoDB τραπέζι. Αυτές οι πληροφορίες σχεδιάζονται στο σύμπλεγμα OpenSearch Kibana. Σε εφαρμογές πραγματικού κόσμου, μπορείτε επίσης να χρησιμοποιήσετε το Amazon Comprehend Medical ICD-10-CM ή RxNorm χαρακτηριστικό για τη σύνδεση των ανιχνευόμενων πληροφοριών με ιατρικές οντολογίες, ώστε οι επόμενες εφαρμογές υγειονομικής περίθαλψης να μπορούν να τις χρησιμοποιούν για περαιτέρω ανάλυση.
• εικόνες - Η συνάρτηση χρησιμοποιεί το DetectLabels μέθοδος για Αναγνώριση Amazon για τον εντοπισμό ετικετών στην εισερχόμενη εικόνα. Αυτές οι ετικέτες μπορούν να λειτουργήσουν ως ετικέτες για να αναγνωρίσουν τις πλούσιες πληροφορίες που είναι θαμμένες στις εικόνες σας, όπως πληροφορίες για εμπορικά έργα τέχνης και κλινικές ετικέτες. Αν οι ετικέτες αρέσουν Human or Person ανιχνεύονται με βαθμολογία εμπιστοσύνης άνω του 80%, ο κωδικός χρησιμοποιεί το DetectFaces μέθοδος για αναζήτηση βασικών χαρακτηριστικών του προσώπου, όπως τα μάτια, η μύτη και το στόμα για την ανίχνευση προσώπων στην εικόνα εισαγωγής. Το Amazon Recognition παρέχει όλες αυτές τις πληροφορίες με μια σχετική βαθμολογία εμπιστοσύνης, η οποία ισοπεδώνεται και αποθηκεύεται στον πίνακα DynamoDB.
• Ηχογραφήσεις - Για στοιχεία ήχου, ο κωδικός χρησιμοποιεί το StartTranscriptionJob ασύγχρονη μέθοδος του Μεταγραφή Amazon για να μεταγράψετε τον εισερχόμενο ήχο σε κείμενο, μεταφέροντας ένα μοναδικό αναγνωριστικό ως το TranscriptionJobName. Ο κώδικας προϋποθέτει ότι η γλώσσα ήχου είναι Αγγλικά (ΗΠΑ), αλλά μπορείτε να την τροποποιήσετε ώστε να συνδέεται με τις πληροφορίες που προέρχονται από το Veeva Vault. Ο κωδικός καλεί το GetTranscriptionJob μέθοδο, περνώντας με το ίδιο μοναδικό αναγνωριστικό με το TranscriptionJobName σε βρόχο, έως ότου ολοκληρωθεί η εργασία. Το Amazon Transcribe παραδίδει το αρχείο εξόδου σε έναν κάδο S3, το οποίο διαβάζεται από τον κώδικα και διαγράφεται. Ο κώδικας καλεί τη ροή εργασίας επεξεργασίας κειμένου (όπως συζητήθηκε νωρίτερα) για την εξαγωγή οντοτήτων από μεταγραφόμενο ήχο.
• Σαρωμένα έγγραφα (PDF) - Ένα μεγάλο ποσοστό των περιουσιακών στοιχείων των βιοεπιστημών αντιπροσωπεύονται σε PDF - αυτά θα μπορούσαν να είναι οτιδήποτε, από επιστημονικά περιοδικά και ερευνητικά έγγραφα έως ετικέτες φαρμάκων. Textract Amazon είναι μια υπηρεσία που εξάγει αυτόματα κείμενο και δεδομένα από σαρωμένα έγγραφα. Ο κωδικός χρησιμοποιεί το StartDocumentText Detection μέθοδος για να ξεκινήσετε μια ασύγχρονη εργασία για τον εντοπισμό κειμένου στο έγγραφο. Ο κωδικός χρησιμοποιεί το JobId επέστρεψε στην απάντηση στην κλήση GetDocumentTextDetection σε βρόχο, έως ότου ολοκληρωθεί η εργασία. Η δομή εξόδου JSON περιέχει γραμμές και λέξεις εντοπισμένου κειμένου, μαζί με βαθμολογίες εμπιστοσύνης για κάθε στοιχείο που προσδιορίζει, ώστε να μπορείτε να λαμβάνετε ενημερωμένες αποφάσεις σχετικά με τον τρόπο χρήσης των αποτελεσμάτων. Ο κώδικας επεξεργάζεται τη δομή JSON για να αναδημιουργήσει τη θόλωση κειμένου και καλεί τη ροή εργασίας επεξεργασίας κειμένου για εξαγωγή οντοτήτων από το κείμενο.

