"Data låst inde i tekst, lyd, sociale medier og andre ustrukturerede kilder kan være en konkurrencefordel for virksomheder, der finder ud af, hvordan de skal bruge dem"
Kun 18 % af organisationerne i en 2019-undersøgelse af Deloitte rapporteret at kunne drage fordel af ustrukturerede data. Størstedelen af data, mellem 80 % og 90 %, er ustrukturerede data. Det er en stor uudnyttet ressource, der har potentialet til at give virksomheder en konkurrencefordel, hvis de kan finde ud af, hvordan de skal bruge den. Det kan være svært at finde indsigt fra disse data, især hvis der er behov for en indsats for at klassificere, tagge eller mærke dem. Amazon Comprehend tilpasset klassificering kan være nyttig i denne situation. Amazon Comprehend er en NLP-tjeneste (natural-language processing), der bruger maskinlæring til at afdække værdifuld indsigt og sammenhænge i tekst.
Dokumentkategorisering eller -klassificering har betydelige fordele på tværs af forretningsdomæner –
- Forbedret søgning og genfinding – Ved at kategorisere dokumenter i relevante emner eller kategorier, gør det det meget nemmere for brugerne at søge og hente de dokumenter, de har brug for. De kan søge inden for specifikke kategorier for at indsnævre resultaterne.
- Videnstyring – At kategorisere dokumenter på en systematisk måde hjælper med at organisere en organisations vidensbase. Det gør det nemmere at finde relevant information og se sammenhænge mellem relateret indhold.
- Strømlinede arbejdsgange – Automatisk dokumentsortering kan hjælpe med at strømline mange forretningsprocesser såsom behandling af fakturaer, kundesupport eller overholdelse af lovgivning. Dokumenter kan automatisk dirigeres til de rigtige personer eller arbejdsgange.
- Omkostnings- og tidsbesparelser – Manuel dokumentkategorisering er kedelig, tidskrævende og dyr. AI-teknikker kan overtage denne hverdagsagtige opgave og kategorisere tusindvis af dokumenter på kort tid til en meget lavere pris.
- Generering af indsigt – At analysere tendenser i dokumentkategorier kan give nyttig forretningsindsigt. For eksempel kan en stigning i kundeklager i en produktkategori betyde nogle problemer, der skal løses.
- Styring og håndhævelse af politik – Opsætning af dokumentkategoriseringsregler hjælper med at sikre, at dokumenter klassificeres korrekt i henhold til en organisations politikker og styringsstandarder. Dette giver mulighed for bedre overvågning og revision.
- Personlige oplevelser – I sammenhænge som webstedsindhold giver dokumentkategorisering mulighed for, at skræddersyet indhold kan vises til brugere baseret på deres interesser og præferencer som bestemt ud fra deres browseradfærd. Dette kan øge brugerengagementet.
Kompleksiteten i at udvikle en skræddersyet klassifikationsmaskinelæringsmodel varierer afhængigt af en række aspekter såsom datakvalitet, algoritme, skalerbarhed og domæneviden, for at nævne nogle få. Det er vigtigt at starte med en klar problemdefinition, rene og relevante data og gradvist arbejde gennem de forskellige stadier af modeludvikling. Virksomheder kan dog skabe deres egne unikke maskinlæringsmodeller ved hjælp af tilpasset Amazon Comprehend-klassificering til automatisk at klassificere tekstdokumenter i kategorier eller tags for at imødekomme forretningsspecifikke krav og kortlægge til forretningsteknologi og dokumentkategorier. Da menneskelig tagging eller kategorisering ikke længere er nødvendig, kan dette spare virksomheder for en masse tid, penge og arbejde. Vi har gjort denne proces enkel ved at automatisere hele træningspipelinen.
I første del af dette blogindlæg i flere serier lærer du, hvordan du opretter en skalerbar træningspipeline og forbereder træningsdata til Comprehend Custom Classification-modeller. Vi vil introducere en tilpasset klassificeringstræningspipeline, der kan implementeres på din AWS-konto med få klik. Vi bruger BBC-nyhedsdatasættet og vil træne en klassificering til at identificere den klasse (f.eks. politik, sport), som et dokument tilhører. Pipelinen vil gøre din organisation i stand til hurtigt at reagere på ændringer og træne nye modeller uden at skulle starte fra bunden hver gang. Du kan nemt opskalere og træne flere modeller baseret på din efterspørgsel.
