Finanzdienstleister, die Gig Economy, Telekommunikation, das Gesundheitswesen, soziale Netzwerke und andere Kunden verwenden die Gesichtsverifizierung während des Online-Onboardings, die Step-up-Authentifizierung, die altersbasierte Zugangsbeschränkung und die Bot-Erkennung. Diese Kunden verifizieren die Benutzeridentität, indem sie das Gesicht des Benutzers in einem von einer Gerätekamera aufgenommenen Selfie mit einem von der Regierung ausgestellten Personalausweisfoto oder einem vorher festgelegten Profilfoto abgleichen. Sie schätzen auch das Alter des Benutzers anhand der Gesichtsanalyse, bevor sie den Zugriff auf altersbeschränkte Inhalte gewähren. Betrüger setzen jedoch zunehmend Spoof-Angriffe ein, indem sie öffentlich gepostete, heimlich aufgenommene oder synthetisch erstellte Gesichtsbilder oder Videos des Benutzers verwenden, um unbefugten Zugriff auf das Konto des Benutzers zu erhalten. Um diesen Betrug zu verhindern und die damit verbundenen Kosten zu reduzieren, müssen Kunden die Lebendigkeitserkennung hinzufügen, bevor der Gesichtsabgleich oder die Altersschätzung in ihrem Arbeitsablauf zur Gesichtsüberprüfung durchgeführt wird, um zu bestätigen, dass der Benutzer vor der Kamera eine echte und lebende Person ist .
Wir freuen uns, vorstellen zu können Amazon-Anerkennung Face Liveness hilft Ihnen, Betrug während der Gesichtsverifizierung einfach und genau zu verhindern. In diesem Beitrag beginnen wir mit einem Überblick über die Face Liveness-Funktion, ihre Anwendungsfälle und die Endbenutzererfahrung; einen Überblick über seine Spoof-Erkennungsfunktionen geben; und zeigen Sie, wie Sie Face Liveness zu Ihren Web- und Mobilanwendungen hinzufügen können.
Überblick über die Lebendigkeit des Gesichts
Heute erkennen Kunden Lebendigkeit mit verschiedenen Lösungen. Einige Kunden verwenden Open-Source- oder kommerzielle Modelle für maschinelles Lernen (ML) zur Erkennung von Gesichtsmerkmalen in ihren Web- und Mobilanwendungen, um zu überprüfen, ob Benutzer bestimmte Gesten wie Lächeln, Nicken, Kopfschütteln, Blinzeln oder Öffnen des Mundes korrekt ausführen. Diese Lösungen sind kostspielig in der Erstellung und Wartung, können fortgeschrittene Spoof-Angriffe nicht abwehren, die mit physischen 3D-Masken oder injizierten Videos durchgeführt werden, und erfordern einen hohen Benutzeraufwand. Einige Kunden verwenden Face Liveness-Funktionen von Drittanbietern, die nur Spoof-Angriffe erkennen können, die der Kamera präsentiert werden (z. B. gedruckte oder digitale Fotos oder Videos auf einem Bildschirm), die für Benutzer in ausgewählten Regionen gut funktionieren und häufig vollständig vom Kunden verwaltet werden. Schließlich verlassen sich einige Kundenlösungen auf hardwarebasierte Infrarot- und andere Sensoren in Telefon- oder Computerkameras, um die Lebendigkeit von Gesichtern zu erkennen, aber diese Lösungen sind kostspielig, hardwarespezifisch und funktionieren nur für Benutzer mit ausgewählten High-End-Geräten.