Ένας πίνακας DynamoDB αποθηκεύει όλα τα επεξεργασμένα δεδομένα. Η λύση χρησιμοποιεί Ενεργοποιήσεις DynamoDB Streams και Lambda (AVAIPopulateES) για να συμπληρώσετε δεδομένα σε ένα σύμπλεγμα OpenSearch Kibana. Η συνάρτηση AVAIPopulateES εκτελείται για κάθε λειτουργία ενημέρωσης, εισαγωγής και διαγραφής που συμβαίνει στον πίνακα DynamoDB και εισάγει μία αντίστοιχη εγγραφή στο ευρετήριο OpenSearch. Μπορείτε να οπτικοποιήσετε αυτές τις εγγραφές χρησιμοποιώντας το Kibana.

Για να κλείσετε τον βρόχο ανατροφοδότησης, το AVAICustomFieldPopulator Η συνάρτηση λάμδα έχει δημιουργηθεί. Ενεργοποιείται από συμβάντα στη ροή DynamoDB του πίνακα μεταδεδομένων DynamoDB. Για κάθε DocumentID στις εγγραφές DynamoDB, η συνάρτηση προσπαθεί να προσθέσει πληροφορίες ετικέτας σε μια προκαθορισμένη ιδιότητα προσαρμοσμένου πεδίου του στοιχείου με το αντίστοιχο αναγνωριστικό στο Veeva, χρησιμοποιώντας το Veeva API. Για να αποφευχθεί η εισαγωγή θορύβου στο προσαρμοσμένο πεδίο, η συνάρτηση Lambda φιλτράρει τυχόν ετικέτες που έχουν αναγνωριστεί με βαθμολογία εμπιστοσύνης χαμηλότερη από 0.9. Τα αιτήματα που απέτυχαν προωθούνται σε μια ουρά νεκρών γραμμάτων (DLQ) για μη αυτόματο έλεγχο ή αυτόματη επανάληψη.

Αυτή η λύση προσφέρει μια προσέγγιση χωρίς διακομιστές, pay-as-you-go για τη διεργασία, την προσθήκη ετικετών και τη δυνατότητα ολοκληρωμένων αναζητήσεων στα ψηφιακά σας στοιχεία. Επιπλέον, κάθε διαχειριζόμενο στοιχείο έχει υψηλή διαθεσιμότητα ενσωματωμένη με αυτόματη ανάπτυξη σε πολλές ζώνες διαθεσιμότητας. Για Amazon OpenSearch Service (διάδοχος της Amazon Elasticsearch Service), μπορείτε να επιλέξετε το επιλογή τριών-ΑΖ για να παρέχετε καλύτερη διαθεσιμότητα για τους τομείς σας.

