Utilisez l’intégration d’Amazon SageMaker et Salesforce Data Cloud pour alimenter vos applications Salesforce avec l’IA/ML.

Utilisez Amazon SageMaker et Salesforce Data Cloud pour intégrer l'IA/ML dans vos applications Salesforce.

Cet article est rédigé en collaboration avec Daryl Martis, Directeur de Produit, Salesforce Einstein AI.

Ceci est le deuxième article d’une série traitant de l’intégration de Salesforce Data Cloud et d’Amazon SageMaker. Dans la première partie, nous avons montré comment l’intégration de Salesforce Data Cloud et d’Einstein Studio avec SageMaker permet aux entreprises d’accéder en toute sécurité à leurs données Salesforce en utilisant SageMaker et d’utiliser ses outils pour construire, entraîner et déployer des modèles sur des points de terminaison hébergés sur SageMaker. Les points de terminaison sont ensuite enregistrés dans Salesforce Data Cloud pour activer les prédictions dans Salesforce.

Dans cet article, nous approfondissons ce sujet pour démontrer comment utiliser Einstein Studio pour les recommandations de produits. Vous pouvez utiliser cette intégration pour des modèles traditionnels ainsi que pour de grands modèles de langage (LLMs).

Aperçu de la solution

Dans cet article, nous démontrons comment créer un modèle prédictif dans SageMaker pour recommander le meilleur produit suivant à vos clients en utilisant des données historiques telles que la démographie des clients, les engagements marketing et l’historique des achats de Salesforce Data Cloud.

• Évolution d’OpenAI une course vers GPT5
• Auto-attention dans les Transformers
• JupyterAI IA générative + JupyterLab

Nous utilisons l’ensemble de données d’exemple suivant. Pour utiliser cet ensemble de données dans votre Data Cloud, consultez la création de flux de données Amazon S3 dans le Data Cloud.

Les attributs suivants sont nécessaires pour créer le modèle:

• Membre du club – Si le client est membre du club
• Campagne – La campagne à laquelle le client participe
• État – L’état ou la province dans laquelle le client réside
• Mois – Le mois d’achat
• Nombre de cas – Le nombre de cas soulevés par le client
• Type de cas retour – Si le client a retourné un produit au cours de la dernière année
• Type de cas dommage à l’expédition – Si le client a subi des dommages d’expédition au cours de la dernière année
• Score d’engagement – Le niveau d’engagement du client (réponse aux campagnes de publipostage, connexions au magasin en ligne, etc.)
• Ancienneté – L’ancienneté de la relation client avec l’entreprise
• Clics – Le nombre moyen de clics effectués par le client dans la semaine précédant l’achat
• Pages visitées – Le nombre moyen de pages visitées par le client dans la semaine précédant l’achat
• Produit acheté – Le produit réel acheté
• Id – L’ID de l’enregistrement
• DateTime – L’horodatage de l’ensemble de données

Le modèle de recommandation de produits est construit et déployé sur SageMaker et est entraîné à l’aide des données de Salesforce Data Cloud. Les étapes suivantes donnent un aperçu de l’utilisation des nouvelles fonctionnalités lancées dans SageMaker pour Salesforce afin de permettre l’intégration globale:

1. Configurer le domaine Amazon SageMaker Studio et l’authentification OAuth entre Salesforce et les comptes AWS.
2. Utiliser la nouvelle fonctionnalité récemment lancée du connecteur Amazon SageMaker Data Wrangler pour Salesforce Data Cloud afin de préparer les données dans SageMaker sans copier les données de Salesforce Data Cloud.
3. Entraîner un modèle de recommandation dans SageMaker Studio en utilisant des données d’entraînement préparées à l’aide de SageMaker Data Wrangler.
4. Regrouper le conteneur SageMaker Data Wrangler et le conteneur de modèle de recommandation entraîné dans un pipeline d’inférence afin que la demande d’inférence puisse utiliser les mêmes étapes de préparation des données que celles créées pour prétraiter les données d’entraînement. Les données d’appel d’inférence en temps réel sont d’abord transmises au conteneur SageMaker Data Wrangler dans le pipeline d’inférence, où elles sont prétraitées et transmises au modèle entraîné pour la recommandation de produits. Pour plus d’informations sur ce processus, consultez Nouveau – Prise en charge de l’inférence en temps réel et par lots dans Amazon SageMaker Data Wrangler. Bien que nous utilisions un algorithme spécifique pour entraîner le modèle dans notre exemple, vous pouvez utiliser n’importe quel algorithme que vous jugez approprié pour votre cas d’utilisation.
5. Utiliser le modèle de projet fourni par SageMaker pour l’intégration de Salesforce Data Cloud afin de simplifier la mise en œuvre des étapes précédentes en fournissant les modèles suivants:
   1. Un notebook d’exemple présentant la préparation des données, la construction, la formation et l’enregistrement du modèle.
   2. Le modèle de projet fourni par SageMaker pour l’intégration de Salesforce Data Cloud, qui automatise la création d’un point de terminaison SageMaker hébergeant le modèle de pipeline d’inférence. Lorsqu’une version du modèle dans le registre de modèles Amazon SageMaker est approuvée, le point de terminaison est exposé en tant qu’API avec Amazon API Gateway en utilisant un autorisateur Salesforce JSON Web Token (JWT) personnalisé. API Gateway est requis pour permettre à Salesforce Data Cloud de faire des prédictions contre le point de terminaison SageMaker en utilisant un jeton JWT que Salesforce crée et transmet avec la demande lors de la réalisation de prédictions depuis Salesforce. JWT peut être utilisé dans le cadre des frameworks OpenID Connect (OIDC) et OAuth 2.0 pour restreindre l’accès client à vos API.
6. Après avoir créé l’API, nous vous recommandons d’enregistrer le point de terminaison modèle dans Salesforce Einstein Studio. Pour des instructions, consultez Apportez vos propres modèles d’IA à Salesforce avec Einstein Studio

Le diagramme suivant illustre l’architecture de la solution.

Créer un domaine SageMaker Studio

Tout d’abord, créez un domaine SageMaker Studio. Pour les instructions, consultez le document Onboard to Amazon SageMaker Domain. Vous devez noter l’ID du domaine et le rôle d’exécution qui sera créé et utilisé par votre profil utilisateur. Vous ajouterez des autorisations à ce rôle lors des étapes suivantes.

La capture d’écran suivante montre le domaine que nous avons créé pour cet article.

La capture d’écran suivante montre le profil utilisateur d’exemple pour cet article.

Configurer l’application connectée Salesforce

Ensuite, nous créons une application connectée Salesforce pour permettre le flux OAuth de SageMaker Studio vers Salesforce Data Cloud. Suivez les étapes suivantes :

1. Connectez-vous à Salesforce et accédez à Configuration.
2. Recherchez Gestionnaire d’applications et créez une nouvelle application connectée.
3. Fournissez les saisies suivantes :
   1. Pour Nom de l’application connectée, saisissez un nom.
   2. Pour Nom de l’API, laissez par défaut (il est automatiquement renseigné).
   3. Pour E-mail de contact, saisissez votre adresse e-mail de contact.
   4. Sélectionnez Activer les paramètres OAuth.
   5. Pour URL de rappel, saisissez https://<domain-id>.studio.<region>.sagemaker.aws/jupyter/default/lab et fournissez l’ID de domaine que vous avez capturé lors de la création du domaine SageMaker et la région de votre domaine SageMaker.
4. Sous Portées OAuth sélectionnées, déplacez ce qui suit de Portées OAuth disponibles à Portées OAuth sélectionnées et choisissez Enregistrer :
   1. Gérer les données utilisateur via des API (api)
   2. Effectuer des requêtes à tout moment (refresh_token, offline_access)
   3. Effectuer des requêtes SQL ANSI sur les données Salesforce Data Cloud (Data Cloud_query_api)
   4. Gérer les données de profil de la plateforme client Salesforce (Data Cloud_profile_api)
   5. Accéder au service d’URL d’identité (id, profil, e-mail, adresse, téléphone)
   6. Accéder aux identifiants d’utilisateur uniques (openid)

Pour plus d’informations sur la création d’une application connectée, consultez la documentation Créer une application connectée.

1. Revenez à l’application connectée et accédez à Clé et secret du consommateur.
2. Choisissez Gérer les détails du consommateur.
3. Copiez la clé et le secret.

Vous pouvez être invité à vous connecter à votre organisation Salesforce dans le cadre de l’authentification à deux facteurs.

1. Revenez à la page Gérer les applications connectées.
2. Ouvrez l’application connectée que vous avez créée et choisissez Gérer.
3. Choisissez Modifier les politiques et changez Relaxation IP en Relâcher les restrictions IP, puis enregistrez vos paramètres.