Forudsætninger
- En aktiv AWS-konto (Klik link. for at oprette en ny AWS-konto)
- Adgang til Amazon Comprehend, Amazon S3, Amazon Lambda, Amazon Step Function, Amazon SNS og Amazon CloudFormation
- Træningsdata (semi-struktur eller tekst) udarbejdet i følgende afsnit
- Grundlæggende viden om Python og Machine Learning generelt
Forbered træningsdata
Denne løsning kan tage input som enten tekstformat (f.eks. CSV) eller semistruktureret format (eks. PDF).
Tekstinput
Amazon Comprehend brugerdefineret klassificering understøtter to tilstande: multi-class og multi-label.
I multi-class mode kan hvert dokument have én og kun én klasse tildelt. Træningsdataene skal udarbejdes som to-kolonne CSV-fil, hvor hver linje i filen indeholder en enkelt klasse og teksten i et dokument, der demonstrerer klassen.
Eksempel til BBC nyhedsdatasæt:
I multi-label-tilstand har hvert dokument mindst én klasse tildelt, men kan have flere. Træningsdata bør være som en to-kolonne CSV-fil, som hver linje i filen indeholder en eller flere klasser og teksten til træningsdokumentet. Mere end én klasse skal angives ved at bruge en skilletegn mellem hver klasse.
Ingen header bør inkluderes i CSV-filen for nogen af træningstilstandene.
Semistruktureret input
Fra 2023, Amazon Comprehend understøtter nu træningsmodeller ved hjælp af semistrukturerede dokumenter. Træningsdataene til semistrukturinput består af et sæt mærkede dokumenter, som kan være præ-identificerede dokumenter fra et dokumentlager, som du allerede har adgang til. Det følgende er et eksempel på en annoteringsfil CSV-data, der kræves til træning (Prøvedata):
Annotations-CSV-filen indeholder tre kolonner: Den første kolonne indeholder etiketten for dokumentet, den anden kolonne er dokumentnavnet (dvs. filnavn), og den sidste kolonne er sidenummeret på det dokument, du vil inkludere i træningsdatasæt. I de fleste tilfælde, hvis annotations-CSV-filen er placeret i samme mappe med alle andre dokumenter, skal du blot angive dokumentnavnet i den anden kolonne. Men hvis CSV-filen er placeret et andet sted, skal du angive stien til placering i den anden kolonne, som f.eks. path/to/prefix/document1.pdf
.
For detaljer, hvordan du forbereder dine træningsdata, se venligst link..
Løsningsoversigt
- Amazon Comprehend træningspipeline starter, når træningsdata (.csv-fil til tekstinput og annotations-.csv-fil til semi-strukturinput) uploades til en dedikeret Amazon Simple Storage Service (Amazon S3) spand.
- An AWS Lambda funktion påkaldes af Amazon S3 trigger sådan, at hver gang et objekt uploades til specificeret Amazon S3 placering, henter AWS Lambda-funktionen kildenavnet og nøglenavnet på det uploadede objekt og videregiver det til træning trinfunktion workflow.
- I træningstrinfunktionen, efter at have modtaget træningsdataspandens navn og objektnøglenavnet som inputparametre, starter en brugerdefineret modeltræningsworkflow som en række lambda-funktioner som beskrevet:
StartComprehendTraining
: Denne AWS Lambda funktion definerer enComprehendClassifier
objekt afhængigt af typen af inputfiler (dvs. tekst eller semi-struktureret) og starter derefter en Amazon Comprehend tilpasset klassificering træningsopgave ved at ringe create_document_classifier Application Programming Interfact (API), som returnerer en uddannelse Job Amazon Resource Names (ARN) . Efterfølgende kontrollerer denne funktion træningsjobbets status ved at kalde describe_document_classifier API. Endelig returnerer den et træningsjob-ARN og jobstatus som output til næste fase af træningsarbejdsgangen.GetTrainingJobStatus
: Denne AWS Lambda tjekker jobstatus for træningsjob hvert 15. minut ved at ringe describe_document_classifier API, indtil træningsjobstatus ændres til Fuldført eller Mislykket.GenerateMultiClass
orGenerateMultiLabel
: Hvis du vælger Ja til præstationsrapport ved lancering af stakken, vil en af disse to AWS Lambdas køre analyse i henhold til dine Amazon Comprehend-modeloutput, som genererer præstationsanalyse pr. klasse og gemmer den til Amazon S3.GenerateMultiClass
: Denne AWS Lambda vil blive kaldt, hvis dit input er Multiklasse og du vælger Ja til resultatrapport.GenerateMultiLabel
: Denne AWS Lambda vil blive kaldt, hvis dit input er MultiLabel og du vælger Ja til resultatrapport.
