Das Amazon SageMaker Python-SDK ist eine Open-Source-Bibliothek zum Trainieren und Bereitstellen von Modellen für maschinelles Lernen (ML). Amazon Sage Maker. Unternehmenskunden in streng kontrollierten Branchen wie dem Gesundheitswesen und dem Finanzwesen richten Sicherheitsmaßnahmen ein, um sicherzustellen, dass ihre Daten verschlüsselt sind und der Datenverkehr nicht über das Internet erfolgt. Um sicherzustellen, dass das SageMaker-Training und die Bereitstellung von ML-Modellen diesen Leitlinien folgen, ist es üblich, Einschränkungen für das Konto oder festzulegen AWS-Organisationen Ebene durch Service-Kontrollrichtlinien und AWS Identity and Access Management and (IAM)-Richtlinien zur Durchsetzung der Verwendung bestimmter IAM-Rollen, Amazon Virtual Private Cloud (Amazon VPC)-Konfigurationen und AWS-Schlüsselverwaltungsservice (AWS KMS) Schlüssel. In solchen Fällen müssen Datenwissenschaftler diese Parameter manuell für den Trainings- und Bereitstellungscode ihres ML-Modells bereitstellen, indem sie Subnetze, Sicherheitsgruppen und KMS-Schlüssel notieren. Dies stellt die Pflicht der Datenwissenschaftler dar, sich daran zu erinnern, diese Konfigurationen anzugeben, um ihre Jobs erfolgreich auszuführen und Fehler vom Typ „Zugriff verweigert“ zu vermeiden.
Ab SageMaker Python SDK Version 2.148.0 können Sie jetzt Standardwerte für Parameter wie IAM-Rollen, VPCs und KMS-Schlüssel konfigurieren. Administratoren und Endbenutzer können AWS-Infrastrukturprimitive mit Standardwerten initialisieren, die in einer Konfigurationsdatei im YAML-Format angegeben sind. Nach der Konfiguration erbt das Python SDK diese Werte automatisch und gibt sie an die zugrunde liegenden SageMaker-API-Aufrufe weiter, z CreateProcessingJob()
, CreateTrainingJob()
und CreateEndpointConfig()
, ohne dass weitere Maßnahmen erforderlich sind. Das SDK unterstützt auch mehrere Konfigurationsdateien, sodass Administratoren eine Konfigurationsdatei für alle Benutzer festlegen können und Benutzer diese über eine Konfiguration auf Benutzerebene überschreiben können, die in gespeichert werden kann Amazon Simple Storage-Service (Amazon S3), Amazon Elastic File System (Amazon EFS) für Amazon SageMaker-Studiooder das lokale Dateisystem des Benutzers.
In diesem Beitrag zeigen wir Ihnen, wie Sie die Standardkonfigurationsdatei in Studio erstellen und speichern und die SDK-Standardfunktion zum Erstellen Ihrer SageMaker-Ressourcen verwenden.
Lösungsüberblick
Wir demonstrieren diese neue Funktion mit einem End-to-End AWS CloudFormation Vorlage, die die erforderliche Infrastruktur erstellt und eine Studio-Domäne in der bereitgestellten VPC erstellt. Darüber hinaus erstellen wir KMS-Schlüssel zur Verschlüsselung der in Schulungs- und Verarbeitungsaufträgen verwendeten Volumes. Die Schritte sind wie folgt:
- Starten Sie den CloudFormation-Stack in Ihrem Konto. Wenn Sie diese Funktion alternativ auf einer vorhandenen SageMaker-Domäne oder einem vorhandenen SageMaker-Notebook erkunden möchten, überspringen Sie diesen Schritt.
- Füllen Sie die
config.yaml
Datei und speichern Sie die Datei am Standardspeicherort. - Führen Sie ein Beispielnotebook mit einem End-to-End-ML-Anwendungsfall aus, einschließlich Datenverarbeitung, Modelltraining und Inferenz.
- Überschreiben Sie die Standardkonfigurationswerte.
Voraussetzungen:
Bevor Sie beginnen, stellen Sie sicher, dass Sie über ein AWS-Konto und einen IAM-Benutzer oder eine IAM-Rolle mit Administratorrechten verfügen. Wenn Sie als Datenwissenschaftler derzeit Infrastrukturparameter an Ressourcen in Ihrem Notebook übergeben, können Sie den nächsten Schritt der Einrichtung Ihrer Umgebung überspringen und mit der Erstellung der Konfigurationsdatei beginnen.