Mit Face Liveness können Sie in Sekundenschnelle erkennen, dass echte Benutzer und keine schlechten Schauspieler, die Spoofs verwenden, auf Ihre Dienste zugreifen. Face Liveness umfasst die folgenden Schlüsselfunktionen:
- Analysiert ein kurzes Selfie-Video des Benutzers in Echtzeit, um festzustellen, ob der Benutzer echt oder eine Fälschung ist
- Gibt einen Lebendigkeits-Konfidenzwert zurück – eine Metrik für das Konfidenzniveau von 0–100, die die Wahrscheinlichkeit angibt, dass eine Person real und lebendig ist
- Gibt ein qualitativ hochwertiges Referenzbild zurück – einen Selfie-Frame mit Qualitätsprüfungen, der für Downstream verwendet werden kann Amazon Rekognition-Gesichtsabgleich or Altersschätzung Analyse
- Gibt bis zu vier Audit-Bilder zurück – Einzelbilder aus dem Selfie-Video, die zur Verwaltung von Audit-Trails verwendet werden können
- Erkennt Spoofs, die der Kamera präsentiert werden, z. B. gedruckte Fotos, Digitalfotos, Digitalvideos oder 3D-Masken, sowie Spoofs, die die Kamera umgehen, z. B. ein aufgezeichnetes oder Deepfake-Video
- Kann mithilfe vorgefertigter Open-Source-AWS Amplify-UI-Komponenten problemlos zu Anwendungen hinzugefügt werden, die auf den meisten Geräten mit einer Frontkamera ausgeführt werden
Darüber hinaus ist kein Infrastrukturmanagement, keine hardwarespezifische Implementierung oder ML-Expertise erforderlich. Die Funktion wird je nach Bedarf automatisch nach oben oder unten skaliert, und Sie zahlen nur für die von Ihnen durchgeführten Face-Liveness-Checks. Face Liveness verwendet ML-Modelle, die auf verschiedenen Datensätzen trainiert wurden, um eine hohe Genauigkeit für Hauttöne, Vorfahren und Geräte von Benutzern zu gewährleisten.
Anwendungsszenarien
Das folgende Diagramm veranschaulicht einen typischen Arbeitsablauf mit Face Liveness.
Sie können Face Liveness in den folgenden Arbeitsabläufen zur Benutzerüberprüfung verwenden:
- Benutzer-Onboarding – Sie können die betrügerische Kontoerstellung für Ihren Dienst reduzieren, indem Sie neue Benutzer mit Face Liveness vor der nachgelagerten Verarbeitung validieren. Beispielsweise kann ein Finanzdienstleistungskunde Face Liveness verwenden, um einen echten und lebenden Benutzer zu erkennen und dann einen Gesichtsabgleich durchführen, um zu überprüfen, ob dies der richtige Benutzer ist, bevor er ein Online-Konto eröffnet. Dies kann einen schlechten Schauspieler davon abhalten, Bilder einer anderen Person in sozialen Medien zu verwenden, um betrügerische Bankkonten zu eröffnen.
- Erweiterte Authentifizierung – Mit Face Liveness können Sie die Überprüfung von hochwertigen Benutzeraktivitäten auf Ihren Diensten, wie z. B. Gerätewechsel, Passwortänderung und Geldtransfers, verstärken, bevor die Aktivität ausgeführt wird. Beispielsweise kann ein Kunde von Mitfahrgelegenheiten oder Essenslieferdiensten Face Liveness verwenden, um einen echten und lebenden Benutzer zu erkennen, und dann anhand eines etablierten Profilbilds einen Gesichtsabgleich durchführen, um die Identität eines Fahrers oder Liefermitarbeiters vor einer Fahrt oder Lieferung zu überprüfen, um die Sicherheit zu fördern. Dies kann unbefugte Liefermitarbeiter und Fahrer davon abhalten, mit Endbenutzern in Kontakt zu treten.
- Überprüfung des Benutzeralters – Sie können minderjährige Benutzer davon abhalten, auf eingeschränkte Online-Inhalte zuzugreifen. Beispielsweise können Online-Tabakhändler oder Kunden von Online-Glücksspielen Face Liveness verwenden, um einen echten und lebenden Benutzer zu erkennen, und dann eine Altersschätzung mithilfe einer Gesichtsanalyse durchführen, um das Alter des Benutzers zu überprüfen, bevor ihm Zugriff auf die Serviceinhalte gewährt wird. Dies kann einen minderjährigen Benutzer davon abhalten, die Kreditkarten oder das Foto seiner Eltern zu verwenden und sich Zugang zu schädlichen oder unangemessenen Inhalten zu verschaffen.