- Når træningen er gennemført med succes, genererer løsningen følgende output:
- Brugerdefineret klassifikationsmodel: En trænet model ARN vil være tilgængelig på din konto til fremtidigt slutningsarbejde.
- Forvirringsmatrix [Som en mulighedl]: En forvirringsmatrix (
confusion_matrix
.json) vil være tilgængelig i brugerdefineret output Amazon S3 sti, afhængigt af brugerens valg. - Amazon Simple Notification Service meddelelse [Som en mulighedl]: En notifikations-e-mail vil blive sendt om træningsjobstatus til abonnenterne, afhængigt af det indledende brugervalg.
Går igennem
Lancering af løsningen
Udfør følgende trin for at implementere din pipeline:
- Vælg Start Stack knap:
- Vælg Næste
- Angiv rørledningsdetaljerne med de muligheder, der passer til din brugssituation:
Oplysninger for hver stak detalje:
- Staknavn (påkrævet) – det navn, du har angivet til dette AWS CloudFormation stak. Navnet skal være unikt i den region, hvor du opretter det.
- Q01ClassifierInputBucketName (påkrævet) – Amazon S3-bøttenavnet til at gemme dine inputdata. Det bør være et globalt unikt navn, og AWS CloudFormation-stak hjælper dig med at oprette bøtten, mens den lanceres.
- Q02ClassifierOutputBucketName (påkrævet) – Amazon S3-bøttenavnet til at gemme output fra Amazon Comprehend og pipeline. Det skal også være et globalt unikt navn.
- Q03Inputformat – Et dropdown-valg, du kan vælge tekst (hvis dine træningsdata er csv-filer) eller semi-struktur (hvis dine træningsdata er semi-struktur [f.eks. PDF-filer]) baseret på dit datainputformat.
- Q04 Sprog – Et dropdown-valg, der vælger sproget for dokumenter fra den understøttede liste. Bemærk venligst, at i øjeblikket kun engelsk understøttes, hvis dit inputformat er semi-struktur.
- Q05 MultiClass – Et dropdown-valg, vælg Ja hvis dit input er MultiClass-tilstand. Ellers skal du vælge ingen.
- Q06LabelDelimiter – Kun påkrævet, hvis dit Q05MultiClass svar er ingen. Denne afgrænsning bruges i dine træningsdata til at adskille hver klasse.
- Q07Valideringsdatasæt – Et dropdown-valg, skift svaret til Ja hvis du vil teste ydeevnen af trænet klassifikator med dine egne testdata.
- Q08S3Validationssti – Kun påkrævet, hvis dit Q07ValidationDataset-svar er Ja.
- Q09Performancerapport – Et dropdown-valg, vælg Ja hvis du vil generere præstationsrapporten på klasseniveau efter modeltræning. Rapporten vil blive gemt i din specificerede output-bucket i Q02ClassifierOutputBucketName.
- Q10E-mailbesked – Et dropdown-valg. Vælg Ja hvis du ønsker at modtage besked efter modellen er trænet.
- Q11E-mail-ID – Indtast gyldig e-mailadresse for at modtage meddelelse om ydeevnerapport. Bemærk venligst, at du skal bekræfte abonnementet fra din e-mail, efter at AWS CloudFormation stack er lanceret, før du kan modtage besked, når træningen er afsluttet.
- Tilføj valgfri tags, tilladelser og andre avancerede indstillinger i afsnittet Amazon Configure stack options.
- Vælg Næste
- Gennemgå stakdetaljerne, og vælg Jeg anerkender det AWS CloudFormation kan skabe AWS IAM ressourcer.
