في مجلة أول مشاركة في هذه السلسلة المكونة من ثلاثة أجزاء، قدمنا حلاً يوضح كيف يمكنك أتمتة اكتشاف التلاعب بالمستندات والاحتيال على نطاق واسع باستخدام خدمات AWS AI والتعلم الآلي (ML) لحالة استخدام اكتتاب الرهن العقاري.
في مجلة المنصب الثاني، ناقشنا أسلوبًا لتطوير نموذج رؤية حاسوبية قائم على التعلم العميق لاكتشاف الصور المزورة في اكتتاب الرهن العقاري وتسليط الضوء عليها.
في هذا المنشور، نقدم حلاً لأتمتة الكشف عن الاحتيال في مستندات الرهن العقاري باستخدام نموذج تعلم الآلة والقواعد المحددة للأعمال كاشف احتيال الأمازون.
حل نظرة عامة
نحن نستخدم Amazon Fraud Detector، وهي خدمة مُدارة بالكامل للكشف عن الاحتيال، لأتمتة اكتشاف الأنشطة الاحتيالية. بهدف تحسين دقة التنبؤ بالاحتيال من خلال تحديد الاحتيال في المستندات بشكل استباقي، مع تحسين دقة الاكتتاب، يساعدك Amazon Fraud Detector على إنشاء نماذج مخصصة للكشف عن الاحتيال باستخدام مجموعة بيانات تاريخية، وتكوين منطق قرار مخصص باستخدام محرك القواعد المضمن، وتنظيم قرار المخاطر سير العمل بنقرة زر واحدة.
يمثل الرسم البياني التالي كل مرحلة في مسار الكشف عن الاحتيال في مستندات الرهن العقاري.
سنقوم الآن بتغطية المكون الثالث من مسار الكشف عن الاحتيال في مستندات الرهن العقاري. خطوات نشر هذا المكون هي كما يلي:
- تحميل البيانات التاريخية ل خدمة تخزين أمازون البسيطة (أمازون S3).
- حدد خياراتك وقم بتدريب النموذج.
- قم بإنشاء النموذج.
- مراجعة أداء النموذج.
- انشر النموذج.
- إنشاء كاشف.
- إضافة قواعد لتفسير نتائج النموذج.
- انشر واجهة برمجة التطبيقات لإجراء التنبؤات.
المتطلبات الأساسية المسبقة
فيما يلي الخطوات الأساسية لهذا الحل:
- قم بالتسجيل للحصول على حساب AWS.
- قم بإعداد الأذونات التي تسمح لحساب AWS الخاص بك بالوصول إلى Amazon Fraud Detector.
- جمع بيانات الاحتيال التاريخية لاستخدامها في تدريب نموذج كشف الاحتيال، مع المتطلبات التالية:
- يجب أن تكون البيانات بتنسيق CSV وأن تحتوي على رؤوس.
- مطلوب رأسين:
EVENT_TIMESTAMP
وEVENT_LABEL
. - يجب أن تكون البيانات موجودة في Amazon S3 في منطقة AWS التي تدعمها الخدمة.
- يوصى بشدة بتشغيل ملف تعريف البيانات قبل التدريب (استخدم أداة تعريف البيانات الآلية لـ Amazon Fraud Detector).
- من المستحسن استخدام ما لا يقل عن 3-6 أشهر من البيانات.
- يستغرق الاحتيال وقتًا حتى ينضج؛ يوصى باستخدام بيانات عمرها من 1 إلى 3 أشهر (ليست حديثة جدًا).
- بعض القيم الخالية والقيم المفقودة مقبولة (ولكنها كثيرة جدًا ويتم تجاهل المتغير، كما تمت مناقشته في نوع المتغير مفقود أو غير صحيح).
قم بتحميل البيانات التاريخية إلى Amazon S3
بعد حصولك على ملفات البيانات التاريخية المخصصة لتدريب نموذج كشف الاحتيال، قم بإنشاء حاوية S3 وتحميل البيانات إلى الحاوية.
حدد الخيارات وقم بتدريب النموذج
الخطوة التالية نحو بناء وتدريب نموذج كشف الاحتيال هي تحديد النشاط التجاري (الحدث) لتقييم الاحتيال. يتضمن تحديد حدث تعيين المتغيرات في مجموعة البيانات الخاصة بك، والكيان الذي يبدأ الحدث، والتسميات التي تصنف الحدث.
