در قبلی پست، ما در مورد تجزیه و تحلیل و برچسب گذاری دارایی های ذخیره شده در Veeva Vault PromoMats با استفاده از خدمات هوش مصنوعی آمازون و API های پلتفرم Veeva Vault صحبت کردیم. در این پست نحوه استفاده را بررسی می کنیم آمازون AppFlow، یک سرویس یکپارچه سازی کاملاً مدیریت شده که به شما امکان می دهد داده ها را از نرم افزار به عنوان سرویس (SaaS) مانند Veeva Vault به AWS به طور ایمن انتقال دهید. در کانکتور Amazon AppFlow Veeva به شما این امکان را می دهد که محیط AWS خود را به اکوسیستم Veeva سریع، قابل اعتماد و مقرون به صرفه متصل کنید تا محتوای غنی ذخیره شده در Veeva Vault را در مقیاس تجزیه و تحلیل کنید.
کانکتور Amazon AppFlow Veeva اولین رابط AppFlow آمازون است که از انتقال خودکار پشتیبانی می کند اسناد ویوا. این به شما امکان می دهد بین آخرین نسخه ( حالت پایدار نسخه در شرایط Veeva) و تمام نسخه های اسناد. علاوه بر این، می توانید ابرداده سند را وارد کنید.
با چند کلیک، می توانید به راحتی یک اتصال مدیریت شده را راه اندازی کنید و اسناد و ابرداده Veeva Vault را برای وارد کردن انتخاب کنید. میتوانید با نگاشت فیلدهای منبع به فیلدهای مقصد، رفتار واردات را بیشتر تنظیم کنید. همچنین می توانید فیلترهایی را بر اساس نوع سند و نوع فرعی، طبقه بندی، محصولات، کشور، سایت و موارد دیگر اضافه کنید. در نهایت، میتوانید اعتبارسنجی اضافه کنید و محرکهای جریان بر اساس تقاضا و زمانبندیشده را مدیریت کنید.
میتوانید از کانکتور Amazon AppFlow Veeva برای موارد استفاده مختلف، از Veeva Vault PromoMats گرفته تا سایر راهحلهای Veeva Vault مانند QualityDocs، eTMF یا مدیریت اطلاعات نظارتی (RIM) استفاده کنید. موارد زیر برخی از موارد استفاده است که می توانید از کانکتور استفاده کنید:
- هماهنگ سازی داده ها - میتوانید از رابط در فرآیند ایجاد سازگاری و هماهنگی بین دادههای یک منبع Veeva Vault و هر سیستم پاییندستی در طول زمان استفاده کنید. به عنوان مثال، می توانید دارایی های بازاریابی Veeva PromoMats را با Salesforce به اشتراک بگذارید. همچنین میتوانید از این رابط برای اشتراکگذاری اسناد Veeva QualityDocs مانند رویههای عملیاتی استاندارد (SOP) یا مشخصات به وبسایتهای ذخیرهشده در حافظه پنهان که از تبلتهای موجود در طبقه تولید قابل جستجو هستند، استفاده کنید.
- تشخیص ناهنجاری - می توانید اسناد Veeva PromoMats را به اشتراک بگذارید آمازون مواظب معیارها برای تشخیص ناهنجاری همچنین میتوانید از رابط با Vault RIM در آثار هنری، برچسبهای تجاری، قالبها یا جزوههای بیمار قبل از وارد کردن آنها برای چاپ در راهحلهای برچسبگذاری سازمانی مانند Loftware استفاده کنید.
- هیدراتاسیون دریاچه داده - اتصال دهنده می تواند ابزار موثری برای تکثیر داده های ساختاریافته یا بدون ساختار در دریاچه های داده باشد تا از ایجاد و هیدراتاسیون دریاچه های داده پشتیبانی کند. برای مثال، میتوانید از رابط برای استخراج اطلاعات مطالعه استاندارد از پروتکلهای ذخیرهشده در Vault RIM استفاده کنید و آنها را در پاییندست در اختیار تیمهای بینش تحلیلی پزشکی قرار دهید.
