Τώρα μπορείτε να καταχωρήσετε ενσωματωμένα μοντέλα μηχανικής εκμάθησης (ML). Καμβάς Amazon SageMaker με ένα μόνο κλικ στο Μητρώο μοντέλων Amazon SageMaker, δίνοντάς σας τη δυνατότητα να θέσετε σε λειτουργία τα μοντέλα ML στην παραγωγή. Το Canvas είναι μια οπτική διεπαφή που επιτρέπει στους επιχειρησιακούς αναλυτές να δημιουργούν από μόνοι τους ακριβείς προβλέψεις ML — χωρίς να απαιτείται εμπειρία ML ή να χρειάζεται να γράψουν ούτε μια γραμμή κώδικα. Αν και είναι ένα εξαιρετικό μέρος για ανάπτυξη και πειραματισμό, για να αντλήσετε αξία από αυτά τα μοντέλα, πρέπει να τεθούν σε λειτουργία—δηλαδή, να αναπτυχθούν σε περιβάλλον παραγωγής όπου μπορούν να χρησιμοποιηθούν για τη λήψη προβλέψεων ή αποφάσεων. Τώρα με την ενσωμάτωση με το μητρώο μοντέλων, μπορείτε να αποθηκεύσετε όλα τα τεχνουργήματα του μοντέλου, συμπεριλαμβανομένων των γραμμών βάσης μεταδεδομένων και μετρήσεων απόδοσης, σε ένα κεντρικό αποθετήριο και να τα συνδέσετε στις υπάρχουσες διεργασίες CI/CD ανάπτυξης μοντέλου.
Το μητρώο μοντέλων είναι ένα αποθετήριο που καταλογοποιεί μοντέλα ML, διαχειρίζεται διάφορες εκδόσεις μοντέλων, συσχετίζει μεταδεδομένα (όπως μετρήσεις εκπαίδευσης) με ένα μοντέλο, διαχειρίζεται την κατάσταση έγκρισης ενός μοντέλου και τα αναπτύσσει στην παραγωγή. Αφού δημιουργήσετε μια έκδοση μοντέλου, συνήθως θέλετε να αξιολογήσετε την απόδοσή της προτού την αναπτύξετε σε ένα τελικό σημείο παραγωγής. Εάν ανταποκρίνεται στις απαιτήσεις σας, μπορείτε να ενημερώσετε την κατάσταση έγκρισης της έκδοσης μοντέλου σε εγκεκριμένη. Η ρύθμιση της κατάστασης σε εγκεκριμένο μπορεί να ξεκινήσει την ανάπτυξη CI/CD για το μοντέλο. Εάν η έκδοση του μοντέλου δεν ανταποκρίνεται στις απαιτήσεις σας, μπορείτε να ενημερώσετε την κατάσταση έγκρισης σε απόρριψη στο μητρώο, γεγονός που αποτρέπει την ανάπτυξη του μοντέλου σε περιβάλλον κλιμάκωσης.
Ένα μητρώο μοντέλων παίζει βασικό ρόλο στη διαδικασία ανάπτυξης του μοντέλου, επειδή συσκευάζει όλες τις πληροφορίες μοντέλου και επιτρέπει την αυτοματοποίηση της προώθησης μοντέλων σε περιβάλλοντα παραγωγής. Ακολουθούν ορισμένοι τρόποι με τους οποίους ένα μητρώο μοντέλων μπορεί να βοηθήσει στη λειτουργικότητα των μοντέλων ML:
- Έλεγχος έκδοσης – Ένα μητρώο μοντέλων σάς επιτρέπει να παρακολουθείτε διαφορετικές εκδόσεις των μοντέλων σας ML, κάτι που είναι απαραίτητο κατά την ανάπτυξη μοντέλων στην παραγωγή. Παρακολουθώντας τις εκδόσεις του μοντέλου, μπορείτε εύκολα να επιστρέψετε σε μια προηγούμενη έκδοση, εάν μια νέα έκδοση προκαλεί προβλήματα.
- Συνεργασία – Ένα μητρώο μοντέλων επιτρέπει τη συνεργασία μεταξύ επιστημόνων δεδομένων, μηχανικών και άλλων ενδιαφερόμενων μερών παρέχοντας μια κεντρική τοποθεσία για αποθήκευση, κοινή χρήση και πρόσβαση σε μοντέλα. Αυτό μπορεί να βοηθήσει στον εξορθολογισμό της διαδικασίας ανάπτυξης και να διασφαλίσει ότι όλοι εργάζονται με το ίδιο μοντέλο.
- Διακυβέρνηση – Ένα μητρώο μοντέλου μπορεί να βοηθήσει στη συμμόρφωση και τη διακυβέρνηση παρέχοντας ένα ελεγχόμενο ιστορικό αλλαγών και αναπτύξεων μοντέλων.
Συνολικά, ένα μητρώο μοντέλων μπορεί να βοηθήσει στον εξορθολογισμό της διαδικασίας ανάπτυξης μοντέλων ML στην παραγωγή παρέχοντας έλεγχο έκδοσης, συνεργασία, παρακολούθηση και διακυβέρνηση.