- Vælg Indsend. Dette starter pipeline-implementering på din AWS-konto.
- Når stakken er implementeret med succes, kan du begynde at bruge pipelinen. Lave en
/training-data
mappe under din angivne Amazon S3-placering til input. Bemærk: Amazon S3 anvender automatisk serversidekryptering (SSE-S3) for hvert nyt objekt, medmindre du angiver en anden krypteringsindstilling. Se venligst Databeskyttelse i Amazon S3 for flere detaljer om databeskyttelse og kryptering i Amazon S3.
- Upload dine træningsdata til mappen. (Hvis træningsdataene er semistrukturerede, skal du uploade alle PDF-filerne, før du uploader etiketoplysninger i .csv-format).
Du er færdig! Du har implementeret din pipeline med succes, og du kan kontrollere pipeline-statussen i den implementerede trinfunktion. (Du vil have en trænet model i dit tilpassede klassifikationspanel fra Amazon Comprehend).
Hvis du vælger modellen og dens version indeni Amazon Comprehend Konsol, så kan du nu se flere detaljer om den model du lige har trænet. Det inkluderer den tilstand, du vælger, som svarer til optionen Q05MultiClass, antallet af etiketter og antallet af trænede og testdokumenter i dine træningsdata. Du kan også tjekke den overordnede præstation nedenfor; men hvis du ønsker at kontrollere detaljeret ydeevne for hver klasse, skal du henvise til den præstationsrapport, der er genereret af den installerede pipeline.
Servicekvoter
Din AWS-konto har standardkvoter for Amazon Comprehend , AmazonTekst, hvis input er i semi-struktur format. For at se servicekvoter, se venligst link. forum Amazon Comprehend , link. forum AmazonTekst.
Ryd op
For at undgå at pådrage sig løbende gebyrer skal du slette de ressourcer, du har oprettet som en del af denne løsning, når du er færdig.
- På Amazon S3 konsol, skal du manuelt slette indholdet i buckets, du har oprettet til input- og outputdata.
- På AWS CloudFormation konsol, vælg Stakke i navigationsruden.
- Vælg hovedstakken og vælg Slette.
Dette sletter automatisk den installerede stak.
- Du er uddannet Amazon Comprehend tilpasset klassificeringsmodel forbliver på din konto. Hvis du ikke har brug for det længere, ind Amazon Comprehend konsol, skal du slette den oprettede model.
Konklusion
I dette indlæg viste vi dig konceptet med en skalerbar træningspipeline til Amazon Comprehend tilpassede klassifikationsmodeller og levere en automatiseret løsning til effektivt at træne nye modeller. Det AWS CloudFormation Den medfølgende skabelon gør det muligt for dig at skabe dine egne tekstklassificeringsmodeller uden besvær, der imødekommer efterspørgselsskalaer. Løsningen anvender den nyligt annoncerede Euclid-funktion og accepterer input i tekst eller semi-struktureret format.
Nu opfordrer vi jer, vores læsere, til at teste disse værktøjer. Du kan finde flere detaljer om forberedelse af træningsdata og forstår tilpassede klassifikationsmålinger. Prøv det og se på egen hånd, hvordan det kan strømline din modeltræningsproces og øge effektiviteten. Del venligst din feedback til os!
Om forfatterne
Sandeep Singh er Senior Data Scientist med AWS Professional Services. Han brænder for at hjælpe kunder med at innovere og nå deres forretningsmål ved at udvikle state-of-the-art AI/ML-drevne løsninger. Han er i øjeblikket fokuseret på Generative AI, LLM'er, prompt engineering og skalering af Machine Learning på tværs af virksomheder. Han bringer de seneste AI-fremskridt for at skabe værdi for kunderne.
Yanyan Zhang er Senior Data Scientist i Energy Delivery-teamet med AWS Professional Services. Hun brænder for at hjælpe kunder med at løse reelle problemer med AI/ML viden. For nylig har hendes fokus været på at udforske potentialet i Generative AI og LLM. Uden for arbejdet elsker hun at rejse, træne og udforske nye ting.
Wrick Talukdar er seniorarkitekt hos Amazon Comprehend Service-teamet. Han arbejder med AWS-kunder for at hjælpe dem med at indføre maskinlæring i stor skala. Uden for arbejdet holder han af at læse og fotografere.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Automotive/elbiler, Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- ChartPrime. Løft dit handelsspil med ChartPrime. Adgang her.