- ترجمه - رابط می تواند در ارسال آثار هنری، اسناد بالینی، مواد بازاریابی، یا پروتکل های مطالعه برای ترجمه به زبان های بومی به بخش هایی مانند بسته بندی، آزمایش های بالینی، یا ارسال های قانونی مفید باشد.
این پست بر نحوه استفاده شما تمرکز دارد خدمات هوش مصنوعی آمازون در ترکیب با Amazon AppFlow برای تجزیه و تحلیل محتوای ذخیره شده در Veeva Vault PromoMats، استخراج خودکار اطلاعات برچسب ها، و در نهایت بازگرداندن این اطلاعات به سیستم Veeva Vault. این پست در مورد معماری کلی، مراحل استقرار یک راه حل و داشبورد، و یک مورد استفاده از برچسب گذاری ابرداده دارایی بحث می کند. برای کسب اطلاعات بیشتر در مورد اثبات مفهوم پایه کد مفهومی برای این مورد، به بخش مراجعه کنید مخزن GitHub.
بررسی اجمالی راه حل
نمودار زیر معماری راه حل به روز شده را نشان می دهد.
قبلا، برای وارد کردن دارایی ها از Veeva Vault، باید منطق کد سفارشی خود را با استفاده از API های Veeva Vault برای نظرسنجی برای تغییرات و وارد کردن داده ها به سرویس ذخیره سازی ساده آمازون (Amazon S3). این میتواند یک فرآیند دستی و زمانبر باشد که در آن باید محدودیتهای API، شکستها و تلاشهای مجدد و همچنین مقیاسپذیری برای گنجاندن تعداد نامحدودی از داراییها را در نظر بگیرید. راه حل به روز شده از Amazon AppFlow استفاده می کند تا پیچیدگی حفظ خط لوله واردات داده Veeva سفارشی به Amazon S3 را از بین ببرد.
همانطور که در مقدمه ذکر شد، Amazon AppFlow یک ابزار سلف سرویس با کاربری آسان و بدون کد است که از تنظیمات نقطه و کلیک برای جابجایی آسان و ایمن داده ها بین برنامه های مختلف SaaS و سرویس های AWS استفاده می کند. AppFlow به شما امکان می دهد داده ها (اشیاء و اسناد) را از منابع پشتیبانی شده بیرون بکشید و آن داده ها را در مقاصد مختلف پشتیبانی شده بنویسید. منبع یا مقصد می تواند یک برنامه SaaS یا یک سرویس AWS مانند Amazon S3 باشد. آمازون Redshift، یا مواظب معیارها. علاوه بر رابط بدون کد، Amazon AppFlow از پیکربندی از طریق API، AWS CLI و AWS CloudFormation رابط ها
یک جریان در آمازون AppFlow نحوه جابجایی دادهها را شرح میدهد، از جمله جزئیات منبع، جزئیات مقصد، شرایط راهاندازی جریان (در صورت تقاضا، در صورت رویداد، یا برنامهریزیشده)، و وظایف پردازش دادهها مانند چکپوینت، اعتبارسنجی میدانی، یا پوشش. هنگامی که راه اندازی می شود، Amazon AppFlow جریانی را اجرا می کند که داده های منبع را (به طور کلی از طریق API های عمومی برنامه منبع) واکشی می کند، وظایف پردازش داده را اجرا می کند و داده های پردازش شده را به مقصد منتقل می کند.
در این مثال، شما یک جریان از پیش پیکربندی شده را با استفاده از یک الگوی CloudFormation اجرا می کنید. تصویر زیر تنظیمات از پیش تنظیم شده را نشان می دهد veeva-aws-connector
جریانی که به طور خودکار توسط الگوی راه حل در کنسول AppFlow آمازون ایجاد می شود.
این جریان از Veeva به عنوان منبع استفاده می کند و برای وارد کردن اشیاء جزء Veeva Vault پیکربندی شده است. هم فراداده و هم فایل منبع برای ردیابی داراییهایی که پردازش شدهاند و بازگرداندن برچسبها روی دارایی متناظر صحیح در سیستم منبع ضروری هستند. در این شرایط، فقط آخرین نسخه در حال وارد شدن است و بازخوانی ها گنجانده نشده است.