- Bot-Erkennung – Sie können verhindern, dass Bots mit Ihrem Dienst interagieren, indem Sie Face Liveness anstelle von „echten menschlichen“ Captcha-Checks verwenden. Beispielsweise können Social-Media-Kunden Face Liveness verwenden, um echte menschliche Kontrollen durchzuführen, um Bots in Schach zu halten. Dies erhöht die Kosten und den Aufwand für Benutzer, die die Bot-Aktivität steuern, erheblich, da wichtige Bot-Aktionen jetzt eine Face-Liveness-Prüfung bestehen müssen.
Endbenutzererfahrung
Wenn Endbenutzer sich in Ihrer Anwendung anmelden oder authentifizieren müssen, bietet Face Liveness die Benutzeroberfläche und Echtzeit-Feedback für den Benutzer, um schnell ein kurzes Selfie-Video aufzunehmen, in dem er sein Gesicht in ein Oval bewegt, das auf dem Bildschirm seines Geräts gerendert wird. Wenn sich das Gesicht des Benutzers in das Oval bewegt, wird eine Reihe farbiger Lichter auf dem Bildschirm des Geräts angezeigt und das Selfie-Video wird sicher an die Cloud-APIs gestreamt, wo fortschrittliche ML-Modelle das Video in Echtzeit analysieren. Nach Abschluss der Analyse erhalten Sie einen Liveness-Prognose-Score (ein Wert zwischen 0 und 100), ein Referenzbild und Audit-Bilder. Je nachdem, ob der Liveness Confidence Score über oder unter den vom Kunden festgelegten Schwellenwerten liegt, können Sie nachgelagerte Überprüfungsaufgaben für den Benutzer durchführen. Wenn der Liveness-Score unter dem Schwellenwert liegt, können Sie den Benutzer bitten, es erneut zu versuchen, oder ihn an eine alternative Überprüfungsmethode weiterleiten.
Die Reihenfolge der Bildschirme, die dem Endbenutzer angezeigt werden, ist wie folgt:
- Die Sequenz beginnt mit einem Startbildschirm, der eine Einführung und eine lichtempfindliche Warnung enthält. Es fordert den Endbenutzer auf, Anweisungen zu befolgen, um zu beweisen, dass er eine echte Person ist.
- Nachdem der Endbenutzer wählt Prüfung beginnen, wird ein Kamerabildschirm angezeigt und die Prüfung beginnt mit einem Countdown von 3.
- Am Ende des Countdowns beginnt eine Videoaufnahme und auf dem Bildschirm erscheint ein Oval. Der Endbenutzer wird aufgefordert, sein Gesicht in das Oval zu bewegen. Wenn Face Liveness erkennt, dass sich das Gesicht in der richtigen Position befindet, wird der Endbenutzer aufgefordert, für eine Reihe von Farben, die angezeigt werden, still zu halten.
- Das Video wird zur Liveness-Erkennung übermittelt und ein Ladebildschirm mit der Meldung „Verifying“ erscheint.
- Der Endbenutzer erhält eine Erfolgsmeldung oder eine Aufforderung, es erneut zu versuchen.
So sieht die Benutzererfahrung in Aktion in einer Beispielimplementierung von Face Liveness aus.
Spoof-Erkennung
Face Liveness kann Präsentationen verhindern und Spoof-Angriffe umgehen. Lassen Sie uns die wichtigsten Spoof-Typen skizzieren und sehen, wie Face Liveness sie abschreckt.
