Digitale Verlage sind ständig auf der Suche nach Möglichkeiten, ihre Medienabläufe zu rationalisieren und zu automatisieren, um so schnell wie möglich neue Inhalte zu generieren und zu veröffentlichen, ohne dabei auf Qualität zu verzichten.
Das Hinzufügen von Bildern, um das Wesentliche eines Textes einzufangen, kann das Leseerlebnis verbessern. Techniken des maschinellen Lernens können Ihnen dabei helfen, solche Bilder zu entdecken. „Ein eindrucksvolles Bild ist eine der effektivsten Möglichkeiten, die Aufmerksamkeit des Publikums zu fesseln und das Interesse an Ihrer Geschichte zu wecken – aber es muss auch Sinn ergeben"
Das previous post besprochen, wie Sie die maschinellen Lerndienste (ML) von Amazon nutzen können, um die besten Bilder zu finden, die Sie zusammen mit einem Artikel oder einer TV-Synopse platzieren können, ohne Schlüsselwörter eingeben zu müssen. Im vorherigen Beitrag haben Sie verwendet Amazon-Anerkennung um Metadaten aus einem Bild zu extrahieren. Anschließend haben Sie ein Texteinbettungsmodell verwendet, um eine Worteinbettung der Metadaten zu generieren, die später bei der Suche nach den besten Bildern verwendet werden könnte.
In diesem Beitrag erfahren Sie, wie Sie Amazon Titan Foundation-Modelle verwenden können, um einen Artikel schnell zu verstehen und die besten Bilder dazu zu finden. Diesmal generieren Sie die Einbettung direkt aus dem Bild.
Ein Schlüsselkonzept der semantischen Suche sind Einbettungen. Eine Einbettung ist eine numerische Darstellung einer Eingabe – eines Bildes, eines Textes oder beider – in Form eines Vektors. Wenn Sie viele Vektoren haben, können Sie den Abstand zwischen ihnen messen. Vektoren mit geringem Abstand sind semantisch ähnlich oder verwandt.
Amazonas Grundgestein ist ein vollständig verwalteter Dienst, der eine Auswahl leistungsstarker Basismodelle (FMs) von führenden KI-Unternehmen, darunter AI21 Labs, Anthropic, Cohere, Meta, Stability AI und Amazon, mit einer einzigen API sowie einem breiten Spektrum an Funktionen bietet helfen Ihnen beim Erstellen generativer KI-Anwendungen und vereinfachen die Entwicklung bei gleichzeitiger Wahrung von Datenschutz und Sicherheit.
Amazonas-Titan hat kürzlich ein neues Einbettungsmodell zu seiner Sammlung hinzugefügt: Titan Multimodal Embeddings. Dieses neue Modell kann für multimodale Suche, Empfehlungssysteme und andere nachgelagerte Anwendungen verwendet werden.
Multimodale Modelle können Daten in mehreren Modalitäten wie Text, Bild, Video und Audio verstehen und analysieren. Dieses neueste Amazon Titan-Modell kann Text, Bilder oder beides akzeptieren. Das bedeutet, dass Sie dasselbe Modell verwenden, um Einbettungen von Bildern und Text zu generieren, und diese Einbettungen verwenden, um zu berechnen, wie ähnlich die beiden sind.
Überblick über die Lösung
Im folgenden Screenshot können Sie sehen, wie Sie einen Miniartikel erstellen, eine Suche durchführen und Bilder finden können, die zum Artikel passen. In diesem Beispiel nehmen Sie einen Satz, der beschreibt, wie Werner Vogels auf einer Reise durch Indien weiße Schals trägt. Der Vektor des Satzes ist semantisch mit den Vektoren der Bilder von Werner mit Schal verknüpft und wird daher bei dieser Suche als oberste Bilder zurückgegeben.
Auf hoher Ebene wird ein Bild hochgeladen Einfacher Amazon-Speicherdienst (Amazon S3) und die Metadaten werden inklusive der Einbettung des Bildes extrahiert.