- BlockOffsets. Modernisering af miljømæssig offset-ejerskab. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/build-a-classification-pipeline-with-amazon-comprehend-custom-classification-part-i/
- :har
- :er
- $OP
- 1
- 100
- 11
- 15 %
- 2023
- 24
- 26 %
- 7
- 9
- a
- I stand
- Om
- accepterer
- adgang
- Ifølge
- Konto
- opnå
- anerkende
- tværs
- aktiv
- tilføje
- adresse
- rettet
- vedtage
- fremskreden
- fremskridt
- Fordel
- Efter
- AI
- AI / ML
- algoritme
- Alle
- tillader
- allerede
- også
- Amazon
- Amazon Comprehend
- Amazon Web Services
- an
- analyse
- analysere
- ,
- annoncerede
- besvare
- længere
- api
- Anvendelse
- gælder
- ER
- AS
- aspekter
- tildelt
- At
- lyd
- revision
- Automatiseret
- Automatisk Ur
- automatisk
- Automatisering
- til rådighed
- undgå
- væk
- AWS
- AWS CloudFormation
- AWS Lambda
- AWS Professional Services
- bund
- baseret
- bbc
- BE
- været
- før
- adfærd
- være
- tilhører
- jf. nedenstående
- fordele
- skræddersyet
- Bedre
- mellem
- Big
- Blog
- Bringer
- Browsing
- bygge
- virksomhed
- virksomheder
- men
- .
- by
- kaldet
- ringer
- CAN
- tilfælde
- tilfælde
- kategorier
- kategorisere
- Boligtype
- lave om
- Ændringer
- afgifter
- kontrollere
- Kontrol
- Vælg
- vælge
- klasse
- klasser
- klassificering
- klassificeret
- Klassificere
- klar
- klik
- indsamler
- Kolonne
- Kolonner
- konkurrencedygtig
- klager
- fuldføre
- Afsluttet
- kompleksitet
- Compliance
- forstå
- Indeholder
- Konceptet
- Bekræfte
- forvirring
- Tilslutninger
- Konsol
- indeholder
- indhold
- indhold
- sammenhænge
- svarer
- Koste
- kunne
- skabe
- Opret værdi
- oprettet
- Oprettelse af
- For øjeblikket
- skik
- kunde
- Kunde support
- Kunder
- data
- databeskyttelse
- dataforsker
- dedikeret
- Standard
- definerede
- definerer
- definition
- levering
- Deloitte
- Efterspørgsel
- demonstrerer
- Afhængigt
- indsætte
- indsat
- implementering
- beskrevet
- detail
- detaljeret
- detaljer
- bestemmes
- udvikling
- Udvikling
- forskellige
- svært
- dokumentet
- dokumenter
- Dollar
- domæne
- Domæner
- færdig
- Dont
- ned
- e
- hver
- lettere
- nemt
- Edge
- effektivitet
- effektivt
- ubesværet
- indsats
- enten
- muliggøre
- tilskynde
- kryptering
- energi
- engagement
- Engineering
- Engelsk
- forbedre
- sikre
- Indtast
- virksomheder
- væsentlig
- Europa
- Hver
- eksempel
- dyrt
- Udforskning
- mislykkedes
- Feature
- tilbagemeldinger
- få
- Figur
- File (Felt)
- Filer
- Endelig
- Finde
- firmaer
- Fornavn
- montering
- Fokus
- fokuserede
- efter
- Til
- format
- fra
- funktion
- funktioner
- fremtiden
- generere
- genereret
- genererer
- generative
- Generativ AI
- Giv
- Globalt
- regeringsførelse
- gradvist
- Have
- have
- he
- hjælpe
- hjælpe
- hjælper
- hende
- Hvordan
- How To
- Men
- HTML
- HTTPS
- menneskelig
- i
- identificere
- if
- in
- omfatter
- medtaget
- omfatter
- Forøg
- angivet
- oplysninger
- initial
- Indleder
- innovere
- indgang
- indgange
- indvendig
- indsigt
- interesser
- ind
- indføre
- påberåbes
- spørgsmål
- IT
- ITS
- Job
- jpg
- json
- lige
- Nøgle
- viden
- etiket
- Etiketter
- arbejdskraft
- Sprog
- stor
- Efternavn
- lanceret
- lancering
- LÆR
- læring
- mindst
- ligesom
- Line (linje)
- Liste
- LLM
- placeret
- placering
- låst
- længere
- Lot
- elsker
- lavere
- maskine
- machine learning
- lavet
- Main
- Flertal
- maerker
- manuel
- manuelt
- mange
- kort
- Matrix
- Kan..