Präsentations-Spoof-Angriffe
Hierbei handelt es sich um Spoof-Angriffe, bei denen ein Angreifer das Gesicht eines anderen Benutzers mithilfe gedruckter oder digitaler Artefakte in die Kamera zeigt. Der Angreifer kann einen Ausdruck des Gesichts eines Benutzers verwenden, das Gesicht des Benutzers mithilfe eines Fotos oder Videos auf dem Display seines Geräts anzeigen oder eine 3D-Gesichtsmaske tragen, die wie der Benutzer aussieht. Face Liveness kann diese Arten von Präsentations-Spoof-Angriffen erfolgreich erkennen, wie wir im folgenden Beispiel demonstrieren.
Das Folgende zeigt einen Präsentations-Spoof-Angriff mit einem digitalen Video auf dem Gerätedisplay.
Im Folgenden sehen Sie ein Beispiel für einen Präsentations-Spoof-Angriff mit einem digitalen Foto auf dem Gerätedisplay.
Das folgende Beispiel zeigt einen Präsentations-Spoof-Angriff mit einer 3D-Maske.
Das folgende Beispiel zeigt einen Präsentations-Spoof-Angriff mit einem gedruckten Foto.
Bypass- oder Video-Injection-Angriffe
Dies sind Spoof-Angriffe, bei denen ein Angreifer die Kamera umgeht, um mithilfe einer virtuellen Kamera ein Selfie-Video direkt an die Anwendung zu senden.
Face Liveness-Komponenten
Amazon Rekognition Face Liveness verwendet mehrere Komponenten:
- AWS verstärken Web- und Mobil-SDKs mit der
FaceLivenessDetector
Komponente - AWS-SDKs
- Cloud-APIs
Sehen wir uns die Rolle der einzelnen Komponenten an und wie Sie diese Komponenten einfach zusammen verwenden können, um Face Liveness in nur wenigen Tagen in Ihre Anwendungen einzufügen.
Erweitern Sie Web- und Mobil-SDKs mit der FaceLivenessDetector-Komponente
Das Verstärken FaceLivenessDetector
Komponente integriert die Face Liveness-Funktion in Ihre Anwendung. Es verwaltet die Benutzeroberfläche und Echtzeit-Feedback für Benutzer, während sie ihr Video-Selfie aufnehmen.
Wenn eine Clientanwendung die FaceLivenessDetector
Komponente, stellt sie eine Verbindung zum Amazon Rekognition-Streamingdienst her, rendert ein Oval auf dem Bildschirm des Endbenutzers und zeigt eine Abfolge farbiger Lichter an. Es zeichnet auch Videos auf und streamt sie in Echtzeit an den Amazon Rekognition-Streaming-Service und gibt die Erfolgs- oder Fehlernachricht entsprechend wieder.
AWS SDKs und Cloud-APIs
Wenn Sie Ihre Anwendung für die Integration mit der Face Liveness-Funktion konfigurieren, verwendet sie die folgenden API-Operationen:
- FaceLivenessSession erstellen – Startet eine Face Liveness-Sitzung, sodass das Face Liveness-Erkennungsmodell in Ihrer Anwendung verwendet werden kann. Gibt ein
SessionId
für die erstellte Sitzung. - FaceLivenessSession starten – Wird von der angerufen
FaceLivenessDetector
Komponente. Startet einen Ereignisstream mit Informationen zu relevanten Ereignissen und Attributen in der aktuellen Sitzung. - GetFaceLivenessSessionResults – Ruft die Ergebnisse einer bestimmten Face Liveness-Sitzung ab, einschließlich eines Face Liveness-Vertrauenswerts, eines Referenzbilds und von Audit-Bildern.
Sie können Amazon Rekognition Face Liveness mit jedem unterstützten AWS SDK wie dem testen AWS Python SDK Boto3 oder im AWS-SDK für Java V2.
Entwicklererfahrung
Das folgende Diagramm zeigt die Lösungsarchitektur.
Der Überprüfungsprozess der Gesichtslebendigkeit umfasst mehrere Schritte:
- Der Endbenutzer initiiert eine Face Liveness-Prüfung in der Client-App.