Um Textmetadaten aus dem Bild zu extrahieren, verwenden Sie die Funktion zur Erkennung von Prominenten und für Etikettenerkennungsfunktion in Amazon-Anerkennung. Amazon Rekognition erkennt mithilfe von ML automatisch Zehntausende bekannte Persönlichkeiten in Bildern und Videos. Mit dieser Funktion erkennen Sie etwaige Prominente auf den Bildern und speichern diese Metadaten in Amazon OpenSearch-Dienst. Die Etikettenerkennung findet Objekte und Konzepte aus dem Bild, wie zum Beispiel im vorherigen Screenshot, wo Sie die Etikettenmetadaten unter dem Bild haben.
Sie verwenden das Titan Multimodal Embeddings-Modell, um eine Einbettung des Bildes zu generieren, bei der es sich auch um durchsuchbare Metadaten handelt.
Alle Metadaten werden dann in gespeichert OpenSearch-Dienst für spätere Suchanfragen, wenn Sie ein oder mehrere Bilder suchen müssen.
Der zweite Teil der Architektur besteht darin, einen Artikel einzureichen, um diese neu aufgenommenen Bilder zu finden.
Wenn der Artikel übermittelt wird, müssen Sie den Artikel extrahieren und in eine Sucheingabe für OpenSearch Service umwandeln. Sie nutzen Amazon verstehen um alle Namen im Text zu erkennen, bei denen es sich um potenzielle Prominente handeln könnte. Sie fassen den Artikel zusammen, da Sie wahrscheinlich nur ein oder zwei Bilder auswählen, um das Wesentliche des Artikels festzuhalten. Das Erstellen einer Zusammenfassung des Textes ist eine gute Möglichkeit, um sicherzustellen, dass die Einbettung die relevanten Punkte der Geschichte erfasst. Hierzu nutzen Sie die Amazon Titan Text G1 – Express Modell mit einer Aufforderung wie „Bitte geben Sie eine Zusammenfassung des folgenden Textes.“ Fügen Sie keine Informationen hinzu, die nicht im folgenden Text erwähnt werden.“ Mit dem zusammengefassten Artikel verwenden Sie das Amazon Titan Multimodal Embeddings-Modell, um eine Einbettung des zusammengefassten Artikels zu generieren. Das Einbettungsmodell verfügt außerdem über eine maximale Anzahl von Token-Eingaben. Daher ist es umso wichtiger, den Artikel zusammenzufassen, um sicherzustellen, dass Sie bei der Einbettung so viele Informationen wie möglich erfassen können. Vereinfacht ausgedrückt ist ein Token ein einzelnes Wort, Unterwort oder Zeichen.
Anschließend führen Sie eine Suche im OpenSearch-Dienst mit den Namen und der Einbettung aus dem Artikel durch, um Bilder abzurufen, die semantisch ähnlich sind, mit der Anwesenheit des angegebenen Prominenten, falls vorhanden.
Als Benutzer suchen Sie lediglich nach Bildern und verwenden dabei einen Artikel als Eingabe.
Lösungsweg
Das folgende Diagramm zeigt Ihnen die Architektur zur Bereitstellung dieses Anwendungsfalls.
Die folgenden Schritte erläutern die Abfolge von Aktionen (im Diagramm dargestellt), die eine semantische Bild- und Promi-Suche ermöglichen.
- Sie laden ein Bild auf eine hoch Amazon S3 Eimer.
- Amazon EventBridge überwacht dieses Ereignis und initiiert dann einen AWS Step Functions-Schritt.
- Der Schritt „Schrittfunktionen“ übernimmt die Amazon S3 Bilddetails und führt drei parallele Aktionen aus:
- Ein API-Aufruf an Amazon-Anerkennung DetectLabels um Objektmetadaten zu extrahieren
- Ein API-Aufruf an Amazon-Anerkennung Erkennen Sie Prominente APIs zum Extrahieren aller bekannten Prominenten
- A AWS Lambda Die Funktion ändert die Größe des Bildes auf die akzeptierten maximalen Abmessungen für das ML-Einbettungsmodell und generiert eine Einbettung direkt aus der Bildeingabe.
- Das Lambda Die Funktion fügt dann die Metadaten des Bildobjekts und die Namen von Prominenten ein, falls vorhanden, und bettet sie als k-NN-Vektor in einen OpenSearch-Service-Index ein.
- Amazon S3 hostet eine einfache statische Website, die von einem verteilt wird Amazon CloudFront. Über die Front-End-Benutzeroberfläche (UI) können Sie sich bei der verwendeten Anwendung authentifizieren Amazon Cognito um nach Bildern zu suchen.