Um diese Funktion nutzen zu können, müssen Sie Ihre SageMaker SDK-Version aktualisieren, indem Sie sie ausführen pip install --upgrade sagemaker
.
Richten Sie die Umgebung ein
Führen Sie die folgenden Schritte aus, um eine vollständige Infrastruktur einschließlich Netzwerk und einer Studio-Domäne bereitzustellen:
- Klonen Sie die GitHub-Repository.
- Melden Sie sich bei Ihrem AWS-Konto an und öffnen Sie die AWS CloudFormation-Konsole.
- Um die Netzwerkressourcen bereitzustellen, wählen Sie Stapel erstellen.
- Laden Sie die Vorlage unten hoch
setup/vpc_mode/01_networking.yaml
. - Geben Sie einen Namen für den Stapel ein (z. B.
networking-stack
) und führen Sie die verbleibenden Schritte aus, um den Stapel zu erstellen. - Um die Studio-Domäne bereitzustellen, wählen Sie Stapel erstellen erneut.
- Laden Sie die Vorlage unten hoch
setup/vpc_mode/02_sagemaker_studio.yaml
. - Geben Sie einen Namen für den Stapel ein (z. B.
sagemaker-stack
) und geben Sie den Namen des Netzwerkstapels ein, wenn Sie dazu aufgefordert werdenCoreNetworkingStackName
Parameters. - Fahren Sie mit den verbleibenden Schritten fort, wählen Sie die Bestätigungen für IAM-Ressourcen aus und erstellen Sie den Stack.
Wenn der Status beider Stapel auf aktualisiert wird CREATE_COMPLETE, fahren Sie mit dem nächsten Schritt fort.
Erstellen Sie die Konfigurationsdatei
Um die Standardkonfiguration für das SageMaker Python SDK zu verwenden, erstellen Sie eine config.yaml-Datei in dem Format, das das SDK erwartet. Informationen zum Format der Datei config.yaml finden Sie unter Struktur der Konfigurationsdatei. Abhängig von Ihrer Arbeitsumgebung, z. B. Studio-Notebooks, SageMaker-Notebook-Instanzen oder Ihrer lokalen IDE, können Sie die Konfigurationsdatei entweder am Standardspeicherort speichern oder die Standardeinstellungen überschreiben, indem Sie einen Speicherort für die Konfigurationsdatei übergeben. Informationen zu den Standardspeicherorten für andere Umgebungen finden Sie unter Speicherorte der Konfigurationsdateien. Die folgenden Schritte veranschaulichen die Einrichtung einer Studio-Notebook-Umgebung.
Um das einfach zu erstellen config.yaml
Führen Sie in der Datei die folgenden Zellen in Ihrem Studio-Systemterminal aus und ersetzen Sie die Platzhalter durch die CloudFormation-Stack-Namen aus dem vorherigen Schritt:
Dieses Skript füllt die YAML-Datei automatisch auf, ersetzt die Platzhalter durch die Infrastrukturstandards und speichert die Datei im Home-Ordner. Anschließend wird die Datei in den Standardspeicherort für Studio-Notebooks kopiert. Die resultierende Konfigurationsdatei sollte etwa dem folgenden Format ähneln:
Wenn Sie eine vorhandene Domäne und Netzwerkkonfiguration eingerichtet haben, erstellen Sie diese config.yaml
Laden Sie die Datei im erforderlichen Format herunter und speichern Sie sie am Standardspeicherort für Studio-Notebooks.
Beachten Sie, dass diese Standardeinstellungen lediglich die Konfigurationswerte für die entsprechenden SageMaker SDK-Aufrufe automatisch ausfüllen und den Benutzer nicht zu einer bestimmten VPC, einem bestimmten Subnetz oder einer bestimmten Rolle zwingen. Wenn Sie als Administrator möchten, dass Ihre Benutzer eine bestimmte Konfiguration oder Rolle verwenden, verwenden Sie IAM-Bedingungsschlüssel um die Standardwerte durchzusetzen.
Darüber hinaus kann jeder API-Aufruf seine eigenen Konfigurationen haben. Im obigen Beispiel einer Konfigurationsdatei können Sie beispielsweise angeben vpc-a
und subnet-a
für Ausbildungsberufe, und spezifizieren vpc-b
und subnet-c
, subnet-d
zur Bearbeitung von Aufträgen.