- Die Client-App ruft das Back-End des Kunden auf, das wiederum Amazon Rekognition aufruft. Der Dienst erstellt eine Face Liveness-Sitzung und gibt eine eindeutige zurück
SessionId
. - Die Client-App rendert die
FaceLivenessDetector
Komponente mit dem erhaltenenSessionId
und entsprechende Rückrufe. - Das
FaceLivenessDetector
Die Komponente stellt eine Verbindung zum Amazon Rekognition-Streamingdienst her, rendert ein Oval auf dem Bildschirm des Benutzers und zeigt eine Abfolge farbiger Lichter an.FaceLivenessDetector
zeichnet Videos auf und streamt sie in Echtzeit an den Amazon Rekognition-Streaming-Service. - Amazon Rekognition verarbeitet das Video in Echtzeit, speichert die Ergebnisse einschließlich des Referenzbildes und der Prüfbilder, die in einem Amazon Simple Storage Service (S3)-Bucket gespeichert sind, und gibt a
DisconnectEvent
zu denFaceLivenessDetector
Komponente, wenn das Streaming abgeschlossen ist. - Das
FaceLivenessDetector
-Komponente ruft die entsprechenden Callbacks auf, um der Client-App zu signalisieren, dass das Streaming abgeschlossen ist und die Partituren zum Abruf bereitstehen. - Die Client-App ruft das Back-End des Kunden auf, um ein boolesches Flag zu erhalten, das angibt, ob der Benutzer live war oder nicht. Das Kunden-Back-End stellt die Anfrage an Amazon Rekognition, um den Vertrauenswert, die Referenz und die Audit-Bilder zu erhalten. Das Kunden-Back-End verwendet diese Attribute, um festzustellen, ob der Benutzer live ist, und gibt eine entsprechende Antwort an die Client-App zurück.
- Schließlich übergibt die Client-App die Antwort an die
FaceLivenessDetector
-Komponente, die die Erfolgs- oder Fehlernachricht entsprechend rendert, um den Ablauf abzuschließen.
Zusammenfassung
In diesem Beitrag haben wir gezeigt, wie die neue Face Liveness-Funktion in Amazon Rekognition erkennt, ob ein Benutzer, der einen Gesichtsverifizierungsprozess durchläuft, physisch vor einer Kamera anwesend ist und kein schlechter Schauspieler mit einem Spoof-Angriff ist. Mit Face Liveness können Sie Betrug in Ihren Arbeitsabläufen zur gesichtsbasierten Benutzerüberprüfung verhindern.
Fangen Sie noch heute an, indem Sie die besuchen Face Liveness-Funktionsseite um weitere Informationen zu erhalten und auf das Entwicklerhandbuch zuzugreifen. Cloud-APIs von Amazon Rekognition Face Liveness sind in den Regionen USA Ost (Nord-Virginia), USA West (Oregon), Europa (Irland), Asien-Pazifik (Mumbai) und Asien-Pazifik (Tokio) verfügbar.
Über die Autoren
Zuhayr Raghib ist AI Services Solutions Architect bei AWS. Er ist auf angewandte KI/ML spezialisiert und engagiert sich leidenschaftlich dafür, Kunden die Nutzung der Cloud zu ermöglichen, um schneller Innovationen zu entwickeln und ihre Unternehmen zu transformieren.
Pavan Prasanna Kumar ist Senior Product Manager bei AWS. Er ist leidenschaftlich daran interessiert, Kunden bei der Lösung ihrer geschäftlichen Herausforderungen durch künstliche Intelligenz zu unterstützen. In seiner Freizeit spielt er gerne Squash, hört Business-Podcasts und erkundet neue Cafés und Restaurants.