- Medier
- Mød
- måske
- minutter
- tilstand
- model
- modeller
- modes
- penge
- overvågning
- mere
- mest
- Bjerg
- meget
- flere
- skal
- navn
- navne
- smal
- Navigation
- nødvendig
- Behov
- behov
- Ny
- nyheder
- næste
- NLP
- ingen
- underretning
- nu
- nummer
- objekt
- målsætninger
- of
- on
- ONE
- igangværende
- kun
- Option
- Indstillinger
- or
- organisation
- organisationer
- Andet
- Ellers
- vores
- ud
- output
- uden for
- i løbet af
- samlet
- egen
- side
- brød
- panel
- parametre
- del
- især
- passerer
- lidenskabelige
- sti
- Mennesker
- per
- ydeevne
- Tilladelser
- fotografering
- pipeline
- plato
- Platon Data Intelligence
- PlatoData
- Vær venlig
- politikker
- politik
- politik
- mulig
- Indlæg
- potentiale
- strøm
- præferencer
- Forbered
- forberedt
- Problem
- problemer
- behandle
- Processer
- forarbejdning
- Produkt
- professionel
- Programmering
- beskyttelse
- give
- forudsat
- leverer
- Python
- kvalitet
- hurtigt
- læsere
- Læsning
- ægte
- modtage
- modtagende
- nylige
- for nylig
- henvise
- region
- lovgivningsmæssige
- Regulatory Compliance
- relaterede
- relevant
- forblive
- indberette
- rapporteret
- Repository
- påkrævet
- Krav
- ressource
- Ressourcer
- Svar
- Resultater
- afkast
- højre
- regler
- Kør
- samme
- Gem
- gemt
- Skalerbarhed
- skalerbar
- Scale
- skalaer
- skalering
- Videnskabsmand
- ridse
- Søg
- Anden
- Sektion
- se
- valg
- senior
- sendt
- adskille
- Series
- tjeneste
- Tjenester
- sæt
- indstilling
- indstillinger
- Del
- hun
- Kort
- bør
- viste
- vist
- signifikant
- betyde
- Simpelt
- enkelt
- Situationen
- Social
- sociale medier
- løsninger
- Løsninger
- SOLVE
- nogle
- Kilde
- Kilder
- specifikke
- specificeret
- Sport
- stable
- Stage
- etaper
- standarder
- starte
- starter
- state-of-the-art
- Status
- Trin
- Steps
- opbevaring
- butik
- strømline
- abonnenter
- abonnement
- Efterfølgende
- Succesfuld
- sådan
- support
- Understøttet
- Understøtter
- Kortlægge
- TAG
- skræddersyet
- Tag
- Opgaver
- hold
- tech
- teknikker
- Teknologier
- skabelon
- prøve
- tekst
- Tekstklassificering
- end
- at
- The Source
- deres
- Them
- derefter
- Disse
- de
- ting
- denne
- tusinder
- tre
- Gennem
- tid
- tidskrævende
- til
- værktøjer
- Emner
- Tog
- uddannet
- Kurser
- Traveling
- Tendenser
- udløse
- prøv
- to
- typen
- afdække
- under
- forstå
- enestående
- uudnyttet
- indtil
- uploadet
- Uploading
- us
- brug
- brug tilfælde
- anvendte
- Bruger
- brugere
- bruger
- ved brug af
- Værdifuld
- værdi
- række
- udgave
- Specifikation
- ønsker
- Vej..
- we
- web
- webservices
- Hjemmeside
- hvornår
- som
- mens
- Hele
- vilje
- med
- inden for
- uden
- Arbejde
- workflow
- arbejdsgange
- arbejder
- træner
- virker
- Du
- Din
- zephyrnet
- Zip