Προϋποθέσεις

Για αυτήν την καθοδήγηση, θα πρέπει να έχετε τις ακόλουθες προϋποθέσεις:

• An Λογαριασμός AWS με κατάλληλο Διαχείριση ταυτότητας και πρόσβασης AWS (IAM) για την εκκίνηση του προτύπου CloudFormation
• Κατάλληλα διαπιστευτήρια πρόσβασης για έναν τομέα Veeva Vault PromoMats (URL τομέα, όνομα χρήστη και κωδικός πρόσβασης)
• Μια προσαρμοσμένη ετικέτα περιεχομένου που ορίζεται στο Veeva για τα ψηφιακά στοιχεία στα οποία θέλετε να επισημανθούν (για παράδειγμα, δημιουργήσαμε το AutoTags προσαρμοσμένη ετικέτα περιεχομένου)
• Ψηφιακά στοιχεία στο PromoMats Vault προσβάσιμο στα προηγούμενα διαπιστευτήρια

Αναπτύξτε τη λύση σας

Χρησιμοποιείτε μια στοίβα CloudFormation για να αναπτύξετε τη λύση. Η στοίβα δημιουργεί όλους τους απαραίτητους πόρους, όπως:

• Ένας κάδος S3 για την αποθήκευση των εισερχόμενων στοιχείων.
• Μια ροή Amazon AppFlow για αυτόματη εισαγωγή στοιχείων στον κάδο S3.
• Ένας κανόνας EventBridge και συνάρτηση Lambda για αντίδραση στα συμβάντα που δημιουργούνται από το Amazon AppFlow (AVAIAppFlowListener).
• Μια ουρά SQS FIFO που λειτουργεί ως χαλαρή σύζευξη μεταξύ της συνάρτησης ακροατή (AVAIAppFlowListener) και τη λειτουργία δημοσκόπησης (AVAIQueuePoller).
• Ένας πίνακας DynamoDB για την αποθήκευση της παραγωγής των υπηρεσιών AI AI.
• Ένα σύμπλεγμα Amazon OpenSearch Kibana (ELK) για την οπτικοποίηση των αναλυόμενων ετικετών.
• Μια συνάρτηση Lambda για να ωθήσει πίσω αναγνωρισμένες ετικέτες στο Veeva (AVAICustomFieldPopulator), με αντίστοιχο DLQ.
• Απαιτούμενες λειτουργίες Lambda:
  • AVAIAppFlowListener – Ενεργοποιείται από συμβάντα που προωθούνται από το Amazon AppFlow στο EventBridge. Χρησιμοποιείται για επικύρωση εκτέλεσης ροής και προώθηση μηνύματος στην ουρά SQS.
  • AVAIQueuePoller - Ενεργοποιείται κάθε 1 λεπτό. Χρησιμοποιήθηκε για την ψηφοφορία στην ουρά SQS, την επεξεργασία των στοιχείων χρησιμοποιώντας τις υπηρεσίες Amazon AI και τη συμπλήρωση του πίνακα DynamoDB.
  • ΔΙΑΘΕΣΙΜΟΙ - Ενεργοποιείται όταν υπάρχει ενημέρωση, εισαγωγή ή διαγραφή στον πίνακα DynamoDB. Χρησιμοποιείται για τη λήψη αλλαγών από το DynamoDB και τη συμπλήρωση του συμπλέγματος ELK.
  • AVAICustomFieldPopulator – Ενεργοποιείται όταν υπάρχει ενημέρωση, εισαγωγή ή διαγραφή στον πίνακα DynamoDB. Χρησιμοποιείται για την ανατροφοδότηση πληροφοριών ετικετών στο Veeva.
• Η Εκδηλώσεις Amazon CloudWatch κανόνες που πυροδοτούν την AVAIQueuePoller λειτουργία. Αυτά τα ερεθίσματα βρίσκονται στο DISABLED κατάσταση από προεπιλογή.
• Απαιτούμενοι ρόλοι και πολιτικές IAM για την αλληλεπίδραση με το EventBridge και τις υπηρεσίες τεχνητής νοημοσύνης με περιορισμένο τρόπο.