Führen Sie ein Beispielnotebook aus
Nachdem Sie nun die Konfigurationsdatei festgelegt haben, können Sie für die meisten SDK-Funktionen wie gewohnt mit der Ausführung Ihrer Modellerstellungs- und Trainings-Notebooks beginnen, ohne explizit Netzwerk- und Verschlüsselungsparameter festlegen zu müssen. Sehen Unterstützte APIs und Parameter Eine vollständige Liste der unterstützten API-Aufrufe und Parameter finden Sie hier.
Wählen Sie in Studio das Datei-Explorer-Symbol im Navigationsbereich und öffnen Sie es 03_feature_engineering/03_feature_engineering.ipynb
, wie im folgenden Screenshot gezeigt.
Führen Sie die Notebook-Zellen nacheinander aus und beachten Sie, dass Sie keine zusätzliche Konfiguration angeben. Wenn Sie das Prozessorobjekt erstellen, sehen Sie die Zellausgaben wie im folgenden Beispiel.
Wie Sie in der Ausgabe sehen können, wird die Standardkonfiguration automatisch auf den Verarbeitungsauftrag angewendet, ohne dass eine zusätzliche Eingabe durch den Benutzer erforderlich ist.
Wenn Sie die nächste Zelle ausführen, um den Prozessor auszuführen, können Sie auch überprüfen, ob die Standardeinstellungen festgelegt sind, indem Sie den Job auf der SageMaker-Konsole anzeigen. Wählen Aufträge bearbeiten für In Bearbeitung im Navigationsbereich, wie im folgenden Screenshot gezeigt.
Wählen Sie den Verarbeitungsauftrag mit dem Präfix end-to-end-ml-sm-proc
, und Sie sollten in der Lage sein, das bereits konfigurierte Netzwerk und die Verschlüsselung anzuzeigen.
Sie können die verbleibenden Notebooks weiterhin ausführen, um das Modell zu trainieren und bereitzustellen, und Sie werden feststellen, dass die Infrastrukturstandards automatisch sowohl für Trainingsjobs als auch für Modelle angewendet werden.
Überschreiben Sie die Standardkonfigurationsdatei
Es kann vorkommen, dass ein Benutzer die Standardkonfiguration überschreiben muss, um beispielsweise mit dem öffentlichen Internetzugang zu experimentieren oder die Netzwerkkonfiguration zu aktualisieren, wenn im Subnetz keine IP-Adressen mehr vorhanden sind. In solchen Fällen können Sie mit dem Python SDK auch einen benutzerdefinierten Speicherort für die Konfigurationsdatei angeben, entweder im lokalen Speicher oder Sie können auf einen Speicherort in Amazon S3 verweisen. In diesem Abschnitt untersuchen wir ein Beispiel.
Öffnen Sie den Microsoft Store auf Ihrem Windows-PC. user-configs.yaml
Datei in Ihrem Home-Verzeichnis und aktualisieren Sie die EnableNetworkIsolation
Wert zu True
, Unter der TrainingJob
.
Öffnen Sie nun dasselbe Notizbuch und fügen Sie die folgende Zelle am Anfang des Notizbuchs hinzu:
Mit dieser Zelle verweisen Sie den Speicherort der Konfigurationsdatei auf das SDK. Wenn Sie nun das Prozessorobjekt erstellen, werden Sie feststellen, dass die Standardkonfiguration überschrieben wurde, um die Netzwerkisolation zu aktivieren, und dass der Verarbeitungsauftrag im Netzwerkisolationsmodus fehlschlägt.
Sie können dieselbe Override-Umgebungsvariable verwenden, um den Speicherort der Konfigurationsdatei festzulegen, wenn Sie Ihre lokale Umgebung wie VSCode verwenden.
Debuggen und Standardeinstellungen abrufen
Zur schnellen Fehlerbehebung, falls beim Ausführen von API-Aufrufen über Ihr Notebook Fehler auftreten, zeigt die Zellenausgabe die angewendeten Standardkonfigurationen an, wie im vorherigen Abschnitt gezeigt. Um den genauen Boto3-Aufruf anzuzeigen, der erstellt wurde, um die von der Standardkonfigurationsdatei übergebenen Attributwerte anzuzeigen, können Sie ein Debugging durchführen, indem Sie die Boto3-Protokollierung aktivieren. Um die Protokollierung zu aktivieren, führen Sie die folgende Zelle oben im Notebook aus:
Alle nachfolgenden Boto3-Anrufe werden mit der vollständigen Anfrage protokolliert, sichtbar im Hauptteil des Protokolls.
