Καθώς περισσότεροι οργανισμοί προχωρούν στη μηχανική μάθηση (ML) για να αποκτήσουν βαθύτερες γνώσεις, δύο βασικά εμπόδια που αντιμετωπίζουν είναι η επισήμανση και η διαχείριση του κύκλου ζωής. Η επισήμανση είναι η αναγνώριση δεδομένων και η προσθήκη ετικετών για την παροχή πλαισίου, ώστε ένα μοντέλο ML να μπορεί να μάθει από αυτό. Οι ετικέτες μπορεί να υποδεικνύουν μια φράση σε ένα αρχείο ήχου, ένα αυτοκίνητο σε μια φωτογραφία ή ένα όργανο σε μια μαγνητική τομογραφία. Η επισήμανση δεδομένων είναι απαραίτητη για να επιτρέψει στα μοντέλα ML να λειτουργούν ενάντια στα δεδομένα. Η διαχείριση του κύκλου ζωής έχει να κάνει με τη διαδικασία δημιουργίας ενός πειράματος ML και τεκμηρίωσης του συνόλου δεδομένων, της βιβλιοθήκης, της έκδοσης και του μοντέλου που χρησιμοποιούνται για τη λήψη αποτελεσμάτων. Μια ομάδα μπορεί να εκτελέσει εκατοντάδες πειράματα πριν καταλήξει σε μία προσέγγιση. Η επιστροφή και η αναδημιουργία αυτής της προσέγγισης μπορεί να είναι δύσκολη χωρίς καταγραφή των στοιχείων αυτού του πειράματος.
Πολλά παραδείγματα και εκπαιδευτικά προγράμματα ML ξεκινούν με ένα σύνολο δεδομένων που περιλαμβάνει μια τιμή στόχο. Ωστόσο, τα δεδομένα του πραγματικού κόσμου δεν έχουν πάντα τέτοια τιμή στόχο. Για παράδειγμα, στην ανάλυση συναισθήματος, ένα άτομο μπορεί συνήθως να κρίνει εάν μια κριτική είναι θετική, αρνητική ή μικτή. Ωστόσο, οι κριτικές αποτελούνται από μια συλλογή κειμένου χωρίς καμία κριτική αξία. Για να δημιουργηθεί ένα εποπτευόμενη μάθηση μοντέλο για την επίλυση αυτού του προβλήματος, είναι απαραίτητο ένα υψηλής ποιότητας σύνολο δεδομένων με ετικέτα. Amazon SageMaker Ground Αλήθεια είναι μια πλήρως διαχειριζόμενη υπηρεσία επισήμανσης δεδομένων που διευκολύνει τη δημιουργία συνόλων δεδομένων εκπαίδευσης υψηλής ακρίβειας για ML.
Για οργανισμούς που χρησιμοποιούν Databricks ως πλατφόρμα δεδομένων και αναλυτικών στοιχείων στο AWS για την εκτέλεση εργασιών εξαγωγής, μετασχηματισμού και φόρτωσης (ETL), ο απώτερος στόχος είναι συχνά η εκπαίδευση ενός μοντέλου εποπτευόμενης μάθησης. Σε αυτήν την ανάρτηση, δείχνουμε πώς το Databricks ενσωματώνεται με το Ground Truth και Amazon Sage Maker για την επισήμανση δεδομένων και τη διανομή μοντέλων.
Επισκόπηση λύσεων
Το Ground Truth είναι μια πλήρως διαχειριζόμενη υπηρεσία επισήμανσης δεδομένων που καθιστά εύκολη τη δημιουργία συνόλων δεδομένων εκπαίδευσης υψηλής ακρίβειας για ML. Μέσω της κονσόλας Ground Truth, μπορούμε να δημιουργήσουμε προσαρμοσμένες ή ενσωματωμένες ροές εργασίας ετικετών δεδομένων μέσα σε λίγα λεπτά. Αυτές οι ροές εργασίας υποστηρίζουν μια ποικιλία περιπτώσεων χρήσης, όπως τρισδιάστατα σύννεφα σημείων, βίντεο, εικόνες και κείμενο. Επιπλέον, η Ground Truth προσφέρει αυτόματη επισήμανση δεδομένων, η οποία χρησιμοποιεί ένα μοντέλο ML για την επισήμανση των δεδομένων μας.