Configurer les autorisations et les règles de cycle de vie de SageMaker

Dans cette section, nous vous guiderons dans les étapes de configuration des autorisations de SageMaker et des règles de gestion du cycle de vie.

Créer un secret dans AWS Secrets Manager

Activez l’intégration OAuth avec Salesforce Data Cloud en stockant les informations d’identification de votre application connectée Salesforce dans AWS Secrets Manager :

1. Sur la console Secrets Manager, choisissez Stocker un nouveau secret.

2. Sélectionnez Autre type de secret.

3. Créez votre secret avec les paires clé-valeur suivantes :

   {
   "identity_provider": "SALESFORCE",
   "authorization_url": "https://login.salesforce.com/services/oauth2/authorize",
   "token_url": "https://login.salesforce.com/services/oauth2/token",
   "client_id": "<YOUR_CONSUMER_KEY>",
   "client_secret": "<YOUR_CONSUMER_SECRET>"
   “issue_url”: “<YOUR_SALESFORCE_ORG_URL>”
   }

   

4. Ajoutez une balise avec la clé sagemaker:partner et la valeur de votre choix.

5. Enregistrez le secret et notez l’ARN du secret.

Configurer une règle de cycle de vie de SageMaker

Le rôle d’exécution du domaine SageMaker Studio aura besoin des autorisations IAM (Identity and Access Management) pour accéder au secret créé lors de l’étape précédente. Pour plus d’informations, consultez la création de rôles et l’attribution de stratégies (console).

1. Sur la console IAM, attachez les stratégies suivantes à leurs rôles respectifs (ces rôles seront utilisés par le projet SageMaker pour le déploiement) :

   1. Ajoutez la stratégie AmazonSageMakerPartnerServiceCatalogProductsCloudFormationServiceRolePolicy au rôle de service AmazonSageMakerServiceCatalogProductsCloudformationRole.
   2. Ajoutez la stratégie AmazonSageMakerPartnerServiceCatalogProductsApiGatewayServiceRolePolicy au rôle de service AmazonSageMakerServiceCatalogProductsApiGatewayRole.
   3. Ajoutez la stratégie AmazonSageMakerPartnerServiceCatalogProductsLambdaServiceRolePolicy au rôle de service AmazonSageMakerServiceCatalogProductsLambdaRole.

2. Sur la console IAM, accédez au rôle d’exécution de domaine SageMaker.

3. Choisissez Ajouter des autorisations et sélectionnez Créer une stratégie intégrée.

4. Saisissez la politique suivante dans l’éditeur de politique JSON :

   {
   "Version": "2012-10-17",
   "Statement": [
   {
   "Effect": "Allow",
   "Action": [
   "secretsmanager:GetSecretValue",
   "secretsmanager:PutSecretValue"
   ],
   "Resource": "arn:aws:secretsmanager:*:*:secret:*",
   "Condition": {
   "ForAnyValue:StringLike": {
   "aws:ResourceTag/sagemaker:partner": "*"
   }
   }
   },
   {
   "Effect": "Allow",
   "Action": [
   "secretsmanager:UpdateSecret"
   ],
   "Resource": "arn:aws:secretsmanager:*:*:secret:AmazonSageMaker-*"
   }
   ]
   }

La configuration du cycle de vie de SageMaker Studio fournit des scripts shell qui s’exécutent lors de la création ou du démarrage d’un notebook. La configuration du cycle de vie sera utilisée pour récupérer le secret et l’importer dans l’environnement d’exécution de SageMaker.

1. Sur la console SageMaker, choisissez Configurations du cycle de vie dans le volet de navigation.

2. Choisissez Créer une configuration.

3. Laissez la sélection par défaut Application du serveur Jupyter et choisissez Suivant.

4. Donnez un nom à la configuration.

5. Entrez le script suivant dans l’éditeur, en fournissant l’ARN pour le secret que vous avez créé précédemment :

   #!/bin/bash
   set -eux
   
   cat > ~/.sfgenie_identity_provider_oauth_config <<EOL
   {
   "secret_arn": "<VOTRE_ARN_DE_SECRETS>"
   }
   EOL

1. Choisissez Envoyer pour enregistrer la configuration du cycle de vie.
2. Choisissez Domaines dans le volet de navigation et ouvrez votre domaine.
3. Sur l’onglet Environnement, choisissez Attacher pour attacher votre configuration du cycle de vie.
4. Choisissez la configuration du cycle de vie que vous avez créée et choisissez Attacher au domaine.
5. Choisissez Définir par défaut.