Sie können die Sammlung der Standardkonfigurationen auch mithilfe von anzeigen session.sagemaker_config
Geben Sie den Wert ein, wie im folgenden Beispiel gezeigt.
Wenn Sie schließlich Boto3 zum Erstellen Ihrer SageMaker-Ressourcen verwenden, können Sie die Standardkonfigurationswerte mithilfe von abrufen sagemaker_config
Variable. Zum Beispiel, um den Verarbeitungsjob auszuführen 03_feature_engineering.ipynb
Mit Boto3 können Sie den Inhalt der folgenden Zelle in dasselbe Notizbuch eingeben und die Zelle ausführen:
Automatisieren Sie die Erstellung von Konfigurationsdateien
Für Administratoren kann es eine entmutigende Aufgabe sein, die Konfigurationsdatei zu erstellen und die Datei in jeder SageMaker-Notebook-Instanz oder jedem Studio-Benutzerprofil zu speichern. Obwohl Sie den Benutzern empfehlen können, eine gemeinsame Datei zu verwenden, die an einem Standard-S3-Speicherort gespeichert ist, bedeutet dies für die Datenwissenschaftler einen zusätzlichen Aufwand für die Angabe der Außerkraftsetzung.
Um dies zu automatisieren, können Administratoren SageMaker Lifecycle Configurations (LCC) verwenden. Für Studio-Benutzerprofile oder Notebook-Instanzen können Sie das folgende Beispiel-LCC-Skript als Standard-LCC für die Standard-Jupyter-Server-App des Benutzers anhängen:
See Verwenden Sie Lebenszykluskonfigurationen für Amazon SageMaker Studio or Anpassen einer Notebook-Instanz Anweisungen zum Erstellen und Festlegen eines Standardlebenszyklusskripts finden Sie.
Aufräumen
Wenn Sie mit dem Experimentieren mit dieser Funktion fertig sind, bereinigen Sie Ihre Ressourcen, um zusätzliche Kosten zu vermeiden. Wenn Sie wie in diesem Beitrag angegeben neue Ressourcen bereitgestellt haben, führen Sie die folgenden Schritte aus, um Ihre Ressourcen zu bereinigen:
- Beenden Sie Ihre Studio-Apps für das Benutzerprofil. Sehen Beenden und aktualisieren Sie SageMaker Studio und Studio-Apps für Anweisungen. Stellen Sie sicher, dass alle Apps gelöscht sind, bevor Sie den Stack löschen.
- Löschen Sie das für die Studio-Domäne erstellte EFS-Volume. Sie können das mit der Domäne verbundene EFS-Volume anzeigen, indem Sie a verwenden Beschreiben Sie die Domäne API-Aufruf.
- Löschen Sie den Studio-Domänenstapel.
- Löschen Sie die für die Studio-Domäne erstellten Sicherheitsgruppen. Sie finden sie auf der Amazon Elastic Compute-Cloud (Amazon EC2)-Konsole mit den Namen security-group-for-inbound-nfs-d-xxx und security-group-for-outbound-nfs-d-xxx
- Löschen Sie den Netzwerkstapel.
Zusammenfassung
In diesem Beitrag haben wir die Konfiguration und Verwendung von Standardwerten für wichtige Infrastrukturparameter mithilfe des SageMaker Python SDK erläutert. Dadurch können Administratoren Standardkonfigurationen für Datenwissenschaftler festlegen, wodurch Benutzer und Administratoren Zeit sparen, die Last der wiederholten Angabe von Parametern entfällt und der Code schlanker und besser verwaltbar wird. Die vollständige Liste der unterstützten Parameter und APIs finden Sie unter Konfigurieren und Verwenden von Standardeinstellungen mit dem SageMaker Python SDK. Treten Sie bei Fragen und Diskussionen dem bei Community für maschinelles Lernen und KI.
Über die Autoren
Giuseppe Angelo Porcelli ist ein Principal Machine Learning Specialist Solutions Architect für Amazon Web Services. Mit mehrjährigem Softwareentwicklungs- und ML-Hintergrund arbeitet er mit Kunden jeder Größe zusammen, um ihre geschäftlichen und technischen Anforderungen genau zu verstehen und Lösungen für KI und maschinelles Lernen zu entwickeln, die die AWS Cloud und den Amazon Machine Learning-Stack optimal nutzen. Er hat an Projekten in verschiedenen Bereichen gearbeitet, darunter MLOps, Computer Vision, NLP, und eine breite Palette von AWS-Services einbezogen. In seiner Freizeit spielt Giuseppe gerne Fußball.