Επισκόπηση της λύσης
Για την περίπτωση χρήσης μας, αναλαμβάνουμε το ρόλο ενός επιχειρησιακού χρήστη στο τμήμα μάρκετινγκ μιας εταιρείας κινητής τηλεφωνίας και δημιουργήσαμε με επιτυχία ένα μοντέλο ML στο Canvas για τον εντοπισμό πελατών με τον πιθανό κίνδυνο απόρριψης. Χάρη στις προβλέψεις που δημιουργούνται από το μοντέλο μας, θέλουμε τώρα να το μεταφέρουμε από το αναπτυξιακό μας περιβάλλον στην παραγωγή. Ωστόσο, προτού το μοντέλο μας αναπτυχθεί σε ένα τελικό σημείο παραγωγής, πρέπει να ελεγχθεί και να εγκριθεί από μια κεντρική ομάδα MLOps. Αυτή η ομάδα είναι υπεύθυνη για τη διαχείριση εκδόσεων μοντέλων, τον έλεγχο όλων των συσχετισμένων μεταδεδομένων (όπως μετρήσεις εκπαίδευσης) με ένα μοντέλο, τη διαχείριση της κατάστασης έγκρισης κάθε μοντέλου ML, την ανάπτυξη εγκεκριμένων μοντέλων στην παραγωγή και την αυτοματοποίηση της ανάπτυξης μοντέλων με CI/CD. Για να απλοποιήσουμε τη διαδικασία ανάπτυξης του μοντέλου μας στην παραγωγή, εκμεταλλευόμαστε την ενσωμάτωση του Canvas με το μητρώο μοντέλων και καταχωρίζουμε το μοντέλο μας για έλεγχο από την ομάδα MLOps.
Τα βήματα της ροής εργασιών είναι τα εξής:
- Ανεβάστε ένα νέο σύνολο δεδομένων με τον τρέχοντα πληθυσμό πελατών στον Καμβά. Για την πλήρη λίστα των υποστηριζόμενων πηγών δεδομένων, ανατρέξτε στο Εισαγωγή δεδομένων στον Καμβά.
- Δημιουργήστε μοντέλα ML και αναλύστε τις μετρήσεις απόδοσής τους. Ανατρέξτε στις οδηγίες για δημιουργήστε ένα προσαρμοσμένο μοντέλο ML στον Καμβά και αξιολογήσει την απόδοση του μοντέλου.
- Καταχωρίστε τις εκδόσεις με την καλύτερη απόδοση στο μητρώο μοντέλων για έλεγχο και έγκριση.
- Αναπτύξτε την εγκεκριμένη έκδοση μοντέλου σε ένα τελικό σημείο παραγωγής για εξαγωγή συμπερασμάτων σε πραγματικό χρόνο.
Μπορείτε να εκτελέσετε τα Βήματα 1–3 στον Καμβά χωρίς να γράψετε ούτε μια γραμμή κώδικα.
Προϋποθέσεις
Για αυτήν την περιγραφή, βεβαιωθείτε ότι πληρούνται οι ακόλουθες προϋποθέσεις:
- Για να καταχωρίσετε εκδόσεις μοντέλων στο μητρώο μοντέλων, ο διαχειριστής του Canvas πρέπει να δώσει τα απαραίτητα δικαιώματα στον χρήστη του Canvas, τα οποία μπορείτε να διαχειριστείτε στον τομέα SageMaker που φιλοξενεί την εφαρμογή σας Canvas. Για περισσότερες πληροφορίες, ανατρέξτε στο Οδηγός προγραμματιστή Amazon SageMaker. Όταν εκχωρείτε τα δικαιώματα χρήστη Canvas, πρέπει να επιλέξετε εάν θα επιτρέψετε στον χρήστη να καταχωρήσει τις εκδόσεις του μοντέλου στον ίδιο λογαριασμό AWS.
- Εφαρμόστε τις προϋποθέσεις που αναφέρονται στο Προβλέψτε την ανατροπή πελατών με μηχανική εκμάθηση χωρίς κώδικα χρησιμοποιώντας το Amazon SageMaker Canvas.
Θα πρέπει τώρα να έχετε τρεις εκδόσεις μοντέλων που έχουν εκπαιδευτεί σε δεδομένα ιστορικής πρόβλεψης εκτροπής στον Καμβά:
- V1 εκπαιδευμένο με όλες τις 21 δυνατότητες και γρήγορη διαμόρφωση κατασκευής με βαθμολογία μοντέλου 96.903%
- V2 εκπαιδευμένο με και τις 19 δυνατότητες (αφαιρούνται λειτουργίες τηλεφώνου και κατάστασης) και γρήγορη διαμόρφωση κατασκευής και βελτιωμένη ακρίβεια 97.403%
- V3 εκπαιδευμένο με τυπική διαμόρφωση κατασκευής με βαθμολογία μοντέλου 97.03%.