أكمل الخطوات التالية لتحديد حدث احتيال مستندي للكشف عن الاحتيال في المستندات، والذي يبدأ من قبل الجهة طالبة الرهن العقاري، بالإشارة إلى طلب رهن عقاري جديد:
- في وحدة تحكم Amazon Fraud Detector ، اختر الفعاليات في جزء التنقل.
- اختار إنشاء.
- تحت تفاصيل نوع الحدث، أدخل
docfraud
كاسم نوع الحدث، واختياريًا، أدخل وصفًا للحدث. - اختار إنشاء الكيان.
- على إنشاء الكيان الصفحة ، أدخل
applicant_mortgage
كاسم نوع الكيان، وبشكل اختياري، أدخل وصفًا لنوع الكيان. - اختار إنشاء الكيان.
- تحت متغيرات الحدث، ل اختر كيفية تحديد متغيرات هذا الحدث، اختر حدد المتغيرات من مجموعة بيانات التدريب.
- في حالة دور IAM، اختر إنشاء دور IAM.
- على إنشاء دور IAM الصفحة، أدخل اسم حاوية S3 مع بيانات المثال الخاصة بك واختر خلق دور.
- في حالة موقع البيانات، أدخل المسار إلى بياناتك التاريخية. هذا هو مسار S3 URI الذي قمت بحفظه بعد تحميل البيانات التاريخية. المسار مشابه ل
S3://your-bucket-name/example dataset filename.csv
. - اختار تحميل.
تمثل المتغيرات عناصر البيانات التي تريد استخدامها في التنبؤ بالاحتيال. يمكن أخذ هذه المتغيرات من مجموعة بيانات الحدث التي قمت بإعدادها لتدريب النموذج الخاص بك، أو من مخرجات درجة المخاطرة الخاصة بنموذج Amazon Fraud Detector، أو من الأمازون SageMaker عارضات ازياء. لمزيد من المعلومات حول المتغيرات المأخوذة من مجموعة بيانات الأحداث، راجع احصل على متطلبات مجموعة بيانات الأحداث باستخدام مستكشف نماذج البيانات.
- تحت التسميات - اختياري، ل ملصقات، اختر إنشاء تسميات جديدة.
- على إنشاء تسمية الصفحة ، أدخل
fraud
كاسم. تتوافق هذه التسمية مع القيمة التي تمثل طلب الرهن العقاري الاحتيالي في مجموعة البيانات النموذجية. - اختار إنشاء تسمية.
- قم بإنشاء تسمية ثانية تسمى
legit
. تتوافق هذه التسمية مع القيمة التي تمثل طلب الرهن العقاري الشرعي في مجموعة البيانات النموذجية. - اختار إنشاء نوع الحدث.
توضح لقطة الشاشة التالية تفاصيل نوع الحدث الخاص بنا.
توضح لقطة الشاشة التالية المتغيرات لدينا.
توضح لقطة الشاشة التالية تسمياتنا.
قم بإنشاء النموذج
بعد قيامك بتحميل البيانات التاريخية وتحديد الخيارات المطلوبة لتدريب نموذج، أكمل الخطوات التالية لإنشاء نموذج:
- في وحدة تحكم Amazon Fraud Detector ، اختر الموديلات في جزء التنقل.
- اختار إضافة نموذج، ثم اختر إنشاء نموذج.
- على تحديد تفاصيل النموذج الصفحة ، أدخل
mortgage_fraud_detection_model
كاسم النموذج ووصف اختياري للنموذج. - في حالة نوع النموذج، اختر ال رؤى الاحتيال عبر الإنترنت نموذج.
- في حالة نوع الحدث، اختر
docfraud
. هذا هو نوع الحدث الذي قمت بإنشائه مسبقًا. - في مجلة بيانات الأحداث التاريخية ، قدم المعلومات التالية:
- في حالة مصدر بيانات الحدث، اختر تم تحميل بيانات الأحداث المخزنة إلى S3 (أو AFD).
- في حالة دور IAM، اختر الدور الذي قمت بإنشائه مسبقًا.
- في حالة موقع بيانات التدريب، أدخل مسار S3 URI إلى ملف البيانات النموذجي الخاص بك.
- اختار التالى.