Bruno Piston ist ein KI/ML-Spezialist für Lösungsarchitekten für AWS mit Sitz in Mailand. Er arbeitet mit Kunden jeder Größe zusammen, um ihnen dabei zu helfen, ihre technischen Anforderungen genau zu verstehen und KI- und maschinelle Lernlösungen zu entwickeln, die die AWS Cloud und den Amazon Machine Learning-Stack optimal nutzen. Seine Fachgebiete sind maschinelles Lernen End-to-End, maschinelles Lernen Industrialisierung und MLOps. Er genießt es, Zeit mit seinen Freunden zu verbringen, neue Orte zu erkunden und zu neuen Zielen zu reisen.
Durga Sury ist ein ML Solutions Architect im Amazon SageMaker Service SA-Team. Es liegt ihr am Herzen, maschinelles Lernen für jedermann zugänglich zu machen. In ihren vier Jahren bei AWS hat sie beim Aufbau von KI/ML-Plattformen für Unternehmenskunden geholfen. Wenn sie nicht arbeitet, liebt sie Motorradfahrten, Kriminalromane und lange Spaziergänge mit ihrem 4-jährigen Husky.
- 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/configure-and-use-defaults-for-amazon-sagemaker-resources-with-the-sagemaker-python-sdk/
- :hast
- :Ist
- :nicht
- :Wo
- $UP
- 1
- 10
- 100
- 20
- 30
- 60
- 7
- 9
- a
- Fähig
- Über Uns
- Zugang
- zugänglich
- Konto
- Aktionen
- hinzufügen
- Zusatz
- Zusätzliche
- Adressen
- Administratoren
- aufs Neue
- AI
- AI / ML
- Alle
- Zulassen
- erlaubt
- bereits
- ebenfalls
- Obwohl
- Amazon
- Amazon EC2
- Amazon Machine Learning
- Amazon Sage Maker
- Amazon Web Services
- an
- und
- jedem
- Bienen
- APIs
- App
- angewandt
- angemessen
- Apps
- SIND
- AS
- At
- anhängen
- automatisieren
- Im Prinzip so, wie Sie es von Google Maps kennen.
- vermeiden
- AWS
- AWS CloudFormation
- Hintergrund
- basierend
- BE
- war
- Bevor
- Anfang
- BESTE
- Körper
- beide
- breit
- Building
- Last
- Geschäft
- by
- rufen Sie uns an!
- Aufrufe
- CAN
- Häuser
- Fälle
- CD
- Die Zellen
- Auswählen
- Auftraggeber
- Cloud
- Code
- Sammlung
- gemeinsam
- abschließen
- Berechnen
- Computer
- Computer Vision
- Zustand
- Konfiguration
- Konsul (Console)
- Inhalt
- fortsetzen
- Smartgeräte App
- gesteuert
- Kosten
- könnte
- erstellen
- erstellt
- schafft
- Erstellen
- Zur Zeit
- Original
- Kunden
- technische Daten
- Datenverarbeitung
- Datenwissenschaftler
- Standard
- defaults
- zeigen
- Abhängig
- einsetzen
- Einsatz
- Bereitstellen
- Einsatz
- Design
- Reiseziele
- anders
- diskutiert
- Diskussionen
- Displays
- Tut nicht
- Domain
- Domains
- erledigt
- Nicht
- nach unten
- jeder
- leicht
- Echo
- entweder
- eliminieren
- ermöglichen
- verschlüsselt
- Verschlüsselung
- Ende
- End-to-End
- Endpunkt
- erzwingen
- Entwicklung
- gewährleisten
- Enter
- Unternehmen
- Arbeitsumfeld
- Umgebungen
- Fehler
- jedermann
- Beispiel
- vorhandenen
- erwartet
- Experiment
- Expertise
- ERKUNDEN
- Forscher
- Möglichkeiten sondieren
- FAIL
- falsch
- Merkmal
- Feld
- Reichen Sie das
- Mappen
- Finanzen
- Finden Sie
- folgen
- Folgende
- folgt
- Fußball
- Aussichten für
- Format
- Frei
- Freunde
- für
- voller
- Funktionen
- bekommen