مقصد جریان نیز باید پیکربندی شود. در تصویر زیر، یک فرمت فایل و ساختار پوشه برای سطل S3 که به عنوان بخشی از قالب CloudFormation ایجاد شده است، تعریف می کنیم.
در نهایت، جریان بر اساس تقاضا برای اهداف تظاهرات آغاز می شود. این را می توان به گونه ای تغییر داد که جریان بر اساس یک برنامه زمان بندی، با حداکثر دانه بندی 1 دقیقه اجرا شود. هنگامی که در یک برنامه زمانی فعال می شود، حالت انتقال به طور خودکار از انتقال کامل به حالت انتقال افزایشی تغییر می کند. شما یک فیلد مهر زمانی منبع را برای ردیابی تغییرات مشخص می کنید. برای مورد استفاده از برچسبگذاری، متوجه شدهایم که آخرین تاریخ اصلاح تنظیم مناسب ترین است.
Amazon AppFlow سپس با آن یکپارچه می شود پل رویداد آمازون برای انتشار رویدادها هر زمان که یک جریان کامل شد.
برای انعطاف پذیری بهتر، AVAIAppFlowListener
AWS لامبدا تابع به EventBridge متصل است. هنگامی که یک رویداد AppFlow آمازون راهاندازی میشود، تأیید میکند که اجرای جریان خاص با موفقیت به پایان رسیده است، اطلاعات فراداده همه داراییهای وارد شده از آن اجرای جریان خاص را میخواند و ابردادههای سند جداگانه را به یک فایل ارسال میکند. سرویس صف ساده آمازون صف (Amazon SQS). استفاده از آمازون SQS یک اتصال آزاد بین بخش های سازنده و پردازنده معماری ایجاد می کند و همچنین به شما امکان می دهد بدون توقف به روز رسانی های دریافتی، تغییرات را در بخش پردازنده اعمال کنید.
تابع دوم قطب نما (AVAIQueuePoller
) صف SQS را در فواصل زمانی مکرر (هر دقیقه) می خواند و دارایی های ورودی را پردازش می کند. برای زمان واکنش حتی بهتر از تابع Lambda، میتوانید قانون CloudWatch را با پیکربندی Amazon SQS بهعنوان یک ماشه برای عملکرد جایگزین کنید.
بسته به نوع پیام دریافتی، راه حل از خدمات مختلف هوش مصنوعی AWS برای استخراج بینش از داده های شما استفاده می کند. برخی از نمونه ها عبارتند از:
- فایل های متنی - تابع از DetectEntities عملیات مربوط به آمازون Comprehend Medical، یک سرویس پردازش زبان طبیعی (NLP) که استفاده از ML را برای استخراج اطلاعات پزشکی مرتبط از متن بدون ساختار آسان می کند. این عملیات موجودیت ها را در دسته هایی مانند شناسایی می کند
Anatomy
,Medical_Condition
,Medication
,Protected_Health_Information
وTest_Treatment_Procedure
. خروجی به دست آمده برای فیلتر می شودProtected_Health_Information
و اطلاعات باقیمانده به همراه نمرات اطمینان، مسطح شده و در یک درج می شود آمازون DynamoDB جدول. این اطلاعات در خوشه OpenSearch Kibana رسم شده است. در برنامه های دنیای واقعی، می توانید از آمازون Comprehend Medical نیز استفاده کنید ICD-10-CM یا RxNorm قابلیت پیوند اطلاعات شناسایی شده به هستی شناسی های پزشکی تا برنامه های کاربردی مراقبت های بهداشتی پایین دستی بتوانند از آن برای تجزیه و تحلیل بیشتر استفاده کنند. - تصاویر - تابع از DetectLabels روش شناسایی آمازون برای شناسایی برچسب ها در تصویر دریافتی. این برچسب ها می توانند به عنوان برچسب برای شناسایی اطلاعات غنی مدفون شده در تصاویر شما، مانند اطلاعات مربوط به آثار هنری تجاری و برچسب های بالینی، عمل کنند. اگر برچسب ها دوست دارند
Human
orPerson