Tuschar Agrawal leitet das Produktmanagement für Amazon Rekognition. In dieser Rolle konzentriert er sich auf den Aufbau von Computer-Vision-Funktionen, die kritische Geschäftsprobleme für AWS-Kunden lösen. Er verbringt gerne Zeit mit der Familie und hört Musik.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/detect-real-and-live-users-and-deter-bad-actors-using-amazon-rekognition-face-liveness/
- :Ist
- $UP
- 100
- 3d
- 7
- a
- Über uns
- oben
- Zugang
- Zugriff
- Konto
- Trading Konten
- Genauigkeit
- genau
- über
- Action
- Aktionen
- Aktivitäten
- Aktivität
- Akteure
- hinzugefügt
- Zusatz
- advanced
- Nach der
- AI
- KI-Dienste
- AI / ML
- Zulassen
- Alternative
- Amazon
- Amazon-Anerkennung
- Amazon einfacher Speicherdienst (S3)
- Analyse
- analysieren
- und
- Ein anderer
- Bienen
- APIs
- App
- Anwendung
- Anwendungen
- angewandt
- angemessen
- passend
- Architektur
- SIND
- künstlich
- künstliche Intelligenz
- AS
- Asien
- Asien-Pazifik-
- damit verbundenen
- At
- Attacke
- Anschläge
- Attribute
- Prüfung
- authentifizieren
- Authentifizierung
- Im Prinzip so, wie Sie es von Google Maps kennen.
- verfügbar
- AWS
- Backend
- Badewanne
- Bank
- Bankkonten
- Bucht
- BE
- weil
- Bevor
- Sein
- unten
- zwischen
- Wander- und Outdoorschuhen
- Bots
- bauen
- Building
- Geschäft
- Unternehmen
- by
- Cafés
- namens
- Aufrufe
- Kamera
- Kameras
- CAN
- Fähigkeiten
- Erfassung
- Karte
- Karten
- Fälle
- Herausforderungen
- Übernehmen
- aus der Ferne überprüfen
- Schecks
- Auftraggeber
- Cloud
- kommerziell
- abschließen
- uneingeschränkt
- Komponente
- Komponenten
- Computer
- Computer Vision
- Vertrauen
- Schichtannahme
- Verbindung
- Inhalt
- Kosten
- Kosten
- erstellt
- schafft
- Schaffung
- Kredit
- Geldkarten
- kritischem
- Strom
- Kunde
- Kundenlösungen
- Kunden
- Datensätze
- Tage
- Lieferanten
- Demand
- zeigen
- Abhängig
- einsetzen
- Entdeckung
- Bestimmen
- Entwickler:in / Unternehmen
- Gerät
- Geräte
- digital
- Direkt
- Display
- Displays
- verschieden
- nach unten
- Treiber
- Fahren
- im
- jeder
- leicht
- Osten
- Wirtschaft
- Anstrengung
- ermöglichen
- Eingriff
- etablierten
- etabliert
- schätzen
- Europa
- Event
- Veranstaltungen
- Beispiel
- aufgeregt
- ERFAHRUNGEN
- Expertise
- Möglichkeiten sondieren
- ausgesetzt
- Augenfarbe
- Gesicht
- Gesichtsmaske
- Gesichts-
- FAIL
- Scheitern
- Familie
- beschleunigt
- Merkmal
- Eigenschaften
- Feedback
- wenige
- Revolution
- Finanzdienstleistungen
- Fluss
- konzentriert
- folgen
- Folgende
- folgt
- Aussichten für
- FRAME
- Betrug
- betrügerisch
- für
- Materials des
- Gewinnen
- gewinnen
- Spiel
- geographien
- bekommen
- Gig-Wirtschaft
- gehen
- Gewährung
- Guide
- Griffe
- schädlich
- ganzer
- Gesundheitswesen
- Hilfe
- Unternehmen
- GUTE
- High-End
- hochwertige
- Ultraschall
- aber
- HTML
- HTTPS
- human
- Identitätsschutz
- Image
- Bilder
- Implementierung
- in
- Dazu gehören
- Einschließlich
- Steigert
- zunehmend
- zeigt
- Information