- bekommen
- Git
- Gruppen
- Haben
- mit
- he
- Gesundheitswesen
- dazu beigetragen,
- Unternehmen
- hier (auf dänisch)
- seine
- Startseite
- Ultraschall
- Hilfe
- HTML
- http
- HTTPS
- ICON
- Identitätsschutz
- if
- importieren
- in
- Einschließlich
- Branchen
- Infrastruktur
- Varianten des Eingangssignals:
- installieren
- Instanz
- Anleitung
- Schnittstelle
- Internet
- Internetzugang
- in
- Beteiligung
- IP
- IP-Adressen
- Isolierung
- IT
- SEINE
- Job
- Jobs
- join
- jpg
- Wesentliche
- Tasten
- grosse
- lernen
- Niveau
- Bibliothek
- Lebenszyklus
- Gefällt mir
- Liste
- aus einer regionalen
- Standorte
- Standorte
- Log
- protokolliert
- Protokollierung
- Lang
- aussehen
- liebt
- Maschine
- Maschinelles Lernen
- um
- Making
- Management
- manuell
- MILAN
- ML
- MLOps
- Model
- Modell
- für
- mehr
- vor allem warme
- Motorrad
- mehrere
- Mystery
- Name
- Namen
- Menü
- Need
- erforderlich
- benötigen
- Bedürfnisse
- Netzwerk
- Vernetzung
- Neu
- weiter
- Nlp
- nicht
- Notizbuch
- Notiz..
- Bemerkens
- jetzt an
- Objekt
- of
- on
- einmal
- EINEM
- XNUMXh geöffnet
- Open-Source-
- or
- OS
- Andere
- Möglichkeiten für das Ausgangssignal:
- Override
- besitzen
- Brot
- Parameter
- Parameter
- Bestanden
- Bestehen
- leidenschaftlich
- zahlen
- Länder/Regionen
- Plattformen
- Plato
- Datenintelligenz von Plato
- PlatoData
- spielend
- Points
- Politik durchzulesen
- Post
- Praxis
- früher
- Principal
- privat
- Privilegien
- Verarbeitung
- Prozessor
- Profil
- Profil
- Projekte
- die
- Öffentlichkeit
- Versetzt
- Python
- Fragen
- Direkt
- empfehlen
- verbleibenden
- merken
- Anforderung
- falls angefordert
- Downloads
- Antwort
- Einschränkungen
- was zu
- Rollen
- Rollen
- Führen Sie
- Laufen
- s
- SA
- sagemaker
- gleich
- Speichern
- Einsparung
- Wissenschaftler
- Wissenschaftler
- Sdk
- Abschnitt
- Sicherheitdienst
- sehen
- Lösungen
- Sitzung
- kompensieren
- Einstellung
- Setup
- mehrere
- sie
- sollte
- erklären
- Vitrine
- gezeigt
- ähnlich
- Einfacher
- einfach
- Größe
- Software
- Softwareentwicklung
- Lösungen
- etwas
- Spezialist
- spezifisch
- angegeben
- Ausgabe
- Stapel
- Stacks
- Anfang
- begonnen
- Status
- Schritt
- Shritte
- Lagerung
- speichern
- gelagert
- Studio Adressen
- Subnetz
- Subnetze
- Folge
- Erfolgreich
- so
- Unterstützte
- Unterstützt
- System
- Aufgabe
- Team
- Technische
- Vorlage
- Terminal
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- ihr
- Sie
- dann
- damit
- Diese
- fehlen uns die Worte.
- Durch
- dicht
- Zeit
- zu
- Top
- der Verkehr
- Training
- Ausbildung
- WENDE
- Drehung
- für
- zugrunde liegen,
- verstehen
- Aktualisierung
- mehr Stunden
- Anwendungsbereich
- -
- Anwendungsfall
- benutzt
- Mitglied
- Nutzer
- Verwendung von
- Wert
- Werte
- überprüfen
- Version
- Anzeigen
- Besichtigung
- Assistent
- sichtbar
- Seh-
- Volumen
- Volumen
- wollen
- we
- Netz
- Web-Services
- GUT
- wann
- werden wir
- mit
- ohne
- Arbeiten
- gearbeitet
- arbeiten,
- Werk
- YAML
- Jahr
- Du
- Ihr
- Zephyrnet