با امتیاز اطمینان بیش از 80% شناسایی می شوند، کد از آن استفاده می کند ردیابی روشی برای جستجوی ویژگی های کلیدی صورت مانند چشم، بینی و دهان برای تشخیص چهره در تصویر ورودی. آمازون Rekognition همه این اطلاعات را با یک امتیاز اطمینان مرتبط ارائه می دهد که صاف شده و در جدول DynamoDB ذخیره می شود. - ضبط صدا - برای دارایی های صوتی، کد از starttranscriptionjob روش ناهمزمان از آمازون رونوشت برای رونویسی صدای ورودی به متن، ارسال در یک شناسه منحصر به فرد به عنوان
TranscriptionJobName
. کد، زبان صوتی را انگلیسی (آمریکا) فرض میکند، اما میتوانید آن را طوری تغییر دهید که به اطلاعاتی که از Veeva Vault میآید متصل شود. کد را فرا می خواند GetTranscriptionJob متد، از همان شناسه منحصر به فرد عبور می کندTranscriptionJobName
در یک حلقه، تا زمانی که کار کامل شود. Amazon Transcript فایل خروجی را در یک سطل S3 تحویل می دهد که توسط کد خوانده می شود و حذف می شود. کد، گردش کار پردازش متن را فراخوانی می کند (همانطور که قبلاً بحث شد) تا موجودیت ها را از صدای رونویسی شده استخراج کند. - اسناد اسکن شده (PDF) - درصد زیادی از داراییهای علوم زیستی در فایلهای PDF نشان داده میشوند - اینها میتوانند هر چیزی از مجلات علمی و مقالات تحقیقاتی گرفته تا برچسبهای دارویی باشند. متن آمازون سرویسی است که به طور خودکار متن و داده ها را از اسناد اسکن شده استخراج می کند. کد از StartDocumentText Detection روشی برای شروع یک کار ناهمزمان برای تشخیص متن در سند. کد از
JobId
در پاسخ به تماس بازگشت GetDocumentTextDetection در یک حلقه، تا زمانی که کار کامل شود. ساختار JSON خروجی شامل خطوط و کلمات متن شناسایی شده، همراه با امتیازات اطمینان برای هر عنصری است که شناسایی می کند، بنابراین می توانید تصمیمات آگاهانه ای در مورد نحوه استفاده از نتایج بگیرید. کد ساختار JSON را پردازش می کند تا تار متن را دوباره ایجاد کند و گردش کار پردازش متن را برای استخراج موجودیت ها از متن فراخوانی می کند.
یک جدول DynamoDB تمام داده های پردازش شده را ذخیره می کند. راه حل استفاده می کند DynamoDB Streams و Lambda triggers (AVAIPopulateES
) برای پر کردن داده ها در یک خوشه OpenSearch Kibana. تابع AVAIPopulateES برای هر عملیات بهروزرسانی، درج و حذفی که در جدول DynamoDB اتفاق میافتد اجرا میشود و یک رکورد مربوطه را در فهرست OpenSearch وارد میکند. می توانید این رکوردها را با استفاده از کیبانا تجسم کنید.
برای بستن حلقه بازخورد، AVAICustomFieldPopulator
تابع Lambda ایجاد شده است. توسط رویدادهایی در جریان DynamoDB جدول DynamoDB ابرداده ایجاد می شود. برای هر DocumentID
در رکوردهای DynamoDB، این تابع با استفاده از API Veeva سعی می کند اطلاعات برچسب را در یک ویژگی فیلد سفارشی از پیش تعریف شده دارایی با شناسه مربوطه در Veeva اضافه کند. برای جلوگیری از وارد کردن نویز در فیلد سفارشی، تابع Lambda هر برچسبی را که با امتیاز اطمینان کمتر از 0.9 شناسایی شده اند، فیلتر می کند. درخواستهای ناموفق برای بازرسی دستی یا تلاش مجدد خودکار به یک صف ناموفق (DLQ) ارسال میشوند.
این راه حل یک رویکرد بدون سرور و پرداخت در صورت تمایل برای پردازش، برچسب گذاری و فعال کردن جستجوهای جامع در دارایی های دیجیتال شما ارائه می دهد. علاوه بر این، هر مؤلفه مدیریت شده با استقرار خودکار در چندین منطقه در دسترس بودن، در دسترس بودن بالایی دارد. برای سرویس جستجوی باز آمازون (جانشین Amazon Elasticsearch Service)، می توانید انتخاب کنید گزینه سه AZ برای ارائه دسترسی بهتر برای دامنه های خود.