Εκπαιδεύουμε το μοντέλο μας στο δημοσίως διαθέσιμο σύνολο δεδομένων Κριτικών πελατών της Amazon. Σε υψηλό επίπεδο, τα βήματα είναι τα εξής:
- Εξαγάγετε ένα μη επεξεργασμένο σύνολο δεδομένων που θα επισημανθεί και μετακινήστε το σε αυτό Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3).
- Εκτελέστε την τοποθέτηση ετικετών δημιουργώντας μια εργασία επισήμανσης στο SageMaker.
- Δημιουργήστε και εκπαιδεύστε ένα απλό γραμμικό μοντέλο εκμάθησης Scikit-learn για να ταξινομήσετε το συναίσθημα του κειμένου κριτικής στην πλατφόρμα Databricks χρησιμοποιώντας ένα δείγμα σημειωματάριο.
- Χρήση Ροή ML στοιχεία για τη δημιουργία και εκτέλεση MLOps και αποθήκευση των τεχνουργημάτων του μοντέλου.
- Αναπτύξτε το μοντέλο ως τελικό σημείο του SageMaker χρησιμοποιώντας το Βιβλιοθήκη MLflow SageMaker για συμπέρασμα σε πραγματικό χρόνο.
Το παρακάτω διάγραμμα απεικονίζει την επισήμανση και τη διαδρομή ML χρησιμοποιώντας Ground Truth και MLflow.
Δημιουργήστε μια εργασία τοποθέτησης ετικετών στο SageMaker
Από το σύνολο δεδομένων Κριτικών πελατών της Amazon, εξάγουμε μόνο τα τμήματα κειμένου, επειδή χτίζουμε ένα μοντέλο ανάλυσης συναισθήματος. Αφού εξαχθεί, βάζουμε το κείμενο σε έναν κάδο S3 και, στη συνέχεια, δημιουργούμε μια εργασία ετικετών Ground Truth μέσω της κονσόλας SageMaker.
Στις Δημιουργήστε εργασία επισήμανσης σελίδα, συμπληρώστε όλα τα υποχρεωτικά πεδία. Ως μέρος του βήματος αυτής της σελίδας, το Ground Truth σάς επιτρέπει να δημιουργήσετε το αρχείο δήλωσης εργασίας. Το Ground Truth χρησιμοποιεί το αρχείο μανιφέστου εισόδου για να προσδιορίσει τον αριθμό των αρχείων ή των αντικειμένων στην εργασία επισήμανσης, έτσι ώστε ο σωστός αριθμός εργασιών να δημιουργηθεί και να αποσταλεί σε ανθρώπους (ή μηχανές) ετικετών. Το αρχείο αποθηκεύεται αυτόματα στον κάδο S3. Το επόμενο βήμα είναι να καθορίσετε την κατηγορία εργασίας και την επιλογή εργασίας. Σε αυτή την περίπτωση χρήσης, επιλέγουμε Κείμενο ως κατηγορία εργασιών και Ταξινόμηση κειμένου με μια ενιαία ετικέτα για την επιλογή εργασίας, που σημαίνει ότι ένα κείμενο κριτικής θα έχει ένα μόνο συναίσθημα: θετικό, αρνητικό ή ουδέτερο.
Τέλος, γράφουμε απλές αλλά συνοπτικές οδηγίες για ετικέτες σχετικά με τον τρόπο επισήμανσης των δεδομένων κειμένου. Οι οδηγίες εμφανίζονται στο εργαλείο επισήμανσης και μπορείτε προαιρετικά να ελέγξετε την προβολή του σχολιαστή αυτήν τη στιγμή. Τέλος, υποβάλλουμε την εργασία και παρακολουθούμε την πρόοδο στην κονσόλα.
Ενώ η εργασία επισήμανσης βρίσκεται σε εξέλιξη, μπορούμε επίσης να δούμε τα δεδομένα με ετικέτα στο Παραγωγή αυτί. Μπορούμε να παρακολουθούμε κάθε κείμενο και ετικέτα κριτικής και αν η δουλειά έγινε από άνθρωπο ή μηχανή. Μπορούμε να επιλέξουμε το 100% των εργασιών σήμανσης που θα γίνουν από ανθρώπους ή να επιλέξουμε σχολιασμό μηχανής, ο οποίος επιταχύνει την εργασία και μειώνει το κόστος εργασίας.
Όταν ολοκληρωθεί η εργασία, η σύνοψη της εργασίας επισήμανσης περιέχει συνδέσμους προς το μανιφέστο εξόδου και το επιλεγμένο σύνολο δεδομένων. Μπορούμε επίσης να πάμε στο Amazon S3 και να κατεβάσουμε και τα δύο από τον φάκελο του κάδου του S3.
Στα επόμενα βήματα, χρησιμοποιούμε ένα σημειωματάριο Databricks, Ροή ML, και σύνολα δεδομένων επισημασμένα από το Ground Truth για τη δημιουργία ενός Scikit-μάθετε μοντέλο.
Κατεβάστε ένα σύνολο δεδομένων με ετικέτα από το Amazon S3
Ξεκινάμε κατεβάζοντας το επισημασμένο σύνολο δεδομένων από το Amazon S3. Το μανιφέστο αποθηκεύεται σε μορφή JSON και το φορτώνουμε σε ένα Spark DataFrame στο Databricks. Για την εκπαίδευση του μοντέλου ανάλυσης συναισθήματος, χρειαζόμαστε μόνο το κείμενο κριτικής και το συναίσθημα που σχολιάστηκε από την εργασία επισήμανσης Ground Truth. Χρησιμοποιούμε select() για να εξαγάγουμε αυτά τα δύο χαρακτηριστικά. Στη συνέχεια, μετατρέπουμε το σύνολο δεδομένων από ένα PySpark DataFrame σε ένα Pandas DataFrame, επειδή ο αλγόριθμος Scikit-learn απαιτεί μορφή Pandas DataFrame.
Στη συνέχεια, χρησιμοποιούμε το Scikit-learn CountVectorizer
για να μετατρέψετε το κείμενο κριτικής σε διάνυσμα διγράμματος ορίζοντας το ngram_range
μέγιστη τιμή σε 2. CountVectorizer
μετατρέπει το κείμενο σε μια μήτρα μετρήσεων διακριτικών. Στη συνέχεια χρησιμοποιούμε TfidfTransformer
για να μετατρέψετε το διάνυσμα bigram σε μια μορφή συχνότητας-αντίστροφης συχνότητας εγγράφου (TF-IDF).
Συγκρίνουμε τις βαθμολογίες ακρίβειας για την προπόνηση που έγινε με διάνυσμα διγράμματος έναντι διγράμματος με TF-IDF. Το TF-IDF είναι ένα στατιστικό μέτρο που αξιολογεί πόσο σχετική είναι μια λέξη με ένα έγγραφο σε μια συλλογή εγγράφων. Επειδή το κείμενο της κριτικής τείνει να είναι σχετικά σύντομο, μπορούμε να παρατηρήσουμε πώς το TF-IDF επηρεάζει την απόδοση του προγνωστικού μοντέλου.
Ρυθμίστε ένα πείραμα MLflow
Το MLflow αναπτύχθηκε από την Databricks και τώρα είναι ένα έργο ανοιχτού κώδικα. Το MLflow διαχειρίζεται τον κύκλο ζωής του ML, ώστε να μπορείτε να παρακολουθείτε, να αναδημιουργείτε και να δημοσιεύετε πειράματα εύκολα.
Για να ρυθμίσουμε πειράματα MLflow, χρησιμοποιούμε mlflow.sklearn.autolog()
για να ενεργοποιήσετε την αυτόματη καταγραφή υπερπαραμέτρων, μετρήσεων και τεχνουργημάτων μοντέλων όποτε estimator.fit()
, estimator.fit_predict()
, και estimator.fit_transform()
λέγονται. Εναλλακτικά, μπορείτε να το κάνετε χειροκίνητα καλώντας mlflow.log_param()
και mlflow.log_metric()
.
Προσαρμόζουμε το μετασχηματισμένο σύνολο δεδομένων σε έναν γραμμικό ταξινομητή με εκμάθηση Stochastic Gradient Descent (SGD). Με το SGD, η κλίση της απώλειας υπολογίζεται ένα δείγμα τη φορά και το μοντέλο ενημερώνεται στην πορεία με ένα φθίνον χρονοδιάγραμμα αντοχής.
Αυτά τα δύο σύνολα δεδομένων που ετοιμάσαμε νωρίτερα μεταβιβάζονται στο train_and_show_scores()
λειτουργία για προπόνηση. Μετά την εκπαίδευση, πρέπει να καταχωρήσουμε ένα μοντέλο και να αποθηκεύσουμε τα τεχνουργήματά του. Χρησιμοποιούμε mlflow.sklearn.log_model()
να το πράξουν.
Πριν από την ανάπτυξη, εξετάζουμε τα αποτελέσματα του πειράματος και επιλέγουμε δύο πειράματα (ένα για bigram και το άλλο για bigram με TF-IDF) για σύγκριση. Στην περίπτωση χρήσης μας, το δεύτερο μοντέλο που εκπαιδεύτηκε με bigram TF-IDF είχε ελαφρώς καλύτερη απόδοση, επομένως επιλέγουμε αυτό το μοντέλο για ανάπτυξη. Αφού καταχωρηθεί το μοντέλο, αναπτύσσουμε το μοντέλο, αλλάζοντας το στάδιο του μοντέλου σε παραγωγή. Μπορούμε να το πετύχουμε αυτό στη διεπαφή χρήστη MLflow ή στον κώδικα χρησιμοποιώντας transition_model_version_stage()
.
Αναπτύξτε και δοκιμάστε το μοντέλο ως τελικό σημείο του SageMaker
Πριν αναπτύξουμε το εκπαιδευμένο μοντέλο, πρέπει να δημιουργήσουμε ένα κοντέινερ Docker για να φιλοξενήσει το μοντέλο στο SageMaker. Αυτό το κάνουμε εκτελώντας μια απλή εντολή MLflow που δημιουργεί και ωθεί το κοντέινερ σε Μητρώο εμπορευματοκιβωτίων Amazon Elastic (Amazon ECR) στον λογαριασμό μας AWS.
Μπορούμε τώρα να βρούμε το URI εικόνας στην κονσόλα Amazon ECR. Περνάμε το URI της εικόνας ως ένα image_url
παράμετρος και χρήση DEPLOYMENT_MODE_CREATE
για την παράμετρο mode, εάν πρόκειται για νέα ανάπτυξη. Εάν ενημερώνετε ένα υπάρχον τελικό σημείο με μια νέα έκδοση, χρησιμοποιήστε το DEPLOYMENT_MODE_REPLACE
.
Για να ελέγξουμε το τελικό σημείο του SageMaker, δημιουργούμε μια συνάρτηση που λαμβάνει ως παραμέτρους το όνομα του τέλους και τα δεδομένα εισόδου.
Συμπέρασμα
Σε αυτήν την ανάρτηση, σας δείξαμε πώς να χρησιμοποιείτε το Ground Truth για να επισημάνετε ένα μη επεξεργασμένο σύνολο δεδομένων και τη χρήση των δεδομένων με ετικέτα για να εκπαιδεύσετε έναν απλό γραμμικό ταξινομητή χρησιμοποιώντας το Scikit-learn. Σε αυτό το παράδειγμα, χρησιμοποιούμε το MLflow για την παρακολούθηση υπερπαραμέτρων και μετρήσεων, την εγγραφή ενός μοντέλου ποιότητας παραγωγής και την ανάπτυξη του εκπαιδευμένου μοντέλου στο SageMaker ως τελικό σημείο. Μαζί με τα Databricks για την επεξεργασία των δεδομένων, μπορείτε να αυτοματοποιήσετε όλη αυτή την περίπτωση χρήσης, ώστε καθώς εισάγονται νέα δεδομένα, να μπορούν να επισημανθούν και να υποβληθούν σε επεξεργασία στο μοντέλο. Με την αυτοματοποίηση αυτών των αγωγών και μοντέλων, οι ομάδες επιστήμης δεδομένων μπορούν να επικεντρωθούν σε νέες περιπτώσεις χρήσης και να αποκαλύψουν περισσότερες πληροφορίες αντί να αφιερώνουν το χρόνο τους στη διαχείριση ενημερώσεων δεδομένων σε καθημερινή βάση.
Για να ξεκινήσετε, ρίξτε μια ματιά Χρησιμοποιήστε το Amazon SageMaker Ground Truth για την επισήμανση δεδομένων και εγγραφείτε για ένα Δωρεάν δοκιμή 14 ημερών των Databricks στο AWS. Για να μάθετε περισσότερα σχετικά με το πώς το Databricks ενσωματώνεται με το SageMaker, καθώς και με άλλες υπηρεσίες AWS όπως Κόλλα AWS και Amazon RedShift, Επισκεφθείτε Τούβλα δεδομένων στο AWS.
Επιπλέον, ελέγξτε τους ακόλουθους πόρους που χρησιμοποιούνται σε αυτήν την ανάρτηση:
Χρησιμοποιήστε τα παρακάτω σημειωματάριο για να ξεκινήσετε.
Σχετικά με τους Συγγραφείς
Ρούμι Όλσεν είναι Αρχιτέκτονας Λύσεων στο Πρόγραμμα Συνεργατών AWS. Εξειδικεύεται σε λύσεις χωρίς διακομιστές και μηχανική μάθηση στον τρέχοντα ρόλο της και έχει ένα υπόβαθρο στις τεχνολογίες επεξεργασίας φυσικής γλώσσας. Περνά τον περισσότερο ελεύθερο χρόνο της με την κόρη της εξερευνώντας τη φύση του Βορειοδυτικού Ειρηνικού.
Ο Igor Alekseev είναι αρχιτέκτονας λύσεων συνεργατών στην AWS στα δεδομένα και την ανάλυση. Ο Igor συνεργάζεται με στρατηγικούς συνεργάτες, βοηθώντας τους να δημιουργήσουν περίπλοκες, βελτιστοποιημένες για AWS αρχιτεκτονικές. Πριν ενταχθεί στην AWS, ως αρχιτέκτονας δεδομένων/λύσεων, υλοποίησε πολλά έργα σε Big Data, συμπεριλαμβανομένων πολλών λιμνών δεδομένων στο οικοσύστημα Hadoop. Ως Μηχανικός Δεδομένων, συμμετείχε στην εφαρμογή AI/ML στον εντοπισμό απάτης και στον αυτοματισμό γραφείου. Τα έργα του Igor αφορούσαν μια ποικιλία βιομηχανιών, συμπεριλαμβανομένων των επικοινωνιών, των οικονομικών, της δημόσιας ασφάλειας, της κατασκευής και της υγειονομικής περίθαλψης. Νωρίτερα, ο Igor εργάστηκε ως full stack engineer/tech lead.
Naseer Ahmed είναι Sr. Partner Solutions Architect στην Databricks που υποστηρίζει τις δραστηριότητές της στο AWS. Η Naseer ειδικεύεται στην αποθήκευση δεδομένων, στην επιχειρηματική ευφυΐα, στην ανάπτυξη εφαρμογών, στο Container, χωρίς διακομιστή, στις αρχιτεκτονικές μηχανικής εκμάθησης στο AWS. Ψηφίστηκε ως ΜΜΕ της χρονιάς 2021 στα Databricks και είναι φανατικός λάτρης των κρυπτονομισμάτων.
- Coinsmart. Το καλύτερο ανταλλακτήριο Bitcoin και Crypto στην Ευρώπη.
- Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. ΕΛΕΥΘΕΡΗ ΠΡΟΣΒΑΣΗ.
- CryptoHawk. Ραντάρ Altcoin. Δωρεάν δοκιμή.
- Πηγή: https://aws.amazon.com/blogs/machine-learning/build-an-mlops-sentiment-analysis-pipeline-using-amazon-sagemaker-ground-truth-and-databricks-mlflow/
- "
- 100
- 2021
- 3d
- Σχετικα
- Λογαριασμός
- ακριβής
- Επιπλέον
- αλγόριθμος
- Όλα
- Amazon
- ανάλυση
- analytics
- app
- Ανάπτυξη εφαρμογών
- εφαρμόζοντας
- πλησιάζω
- ήχου
- αυτόματη
- Αυτοματοποίηση
- διαθέσιμος
- AWS
- φόντο
- βάση
- Big Data
- χτίζω
- Κτίριο
- Χτίζει
- ενσωματωμένο
- επιχείρηση
- επιχειρηματικής ευφυΐας
- αυτοκίνητο
- περιπτώσεις
- κατηγορία
- Επιλέξτε
- ταξινόμηση
- κωδικός
- συλλογή
- Διαβιβάσεις
- συγκρότημα
- πρόξενος
- Δοχείο
- Περιέχει
- Δικαστικά έξοδα
- δημιουργήθηκε
- δημιουργία
- κρυπτο
- Ρεύμα
- έθιμο
- ημερομηνία
- επιστημονικά δεδομένα
- βαθύτερη
- παρατάσσω
- ανάπτυξη
- ανάπτυξη
- Ανίχνευση
- αναπτύχθηκε
- Ανάπτυξη
- δύσκολος
- διανομή
- Λιμενεργάτης
- έγγραφα
- Όχι
- αυτοκίνητο
- εύκολα
- οικοσύστημα
- ενεργοποιήσετε
- Τελικό σημείο
- μηχανικός
- ουσιώδης
- αναμενόμενη
- παράδειγμα
- πείραμα
- Χαρακτηριστικά
- Πεδία
- Τελικά
- χρηματοδότηση
- ταιριάζουν
- Συγκέντρωση
- Εξής
- μορφή
- απάτη
- Δωρεάν
- πλήρη
- λειτουργία
- παράγουν
- γκολ
- μετάβαση
- υγειονομική περίθαλψη
- Ψηλά
- υψηλά
- Πως
- Πώς να
- HTTPS
- ανθρώπινος
- Οι άνθρωποι
- Εκατοντάδες
- Αναγνώριση
- προσδιορίσει
- εικόνα
- εφαρμοστεί
- Συμπεριλαμβανομένου
- βιομηχανίες
- εισαγωγή
- ιδέες
- Νοημοσύνη
- συμμετέχουν
- IT
- Δουλειά
- Θέσεις εργασίας
- Κλειδί
- τιτλοφόρηση
- Ετικέτες
- εργασία
- Γλώσσα
- οδηγήσει
- ΜΑΘΑΊΝΩ
- μάθηση
- Επίπεδο
- Βιβλιοθήκη
- ΣΥΝΔΕΣΜΟΙ
- φορτίο
- μηχανή
- μάθηση μηχανής
- που
- ΚΑΝΕΙ
- διαχειρίζεται
- διαχείριση
- διαχείριση
- χειροκίνητα
- κατασκευής
- Μήτρα
- μέτρο
- Metrics
- μικτός
- ML
- μοντέλο
- μοντέλα
- Παρακολούθηση
- περισσότερο
- πλέον
- μετακινήσετε
- Φυσικό
- Φύση
- σημειωματάριο
- αριθμός
- προσφορές
- τάξη
- οργανώσεις
- ΑΛΛΑ
- Ειρηνικός
- εταίρος
- Συνεργάτες
- επίδοση
- person
- πλατφόρμες
- Σημείο
- θετικός
- Πρόβλημα
- διαδικασια μας
- παραγωγή
- Πρόγραμμα
- έργα
- παρέχουν
- δημόσιο
- δημοσιεύει
- Ακατέργαστος
- σε πραγματικό χρόνο
- αρχεία
- κάντε ΕΓΓΡΑΦΗ
- καταχωρηθεί
- απαιτείται
- Υποστηρικτικό υλικό
- Αποτελέσματα
- ανασκόπηση
- Κριτικές
- τρέξιμο
- τρέξιμο
- Ασφάλεια
- Επιστήμη
- συναίσθημα
- Χωρίς διακομιστή
- υπηρεσία
- Υπηρεσίες
- σειρά
- τον καθορισμό
- Κοντά
- Απλούς
- So
- λύση
- Λύσεις
- SOLVE
- ειδικεύεται
- Δαπάνες
- σωρός
- Στάδιο
- Εκκίνηση
- ξεκίνησε
- στατιστικός
- χώρος στο δίσκο
- Στρατηγική
- υποστήριξη
- Στήριξη
- στόχος
- εργασίες
- Τεχνολογίες
- δοκιμή
- Μέσω
- ώρα
- ένδειξη
- εργαλείο
- τροχιά
- Εκπαίδευση
- Μεταμορφώστε
- δίκη
- tutorials
- ui
- τελικός
- αποκαλύπτω
- ενημερώσεις
- χρήση
- συνήθως
- αξία
- ποικιλία
- Βίντεο
- Δες
- αν
- χωρίς
- Εργασία
- εργάστηκαν
- λειτουργεί
- έτος