- Sie übermitteln einen Artikel oder einen Text über die Benutzeroberfläche.
- Ein anderer Lambda Funktionsaufrufe Amazon verstehen um etwaige Namen im Text als potenzielle Berühmtheiten zu erkennen.
- Anschließend fasst die Funktion den Text zusammen, um mithilfe von Titan Text G1 – Express die relevanten Punkte aus dem Artikel abzurufen.
- Die Funktion generiert eine Einbettung des zusammengefassten Artikels mithilfe des Amazon Titan Multimodal Embeddings-Modells.
- Die Funktion durchsucht dann die OpenSearch-Dienst Bildindex für Bilder, die dem Namen des Prominenten und dem entsprechen k-nächste Nachbarn für den Vektor using Kosinusähnlichkeit Verwendung von Exaktes k-NN mit Bewertungsskript.
- Amazon CloudWatch und AWS-Röntgen Geben Sie Einblick in den End-to-End-Workflow, um Sie auf etwaige Probleme aufmerksam zu machen.
Die folgende Abbildung zeigt Ihnen den visuellen Workflow-Designer des Step Functions-Workflows.
Hier ist ein Beispiel für eine Einbettung:
Das vorangehende Zahlenarray erfasst die Bedeutung des Text- oder Bildobjekts in einer Form, anhand derer Sie Berechnungen und Funktionen ausführen können.
Einbettungen haben eine hohe Dimensionalität von einigen Hundert bis zu vielen Tausend Dimensionen. Dieses Modell hat eine Dimensionalität von 1,024, das heißt, das vorhergehende Array enthält 1,024 Elemente, die die Semantik des gegebenen Objekts erfassen.
Multimodale Einbettung versus Texteinbettung
Wir besprechen zwei Optionen für die Bereitstellung einer semantischen Bildsuche, wobei der Hauptunterschied darin besteht, wie Sie die Einbettungen der Bilder generieren. In unserer previous post, generieren Sie eine Einbettung aus den Textmetadaten, die mit Amazon Rekognition extrahiert werden. In diesem Beitrag verwenden Sie das Titan Multimodal Embeddings-Modell und können direkt eine Einbettung des Bildes generieren.
Wenn Sie einen kurzen Test durchführen und in der Benutzeroberfläche eine Abfrage für die beiden Ansätze ausführen, können Sie feststellen, dass die Ergebnisse deutlich unterschiedlich sind. Der Beispiel-Abfrageartikel lautet „Werner Vogels liebt es, weiße Schals zu tragen, wenn er durch Indien reist.“
Das Ergebnis des multimodalen Modells bewertet die Bilder mit einem Schal höher. Das Wort Schal ist in unserem eingereichten Artikel vorhanden, und die Einbettung hat dies erkannt.
In der Benutzeroberfläche können Sie die von Amazon Rekognition extrahierten Metadaten sehen. Die Metadaten enthalten nicht das Wort „Schal“ und haben daher einige Informationen aus dem Bild übersehen, was beim Bildeinbettungsmodell und daher beim multimodalen Modell vermutlich nicht der Fall ist könnte je nach Anwendungsfall einen Vorteil haben. Mit Amazon Rekognition können Sie die im Bild erkannten Objekte filtern, bevor Sie eine Einbettung erstellen, und haben so andere anwendbare Anwendungsfälle, die je nach gewünschtem Ergebnis möglicherweise besser funktionieren.
Die folgende Abbildung zeigt die Ergebnisse des Amazon Titan Multimodal Embeddings-Modells.
Die folgende Abbildung zeigt die Ergebnisse des Amazon Titan-Texteinbettungsmodells unter Verwendung der von Amazon Rekognition extrahierten Metadaten zum Generieren der Einbettung.
Voraussetzungen:
Für diese exemplarische Vorgehensweise müssen Sie die folgenden Voraussetzungen erfüllen:
- An AWS-Konto
- AWS Serverless Application Model Command Line Interface (AWS SAM CLI)
- Die Lösung verwendet die AWS SAM CLI für die Bereitstellung.
- Stellen Sie sicher, dass Sie die neueste Version von AWS SAM CLI verwenden.
- Docker
- Die Lösung nutzt die AWS SAM CLI-Option zum Erstellen in einem Container, um die Notwendigkeit lokaler Abhängigkeiten zu vermeiden. Hierfür benötigen Sie Docker.