- في مجلة مدخلات النموذج القسم، اترك جميع مربعات الاختيار محددة. افتراضيًا، يستخدم Amazon Fraud Detector جميع المتغيرات من مجموعة بيانات الأحداث التاريخية الخاصة بك كمدخلات للنموذج.
- في مجلة تصنيف التسمية القسم ل تسميات الاحتيال، اختر
fraud
، والتي تتوافق مع القيمة التي تمثل الأحداث الاحتيالية في مجموعة البيانات النموذجية. - في حالة التسميات المشروعة، اختر
legit
، والتي تتوافق مع القيمة التي تمثل الأحداث المشروعة في مجموعة البيانات النموذجية. - في حالة أحداث غير مسماة، احتفظ بالاختيار الافتراضي تجاهل الأحداث غير المسماة لمجموعة البيانات هذه على سبيل المثال.
- اختار التالى.
- راجع إعداداتك ، ثم اختر إنشاء وتدريب النموذج.
يقوم Amazon Fraud Detector بإنشاء نموذج ويبدأ في تدريب إصدار جديد من النموذج.
على إصدارات النموذج صفحة، و الحالة يشير العمود إلى حالة التدريب النموذجي. يستغرق التدريب النموذجي الذي يستخدم مجموعة البيانات النموذجية حوالي 45 دقيقة لإكماله. تتغير الحالة إلى جاهز للنشر بعد اكتمال التدريب النموذجي.
مراجعة أداء النموذج
بعد اكتمال تدريب النموذج، يتحقق Amazon Fraud Detector من صحة أداء النموذج باستخدام 15% من بياناتك التي لم يتم استخدامها لتدريب النموذج ويوفر أدوات متنوعة، بما في ذلك مخطط توزيع النقاط ومصفوفة الارتباك، لتقييم أداء النموذج.
لعرض أداء النموذج، أكمل الخطوات التالية:
- في وحدة تحكم Amazon Fraud Detector ، اختر الموديلات في جزء التنقل.
- اختر النموذج الذي قمت بتدريبه للتو (
sample_fraud_detection_model
) ، ثم اختر 1.0. هذا هو الإصدار الذي أنشأته Amazon Fraud Detector للنموذج الخاص بك. - مراجعة أداء النموذج النتيجة الإجمالية وجميع المقاييس الأخرى التي أنشأها Amazon Fraud Detector لهذا النموذج.
انشر النموذج
بعد قيامك بمراجعة مقاييس الأداء لنموذجك المدرّب والاستعداد لاستخدامه في إنشاء تنبؤات بالاحتيال، يمكنك نشر النموذج:
- في وحدة تحكم Amazon Fraud Detector ، اختر الموديلات في جزء التنقل.
- اختر النموذج
sample_fraud_detection_model
، ثم اختر إصدار النموذج المحدد الذي تريد نشره. لهذا المنصب، اختر 1.0. - على نسخة نموذجية الصفحة على الإجراءات القائمة، اختر نشر نسخة نموذجية.
على إصدارات النموذج صفحة، و الحالة يظهر حالة النشر. تتغير الحالة إلى النشطه عند اكتمال النشر. يشير هذا إلى أن إصدار النموذج مفعل ومتاح لإنشاء تنبؤات بالاحتيال.
إنشاء كاشف
بعد نشر النموذج، يمكنك إنشاء كاشف لـ docfraud
نوع الحدث وأضف النموذج المنشور. أكمل الخطوات التالية:
- في وحدة تحكم Amazon Fraud Detector ، اختر كاشف في جزء التنقل.
- اختار إنشاء كاشف.
- على تحديد تفاصيل الكاشف الصفحة ، أدخل
fraud_detector
لاسم جهاز الكشف، واختياريًا، أدخل وصفًا لجهاز الكشف، مثل نموذج كاشف الاحتيال الخاص بي. - في حالة نوع الحدث، اختر
docfraud
. هذا هو الحدث الذي قمت بإنشائه في وقت سابق. - اختار التالى.
أضف قواعد للتفسير
بعد إنشاء نموذج Amazon Fraud Detector، يمكنك استخدام وحدة تحكم Amazon Fraud Detector أو واجهة برمجة التطبيقات (API) لتحديد القواعد المستندة إلى الأعمال (الشروط التي تخبر Amazon Fraud Detector بكيفية تفسير درجة أداء النموذج عند التقييم للتنبؤ بالاحتيال). . للتوافق مع عملية اكتتاب الرهن العقاري، يمكنك إنشاء قواعد لوضع علامة على طلبات الرهن العقاري وفقًا لمستويات المخاطر المرتبطة والمصنفة على أنها احتيالية أو مشروعة أو إذا كانت هناك حاجة إلى مراجعة.