Για να ξεκινήσετε, ακολουθήστε τα παρακάτω βήματα:

1. Συνδεθείτε στο Κονσόλα διαχείρισης AWS με έναν λογαριασμό που έχει τα προαπαιτούμενα δικαιώματα IAM.
2. Επιλέξτε Εκκίνηση στοίβας και ανοίξτε το σε μια νέα καρτέλα:
   
3. Στις Δημιουργία στοίβας σελίδα, επιλέξτε Επόμενο.
4. Στις Καθορίστε λεπτομέρειες στοίβας σελίδα, πληκτρολογήστε ένα όνομα για τη στοίβα.
5. Εισαγάγετε τιμές για τις παραμέτρους.
6. Επιλέξτε Επόμενο.
7. Στις Διαμόρφωση επιλογών στοίβας σελίδα, αφήστε τα πάντα ως προεπιλογή και επιλέξτε Επόμενο.
8. Στις Βαθμολογία Κριτικής σελίδα, στο Δυνατότητες και μετασχηματισμοί ενότητα, επιλέξτε τα τρία πλαίσια ελέγχου.
9. Επιλέξτε Δημιουργία στοίβας.
10. Περιμένετε να ολοκληρωθεί η στοίβα. Μπορείτε να εξετάσετε διάφορα συμβάντα από τη διαδικασία δημιουργίας στοίβας στο Εκδηλώσεις Tab.
11. Αφού ολοκληρωθεί η δημιουργία στοίβας, μπορείτε να δείτε το Υποστηρικτικό υλικό για να δείτε όλους τους πόρους που δημιουργήθηκε το πρότυπο CloudFormation.
12. Στις Έξοδοι καρτέλα, αντιγράψτε την τιμή του ESDomainAccessPrincipal.

Αυτό είναι το ARN του ρόλου IAM που το AVAIPopulateES λειτουργία αναλαμβάνει. Το χρησιμοποιείτε αργότερα για να διαμορφώσετε την πρόσβαση στον τομέα Amazon OpenSearch Service.

Ρυθμίστε το Amazon OpenSearch Service και το Kibana

Αυτή η ενότητα σάς καθοδηγεί στην ασφάλιση του συμπλέγματος Υπηρεσιών OpenSearch του Amazon και στην εγκατάσταση ενός τοπικού διακομιστή μεσολάβησης για ασφαλή πρόσβαση στο Kibana.

1. Στην κονσόλα Amazon OpenSearch Service, επιλέξτε τον τομέα που δημιουργήθηκε από το πρότυπο.
2. Στις Δράσεις μενού, επιλέξτε Τροποποίηση πολιτικής πρόσβασης.
3. Για Πολιτική πρόσβασης τομέα, επιλέξτε Προσαρμοσμένη πολιτική πρόσβασης.
4. Στο Η πολιτική πρόσβασης θα διαγραφεί αναδυόμενο παράθυρο, επιλέξτε Εκκαθάριση και συνέχεια.
5. Στην επόμενη σελίδα, διαμορφώστε τις ακόλουθες δηλώσεις για να κλειδώσετε την πρόσβαση στον τομέα Amazon OpenSearch Service:
   1. Να επιτρέπεται η διεύθυνση IPv4 - Η διεύθυνση IP σας.
   2. Να επιτρέπεται το IAM ARN - Η αξία του ESDomainAccessPrincipal αντιγράψατε νωρίτερα.
6. Επιλέξτε Υποβολη.

Αυτό δημιουργεί μια πολιτική πρόσβασης που παρέχει πρόσβαση στη λειτουργία AVAIPopulateES και πρόσβαση Kibana από τη διεύθυνση IP σας. Για περισσότερες πληροφορίες σχετικά με τον περιορισμό του εύρους της πολιτικής πρόσβασης, βλ Διαμόρφωση πολιτικών πρόσβασης.