- Knoten
- Das Frontend für diese Lösung ist eine React-Webanwendung, die lokal mit Node ausgeführt werden kann.
- npm
- Die Installation der Pakete, die zum lokalen Ausführen der Webanwendung oder zum Erstellen für die Remote-Bereitstellung erforderlich sind, erfordert npm.
Erstellen und implementieren Sie die Full-Stack-Anwendung
- Klonen Sie das Repository
- Wechseln Sie in das neu geklonte Projekt.
- Führen Sie npm install aus, um alle zum Ausführen der Anwendung erforderlichen Pakete herunterzuladen.
- Führen Sie ein Bereitstellungsskript aus, das eine Reihe von Skripten nacheinander ausführt, die Folgendes tun: Sam baut, Sam bereitstellen, aktualisieren Sie die Konfigurationsdateien und hosten Sie dann die Webanwendungsdateien in Amazon S3, bereit für die Bereitstellung über Amazon CloudFront
- Eine der endgültigen Ausgaben des Skripts ist eine Amazon CloudFront-URL, über die Sie auf die Anwendung zugreifen. Sie müssen in der AWS Management Console einen neuen Benutzer erstellen, mit dem Sie sich anmelden können. Notieren Sie sich die URL, um sie später zu verwenden.
Der folgende Screenshot zeigt, wie das Skript AWS SAM zum Bereitstellen Ihres Stacks verwendet und eine Amazon CloudFront-URL ausgegeben hat, über die Sie auf die Anwendung zugreifen können.
Erstellen Sie einen neuen Benutzer, um sich bei der Anwendung anzumelden
- Gehen Sie zum Amazon Cognito Konsole und wählen Sie Ihre neue aus Benutzerpool.
- Erstellen Sie einen neuen Benutzer mit einem neuen Passwort.
Melden Sie sich an und testen Sie die Webanwendung
- Finden Sie die Amazon CloudFront URL, um zur Anmeldeseite zu gelangen. Dies wird in der letzten Zeile ausgegeben, wie im vorherigen Screenshot gezeigt.
- Geben Sie Ihre neue Kombination aus Benutzername und Passwort ein, um sich anzumelden.
- Laden Sie einige Beispielbilder über die Benutzeroberfläche hoch.
- Auswählen
Datei auswählen und dann wählen Hochladen.
Hinweis: Sie können auch mehrere Dateien direkt in den S3-Bucket hochladen, indem Sie Dateien hinzufügen /hochladen -Ordner. - Schreiben oder kopieren Sie einen Artikel, fügen Sie ihn ein und wählen Sie aus Absenden um zu sehen, ob die Bilder wie erwartet zurückgegeben werden.
- Auswählen
Datei auswählen und dann wählen Hochladen.
Aufräumen
Um künftige Gebühren zu vermeiden, löschen Sie die Ressourcen.
- Suchen Sie den mit dieser Lösung bereitgestellten S3-Bucket und leeren Sie den Bucket.
- Gehen Sie zur CloudFormation-Konsole, wählen Sie den Stack aus, den Sie über das zuvor erwähnte Bereitstellungsskript bereitgestellt haben, und löschen Sie den Stack.
Zusammenfassung
In diesem Beitrag haben Sie gesehen, wie Sie mit Amazon Rekognition, Amazon Comprehend, Amazon Bedrock und OpenSearch Service Metadaten aus Ihren Bildern extrahieren und dann ML-Techniken verwenden, um mithilfe von Promi- und semantischer Suche automatisch eng verwandte Inhalte zu entdecken. Dies ist besonders wichtig in der Verlagsbranche, wo Geschwindigkeit wichtig ist, um neue Inhalte schnell und auf mehreren Plattformen zu veröffentlichen.
Stellen Sie im nächsten Schritt die Lösung in Ihrem AWS-Konto bereit und laden Sie einige Ihrer eigenen Bilder hoch, um zu testen, wie die semantische Suche für Sie funktionieren kann. Teilen Sie mir einige Ihrer Rückmeldungen unten in den Kommentaren mit.
Über die Autoren
Mark Watkins ist ein Lösungsarchitekt im Medien- und Unterhaltungsteam und unterstützt seine Kunden bei der Lösung zahlreicher Daten- und ML-Probleme. Abseits des Berufslebens verbringt er gerne Zeit mit seiner Familie und sieht seinen beiden Kleinen beim Aufwachsen zu.
Dan Johns ist ein Solutions Architect Engineer, der seine Kunden dabei unterstützt, auf AWS aufzubauen und Geschäftsanforderungen zu erfüllen. Abseits des Berufslebens liest er gerne, verbringt Zeit mit seiner Familie und automatisiert Aufgaben zu Hause.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
- PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
- PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/easily-build-semantic-image-search-using-amazon-titan/
- :hast
- :Ist
- :nicht
- :Wo
- $UP
- 1
- 100
- 24
- 7
- a
- Akzeptieren
- akzeptiert
- Zugang
- begleiten
- Konto
- Aktionen
- hinzufügen
- hinzugefügt
- Hinzufügen
- Vorteil
- gegen
- AI
- Aufmerksam
- Alle
- erlaubt
- entlang
- ebenfalls
- Amazon
- Amazon verstehen
- Amazon Machine Learning
- Amazon-Anerkennung
- Amazon Web Services
- an
- analysieren
- und
- Anthropisch
- jedem
- Bienen
- APIs
- anwendbar
- Anwendung
- Anwendungen
- Ansätze
- Architektur
- SIND
- um
- Feld
- Artikel
- AS
- annehmen
- Aufmerksamkeit
- Audio-
- authentifizieren
- automatisieren
- Im Prinzip so, wie Sie es von Google Maps kennen.
- automatisieren
- vermeiden
- ein Weg
- AWS
- AWS-Managementkonsole
- AWS Step-Funktionen
- BE
- Bevor
- unten
- BESTE
- Besser
- zwischen
- beide
- breit
- bauen
- Geschäft
- aber
- by
- Berechnen
- Berechnungen
- rufen Sie uns an!
- Aufrufe
- CAN
- Kann bekommen
- Fähigkeiten
- Erfassung
- gefangen
- Captures
- Capturing
- Häuser
- Fälle
- Prominente
- Berühmtheit
- Charakter
- Gebühren
- Wahl
- Auswählen
- Menu
- eng
- CO
- Sammlung
- Kombination
- Bemerkungen
- Unternehmen
- begreifen
- konzept
- Konzepte
- Konfiguration
- Konsul (Console)
- Container
- Inhalt
- ständig
- könnte
- erstellen
- Erstellen
- Kunden
- technische Daten
- Übergeben
- liefern
- Abhängigkeiten
- Abhängig
- einsetzen
- Einsatz
- Einsatz
- Designer
- erwünscht
- Details
- entdecken
- erkannt
- Entdeckung
- Entwicklung
- Unterschied
- anders
- Größe
- Direkt
- Direkt
- entdeckt,
- diskutieren
- diskutiert
- Abstand
- verteilt
- do
- Docker
- Tut nicht
- herunterladen
- leicht
- Effektiv
- Elemente
- Einbettung
- ermöglichen
- Ende
- End-to-End
- Engagement
- Ingenieur
- Unterhaltung
- Essenz
- Sogar
- Event
- Beispiel
- erwartet
- ERFAHRUNGEN
- express
- Extrakt
- Familie
- Merkmal
- Feedback
- wenige
- Abbildung
- Mappen
- Filter
- Finale
- Finden Sie
- findet
- Folgende
- Aussichten für
- unten stehende Formular
- Foundation
- frisch
- für
- Materials des
- Vorderes Ende
- voller
- Voller Stapel
- voll
- Funktion
- Funktionen
- Zukunft
- g1
- erzeugen
- erzeugt
- Erzeugung
- generativ
- Generative KI
- bekommen
- bekommen
- ABSICHT
- gegeben
- gut
- persönlichem Wachstum
- Haben
- he
- Hilfe
- daher
- GUTE
- leistungsstark
- höher
- seine
- Startseite
- Gastgeber
- Gastgeber
- Ultraschall
- Hilfe
- HTML
- HTTPS
- hundert
- if
- Image
- Bildersuche
- Bilder
- wichtig
- zu unterstützen,
- in
- das
- Einschließlich
- Index
- Indien
- Energiegewinnung
- Information
- Initiiert
- Varianten des Eingangssignals:
- Einsätze
- innerhalb
- installieren
- Installation
- Schnittstelle
- in
- Probleme
- IT
- SEINE
- Journalismus
- jpg
- nur
- Wesentliche
- Schlüsselwörter
- Wissen
- bekannt
- Label
- Labs
- später
- neueste
- führenden
- lernen
- lassen
- Niveau
- Lebensdauer
- wahrscheinlich
- Line
- hört zu
- wenig
- aus einer regionalen
- örtlich
- suchen
- liebt
- Maschine
- Maschinelles Lernen
- Main
- Aufrechterhaltung
- um
- verwaltet
- Management
- viele
- Abstimmung
- Angelegenheiten
- maximal
- me
- Bedeutung
- Mittel
- messen
- Medien
- erwähnt
- Meta
- Metadaten
- könnte
- vermisst
- ML
- Modell
- für
- mehr
- vor allem warme
- viel
- mehrere
- sollen
- Name
- Namen
- Need
- Neu
- neu
- weiter
- Knoten
- beachten
- deutlich
- Zahlen
- Objekt
- Objekte
- of
- Angebote
- on
- EINEM
- Einsen
- einzige
- Option
- Optionen
- or
- Auftrag
- Andere
- UNSERE
- Ergebnis
- Möglichkeiten für das Ausgangssignal:
- Ausgänge
- besitzen
- Pakete
- Seite
- Parallel
- Teil
- besonders
- Passwort
- Ausführen
- Personalities
- Kommissionierung
- Plattformen
- Plato
- Datenintelligenz von Plato
- PlatoData
- Punkte
- möglich
- Post
- Potenzial
- Voraussetzungen
- Präsenz
- Gegenwart
- früher
- vorher
- Datenschutz
- Datenschutz und Sicherheit
- Probleme
- Professionell
- Projekt
- die
- veröffentlichen
- Verlag
- Publishing
- Qualität
- Abfragen
- Direkt
- schnell
- schnell
- Reagieren
- Lesebrillen
- bereit
- kürzlich
- Anerkennung
- erkennen
- anerkannt
- erkennt
- Software Empfehlungen
- bezogene
- entfernt
- Quelle
- Darstellung
- erfordern
- falls angefordert
- Voraussetzungen:
- Resonanz
- Downloads
- Folge
- Die Ergebnisse
- Führen Sie
- Laufen
- läuft
- Sam
- gleich
- sah
- Schal
- Wertung
- Skript
- Skripte
- Suche
- Suchbegriffe
- Suche
- Zweite
- Sicherheitdienst
- sehen
- wählen
- Semantik
- Satz
- Reihenfolge
- Modellreihe
- Serverlos
- Lösungen
- Dienst
- kompensieren
- gezeigt
- Konzerte
- Schild
- ähnlich
- Einfacher
- Vereinfachung
- Single
- Lösung
- Lösungen
- LÖSEN
- einige
- Geschwindigkeit
- Ausgabe
- Stabilität
- Stapel
- Stacks
- statisch
- Schritt
- Shritte
- Lagerung
- speichern
- gelagert
- Geschichte
- rationalisieren
- abschicken
- eingereicht
- so
- zusammenfassen
- ZUSAMMENFASSUNG
- Unterstützung
- sicher
- synopsis
- Systeme und Techniken
- Nehmen
- nimmt
- Reden
- und Aufgaben
- Team
- Techniken
- Zehn
- AGB
- Test
- Testen
- Text
- textuell
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- ihr
- Sie
- dann
- deswegen
- Diese
- vom Nutzer definierten
- fehlen uns die Worte.
- diejenigen
- Tausende
- nach drei
- Durch
- Zeit
- Titan
- zu
- Zeichen
- Top
- Transformieren
- Reisen
- tv
- XNUMX
- ui
- verstehen
- Aktualisierung
- hochgeladen
- URL
- -
- Anwendungsfall
- benutzt
- Mitglied
- Benutzerschnittstelle
- verwendet
- Verwendung von
- Version
- Gegen
- Video
- Videos
- visuell
- Walkthrough
- beobachten
- Weg..
- Wege
- Netz
- Internetanwendung
- Web-Services
- Webseite
- bekannt
- Was
- wann
- welche
- während
- Weiß
- Wikipedia
- werden wir
- mit
- .
- ohne
- Word
- Arbeiten
- Arbeitsablauf.
- Workflows
- Du
- Ihr
- Zephyrnet