Dies ist ein Gast-Blogbeitrag, der gemeinsam mit Vik Pant und Kyle Bassett von PwC verfasst wurde.
Da Unternehmen zunehmend in maschinelles Lernen (ML) investieren, ist die Einführung von ML zu einem integralen Bestandteil von Geschäftstransformationsstrategien geworden. Ein neuer PwC-CEO Umfrage gab bekannt, dass 84 % der kanadischen CEOs der Meinung sind, dass künstliche Intelligenz (KI) ihr Geschäft in den nächsten fünf Jahren erheblich verändern wird, wodurch diese Technologie wichtiger denn je wird. Die Implementierung von ML in die Produktion erfordert jedoch verschiedene Überlegungen, insbesondere die Fähigkeit, sich sicher, strategisch und verantwortungsbewusst in der Welt der KI zurechtzufinden. Einer der ersten Schritte und insbesondere eine große Herausforderung auf dem Weg zur KI-Unterstützung ist die effektive Entwicklung von ML-Pipelines, die in der Cloud nachhaltig skaliert werden können. Betrachtet man ML als Pipelines, die Modelle generieren und verwalten, und nicht als Modelle selbst, hilft dies beim Aufbau vielseitiger und belastbarer Vorhersagesysteme, die besser in der Lage sind, bedeutsamen Änderungen relevanter Daten im Laufe der Zeit standzuhalten.
Viele Organisationen beginnen ihre Reise in die Welt des ML mit einer modellzentrierten Sichtweise. In den frühen Phasen des Aufbaus einer ML-Praxis liegt der Schwerpunkt auf dem Training überwachter ML-Modelle, bei denen es sich um mathematische Darstellungen von Beziehungen zwischen Eingaben (unabhängigen Variablen) und Ausgaben (abhängigen Variablen) handelt, die aus Daten (typischerweise historischen) gelernt werden. Modelle sind mathematische Artefakte, die Eingabedaten aufnehmen, Berechnungen und Berechnungen darauf durchführen und Vorhersagen oder Schlussfolgerungen generieren.
Obwohl dieser Ansatz ein vernünftiger und relativ einfacher Ausgangspunkt ist, ist er aufgrund des manuellen und Ad-hoc-Charakters der Modellschulungs-, Optimierungs-, Test- und Erprobungsaktivitäten weder grundsätzlich skalierbar noch nachhaltig. Organisationen mit größerer Reife im ML-Bereich übernehmen ein ML-Operations-Paradigma (MLOps), das kontinuierliche Integration, kontinuierliche Bereitstellung, kontinuierliche Bereitstellung und kontinuierliche Schulung umfasst. Im Mittelpunkt dieses Paradigmas steht eine Pipeline-zentrierte Sichtweise für die Entwicklung und den Betrieb industrieller ML-Systeme.
In diesem Beitrag beginnen wir mit einem Überblick über MLOps und seine Vorteile, beschreiben eine Lösung zur Vereinfachung seiner Implementierungen und stellen Details zur Architektur bereit. Wir schließen mit einer Fallstudie ab, die die Vorteile hervorhebt, die ein großer AWS- und PwC-Kunde erzielt hat, der diese Lösung implementiert hat.
Hintergrund
Eine MLOps-Pipeline ist eine Reihe miteinander verbundener Schrittsequenzen, die zum Erstellen, Bereitstellen, Betreiben und Verwalten eines oder mehrerer ML-Modelle in der Produktion verwendet werden. Eine solche Pipeline umfasst die Phasen beim Erstellen, Testen, Optimieren und Bereitstellen von ML-Modellen, einschließlich, aber nicht beschränkt auf, Datenvorbereitung, Feature-Engineering, Modelltraining, Evaluierung, Bereitstellung und Überwachung. Daher ist ein ML-Modell das Produkt einer MLOps-Pipeline, und eine Pipeline ist ein Workflow zum Erstellen eines oder mehrerer ML-Modelle. Solche Pipelines unterstützen strukturierte und systematische Prozesse zum Erstellen, Kalibrieren, Bewerten und Implementieren von ML-Modellen, und die Modelle selbst generieren Vorhersagen und Schlussfolgerungen. Durch die Automatisierung der Entwicklung und Operationalisierung von Pipeline-Stufen können Unternehmen die Zeit bis zur Bereitstellung von Modellen verkürzen, die Stabilität der Modelle in der Produktion erhöhen und die Zusammenarbeit zwischen Teams aus Datenwissenschaftlern, Softwareentwicklern und IT-Administratoren verbessern.
Lösungsüberblick
AWS bietet ein umfassendes Portfolio an Cloud-nativen Diensten für die skalierbare und nachhaltige Entwicklung und den Betrieb von MLOps-Pipelines. Amazon Sage Maker umfasst ein umfassendes Portfolio an Funktionen als vollständig verwalteter MLOps-Dienst, der es Entwicklern ermöglicht, ML-Modelle in der Cloud zu erstellen, zu trainieren, bereitzustellen, zu betreiben und zu verwalten. SageMaker deckt den gesamten MLOps-Workflow ab, von der Erfassung bis zur Aufbereitung und dem Training der Daten mit integrierten Hochleistungsalgorithmen und hochentwickelten automatisierten ML-Experimenten (AutoML), sodass Unternehmen spezifische Modelle auswählen können, die ihren Geschäftsprioritäten und -präferenzen entsprechen. SageMaker ermöglicht es Unternehmen, den Großteil ihres MLOps-Lebenszyklus gemeinsam zu automatisieren, sodass sie sich auf Geschäftsergebnisse konzentrieren können, ohne Projektverzögerungen oder steigende Kosten zu riskieren. Auf diese Weise ermöglicht SageMaker Unternehmen, sich auf Ergebnisse zu konzentrieren, ohne sich Gedanken über Infrastruktur, Entwicklung und Wartung machen zu müssen, die mit der Bereitstellung industrietauglicher Prognosedienste verbunden sind.
SageMaker beinhaltet Amazon SageMaker-JumpStart, das sofort einsatzbereite Lösungsmuster für Unternehmen bietet, die ihre MLOps-Reise beschleunigen möchten. Organisationen können mit vorab trainierten und Open-Source-Modellen beginnen, die durch Umschulung und Transferlernen genau auf ihre spezifischen Bedürfnisse abgestimmt werden können. Darüber hinaus bietet JumpStart Lösungsvorlagen zur Bewältigung gängiger Anwendungsfälle sowie Beispiel-Jupyter-Notebooks mit vorgefertigtem Startercode. Auf diese Ressourcen können Sie zugreifen, indem Sie einfach die darin enthaltene JumpStart-Landingpage besuchen Amazon SageMaker-Studio.
PwC hat einen vorgefertigten MLOps-Beschleuniger entwickelt, der die Zeit bis zur Wertschöpfung weiter beschleunigt und die Kapitalrendite für Unternehmen, die SageMaker verwenden, erhöht. Dieser MLOps-Beschleuniger erweitert die nativen Funktionen von JumpStart durch die Integration ergänzender AWS-Dienste. Mit einer umfassenden Suite technischer Artefakte, darunter IaC-Skripte (Infrastructure as Code), Datenverarbeitungs-Workflows, Service-Integrationscode und Pipeline-Konfigurationsvorlagen, vereinfacht der MLOps-Beschleuniger von PwC den Prozess der Entwicklung und des Betriebs von Vorhersagesystemen der Produktionsklasse.
Architektur Überblick
Die Einbeziehung cloudnativer serverloser Dienste von AWS hat in der Architektur des PwC MLOps-Beschleunigers Priorität. Der Einstiegspunkt in diesen Beschleuniger ist jedes Kollaborationstool wie Slack, mit dem ein Datenwissenschaftler oder Dateningenieur eine AWS-Umgebung für MLOps anfordern kann. Eine solche Anfrage wird analysiert und dann mithilfe der Workflow-Funktionen in diesem Kollaborationstool vollständig oder halbautomatisch genehmigt. Nachdem eine Anfrage genehmigt wurde, werden ihre Details zur Parametrisierung von IaC-Vorlagen verwendet. Der Quellcode für diese IaC-Vorlagen wird in verwaltet AWS-CodeCommit. Diese parametrisierten IaC-Vorlagen werden an übermittelt AWS CloudFormation zum Modellieren, Bereitstellen und Verwalten von Stapeln von AWS- und Drittanbieter-Ressourcen.
Das folgende Diagramm veranschaulicht den Arbeitsablauf.
Nachdem AWS CloudFormation eine Umgebung für MLOps auf AWS bereitgestellt hat, ist die Umgebung für die Nutzung durch Datenwissenschaftler, Dateningenieure und deren Mitarbeiter bereit. Der PWC-Beschleuniger enthält vordefinierte Rollen AWS Identity and Access Management and (IAM), die sich auf MLOps-Aktivitäten und -Aufgaben beziehen. Diese Rollen geben die Dienste und Ressourcen in der MLOps-Umgebung an, auf die verschiedene Benutzer basierend auf ihren Jobprofilen zugreifen können. Nach dem Zugriff auf die MLOps-Umgebung können Benutzer auf alle Modalitäten von SageMaker zugreifen, um ihre Aufgaben zu erfüllen. Dazu gehören SageMaker-Notebook-Instanzen, Amazon SageMaker-Autopilot Experimente und Studio. Sie können von allen Features und Funktionen von SageMaker profitieren, einschließlich Modelltraining, Optimierung, Evaluierung, Bereitstellung und Überwachung.
Der Beschleuniger umfasst auch Verbindungen mit Amazon DataZone zum Teilen, Suchen und Entdecken von Daten im großen Maßstab über Organisationsgrenzen hinweg, um Modelle zu generieren und anzureichern. Ebenso können Daten zum Training, Testen, Validieren und Erkennen von Modelldriften eine Vielzahl von Diensten liefern, darunter Amazon RedShift, Relationaler Amazon-Datenbankdienst (Amazon-RDS), Amazon Elastic File System (Amazon EFS) und Amazon Simple Storage-Service (Amazon S3). Vorhersagesysteme können auf viele Arten bereitgestellt werden, einschließlich direkter SageMaker-Endpunkte oder eingebetteter SageMaker-Endpunkte AWS Lambda Funktionen und SageMaker-Endpunkte, die über benutzerdefinierten Code aufgerufen werden Amazon Elastic Kubernetes-Service (Amazon EKS) oder Amazon Elastic Compute-Cloud (Amazon EC2). Amazon CloudWatch wird verwendet, um die Umgebung für MLOps auf AWS umfassend zu überwachen, um Alarme, Protokolle und Ereignisdaten aus dem gesamten Stack (Anwendungen, Infrastruktur, Netzwerk und Dienste) zu beobachten.
Das folgende Diagramm veranschaulicht diese Architektur.
Fallstudie
In diesem Abschnitt stellen wir eine anschauliche Fallstudie einer großen Versicherungsgesellschaft in Kanada vor. Der Schwerpunkt liegt auf den transformativen Auswirkungen der Implementierung des MLOps Accelerator und der JumpStart-Vorlagen von PwC Canada.
Dieser Kunde arbeitete mit PwC Canada und AWS zusammen, um Herausforderungen wie ineffiziente Modellentwicklung und ineffektive Bereitstellungsprozesse, mangelnde Konsistenz und Zusammenarbeit sowie Schwierigkeiten bei der Skalierung von ML-Modellen zu bewältigen. Durch die Implementierung dieses MLOps Accelerator in Verbindung mit JumpStart-Vorlagen wurde Folgendes erreicht:
- End-to-End-Automatisierung – Die Automatisierung hat den Zeitaufwand für Datenvorverarbeitung, Modelltraining, Hyperparameter-Tuning sowie Modellbereitstellung und -überwachung nahezu halbiert
- Zusammenarbeit und Standardisierung – Standardisierte Tools und Frameworks zur Förderung der Konsistenz im gesamten Unternehmen führten zu einer fast doppelt so hohen Modellinnovationsrate
- Modell-Governance und Compliance – Sie implementierten ein Modell-Governance-Framework, um sicherzustellen, dass alle ML-Modelle den regulatorischen Anforderungen und den ethischen Richtlinien des Unternehmens entsprechen, wodurch die Risikomanagementkosten um 40 % gesenkt wurden.
- Skalierbare Cloud-Infrastruktur – Sie investierten in eine skalierbare Infrastruktur, um riesige Datenmengen effektiv zu verwalten und mehrere ML-Modelle gleichzeitig bereitzustellen, wodurch die Infrastruktur- und Plattformkosten um 50 % gesenkt wurden.
- Schnelle Bereitstellung – Die vorgefertigte Lösung verkürzte die Produktionszeit um 70 %
Durch die Bereitstellung von MLOps-Best Practices durch schnelle Bereitstellungspakete war unser Kunde in der Lage, das Risiko seiner MLOps-Implementierung zu verringern und das volle Potenzial von ML für eine Reihe von Geschäftsfunktionen wie Risikovorhersage und Asset-Preisgestaltung auszuschöpfen. Insgesamt ermöglichte die Synergie zwischen dem PwC MLOps Accelerator und JumpStart unserem Kunden, seine Data-Science- und Data-Engineering-Aktivitäten zu rationalisieren, zu skalieren, zu sichern und aufrechtzuerhalten.
Es ist zu beachten, dass die PwC- und AWS-Lösung nicht branchenspezifisch ist und branchen- und branchenübergreifend relevant ist.
Zusammenfassung
SageMaker und seine Beschleuniger ermöglichen es Unternehmen, die Produktivität ihres ML-Programms zu steigern. Es gibt viele Vorteile, unter anderem die folgenden:
- Erstellen Sie gemeinsam IaC-, MLOps- und AutoML-Anwendungsfälle, um geschäftliche Vorteile aus der Standardisierung zu ziehen
- Ermöglichen Sie effizientes experimentelles Prototyping mit und ohne Code, um die KI von der Entwicklung bis zur Bereitstellung mit IaC, MLOps und AutoML zu beschleunigen
- Automatisieren Sie mühsame, zeitaufwändige Aufgaben wie Feature-Engineering und Hyperparameter-Tuning mit AutoML
- Nutzen Sie ein kontinuierliches Modellüberwachungsparadigma, um das Risiko der ML-Modellnutzung mit der Risikobereitschaft des Unternehmens in Einklang zu bringen
Bitte kontaktieren Sie die Autoren dieses Beitrags, AWS Advisory Kanada, oder PwC Kanada um mehr über Jumpstart und den MLOps-Beschleuniger von PwC zu erfahren.
Über die Autoren
Vik ist Partner im Bereich Cloud & Data bei PwC Canada. Er erwarb einen Doktortitel in Informationswissenschaft an der University of Toronto. Er ist überzeugt, dass es eine telepathische Verbindung zwischen seinem biologischen neuronalen Netzwerk und den künstlichen neuronalen Netzwerken gibt, die er auf SageMaker trainiert. Verbinde dich mit ihm LinkedIn.
Kyle ist Partner in der Cloud- und Datenpraxis bei PwC Kanada. Zusammen mit seinem Spitzenteam aus Tech-Alchemisten entwickeln sie bezaubernde MLOPs-Lösungen, die Kunden mit beschleunigtem Geschäftswert faszinieren. Ausgestattet mit der Kraft künstlicher Intelligenz und einer Prise Zauberei verwandelt Kyle komplexe Herausforderungen in digitale Märchen und macht das Unmögliche möglich. Verbinde dich mit ihm LinkedIn.
Francois ist Principal Advisory Consultant bei AWS Professional Services Canada und kanadischer Praxisleiter für Daten- und Innovationsberatung. Er begleitet Kunden bei der Einrichtung und Implementierung ihrer gesamten Cloud-Reise und ihrer Datenprogramme und konzentriert sich dabei auf Vision, Strategie, Geschäftstreiber, Governance, angestrebte Betriebsmodelle und Roadmaps. Verbinde dich mit ihm LinkedIn.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoAiStream. Web3-Datenintelligenz. Wissen verstärkt. Hier zugreifen.
- Die Zukunft prägen mit Adryenn Ashley. Hier zugreifen.
- Kaufen und verkaufen Sie Anteile an PRE-IPO-Unternehmen mit PREIPO®. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/accelerate-machine-learning-time-to-value-with-amazon-sagemaker-jumpstart-and-pwcs-mlops-accelerator/
- :hast
- :Ist
- :nicht
- $UP
- 100
- 7
- a
- Fähig
- LiveBuzz
- beschleunigen
- beschleunigt
- Beschleuniger
- Beschleuniger
- Zugang
- Zugriff
- Zugriff
- erreicht
- über
- Aktivitäten
- Ad
- zusätzlich
- Adresse
- Administratoren
- adoptieren
- Adoption
- beratend
- Nach der
- AI
- Algorithmen
- ausrichten
- Alle
- erlauben
- erlaubt
- entlang
- ebenfalls
- Amazon
- Amazon EC2
- Amazon RDS
- Amazon Sage Maker
- Amazon SageMaker-JumpStart
- Amazon Web Services
- Betrag
- an
- und
- jedem
- Anwendungen
- Ansatz
- genehmigt
- Architektur
- SIND
- bewaffnet
- künstlich
- künstliche Intelligenz
- Künstliche Intelligenz (AI)
- AS
- Beurteilung
- Vermögenswert
- damit verbundenen
- At
- Autoren
- automatisieren
- Automatisiert
- automatisieren
- Automation
- AutoML
- AWS
- AWS CloudFormation
- Professionelle AWS-Services
- basierend
- BE
- werden
- Werden
- Sein
- Nutzen
- Vorteile
- BESTE
- Best Practices
- Besser
- zwischen
- Blog
- Grenzen
- bauen
- Building
- erbaut
- eingebaut
- Geschäft
- Geschäftsfunktionen
- Geschäftsumwandlung
- Unternehmen
- aber
- by
- Berechnungen
- CAN
- Kanada
- kanadischen
- Fähigkeiten
- Häuser
- Fallstudie
- Fälle
- Hauptgeschäftsstelle
- CEO
- Geschäftsführer
- challenges
- Herausforderungen
- Übernehmen
- Änderungen
- Auswählen
- Auftraggeber
- Kunden
- Cloud
- Cloud-Infrastruktur
- Code
- Zusammenarbeit
- Das Sammeln
- COM
- kommt
- gemeinsam
- Unternehmen
- Unternehmen
- Unternehmen
- komplementär
- abschließen
- Komplex
- umfassend
- inbegriffen
- Berechnungen
- Berechnen
- Konzert
- Konfiguration
- Vernetz Dich
- Verbindung
- Verbindungen
- Überlegungen
- Berater
- Kontakt
- kontinuierlich
- Kosten
- Covers
- Riss
- erstellen
- Erstellen
- kritischem
- Original
- Kunde
- Kunden
- technische Daten
- Datenaufbereitung
- Datenverarbeitung
- Datenwissenschaft
- Datenwissenschaftler
- Datenbase
- Verzögerungen
- liefern
- Lieferanten
- abhängig
- einsetzen
- Einsatz
- Bereitstellen
- Einsatz
- beschreiben
- entworfen
- Details
- Entwickler
- Entwicklung
- Entwicklung
- Schwierigkeit
- digital
- Direkt
- entdecken
- Domain
- verdoppelt
- Treiber
- zwei
- Früh
- verdient
- effektiv
- effizient
- ermöglichen
- freigegeben
- ermöglicht
- umfasst
- Ingenieur
- Entwicklung
- Ingenieure
- zu steigern,
- Verbessert
- bereichern
- gewährleisten
- Unternehmen
- Ganz
- Eintrag
- Arbeitsumfeld
- etablieren
- ethisch
- Auswertung
- Veranstaltungen
- ÜBERHAUPT
- Beispiel
- Experimente
- Merkmal
- Eigenschaften
- Reichen Sie das
- Fertig
- Vorname
- erste Schritte
- passen
- Setzen Sie mit Achtsamkeit
- konzentriert
- Fokussierung
- Folgende
- Aussichten für
- Unser Ansatz
- Gerüste
- für
- voller
- voll
- Funktionen
- weiter
- erzeugen
- Governance
- groß
- mehr
- GUEST
- Richtlinien
- Anleitungen
- halbiert
- he
- hilft
- Hohe Leistungsfähigkeit
- Hervorheben
- ihm
- seine
- historisch
- aber
- HTML
- http
- HTTPS
- Hyperparameter-Tuning
- Identitätsschutz
- zeigt
- Impact der HXNUMXO Observatorien
- implementieren
- Implementierung
- umgesetzt
- Umsetzung
- unmöglich
- zu unterstützen,
- in
- das
- Dazu gehören
- Einschließlich
- Aufnahme
- Erhöhung
- Steigert
- zunehmend
- unabhängig
- Branchen
- Energiegewinnung
- ineffizient
- Info
- Information
- Infrastruktur
- Innovation
- Varianten des Eingangssignals:
- Eingänge
- Versicherung
- Integral
- Integration
- Integration
- Intelligenz
- in
- intrinsisch
- investiert
- Investitionen
- Investition
- aufgerufen
- beteiligt
- IT
- SEINE
- Job
- Reise
- jpg
- Mangel
- Landung
- grosse
- führen
- LERNEN
- gelernt
- lernen
- Lebenszyklus
- Limitiert
- Maschine
- Maschinelles Lernen
- halten
- Wartung
- Mehrheit
- Making
- verwalten
- verwaltet
- Management
- flächendeckende Gesundheitsprogramme
- Weise
- manuell
- viele
- massiv
- mathematisch
- Reife
- sinnvoll
- Triff
- ML
- MLOps
- Modell
- für
- Überwachen
- Überwachung
- mehr
- mehrere
- nativen
- Natur
- Navigieren
- fast
- Bedürfnisse
- Netzwerk
- Netzwerke
- neuronale Netzwerk
- Neuronale Netze
- weiter
- vor allem
- Notizbuch
- bekannt
- beobachten
- of
- Angebote
- on
- EINEM
- Open-Source-
- betreiben
- die
- Einkauf & Prozesse
- or
- Organisation
- organisatorisch
- Organisationen
- UNSERE
- übrig
- Gesamt-
- Überblick
- Pakete
- Seite
- Paradigma
- Teil
- Partner
- Partnerschaft
- Muster
- Ausführen
- Pipeline
- Plattform
- Plato
- Datenintelligenz von Plato
- PlatoData
- Points
- Mappe
- möglich
- Post
- Potenzial
- Werkzeuge
- angetriebene
- Powering
- Praxis
- Praktiken
- Prognose
- Prognosen
- Vorlieben
- Vorbereitung
- gebühr
- Principal
- priorisiert
- Prozessdefinierung
- anpassen
- Verarbeitung
- Produkt
- Produktion
- PRODUKTIVITÄT
- Professionell
- Profil
- Programm
- Programme
- Projekt
- fördern
- Prototyping
- die
- bietet
- PWC
- Angebot
- schnell
- Bewerten
- lieber
- bereit
- realisieren
- vernünftig
- kürzlich
- Veteran
- Reduziert
- Reduzierung
- Regulierungsbehörden
- bezogene
- Beziehungen
- verhältnismäßig
- relevant
- Anforderung
- Voraussetzungen:
- federnde
- Downloads
- Die Ergebnisse
- Rückkehr
- Risiko
- Risikomanagement
- riskieren
- Roadmaps
- Rollen
- Laufen
- sicher
- sagemaker
- skalierbaren
- Skalieren
- Skalierung
- Wissenschaft
- Wissenschaftler
- Wissenschaftler
- Skripte
- Suche
- Abschnitt
- Sektoren
- Verbindung
- auf der Suche nach
- Serverlos
- Lösungen
- kompensieren
- Teilen
- ,,teilen"
- sollte
- bedeutend
- Ähnlich
- Einfacher
- vereinfachen
- einfach
- gleichzeitig
- locker
- So
- Software
- Lösung
- Lösungen
- anspruchsvoll
- Quelle
- Quellcode
- spezifisch
- Geschwindigkeiten
- Stabilität
- Stapel
- Stacks
- Stufen
- Anfang
- Beginnen Sie
- Shritte
- Lagerung
- Strategisch
- Strategien
- Strategie
- rationalisieren
- strukturierte
- Studio Adressen
- Studie
- eingereicht
- so
- Suite
- Support
- nachhaltiger
- Synergie
- Systeme und Techniken
- angehen
- Nehmen
- Target
- und Aufgaben
- Team
- Teams
- Tech
- Technische
- Technologie
- Vorlagen
- AGB
- Testen
- als
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- Die Quelle
- die Welt
- ihr
- Sie
- sich
- dann
- Dort.
- Diese
- vom Nutzer definierten
- Denken
- basierte Online-to-Offline-Werbezuordnungen von anderen gab.
- fehlen uns die Worte.
- Durch
- Zeit
- Zeitaufwendig
- zu
- Werkzeug
- Werkzeuge
- toronto
- Training
- Ausbildung
- schult Ehrenamtliche
- privaten Transfer
- Transformation
- Transformativ
- Drehungen
- typisch
- Universität
- öffnen
- enthüllt
- Anwendungsbereich
- -
- benutzt
- Nutzer
- Verwendung von
- Wert
- Vielfalt
- verschiedene
- vielseitig
- Seh-
- Volumen
- wurde
- Weg..
- Wege
- we
- Weben
- Netz
- Web-Services
- GUT
- welche
- WHO
- werden wir
- mit
- .
- ohne
- Workflows
- weltweit wie ausgehandelt und gekauft ausgeführt wird.
- Eingehüllt
- Jahr
- Du
- Zephyrnet