7. Περιμένετε να εμφανιστεί η κατάσταση του τομέα ως Active.
8. Στην κονσόλα Amazon EventBridge, κάτω από Εκδηλώσεις, επιλέξτε Κανόνες που. Μπορείτε να δείτε δύο κανόνες που δημιούργησε το πρότυπο CloudFormation.
9. Επιλέξτε το AVAIQueuePollerSchedule κανόνα και ενεργοποιήστε τον κάνοντας κλικ Ενεργοποίηση.

Σε 5–8 λεπτά, τα δεδομένα θα αρχίσουν να ρέουν και δημιουργούνται οντότητες στο σύμπλεγμα υπηρεσιών OpenSearch του Amazon. Τώρα μπορείτε να απεικονίσετε αυτές τις οντότητες στο Kibana. Για να το κάνετε αυτό, χρησιμοποιείτε έναν διακομιστή μεσολάβησης ανοιχτού κώδικα που ονομάζεται aws-es-kibana. Για να εγκαταστήσετε τον διακομιστή μεσολάβησης στον υπολογιστή σας, εισαγάγετε τον ακόλουθο κωδικό:

aws-es-kibana your_OpenSearch_domain_endpoint

Μπορείτε να βρείτε το τελικό σημείο του τομέα στο Έξοδοι στην καρτέλα της στοίβας CloudFormation κάτω ESDomainEndPoint. Θα πρέπει να δείτε την ακόλουθη έξοδο:

Δημιουργήστε οπτικοποιήσεις και αναλύστε περιεχόμενο με ετικέτα

Ανατρέξτε στο πρωτότυπο ανάρτηση.

εκκαθάριση

Για να αποφύγετε μελλοντικές χρεώσεις, διαγράψτε τους πόρους όταν δεν χρησιμοποιούνται. Μπορείτε εύκολα να διαγράψετε όλους τους πόρους διαγράφοντας τη συσχετισμένη στοίβα CloudFormation. Σημειώστε ότι πρέπει να αδειάσετε τους δημιουργημένους κάδους S3 περιεχομένου προκειμένου να είναι επιτυχής η διαγραφή της στοίβας.

Συμπέρασμα

Σε αυτήν την ανάρτηση, δείξαμε πώς μπορείτε να χρησιμοποιήσετε τις υπηρεσίες AI της Amazon σε συνδυασμό με το Amazon AppFlow για να επεκτείνετε τη λειτουργικότητα του Veeva Vault PromoMats και να εξάγετε πολύτιμες πληροφορίες γρήγορα και εύκολα. Ο ενσωματωμένος μηχανισμός επαναφοράς βρόχου σάς επιτρέπει να ενημερώσετε ξανά τις ετικέτες στο Veeva Vault και να ενεργοποιήσετε την αυτόματη προσθήκη ετικετών στα στοιχεία σας. Αυτό διευκολύνει την ομάδα σας να βρίσκει και να εντοπίζει γρήγορα στοιχεία.

Αν και καμία έξοδος ML δεν είναι τέλεια, μπορεί να πλησιάσει πολύ την ανθρώπινη απόδοση και να συμβάλει στην αντιστάθμιση ενός σημαντικού μέρους των προσπαθειών της ομάδας σας. Μπορείτε να χρησιμοποιήσετε αυτήν την πρόσθετη χωρητικότητα για εργασίες προστιθέμενης αξίας, ενώ αφιερώνετε μια μικρή χωρητικότητα για να ελέγξετε την έξοδο της λύσης ML. Αυτή η λύση μπορεί επίσης να συμβάλει στη βελτιστοποίηση του κόστους, στην επίτευξη συνέπειας στην προσθήκη ετικετών και στη γρήγορη ανακάλυψη υφιστάμενων στοιχείων.