على سبيل المثال، قد ترغب في رفض طلبات الرهن العقاري التي تنطوي على مخاطر احتيال عالية تلقائيًا، مع الأخذ في الاعتبار معلمات مثل الصور التي تم التلاعب بها للمستندات المطلوبة، أو المستندات المفقودة مثل إيصالات الدفع أو متطلبات الدخل، وما إلى ذلك. ومن ناحية أخرى، قد تحتاج بعض التطبيقات إلى وجود إنسان على اطلاع لاتخاذ قرارات فعالة.
يستخدم Amazon Fraud Detector القيمة المجمعة (المحسوبة من خلال الجمع بين مجموعة من المتغيرات الأولية) والقيمة الأولية (القيمة المقدمة للمتغير) لإنشاء درجات النموذج. يمكن أن تتراوح درجات النموذج بين 0-1000، حيث يشير 0 إلى انخفاض مخاطر الاحتيال و1000 إلى ارتفاع مخاطر الاحتيال.
لإضافة القواعد المستندة إلى الأعمال ذات الصلة، أكمل الخطوات التالية:
- في وحدة تحكم Amazon Fraud Detector ، اختر قوانيـن في جزء التنقل.
- اختار إضافة قاعدة.
- في مجلة تحديد القاعدة القسم، أدخل الاحتيال لاسم القاعدة، واختياريًا، أدخل الوصف.
- في حالة التعبير، أدخل تعبير القاعدة باستخدام لغة تعبير القاعدة المبسطة في Amazon Fraud Detector
$docdraud_insightscore >= 900
- في حالة نتائج، اختر قم بإنشاء نتيجة جديدة (النتيجة هي نتيجة التنبؤ بالاحتيال ويتم إرجاعها إذا تطابقت القاعدة أثناء التقييم.)
- في مجلة قم بإنشاء نتيجة جديدة القسم، أدخل الرفض كاسم النتيجة ووصف اختياري.
- اختار حفظ النتيجة
- اختار إضافة قاعدة لتشغيل مدقق التحقق من صحة القاعدة وحفظ القاعدة.
- بعد إنشائه، يقوم Amazon Fraud Detector بما يلي
high_risk
القاعدة متاحة للاستخدام في كاشفك.- اسم القاعدة:
fraud
- النتيجة:
decline
- التعبير:
$docdraud_insightscore >= 900
- اسم القاعدة:
- اختار أضف قاعدة أخرى، ثم اختر ملف إنشاء قاعدة علامة تبويب لإضافة قاعدتين إضافيتين على النحو التالي:
- إنشاء
low_risk
القاعدة بالتفاصيل التالية:- اسم القاعدة:
legit
- النتيجة:
approve
- التعبير:
$docdraud_insightscore <= 500
- اسم القاعدة:
- إنشاء
medium_risk
القاعدة بالتفاصيل التالية:- اسم القاعدة:
review needed
- النتيجة:
review
- التعبير:
$docdraud_insightscore <= 900 and docdraud_insightscore >=500
- اسم القاعدة:
هذه القيم هي أمثلة مستخدمة لهذا المنشور. عندما تقوم بإنشاء قواعد للكاشف الخاص بك، استخدم القيم المناسبة لنموذجك وحالة الاستخدام.
- بعد إنشاء القواعد الثلاث، اختر التالى.
انشر واجهة برمجة التطبيقات لإجراء التنبؤات
بعد تشغيل الإجراءات المستندة إلى القواعد، يمكنك نشر واجهة برمجة تطبيقات Amazon Fraud Detector لتقييم تطبيقات الإقراض والتنبؤ بالاحتيال المحتمل. يمكن تنفيذ التنبؤات دفعة واحدة أو في الوقت الحقيقي.
دمج نموذج SageMaker الخاص بك (اختياري)
إذا كان لديك بالفعل نموذج للكشف عن الاحتيال في SageMaker، فيمكنك دمجه مع Amazon Fraud Detector للحصول على النتائج المفضلة لديك.