Si vous êtes un utilisateur déjà existant de SageMaker Studio, pour vous assurer que Salesforce Data Cloud est activé, mettez à jour les noyaux Jupyter et SageMaker Data Wrangler.

Ceci termine la configuration pour permettre l’accès aux données de Salesforce Data Cloud à SageMaker Studio pour construire des modèles d’intelligence artificielle et d’apprentissage automatique (ML).

Créer un projet SageMaker

Pour commencer à utiliser la solution, créez d’abord un projet en utilisant Amazon SageMaker Projects. Suivez les étapes suivantes :

1. Dans SageMaker Studio, sous Déploiements dans le volet de navigation, choisissez Projets.
2. Choisissez Créer un projet.
3. Choisissez le modèle de projet appelé Déploiement de modèle pour Salesforce.
4. Choisissez Sélectionner le modèle de projet.
5. Entrez un nom et une description facultative pour votre projet.
6. Entrez un nom de groupe de modèles.
7. Entrez le nom du secret de Secrets Manager que vous avez créé précédemment.
8. Choisissez Créer un projet.

Le projet peut prendre de 1 à 2 minutes pour s’initialiser.

Vous pouvez voir deux nouveaux référentiels. Le premier est pour les notebooks d’exemple que vous pouvez utiliser tels quels ou personnaliser pour préparer, entraîner, créer et enregistrer des modèles dans le registre de modèles SageMaker. Le deuxième référentiel est pour automatiser le déploiement du modèle, ce qui inclut l’exposition du point de terminaison SageMaker en tant qu’API.

1. Choisissez cloner le référentiel pour les deux notebooks.

Pour cet article, nous utilisons l’exemple de recommandation de produits, que vous pouvez trouver dans le répertoire sagemaker-<NOM-DE-VOTRE-PROJET>-p-<ID-DE-VOTRE-PROJET>-example-nb/product-recommendation que vous venez de cloner. Avant d’exécuter le notebook product-recommendation.ipynb, effectuons une préparation des données pour créer les données d’entraînement à l’aide de SageMaker Data Wrangler.

Préparer les données avec SageMaker Data Wrangler

Effectuez les étapes suivantes :

1. Dans SageMaker Studio, dans le menu Fichier, choisissez Nouveau puis Flux Data Wrangler.

2. Après avoir créé le flux de données, choisissez (clic droit) l’onglet et choisissez Renommer pour renommer le fichier.

3. Choisissez Importer des données.

4. Choisissez Créer une connexion.

5. Choisissez Salesforce Data Cloud.

6. Pour Nom, saisissez salesforce-data-cloud-sagemaker-connection.

7. Pour URL de l’organisation Salesforce, saisissez l’URL de votre organisation Salesforce.

8. Choisissez Enregistrer + Connecter.

9. Dans la vue Explorateur de données, sélectionnez et prévisualisez les tables du Salesforce Data Cloud pour créer et exécuter la requête afin d’extraire l’ensemble de données requis.

10. Votre requête ressemblera à celle ci-dessous et vous pouvez utiliser le nom de table que vous avez utilisé lors du téléchargement des données dans le Salesforce Data Cloud.

    SELECT product_purchased__c, club_member__c, campaign__c, state__c, month__c,
          case_count__c,case_type_return__c, case_type_shipment_damaged__c,
          pages_visited__c,engagement_score__c, tenure__c, clicks__c, id__c
    FROM Training_Dataset_for_Sagemaker__dll

11. Choisissez Créer un ensemble de données.

La création de l’ensemble de données peut prendre un certain temps.

Dans la vue du flux de données, vous pouvez maintenant voir un nouveau nœud ajouté au graphique visuel.

Pour plus d’informations sur la façon d’utiliser SageMaker Data Wrangler pour créer des rapports sur la qualité et les informations des données, consultez Obtenir des informations sur les données et la qualité des données.

SageMaker Data Wrangler propose plus de 300 transformations intégrées. À cette étape, nous utilisons certaines de ces transformations pour préparer l’ensemble de données pour un modèle ML. Pour des instructions détaillées sur la façon de mettre en œuvre ces transformations, consultez Transformer les données.