Τέλος, μπορείτε να διατηρήσετε την κυριότητα των δεδομένων σας και να επιλέξετε ποιες υπηρεσίες AWS μπορούν να επεξεργαστούν, να αποθηκεύσουν και να φιλοξενήσουν το περιεχόμενο. Η AWS δεν έχει πρόσβαση ούτε χρησιμοποιεί το περιεχόμενό σας για οποιονδήποτε σκοπό χωρίς τη συγκατάθεσή σας και δεν χρησιμοποιεί ποτέ δεδομένα πελατών για να αντλήσει πληροφορίες για μάρκετινγκ ή διαφήμιση. Για περισσότερες πληροφορίες, δείτε Συχνές ερωτήσεις για το απόρρητο δεδομένων.

Μπορείτε επίσης να επεκτείνετε περαιτέρω τη λειτουργικότητα αυτής της λύσης με πρόσθετες βελτιώσεις. Για παράδειγμα, εκτός από τις υπηρεσίες AI και ML σε αυτήν την ανάρτηση, μπορείτε εύκολα να προσθέσετε οποιοδήποτε από τα προσαρμοσμένα μοντέλα ML που έχουν κατασκευαστεί χρησιμοποιώντας Amazon Sage Maker στην αρχιτεκτονική.

Εάν ενδιαφέρεστε να εξερευνήσετε πρόσθετες περιπτώσεις χρήσης για το Veeva και το AWS, επικοινωνήστε με την ομάδα του λογαριασμού σας AWS.

Η Veeva Systems έχει ελέγξει και εγκρίνει αυτό το περιεχόμενο. Για επιπλέον ερωτήσεις σχετικά με το Veeva Vault, επικοινωνήστε Υποστήριξη Veeva.

---

Σχετικά με τους συγγραφείς

Mayank Thakkar είναι επικεφαλής του τμήματος AI/ML Business Development, Global Healthcare and Life Sciences στο AWS. Έχει περισσότερα από 18 χρόνια εμπειρίας σε διάφορους κλάδους όπως η υγειονομική περίθαλψη, οι βιοεπιστήμες, οι ασφάλειες και το λιανικό εμπόριο, ειδικευμένος στην κατασκευή λύσεων χωρίς διακομιστές, τεχνητής νοημοσύνης και μηχανικής μάθησης για την επίλυση προβλημάτων της βιομηχανίας του πραγματικού κόσμου. Στην AWS, συνεργάζεται στενά με μεγάλες φαρμακευτικές εταιρείες σε όλο τον κόσμο για να δημιουργήσει λύσεις αιχμής και να τις βοηθήσει στο ταξίδι τους στο cloud. Εκτός από τη δουλειά, ο Μάγιανκ, μαζί με τη σύζυγό του, ασχολούνται με την ανατροφή δύο ενεργητικών και άτακτων αγοριών, του Aaryan (6) και του Kiaan (4), ενώ προσπαθούν να μην καούν το σπίτι ή πλημμυρίσουν!

Αναμαρία Τόντορ είναι Senior Solutions Architect με έδρα την Κοπεγχάγη της Δανίας. Είδε τον πρώτο της υπολογιστή όταν ήταν 4 ετών και από τότε δεν άφησε ποτέ την επιστήμη και τη μηχανική των υπολογιστών να φύγουν. Έχει εργαστεί σε διάφορους τεχνικούς ρόλους από full-stack προγραμματιστή, μέχρι μηχανικό δεδομένων, τεχνική επικεφαλής και CTO σε διάφορες δανικές εταιρείες. Η Anamaria έχει πτυχίο στην Εφαρμοσμένη Μηχανική και Επιστήμη Υπολογιστών, μεταπτυχιακό στην Επιστήμη Υπολογιστών και πάνω από 10 χρόνια πρακτικής εμπειρίας στο AWS. Στην AWS, συνεργάζεται στενά με εταιρείες υγειονομικής περίθαλψης και βιοεπιστημών στον επιχειρηματικό τομέα. Όταν δεν εργάζεται ή δεν παίζει βιντεοπαιχνίδια, καθοδηγεί κορίτσια και γυναίκες επαγγελματίες να κατανοήσουν και να βρουν το δρόμο τους μέσα από την τεχνολογία.