پیش نیازها
برای این راهنما، شما باید پیش نیازهای زیر را داشته باشید:
- An حساب AWS با مناسب هویت AWS و مدیریت دسترسی (IAM) مجوز راه اندازی قالب CloudFormation
- اعتبار دسترسی مناسب برای دامنه Veeva Vault PromoMats (URL دامنه، نام کاربری و رمز عبور)
- یک برچسب محتوای سفارشی تعریف شده در Veeva برای دارایی های دیجیتالی که می خواهید برچسب گذاری شوند (به عنوان مثال، ما
AutoTags
برچسب محتوای سفارشی) - دارایی های دیجیتال موجود در PromoMats Vault که با اعتبارنامه های قبلی قابل دسترسی است
راه حل خود را به کار بگیرید
شما از یک پشته CloudFormation برای استقرار راه حل استفاده می کنید. پشته تمام منابع لازم را ایجاد می کند، از جمله:
- یک سطل S3 برای ذخیره دارایی های ورودی.
- یک جریان AppFlow آمازون برای وارد کردن خودکار دارایی ها به سطل S3.
- یک قانون EventBridge و تابع Lambda برای واکنش به رویدادهای ایجاد شده توسط Amazon AppFlow (
AVAIAppFlowListener
). - یک صف SQS FIFO برای عمل به عنوان یک جفت آزاد بین تابع شنونده (
AVAIAppFlowListener
) و تابع پولر (AVAIQueuePoller
). - یک جدول DynamoDB برای ذخیره خروجی خدمات هوش مصنوعی آمازون.
- یک خوشه Amazon OpenSearch Kibana (ELK) برای تجسم تگ های تحلیل شده.
- یک تابع Lambda برای بازگرداندن برچسب های شناسایی شده به Veeva (
AVAICustomFieldPopulator
، با DLQ مربوطه. - توابع مورد نیاز لامبدا:
- AVAIAppFlowListener - توسط رویدادهایی که توسط Amazon AppFlow به EventBridge هدایت می شوند، ایجاد می شود. برای اعتبارسنجی اجرای جریان و ارسال پیام به صف SQS استفاده می شود.
- AVAIQueuePoller - هر 1 دقیقه فعال می شود. برای نظرسنجی صف SQS، پردازش دارایی ها با استفاده از خدمات هوش مصنوعی آمازون و پر کردن جدول DynamoDB استفاده می شود.
- AVAIPopulateES - هنگامی که یک به روز رسانی، درج یا حذف در جدول DynamoDB وجود دارد فعال می شود. برای ثبت تغییرات از DynamoDB و پر کردن کلاستر ELK استفاده می شود.
- AVAICustomFieldPopulator - هنگامی که یک به روز رسانی، درج یا حذف در جدول DynamoDB وجود دارد فعال می شود. برای بازخورد اطلاعات برچسب به Veeva استفاده می شود.
- La رویدادهای آمازون CloudWatch قوانینی که باعث ایجاد
AVAIQueuePoller
عملکرد. این محرک ها درDISABLED
حالت به طور پیش فرض - نقشها و خطمشیهای مورد نیاز IAM برای تعامل با EventBridge و سرویسهای هوش مصنوعی به صورت محدود.
برای شروع مراحل زیر را انجام دهید:
- ورود به سیستم کنسول مدیریت AWS با حسابی که دارای مجوزهای پیش نیاز IAM است.
- را انتخاب کنید Stack را راه اندازی کنید و آن را در یک تب جدید باز کنید:
- بر پشته ایجاد کنید صفحه ، انتخاب کنید بعدی.
- بر جزئیات پشته را مشخص کنید صفحه، یک نام برای پشته وارد کنید.
- مقادیر پارامترها را وارد کنید.
- را انتخاب کنید بعدی.
- بر پیکربندی گزینه های پشته صفحه، همه چیز را به عنوان پیش فرض بگذارید و انتخاب کنید بعدی.
- بر مرور صفحه، در قابلیت ها و دگرگونی ها بخش، سه چک باکس را انتخاب کنید.