وهذا يعني أنه يمكنك استخدام كل من نموذجي SageMaker وAmazon Fraud Detector في تطبيقك لاكتشاف أنواع مختلفة من الاحتيال. على سبيل المثال، يمكن لتطبيقك استخدام نموذج Amazon Fraud Detector لتقييم مخاطر الاحتيال في حسابات العملاء، واستخدام نموذج PageMaker في نفس الوقت للتحقق من مخاطر اختراق الحساب.
تنظيف
لتجنب تكبد أي رسوم مستقبلية، احذف الموارد التي تم إنشاؤها للحل، بما في ذلك ما يلي:
- دلو S3
- نقطة النهاية للكشف عن الاحتيال في أمازون
وفي الختام
يوجهك هذا المنشور عبر حل تلقائي ومخصص لاكتشاف الاحتيال في عملية الاكتتاب في الرهن العقاري. يسمح لك هذا الحل باكتشاف محاولات الاحتيال في وقت أقرب إلى وقت حدوث الاحتيال ويساعد الضامنين في عملية صنع القرار الفعالة. بالإضافة إلى ذلك، تسمح لك مرونة التنفيذ بتحديد القواعد المستندة إلى الأعمال لتصنيف المحاولات الاحتيالية والتقاطها المخصصة لاحتياجات العمل المحددة.
لمزيد من المعلومات حول إنشاء حل شامل للكشف عن الاحتيال في مستندات الرهن العقاري، راجع جزء 1 و جزء 2 في هذه السلسلة.
عن المؤلفين
أنوب رافيندراناث هو مهندس حلول أول في Amazon Web Services (AWS) ومقره في تورونتو ، كندا ويعمل مع مؤسسات الخدمات المالية. إنه يساعد العملاء على تحويل أعمالهم والابتكار على السحابة.
فيني سايني هو مهندس حلول أول في Amazon Web Services (AWS) ومقره في تورنتو ، كندا. لقد ساعدت عملاء الخدمات المالية على التحول إلى السحابة ، مع حلول تعتمد على الذكاء الاصطناعي والتعلم الآلي وضعت على ركائز تأسيسية قوية للتميز المعماري.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/automate-mortgage-document-fraud-detection-using-an-ml-model-and-business-defined-rules-with-amazon-fraud-detector-part-3/
- :لديها
- :يكون
- :ليس
- :أين
- $ UP
- 100
- 15%
- 7
- 900
- a
- من نحن
- مقبول
- الوصول
- وفقا
- حسابي
- الحسابات
- الإجراءات
- أنشطة
- نشاط
- تضيف
- إضافي
- وبالإضافة إلى ذلك
- بعد
- AI
- محاذاة
- الكل
- يسمح
- سابقا
- أمازون
- كاشف احتيال الأمازون
- أمازون ويب سيرفيسز
- أمازون ويب سيرفيسز (أوس)
- an
- و
- آخر
- أي وقت
- API
- تطبيق
- التطبيقات
- نهج
- مناسب
- ما يقرب من
- معماري
- هندسة معمارية
- هي
- AS
- تقييم
- أسوشيتد
- At
- محاولات
- أتمتة
- الآلي
- تلقائيا
- متاح
- تجنب
- AWS
- على أساس
- BE
- كان
- قبل
- يبدأ
- أقل من
- ما بين
- على حد سواء
- نساعدك في بناء
- ابني
- مدمج
- الأعمال
- الأعمال
- لكن
- زر
- by
- محسوب
- تسمى
- CAN
- كندا
- أسر
- حقيبة
- معين
- التغييرات
- اسعارنا محددة من قبل وزارة العمل
- رسم
- التحقق
- التحقق
- اختار
- تصنيف
- صنف
- انقر
- أقرب
- سحابة
- عمود
- الجمع بين
- إكمال
- عنصر
- حل وسط
- الكمبيوتر
- رؤية الكمبيوتر
- المفاهيمي
- الشروط
- ارتباك
- النظر
- كنسولات
- يتوافق
- تغطية
- خلق
- خلق
- يخلق
- على
- زبون
- العملاء
- حسب الطلب
- البيانات
- القرار
- اتخاذ القرار
- القرارات
- رفض
- عميق
- الترتيب
- حدد