- Infrastruktur
- Initiiert
- wir innovieren
- Anleitung
- integrieren
- Integriert
- Intelligenz
- Schnittstelle
- einführen
- Einleitung
- Irland
- IT
- SEINE
- Javac
- jpg
- Behalten
- Wesentliche
- Wahrzeichen
- umwandeln
- lernen
- Vermietung
- Niveau
- Gefällt mir
- Hören
- leben
- Lebendigkeit
- Laden
- SIEHT AUS
- Maschine
- Maschinelles Lernen
- halten
- Aufrechterhaltung
- MACHT
- Management
- Manager
- Maske"
- Masken
- Abstimmung
- Medien
- Nachricht
- Methode
- Metrisch
- ML
- Mobil
- Mobile Anwendungen
- Modell
- für
- Geld
- Geldtransfers
- mehr
- vor allem warme
- Mund
- schlauer bewegen
- bewegt sich
- ziehen um
- mehrere
- Mumbai
- Musik
- Need
- Vernetzung
- Neu
- neue Nutzer
- Benachrichtigung
- erhalten
- of
- on
- Onboard
- Einsteigen
- Online
- Online-Glücksspiele
- XNUMXh geöffnet
- Open-Source-
- Eröffnung
- Einkauf & Prozesse
- Oregon
- Andere
- skizzieren
- Überblick
- Pazifik
- passieren
- leitet
- leidenschaftlich
- Passwort
- AUFMERKSAMKEIT
- Ausführen
- person
- Telefon
- physikalisch
- Physisch
- ein Bild
- Fotos
- Ort
- Plato
- Datenintelligenz von Plato
- PlatoData
- spielend
- Podcasts
- Position
- Post
- gepostet
- Prognose
- Gegenwart
- presentation
- vorgeführt
- Geschenke
- Vor
- Probleme
- Prozessdefinierung
- anpassen
- Verarbeitung
- Produkt
- Produktmanagement
- Produkt-Manager
- Profil
- fördern
- Belegen
- die
- bietet
- öffentlich
- Python
- Qualität
- schnell
- bereit
- echt
- Echtzeit
- erhalten
- erhält
- Einspielung vor
- Aufzeichnungen
- Veteran
- Regionen
- relevant
- macht
- Anforderung
- erfordern
- falls angefordert
- Antwort
- Restaurants
- eingeschränkt
- Einschränkung
- Die Ergebnisse
- Einzelhändler
- Rückgabe
- Überprüfen
- Biken
- Rollen
- Straße
- Laufen
- Sicherheit
- Waage
- Ergebnis
- Bildschirm
- Bildschirme
- Sdk
- Sekunden
- sicher
- selfie
- Senior
- Sensoren
- Reihenfolge
- Modellreihe
- Dienstleistungen
- Sitzung
- mehrere
- Short
- erklären
- Konzerte
- Signal
- bedeutend
- Einfacher
- Haut
- Social Media
- Social Media
- Soziales Netzwerk
- Lösung
- Lösungen
- LÖSEN
- einige
- spezialisieren
- spezifisch
- Ausgabe
- Anfang
- begonnen
- beginnt
- Shritte
- Immer noch
- Lagerung
- gelagert
- Läden
- Strom
- gestreamt
- Streaming
- Streaming-Service
- Ströme
- Stärke
- eingereicht
- Erfolg
- Erfolgreich
- so
- Unterstützte
- synthetisch
- und Aufgaben
- Telco
- Test
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- ihr
- Sie
- sich
- Diese
- basierte Online-to-Offline-Werbezuordnungen von anderen gab.
- Schwelle
- Durch
- Zeit
- zu
- heute
- gemeinsam
- Tokio
- trainiert
- Transfers
- Transformieren
- WENDE
- Typen
- typisch
- ui
- einzigartiges
- us
- -
- Mitglied
- Benutzererfahrung
- Benutzerschnittstelle
- Nutzer
- Wert
- verschiedene
- Verification
- überprüfen
- Video
- Videos
- Virginia
- Assistent
- Seh-
- Warnung
- Netz
- GUT
- West
- Was
- ob
- welche
- während
- werden wir
- mit
- Arbeiten
- Workflows
- Du
- Ihr
- Zephyrnet