1. Utilisez l’étape Gérer les colonnes avec la transformation Supprimer une colonne pour supprimer la colonne id__c.

2. Utilisez l’étape Gérer les valeurs manquantes avec la transformation Supprimer les valeurs manquantes pour supprimer les lignes avec des valeurs manquantes pour diverses caractéristiques. Nous appliquons cette transformation sur toutes les colonnes.

3. Utilisez une étape de transformation personnalisée pour créer des valeurs catégorielles pour les caractéristiques state__c, case_count__c et tenure. Utilisez le code suivant pour cette transformation :

   from pyspark.sql.functions import when
   
   States_List = ['Washington', 'Massachusetts', 'California', 'Minnesota', 'Vermont', 'Colorado', 'Arizona']
   
   df.withColumn("club_member__c",df.club_member__c.cast('string'))
   df.withColumn("month__c",df.month__c.cast('string'))
   df.withColumn("case_type_return__c",df.case_type_return__c.cast('string'))
   df.withColumn("case_type_shipment_damaged__c",df.case_type_shipment_damaged__c.cast('string'))
   
   df = df.withColumn('state__c', when(df.state__c.isin(States_List), df.state__c).otherwise("Other"))
   
   df = df.withColumn('case_count__c', when(df.case_count__c == 0, "No Cases").otherwise( when(df.case_count__c <= 2, "1 to 2 Cases").otherwise("Greater than 2 Cases")))
   
   df = df.withColumn('tenure__c', when(df.tenure__c < 1, "Less than 1 Year").otherwise( when(df.tenure__c == 1, "1 to 2 Years").otherwise(when(df.tenure__c ==2, "2 to 3 Years").otherwise(when(df.tenure__c == 3, "3 to 4 Years").otherwise("Grater Than 4 Years")))))

   

4. Utilisez l’étape Processus numérique avec la transformation Échelle des valeurs et choisissez Échelle standard pour mettre à l’échelle les caractéristiques clicks__c, engagement__score et pages__visited__c.

5. Utilisez l’étape Codage catégoriel avec la transformation Codage binaire pour convertir les variables catégorielles en numériques pour les caractéristiques case__type__return___c, case__type_shipment__damaged, month__c, club__member__c et campaign__c (toutes les caractéristiques sauf clicks__c, engagement__score, pages__visited__c et product_purchased__c).

Construction, formation et déploiement du modèle

Pour construire, former et déployer le modèle, suivez les étapes suivantes :

1. Retournez au projet SageMaker, ouvrez le notebook product-recommendation.ipynb et exécutez un job de traitement pour prétraiter les données à l’aide de la configuration SageMaker Data Wrangler que vous avez créée.
2. Suivez les étapes du notebook pour former un modèle et l’enregistrer dans le registre des modèles SageMaker.
3. Assurez-vous de mettre à jour le nom du groupe de modèles pour qu’il corresponde au nom du groupe de modèles que vous avez utilisé lors de la création du projet SageMaker.

Pour trouver le nom du groupe de modèles, ouvrez le projet SageMaker que vous avez créé précédemment et accédez à l’onglet Paramètres.

De même, le fichier de flux référencé dans le notebook doit correspondre au nom du fichier de flux que vous avez créé précédemment.

1. Pour cet article, nous avons utilisé product-recommendation comme nom de groupe de modèles, donc nous mettons à jour le notebook avec project-recommendation comme nom de groupe de modèles dans le notebook.

Une fois que le notebook est exécuté, le modèle entraîné est enregistré dans le registre des modèles. Pour en savoir plus sur le registre des modèles, consultez Enregistrer et déployer des modèles avec le registre des modèles.

1. Sélectionnez la version du modèle que vous avez créée et mettez à jour son statut à Approuvé.

Maintenant que vous avez approuvé le modèle enregistré, l’étape de déploiement du projet SageMaker Salesforce va provisionner et déclencher AWS CodePipeline.

CodePipeline comporte des étapes pour construire et déployer un point de terminaison SageMaker pour l’inférence contenant les étapes de prétraitement SageMaker Data Wrangler et le modèle entraîné. Le point de terminaison sera exposé à Salesforce Data Cloud sous la forme d’une API via API Gateway. La capture d’écran suivante montre le pipeline préfixé par Sagemaker-salesforce-product-recommendation-xxxxx. Nous vous montrons également les points de terminaison et l’API créés par le projet SageMaker pour Salesforce.

Si vous le souhaitez, vous pouvez consulter l’étape de déploiement de CodePipeline, qui utilise des scripts AWS CloudFormation pour créer un point de terminaison SageMaker et API Gateway avec un authorizer JWT personnalisé.

Lorsque le déploiement du pipeline est terminé, vous pouvez trouver le point de terminaison SageMaker sur la console SageMaker.

Vous pouvez explorer l’API Gateway créée par le modèle de projet sur la console API Gateway.

Choisissez le lien pour trouver l’URL de la passerelle API.

Vous pouvez trouver les détails de l’auteur de JWT en choisissant Autorisateurs dans la console de la passerelle API. Vous pouvez également vous rendre dans la console AWS Lambda pour consulter le code de la fonction Lambda créée par le modèle de projet.

Pour découvrir le schéma à utiliser lors de l’invocation de l’API depuis Einstein Studio, choisissez Informations dans le volet de navigation du Registre de modèles. Vous verrez un lien vers un fichier de métadonnées du service de stockage simple d’Amazon (Amazon S3). Copiez et collez le lien dans un nouvel onglet du navigateur URL.

Regardons le fichier sans le télécharger. Sur la page des détails du fichier, choisissez le menu Actions sur l’objet et choisissez Interroger avec S3 Select.

Choisissez Exécuter la requête SQL et notez l’URL de la passerelle API et le schéma, car vous aurez besoin de ces informations lors de l’enregistrement avec Einstein Studio. Si vous ne voyez pas de clé APIGWURL, soit le modèle n’a pas été approuvé, le déploiement est encore en cours ou le déploiement a échoué.

Utilisez l’API Salesforce Einstein Studio pour les prédictions

Salesforce Einstein Studio est une expérience nouvelle et centralisée dans Salesforce Data Cloud que les équipes de science des données et d’ingénierie peuvent utiliser pour accéder facilement à leurs modèles traditionnels et LLM utilisés dans l’IA générative. Ensuite, nous configurons l’URL de l’API et le client_id que vous avez définis précédemment dans Secrets Manager dans Salesforce Einstein Studio pour enregistrer et utiliser les inférences du modèle dans Salesforce Einstein Studio. Pour des instructions, consultez le guide Apportez vos propres modèles d’IA à Salesforce avec Einstein Studio.

Nettoyage

Pour supprimer toutes les ressources créées par le projet SageMaker, sur la page du projet, choisissez le menu Action et choisissez Supprimer.

Pour supprimer les ressources (passerelle API et point de terminaison SageMaker) créées par CodePipeline, accédez à la console AWS CloudFormation et supprimez la pile qui a été créée.

Conclusion

Dans cet article, nous avons expliqué comment vous pouvez créer et former des modèles ML dans SageMaker Studio en utilisant SageMaker Data Wrangler pour importer et préparer des données hébergées sur le Salesforce Data Cloud et utiliser le connecteur JDBC Salesforce Data Cloud nouvellement lancé dans SageMaker Data Wrangler et le modèle de projet fourni par Salesforce dans le modèle de projet SageMaker pour l’intégration Salesforce Data Cloud. Le modèle de projet SageMaker pour Salesforce vous permet de déployer le modèle, de créer le point de terminaison et de sécuriser une API pour un modèle enregistré. Vous utilisez ensuite l’API pour effectuer des prédictions dans Salesforce Einstein Studio pour vos cas d’utilisation professionnels.

Bien que nous ayons utilisé l’exemple de recommandation de produits pour illustrer les étapes de mise en œuvre de l’intégration de bout en bout, vous pouvez utiliser le modèle de projet SageMaker pour Salesforce pour créer un point de terminaison et une API pour n’importe quel modèle SageMaker traditionnel et LLM qui est enregistré dans le registre de modèles SageMaker. Nous avons hâte de voir ce que vous allez construire dans SageMaker en utilisant des données provenant de Salesforce Data Cloud et en renforçant vos applications Salesforce avec des modèles d’apprentissage automatique hébergés par SageMaker !

Cet article est la suite de la série sur l’intégration de Salesforce Data Cloud et SageMaker. Pour une vue d’ensemble générale et pour en savoir plus sur l’impact commercial que vous pouvez avoir avec cette approche d’intégration, consultez la Partie 1.

Ressources supplémentaires

• Importer des données avec SageMaker Data Wrangler
• Résoudre les problèmes avec SageMaker Data Wrangler

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!