- را انتخاب کنید پشته ایجاد کنید.
- صبر کنید تا پشته کامل شود. میتوانید رویدادهای مختلف را از فرآیند ایجاد پشته در آن بررسی کنید رویدادها تب.
- پس از تکمیل ساخت پشته، می توانید به آن نگاه کنید منابع برای مشاهده تمام منابعی که الگوی CloudFormation ایجاد کرده است، را انتخاب کنید.
- بر خروجی تب، مقدار را کپی کنید
ESDomainAccessPrincipal
.
این ARN نقش IAM است که AVAIPopulateES
تابع فرض می کند. بعداً از آن برای پیکربندی دسترسی به دامنه سرویس جستجوی باز آمازون استفاده میکنید.
سرویس جستجوی باز آمازون و کیبانا را راه اندازی کنید
این بخش به شما کمک می کند تا خوشه خدمات جستجوی باز آمازون خود را ایمن کنید و یک پروکسی محلی برای دسترسی ایمن به Kibana نصب کنید.
- در کنسول آمازون OpenSearch Service، دامنه ای را که توسط الگو ایجاد شده است انتخاب کنید.
- بر اعمال منو ، انتخاب کنید سیاست دسترسی را اصلاح کنید.
- برای خط مشی دسترسی به دامنه، انتخاب کنید خط مشی دسترسی سفارشی.
- در خط مشی دسترسی پاک خواهد شد پنجره پاپ آپ را انتخاب کنید پاک کن و ادامه بده.
- در صفحه بعد، عبارات زیر را برای قفل کردن دسترسی به دامنه سرویس جستجوی باز آمازون پیکربندی کنید:
- آدرس IPv4 مجاز است - آدرس IP شما
- IAM ARN را مجاز کنید - ارزش
ESDomainAccessPrincipal
قبلا کپی کردی
- را انتخاب کنید ارسال.
این یک خط مشی دسترسی ایجاد می کند که به تابع AVAIPopulateES و دسترسی Kibana از آدرس IP شما اجازه دسترسی می دهد. برای اطلاعات بیشتر در مورد محدود کردن خط مشی دسترسی خود، رجوع کنید به پیکربندی سیاست های دسترسی.
- منتظر بمانید تا وضعیت دامنه به صورت نمایش داده شود
Active
. - در کنسول EventBridge آمازون، در زیر رویدادها، انتخاب کنید قوانین. می توانید دو قانون را که قالب CloudFormation ایجاد کرده است مشاهده کنید.
- را انتخاب کنید
AVAIQueuePollerSchedule
قانون کنید و با کلیک کردن آن را فعال کنید فعال.
در عرض 5 تا 8 دقیقه، داده ها باید شروع به جریان کنند و موجودیت ها در خوشه خدمات جستجوی باز آمازون ایجاد می شوند. اکنون می توانید این موجودات را در کیبانا تجسم کنید. برای این کار از یک پروکسی منبع باز به نام استفاده می کنید اوس کیبانا. برای نصب پروکسی روی کامپیوتر خود کد زیر را وارد کنید:
aws-es-kibana your_OpenSearch_domain_endpoint
می توانید نقطه پایانی دامنه را در آن پیدا کنید خروجی برگه پشته CloudFormation در زیر ESDomainEndPoint
. شما باید خروجی زیر را ببینید:
تجسم ایجاد کنید و محتوای برچسب گذاری شده را تجزیه و تحلیل کنید
لطفا به اصل مراجعه کنید پست وبلاگ.
پاک کردن
برای جلوگیری از تحمیل هزینه در آینده، منابع را در صورت عدم استفاده حذف کنید. با حذف پشته CloudFormation مرتبط، می توانید به راحتی همه منابع را حذف کنید. توجه داشته باشید که برای موفقیت آمیز بودن حذف پشته، باید سطل های S3 ایجاد شده را خالی کنید.