- تحديد
- يوضح
- نشر
- نشر
- نشر
- وصف
- تفاصيل
- بكشف أو
- كشف
- تطوير
- رسم بياني
- مختلف
- ناقش
- توزيع
- وثيقة
- وثائق
- مدفوع
- أثناء
- كل
- في وقت سابق
- الطُرق الفعّالة
- عناصر
- النهائي إلى نهاية
- محرك
- أدخل
- كيان
- تقييم
- تقييم
- تقييم
- الحدث/الفعالية
- أحداث
- مثال
- أمثلة
- التشغيلي
- التعبير
- قم بتقديم
- ملفات
- مالي
- الخدمات المالية
- مرونة
- متابعيك
- متابعات
- في حالة
- مزور
- شكل
- التأسيسية
- احتيال
- الكشف عن الغش
- محتال
- تبدأ من
- تماما
- مستقبل
- توليد
- ولدت
- يد
- يملك
- he
- رؤوس
- مساعدة
- يساعد
- مرتفع
- تسليط الضوء
- جدا
- تاريخي
- كيفية
- كيفية
- HTTP
- HTTPS
- الانسان
- تحديد
- if
- صور
- التنفيذ
- تحسن
- تحسين
- in
- بما فيه
- دخل
- غير صحيح
- يشير
- معلومات
- بدأت
- الابتكار
- المدخلات
- دمج
- السطح البيني
- ينطوي
- IT
- JPG
- م
- احتفظ
- تُشير
- ملصقات
- وضعت
- لغة
- تعلم
- الأقل
- يترك
- شرعي
- الإقراض
- ومستوياتها
- مثل
- منطق
- منخفض
- آلة
- آلة التعلم
- جعل
- يصنع
- القيام ب
- تمكن
- كثير
- اعواد الثقاب
- مصفوفة
- ناضج
- مايو..
- المقاييس
- دقيقة
- مفقود
- ML
- نموذج
- عارضات ازياء
- المقبلة.
- الأكثر من ذلك
- رهن
- يجب
- my
- الاسم
- قائمة الإختيارات
- حاجة
- بحاجة
- إحتياجات
- جديد
- التالي
- الآن
- موضوعي
- ظهور
- of
- قديم
- on
- مزيد من الخيارات
- or
- المنظمات
- أخرى
- لنا
- نتيجة
- النتائج
- الكلي
- الخاصة
- صفحة
- خبز
- المعلمات
- جزء
- مسار
- أداء
- تنفيذ
- أذونات
- أعمدة
- خط أنابيب
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- منشور
- محتمل
- تنبأ
- تنبؤ
- تنبؤات
- المفضل
- أعدت
- شرط أساسي
- يقدم
- قدم
- عملية المعالجة
- ملفي الشخصي
- برمجة وتطوير
- تزود
- المقدمة
- ويوفر
- الخام
- استعداد
- حقيقي
- في الوقت الحقيقي
- الأخيرة
- موصى به
- الرجوع
- منطقة
- مثل
- يمثل
- مطلوب
- المتطلبات الأساسية
- الموارد
- هؤلاء
- نتيجة
- النتائج
- مراجعة
- استعرض
- المخاطرة
- النوع
- قاعدة
- القواعد
- يجري
- sagemaker
- عينة
- حفظ
- تم الحفظ
- حجم
- أحرز هدفاً
- الثاني
- القسم
- انظر تعريف
- مختار
- اختيار
- كبير
- مسلسلات
- الخدمة
- خدماتنا
- طقم
- ضبط
- إعدادات
- هي
- يظهر
- مماثل
- الاشارات
- معا
- So
- حل
- الحلول
- محدد
- المسرح
- الحالة
- خطوة
- خطوات
- تخزين
- تخزين
- قوي
- هذه
- مدعومة
- اتخذت
- يأخذ
- اقول
- أن
- •
- من مشاركة
- then
- تشبه
- الثالث
- ثلاثة
- عبر
- الوقت
- إلى
- جدا
- أدوات
- تورونتو
- نحو
- قطار
- متدرب
- قادة الإيمان
- تحول
- أثار
- نوع
- أنواع
- الاكتتاب
- تم التحميل
- تحميل
- تستخدم
- حالة الاستخدام
- مستعمل
- يستخدم
- استخدام
- التحقق من صحة
- قيمنا
- القيم
- متغير
- مختلف
- الإصدار
- الإصدارات
- المزيد
- رؤيتنا
- مشى
- تريد
- وكان
- we
- الويب
- خدمات ويب
- متى
- التي
- في حين
- سوف
- مع
- سير العمل
- عامل
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت