Πρόσφατα, δάσκαλοι και ιδρύματα αναζήτησαν διαφορετικούς τρόπους για να ενσωματώσουν την τεχνητή νοημοσύνη (AI) στα προγράμματα σπουδών τους, είτε πρόκειται για διδασκαλία μηχανικής μάθησης (ML) είτε για ενσωμάτωσή της στη δημιουργία σχεδίων μαθήματος, βαθμολόγηση ή άλλες εκπαιδευτικές εφαρμογές. Τα παραγωγικά μοντέλα τεχνητής νοημοσύνης, ιδιαίτερα τα μεγάλα γλωσσικά μοντέλα (LLM), έχουν επιταχύνει δραματικά τον αντίκτυπο της τεχνητής νοημοσύνης στην εκπαίδευση. Τα μοντέλα Generative AI και προγραμματισμού φυσικής γλώσσας (NLP) έχουν μεγάλες δυνατότητες να βελτιώσουν τη διδασκαλία και τη μάθηση δημιουργώντας εξατομικευμένο μαθησιακό περιεχόμενο και παρέχοντας ελκυστικές μαθησιακές εμπειρίες για τους μαθητές.
Σε αυτήν την ανάρτηση, δημιουργούμε μια γενετική λύση τεχνητής νοημοσύνης για τους δασκάλους να δημιουργήσουν υλικό μαθημάτων και για τους μαθητές να μάθουν αγγλικές λέξεις και προτάσεις. Όταν οι μαθητές δίνουν απαντήσεις, η λύση παρέχει αξιολογήσεις σε πραγματικό χρόνο και προσφέρει εξατομικευμένη ανατροφοδότηση και καθοδήγηση στους μαθητές για να βελτιώσουν τις απαντήσεις τους.
Συγκεκριμένα, οι εκπαιδευτικοί μπορούν να χρησιμοποιήσουν τη λύση για να κάνουν τα εξής:
- Δημιουργήστε μια εργασία για τους μαθητές δημιουργώντας ερωτήσεις και απαντήσεις από μια προτροπή
- Δημιουργήστε μια εικόνα από την προτροπή για να αναπαραστήσετε την ανάθεση
- Αποθηκεύστε τη νέα ανάθεση σε μια βάση δεδομένων
- Περιηγηθείτε σε υπάρχουσες αναθέσεις από τη βάση δεδομένων
Οι μαθητές μπορούν να χρησιμοποιήσουν τη λύση για να κάνουν τα εξής:
- Επιλέξτε και ελέγξτε μια εργασία από τη βάση δεδομένων εργασιών
- Απαντήστε στις ερωτήσεις της επιλεγμένης εργασίας
- Ελέγξτε τις βαθμολογίες των απαντήσεων σε πραγματικό χρόνο
- Εξετάστε τις προτεινόμενες γραμματικές βελτιώσεις στις απαντήσεις τους
- Εξετάστε τις προτεινόμενες βελτιώσεις προτάσεων στις απαντήσεις τους
- Διαβάστε τις προτεινόμενες απαντήσεις
Σας καθοδηγούμε στα βήματα δημιουργίας της λύσης χρησιμοποιώντας Θεμέλιο του Αμαζονίου, Υπηρεσία ελαστικών εμπορευματοκιβωτίων Amazon (Amazon ECS), Amazon CloudFront, Εξισορρόπηση ελαστικού φορτίου (ELB), Amazon DynamoDB, Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3), και Κιτ ανάπτυξης AWS Cloud (AWS CDK).
Επισκόπηση λύσεων
Το παρακάτω διάγραμμα δείχνει τους πόρους και τις υπηρεσίες που χρησιμοποιούνται στη λύση.
Η λύση εκτελείται ως κλιμακούμενη υπηρεσία. Δάσκαλοι και μαθητές χρησιμοποιούν τα προγράμματα περιήγησής τους για πρόσβαση στην εφαρμογή. Το περιεχόμενο εξυπηρετείται μέσω μιας διανομής Amazon CloudFront με προέλευση ένα Application Load Balancer. Αποθηκεύει τις παραγόμενες εικόνες σε έναν κάδο S3 και αποθηκεύει τις εργασίες του δασκάλου και τις απαντήσεις και τις βαθμολογίες των μαθητών σε ξεχωριστούς πίνακες DynamoDB.
Η λύση χρησιμοποιεί το Amazon Bedrock για να δημιουργήσει ερωτήσεις, απαντήσεις, εικόνες εργασιών και να βαθμολογήσει τις απαντήσεις των μαθητών. Το Amazon Bedrock είναι μια πλήρως διαχειριζόμενη υπηρεσία που καθιστά διαθέσιμα βασικά μοντέλα από κορυφαίες νεοφυείς επιχειρήσεις τεχνητής νοημοσύνης και την Amazon μέσω εύχρηστων διεπαφών API. Η λύση χρησιμοποιεί επίσης το API διόρθωσης γραμματικών σφαλμάτων και την παράφραση API από το AI21 για να προτείνει διορθώσεις λέξεων και προτάσεων.
Μπορείτε να βρείτε τις λεπτομέρειες υλοποίησης στις ακόλουθες ενότητες. Ο πηγαίος κώδικας είναι διαθέσιμος στο Αποθετήριο GitHub.
Προϋποθέσεις
Θα πρέπει να έχετε κάποιες γνώσεις για τη γενετική τεχνητή νοημοσύνη, την ML και τις υπηρεσίες που χρησιμοποιούνται σε αυτήν τη λύση, συμπεριλαμβανομένων των Amazon Bedrock, Amazon ECS, Amazon CloudFront, Elastic Load Balancing, Amazon DynamoDB και Amazon S3
Χρησιμοποιούμε το AWS CDK για τη δημιουργία και την ανάπτυξη της λύσης. Μπορείτε να βρείτε τις οδηγίες εγκατάστασης στο readme αρχείο.
Δημιουργία εργασιών
Οι εκπαιδευτικοί μπορούν να δημιουργήσουν μια εργασία από ένα κείμενο εισαγωγής χρησιμοποιώντας την ακόλουθη σελίδα GUI. Μια εργασία περιλαμβάνει ένα κείμενο εισαγωγής, τις ερωτήσεις και τις απαντήσεις που δημιουργούνται από το κείμενο και μια εικόνα που δημιουργείται από το κείμενο εισόδου για να αναπαραστήσει την εργασία.
Για το παράδειγμά μας, ένας δάσκαλος εισάγει το Ασφάλεια παιδιών και ποδηλάτων οδηγίες από το Υπουργείο Μεταφορών των Ηνωμένων Πολιτειών. Για το κείμενο εισαγωγής χρησιμοποιούμε το αρχείο bike.safe.riding.tips.txt.
Ακολουθεί η δημιουργημένη έξοδος εικόνας.
Ακολουθούν οι ερωτήσεις και οι απαντήσεις που δημιουργούνται:
"question": "What should you always wear when riding a bicycle?",
"answer": "You should always wear a properly fitted bicycle helmet when riding a bicycle. A helmet protects your brain and can save your life in a crash."
"question": "How can you make sure drivers can see you when you are bicycling?",
"answer": "To make sure drivers can see you, wear bright neon or fluorescent colors. Also use reflective tape, markings or flashing lights so you are visible."
"question": "What should you do before riding your bicycle?",
"answer": "Before riding, you should inspect your bicycle to make sure all parts are secure and working properly. Check that tires are inflated, brakes work properly, and reflectors are in place."
"question": "Why is it more dangerous to ride a bicycle at night?",
"answer": "It is more dangerous to ride at night because it is harder for other people in vehicles to see you in the dark."
"question": "How can you avoid hazards while bicycling?",
"answer": "Look ahead for hazards like potholes, broken glass, and dogs. Point out and yell about hazards to bicyclists behind you. Avoid riding at night when it is harder to see hazards."
Ο δάσκαλος αναμένει από τους μαθητές να ολοκληρώσουν την εργασία διαβάζοντας το εισαγόμενο κείμενο και στη συνέχεια απαντώντας στις ερωτήσεις που δημιουργούνται.
Η πύλη χρησιμοποιεί το Amazon Bedrock για τη δημιουργία ερωτήσεων, απαντήσεων και εικόνων. Το Amazon Bedrock επιταχύνει την ανάπτυξη παραγωγικών λύσεων τεχνητής νοημοσύνης εκθέτοντας τα βασικά μοντέλα μέσω διεπαφών API. Μπορείτε να βρείτε τον πηγαίο κώδικα στο αρχείο 1_Create_Assignments.py.
Η πύλη επικαλείται δύο μοντέλα θεμελίωσης:
- Stable Diffusion XL για να δημιουργήσετε εικόνες χρησιμοποιώντας τη συνάρτηση
query_generate_image_endpoint
- Anthropic Claude v2 για να δημιουργήσετε ερωτήσεις και απαντήσεις χρησιμοποιώντας τη συνάρτηση
query_generate_questions_answers_endpoint
Η πύλη αποθηκεύει τις παραγόμενες εικόνες σε έναν κάδο S3 χρησιμοποιώντας τη συνάρτηση load_file_to_s3. Δημιουργεί μια εργασία με βάση το κείμενο εισαγωγής, το αναγνωριστικό καθηγητή, τις δημιουργημένες ερωτήσεις και απαντήσεις και τη σύνδεση του κάδου S3 για τη φορτωμένη εικόνα. Αποθηκεύει την εκχώρηση στις εκχωρήσεις πίνακα DynamoDB χρησιμοποιώντας τη συνάρτηση insert_record_to_dynamodb
.
Μπορείτε να βρείτε τον κώδικα AWS CDK που δημιουργεί τον πίνακα DynamoDB στο αρχείο cdk_stack.py.
Εμφάνιση εργασιών
Οι δάσκαλοι μπορούν να περιηγηθούν στις εργασίες και στα τεχνουργήματα που δημιουργούνται χρησιμοποιώντας την ακόλουθη σελίδα GUI.
Η πύλη χρησιμοποιεί τη λειτουργία get_records_from_dynamodb
για να ανακτήσετε τις αναθέσεις από τις εκχωρήσεις πίνακα DynamoDB. Χρησιμοποιεί τη λειτουργία download_image
για λήψη μιας εικόνας από τον κάδο S3. Μπορείτε να βρείτε τον πηγαίο κώδικα στο αρχείο 2_Show_Assignments.py.
Απαντήστε σε ερωτήσεις
Ένας μαθητής επιλέγει και διαβάζει την εργασία ενός δασκάλου και στη συνέχεια απαντά στις ερωτήσεις της εργασίας.
Η πύλη παρέχει μια συναρπαστική μαθησιακή εμπειρία. Για παράδειγμα, όταν ο μαθητής δίνει την απάντηση «Θα έπρεπε να προστατεύσω τον εγκέφαλο σε περίπτωση σύγκρουσης», η πύλη βαθμολογεί την απάντηση σε πραγματικό χρόνο συγκρίνοντας την απάντηση με τη σωστή απάντηση. Η πύλη κατατάσσει επίσης όλες τις απαντήσεις των μαθητών στην ίδια ερώτηση και εμφανίζει τις τρεις πρώτες βαθμολογίες. Μπορείτε να βρείτε τον πηγαίο κώδικα στο αρχείο 3_Complete_Assignments.py.
Η πύλη αποθηκεύει τις απαντήσεις του μαθητή σε έναν πίνακα DynamoDB που ονομάζεται απαντήσεις. Μπορείτε να βρείτε τον κώδικα AWS CDK που δημιουργεί τον πίνακα DynamoDB στο αρχείο cdk_stack.py.
Για να βαθμολογήσει την απάντηση ενός μαθητή, η πύλη επικαλείται το Μοντέλο Amazon Titan Embeddings να μεταφράσει την απάντηση του μαθητή και τη σωστή απάντηση σε αριθμητικές αναπαραστάσεις και στη συνέχεια να υπολογίσει την ομοιότητά τους ως βαθμολογία. Μπορείτε να βρείτε τη λύση στο αρχείο 3_Complete_Assignments.py.
Η πύλη δημιουργεί προτεινόμενες γραμματικές διορθώσεις και βελτιώσεις προτάσεων για την απάντηση του μαθητή. Τέλος, η πύλη δείχνει τη σωστή απάντηση στην ερώτηση.
Η πύλη χρησιμοποιεί το API διόρθωσης γραμματικών σφαλμάτων και το API παράφρασης από το AI21 για να δημιουργήσει τις προτεινόμενες βελτιώσεις γραμματικής και προτάσεων. Το μοντέλο παράφρασης AI21 είναι διαθέσιμο ως μοντέλο βάσης στο SageMaker. Μπορείτε να αναπτύξετε το μοντέλο παράφρασης AI21 ως σημείο συμπερασμάτων στο SageMaker και να επικαλεστείτε το σημείο συμπερασμάτων για να δημιουργήσετε βελτιώσεις προτάσεων.
Οι λειτουργίες generate_suggestions_sentence_improvements
και generate_suggestions_word_improvements
στο αρχείο 3_Complete_Assignments.py δείχνουν έναν εναλλακτικό τρόπο χρήσης των τελικών σημείων AI21 REST API. Πρέπει να δημιουργήσετε έναν λογαριασμό AI21 και να βρείτε το κλειδί API που σχετίζεται με τον λογαριασμό σας για να καλέσετε τα API. Θα πρέπει να πληρώσετε για τις κλήσεις μετά τη δοκιμαστική περίοδο.
Συμπέρασμα
Αυτή η ανάρτηση σάς έδειξε πώς να χρησιμοποιήσετε μια λύση υποβοηθούμενη από AI για να βελτιώσετε την εμπειρία διδασκαλίας και μάθησης χρησιμοποιώντας πολλαπλά μοντέλα παραγωγής AI και NLP. Μπορείτε να χρησιμοποιήσετε την ίδια προσέγγιση για να αναπτύξετε άλλα πρωτότυπα και εφαρμογές γενετικής τεχνητής νοημοσύνης.
Εάν ενδιαφέρεστε για τις βασικές αρχές της γενετικής τεχνητής νοημοσύνης και πώς να εργάζεστε με μοντέλα θεμελίωσης, συμπεριλαμβανομένων προηγμένων τεχνικών προτροπής, ρίξτε μια ματιά στο πρακτικό μάθημα Generative AI με LLMs. Είναι ένα μάθημα 3 εβδομάδων κατ' απαίτηση για επιστήμονες δεδομένων και μηχανικούς που θέλουν να μάθουν πώς να δημιουργούν γενετικές εφαρμογές τεχνητής νοημοσύνης με LLM. Είναι μια καλή βάση για να ξεκινήσετε να χτίζετε με το Amazon Bedrock. Επισκέψου το Σελίδα χαρακτηριστικών του Amazon Bedrock και εγγραφείτε για να μάθετε περισσότερα για το Amazon Bedrock.
Σχετικά με τους Συγγραφείς
Τζεφ Λι είναι Senior Cloud Application Architect με την ομάδα Professional Services στο AWS. Είναι παθιασμένος με τις καταδύσεις σε βάθος με τους πελάτες για τη δημιουργία λύσεων και τον εκσυγχρονισμό εφαρμογών που υποστηρίζουν τις επιχειρηματικές καινοτομίες. Στον ελεύθερο χρόνο του, του αρέσει να παίζει τένις, να ακούει μουσική και να διαβάζει.
Ισαάκ Πριβιτέρα είναι Senior Data Scientist στο Generative AI Innovation Center, όπου αναπτύσσει κατά παραγγελία λύσεις που βασίζονται στην τεχνητή νοημοσύνη για την αντιμετώπιση των επιχειρηματικών προβλημάτων των πελατών. Εργάζεται κυρίως στην κατασκευή υπεύθυνων συστημάτων AI χρησιμοποιώντας επαυξημένη παραγωγή ανάκτησης (RAG) και συλλογιστική αλυσίδας σκέψης. Στον ελεύθερο χρόνο του απολαμβάνει το γκολφ, το ποδόσφαιρο και τις βόλτες με τον σκύλο του Μπάρι.
Χάρις Βασουάνι είναι Κύριος Αρχιτέκτονας Εφαρμογών Cloud στο Amazon Web Services. Εξειδικεύεται στην αρχιτεκτονική και τη δημιουργία εγγενών εφαρμογών cloud και δίνει τη δυνατότητα στους πελάτες να έχουν βέλτιστες πρακτικές στο ταξίδι μετασχηματισμού του cloud. Εκτός δουλειάς, ο Harish και η σύζυγός του, Simin, είναι βραβευμένοι ανεξάρτητοι παραγωγοί ταινιών μικρού μήκους και λατρεύουν να περνούν το χρόνο τους με τον 5χρονο γιο τους, Karan.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/develop-generative-ai-applications-to-improve-teaching-and-learning-experiences/
- :είναι
- :που
- $UP
- 125
- 173
- 7
- a
- Σχετικα
- πρόσβαση
- Λογαριασμός
- διεύθυνση
- προηγμένες
- Μετά το
- εμπρός
- AI
- Μοντέλα AI
- Συστήματα AI
- Όλα
- Επίσης
- εναλλακτική λύση
- πάντοτε
- Amazon
- Amazon υπηρεσίες Web
- an
- και
- απάντηση
- απαντήσεις
- api
- APIs
- Εφαρμογή
- εφαρμογές
- πλησιάζω
- ΕΙΝΑΙ
- τεχνητός
- τεχνητή νοημοσύνη
- Τεχνητή νοημοσύνη (AI)
- AS
- αξιολογήσεις
- συσχετισμένη
- At
- επαυξημένης
- διαθέσιμος
- αποφύγετε
- βραβευμένο
- AWS
- Balancer
- εξισορρόπησης
- βασίζονται
- BE
- επειδή
- πριν
- πίσω
- προπαραγγελία
- ΚΑΛΎΤΕΡΟΣ
- βέλτιστες πρακτικές
- Εγκέφαλος
- Φωτεινό
- Σπασμένος
- browsers
- χτίζω
- Κτίριο
- επιχείρηση
- by
- που ονομάζεται
- CAN
- αλυσίδα
- έλεγχος
- Backup
- κωδικός
- συγκρίνοντας
- πλήρης
- περιλαμβάνει
- Υπολογίστε
- Δοχείο
- περιεχόμενο
- διορθώσει
- Διορθώσεις
- Πορεία
- Crash
- δημιουργία
- δημιουργεί
- δημιουργία
- Πελάτες
- Επικίνδυνες
- σκοτάδι
- ημερομηνία
- επιστήμονας δεδομένων
- βαθύς
- βαθιά μάθηση
- Τμήμα
- παρατάσσω
- καθέκαστα
- ανάπτυξη
- Ανάπτυξη
- αναπτύσσεται
- διαφορετικές
- Διάχυση
- διανομή
- καταδύσεις
- do
- Σκύλος
- κατεβάσετε
- δραματικά
- οδηγοί
- εύκολο στη χρήση
- Εκπαίδευση
- εκπαιδευτικών
- δίνει τη δυνατότητα
- ελκυστικός
- Μηχανικοί
- Αγγλικά
- ενίσχυση
- σφάλμα
- παράδειγμα
- υφιστάμενα
- αναμένει
- εμπειρία
- Δραστηριοτητες
- Χαρακτηριστικά
- ανατροφοδότηση
- Αρχεία
- Ταινία
- Τελικά
- Εύρεση
- αναβοσβήνει
- Εξής
- ποδόσφαιρο
- Για
- Θεμέλιο
- από
- πλήρως
- λειτουργία
- λειτουργίες
- Βασικές αρχές
- παράγουν
- παράγεται
- δημιουργεί
- παραγωγής
- γενεά
- γενετική
- Παραγωγική τεχνητή νοημοσύνη
- ποτήρι
- γκολφ
- καλός
- βαθμός
- εξαιρετική
- καθοδήγηση
- κατευθυντήριων γραμμών
- hands-on
- σκληρότερα
- καπέλο
- Έχω
- he
- του
- Πως
- Πώς να
- HTML
- HTTPS
- ID
- εικόνα
- εικόνες
- Επίπτωση
- εκτέλεση
- βελτίωση
- βελτιώσεις
- in
- Συμπεριλαμβανομένου
- ενσωματώνω
- ενσωματώνοντας
- ανεξάρτητος
- Καινοτομία
- καινοτομίες
- εισαγωγή
- είσοδοι
- ιδρυμάτων
- οδηγίες
- Νοημοσύνη
- ενδιαφερόμενος
- διεπαφές
- σε
- επικαλείται
- IT
- ΤΟΥ
- ταξίδι
- jpg
- Κλειδί
- γνώση
- Γλώσσα
- large
- που οδηγεί
- ΜΑΘΑΊΝΩ
- μάθηση
- μάθημα
- ζωή
- Μου αρέσει
- LINK
- Ακούγοντας
- φορτίο
- ματιά
- κοίταξε
- αγάπη
- μηχανή
- μάθηση μηχανής
- κάνω
- ΚΑΝΕΙ
- διαχειρίζεται
- υλικά
- ML
- μοντέλο
- μοντέλα
- εκμοντερνίζω
- περισσότερο
- πολλαπλούς
- Μουσική
- ντόπιος
- Φυσικό
- Ανάγκη
- Νέο
- Νέα
- βράδυ
- nlp
- of
- προσφορές
- Παλιά
- on
- Κατα παραγγελια
- or
- καταγωγή
- ΑΛΛΑ
- δικός μας
- έξω
- παραγωγή
- εκτός
- σελίδα
- Ειδικότερα
- εξαρτήματα
- παθιασμένος
- Πληρωμή
- People
- περίοδος
- Εξατομικευμένη
- Μέρος
- φώναξε
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- παιχνίδι
- Σημείο
- Πύλη
- Θέση
- δυναμικού
- πρακτικές
- πρωτίστως
- Κύριος
- προβλήματα
- Παραγωγούς
- επαγγελματίας
- Προγραμματισμός
- δεόντως
- προστασία
- πρωτότυπα
- παρέχουν
- παρέχει
- χορήγηση
- ερώτηση
- Ερωτήσεις
- τάξεις
- Ανάγνωση
- πραγματικός
- σε πραγματικό χρόνο
- συνιστώ
- συνιστάται
- εκπροσωπώ
- Υποστηρικτικό υλικό
- υπεύθυνος
- ΠΕΡΙΦΕΡΕΙΑ
- ανασκόπηση
- Βόλτα
- ιππασία
- τρέχει
- ένα ασφαλές
- σοφός
- ίδιο
- Αποθήκευση
- επεκτάσιμη
- Επιστήμονας
- επιστήμονες
- σκορ
- τμήματα
- προστατευμένο περιβάλλον
- δείτε
- επιλέγονται
- αρχαιότερος
- ποινή
- ξεχωριστό
- σερβίρεται
- υπηρεσία
- Υπηρεσίες
- setup
- Κοντά
- θα πρέπει να
- δείχνουν
- έδειξε
- Δείχνει
- Απλούς
- So
- λύση
- Λύσεις
- μερικοί
- του
- Πηγή
- πρωτογενής κώδικας
- ειδικεύεται
- ταχύτητες
- Δαπάνες
- Εκκίνηση
- Startups
- Μελών
- Βήματα
- χώρος στο δίσκο
- Φοιτητής
- Φοιτητές
- υποστήριξη
- βέβαιος
- συστήματα
- τραπέζι
- δασκάλους
- Διδασκαλία
- τεχνικές
- κείμενο
- ότι
- Η
- Η Πηγη
- τους
- τότε
- αυτό
- σκέψη
- τρία
- Μέσω
- ώρα
- συμβουλές
- ελαστικά
- Τιτάν
- προς την
- κορυφή
- Μεταμόρφωση
- μεταφράζω
- μεταφορά
- δίκη
- δύο
- Ενωμένος
- United States
- χρήση
- μεταχειρισμένος
- χρησιμοποιεί
- χρησιμοποιώντας
- Οχήματα
- μέσω
- ορατός
- Επίσκεψη
- walk
- περπάτημα
- θέλω
- Τρόπος..
- τρόπους
- we
- ιστός
- διαδικτυακές υπηρεσίες
- Τι
- πότε
- αν
- ενώ
- Ο ΟΠΟΊΟΣ
- WHY
- γυναίκα
- θα
- με
- λέξη
- λόγια
- Εργασία
- εργαζόμενος
- λειτουργεί
- Εσείς
- Σας
- zephyrnet