نتیجه
در این پست نشان دادیم که چگونه می توانید از خدمات هوش مصنوعی آمازون در ترکیب با Amazon AppFlow برای گسترش عملکرد Veeva Vault PromoMats و استخراج سریع و آسان اطلاعات ارزشمند استفاده کنید. مکانیسم داخلی Loop Back به شما امکان میدهد تگها را دوباره به Veeva Vault بهروزرسانی کنید و برچسبگذاری خودکار داراییهای خود را فعال کنید. این کار تیم شما را برای یافتن و مکان یابی سریع دارایی ها آسان تر می کند.
اگرچه هیچ خروجی ML کامل نیست، اما می تواند بسیار به عملکرد انسان نزدیک شود و به جبران بخش قابل توجهی از تلاش های تیم شما کمک کند. شما می توانید از این ظرفیت اضافی برای کارهای با ارزش افزوده استفاده کنید، در حالی که ظرفیت کمی را برای بررسی خروجی راه حل ML اختصاص دهید. این راه حل همچنین می تواند به بهینه سازی هزینه ها، دستیابی به ثبات برچسب گذاری و امکان کشف سریع دارایی های موجود کمک کند.
در نهایت، میتوانید مالکیت دادههای خود را حفظ کنید و انتخاب کنید کدام سرویسهای AWS میتوانند محتوا را پردازش، ذخیره و میزبانی کنند. AWS بدون رضایت شما به محتوای شما برای هیچ هدفی دسترسی نمییابد یا از آن استفاده نمیکند و هرگز از دادههای مشتری برای استخراج اطلاعات برای بازاریابی یا تبلیغات استفاده نمیکند. برای اطلاعات بیشتر ببین سوالات متداول حریم خصوصی داده ها.
همچنین می توانید عملکرد این راه حل را با پیشرفت های اضافی بیشتر گسترش دهید. به عنوان مثال، علاوه بر خدمات هوش مصنوعی و ML در این پست، می توانید به راحتی هر یک از مدل های ML سفارشی خود را که با استفاده از آن ساخته شده اند اضافه کنید. آمازون SageMaker به معماری
اگر علاقه مند به بررسی موارد استفاده اضافی برای Veeva و AWS هستید، لطفاً با تیم حساب AWS خود تماس بگیرید.
Veeva Systems این محتوا را بررسی و تایید کرده است. برای سؤالات اضافی مربوط به Veeva Vault، لطفاً تماس بگیرید پشتیبانی از ویوا.
درباره نویسندگان
مایانک تاکار رئیس توسعه تجارت AI/ML، بهداشت جهانی و علوم زندگی در AWS است. او بیش از 18 سال تجربه در صنایع مختلف مانند مراقبت های بهداشتی، علوم زندگی، بیمه و خرده فروشی، متخصص در ساخت راه حل های بدون سرور، هوش مصنوعی و مبتنی بر یادگیری ماشین برای حل مشکلات صنعت دنیای واقعی دارد. او در AWS با شرکتهای بزرگ داروسازی در سراسر جهان همکاری نزدیکی دارد تا راهحلهای پیشرفته بسازد و به آنها در سفر ابری کمک کند. مایانک جدای از کار، به همراه همسرش مشغول تربیت دو پسر پرانرژی و شیطون به نامهای آریان (6) و کیان (4) هستند، در حالی که سعی میکنند خانه را از آتش گرفتن یا آبگرفتگی دور نگه دارند!
آناماریا تودور یک معمار ارشد راه حل مستقر در کپنهاگ، دانمارک است. او اولین کامپیوتر خود را در 4 سالگی دید و از آن زمان هرگز علم و مهندسی کامپیوتر را رها نکرد. او در نقشهای فنی مختلف از توسعهدهنده فول استک گرفته تا مهندس داده، مدیر فنی و مدیر ارشد فناوری در شرکتهای مختلف دانمارکی کار کرده است. Anamaria دارای مدرک لیسانس در مهندسی کاربردی و علوم کامپیوتر، مدرک کارشناسی ارشد در علوم کامپیوتر، و بیش از 10 سال تجربه عملی AWS است. در AWS، او از نزدیک با شرکت های مراقبت های بهداشتی و علوم زیستی در بخش سازمانی کار می کند. زمانی که او کار نمی کند یا بازی های ویدیویی انجام نمی دهد، دختران و زنان حرفه ای را در درک و یافتن مسیر خود از طریق فناوری آموزش می دهد.