Χρησιμοποιήστε το μοντέλο πρόβλεψης απόκλισης πελατών
Ενεργοποίηση Εμφάνιση σύνθετων μετρήσεων και ελέγξτε τις αντικειμενικές μετρήσεις που σχετίζονται με κάθε έκδοση μοντέλου, ώστε να μπορούμε να επιλέξουμε το μοντέλο με την καλύτερη απόδοση για εγγραφή στο μητρώο μοντέλων.
Με βάση τις μετρήσεις απόδοσης, επιλέγουμε την έκδοση 2 για εγγραφή.
Το μητρώο μοντέλων παρακολουθεί όλες τις εκδόσεις μοντέλων που εκπαιδεύετε για την επίλυση ενός συγκεκριμένου προβλήματος σε μια ομάδα μοντέλων. Όταν εκπαιδεύετε ένα μοντέλο Canvas και το καταχωρείτε στο μητρώο μοντέλων, προστίθεται σε μια ομάδα μοντέλων ως νέα έκδοση μοντέλου.
Κατά τη στιγμή της εγγραφής, δημιουργείται αυτόματα μια ομάδα μοντέλων στο μητρώο μοντέλων. Προαιρετικά, μπορείτε να το μετονομάσετε σε όνομα της επιλογής σας ή να χρησιμοποιήσετε μια υπάρχουσα ομάδα μοντέλων στο μητρώο μοντέλων.
Για αυτό το παράδειγμα, χρησιμοποιούμε το όνομα ομάδας μοντέλων που δημιουργείται αυτόματα και επιλέγουμε Πρόσθεση.
Η έκδοση του μοντέλου μας θα πρέπει τώρα να εγγραφεί στην ομάδα μοντέλων στο μητρώο μοντέλων. Εάν επρόκειτο να καταχωρούσαμε άλλη έκδοση μοντέλου, θα καταχωριζόταν στην ίδια ομάδα μοντέλων.
Η κατάσταση της έκδοσης μοντέλου θα έπρεπε να έχει αλλάξει από Μη εγγεγραμμένο προς την Εγγεγραμμένοι.
Όταν τοποθετούμε το δείκτη του ποντικιού πάνω από την κατάσταση, μπορούμε να ελέγξουμε τις λεπτομέρειες μητρώου μοντέλου, οι οποίες περιλαμβάνουν το όνομα της ομάδας μοντέλων, το αναγνωριστικό λογαριασμού μητρώου μοντέλου και την κατάσταση έγκρισης. Αμέσως μετά την εγγραφή, η κατάσταση αλλάζει σε Εκκρεμεί έγκριση, πράγμα που σημαίνει ότι αυτό το μοντέλο είναι καταχωρισμένο στο μητρώο μοντέλων, αλλά εκκρεμεί έλεγχος και έγκριση από έναν επιστήμονα δεδομένων ή μέλος της ομάδας MLOps και μπορεί να αναπτυχθεί σε ένα τελικό σημείο μόνο εάν εγκριθεί.
Τώρα ας πλοηγηθούμε σε Στούντιο Amazon SageMaker και να αναλάβει το ρόλο ενός μέλους της ομάδας MLOps. Κάτω από Μοντέλα στο παράθυρο πλοήγησης, επιλέξτε Μητρώο μοντέλων για να ανοίξετε την αρχική σελίδα του μητρώου μοντέλων.
Μπορούμε να δούμε το μοντέλο group canvas-Churn-Prediction-Model
που ο Καμβάς δημιούργησε αυτόματα για εμάς.
Επιλέξτε το μοντέλο για να ελέγξετε όλες τις εκδόσεις που είναι καταχωρημένες σε αυτήν την ομάδα μοντέλων και, στη συνέχεια, ελέγξτε τις αντίστοιχες λεπτομέρειες μοντέλου.
Αν ανοίξετε τις λεπτομέρειες για την έκδοση 1, μπορούμε να δούμε ότι το Ενέργεια Η καρτέλα παρακολουθεί όλα τα συμβάντα που συμβαίνουν στο μοντέλο.
Στις Ποιότητα μοντέλου καρτέλα, μπορούμε να ελέγξουμε τις μετρήσεις του μοντέλου, τις καμπύλες ακρίβειας/ανάκλησης και τις γραφικές παραστάσεις του πίνακα σύγχυσης για να κατανοήσουμε την απόδοση του μοντέλου.
Στις Επεξήγηση καρτέλα, μπορούμε να ελέγξουμε τα χαρακτηριστικά που επηρέασαν περισσότερο την απόδοση του μοντέλου.
Αφού ελέγξουμε τα τεχνουργήματα του μοντέλου, μπορούμε να αλλάξουμε την κατάσταση έγκρισης από εκκρεμής προς την Εγκεκριμένη.
Μπορούμε τώρα να δούμε την ενημερωμένη δραστηριότητα.
Ο επιχειρησιακός χρήστης του Canvas θα μπορεί τώρα να δει ότι η κατάσταση του εγγεγραμμένου μοντέλου άλλαξε από Εκκρεμεί έγκριση προς την Εγκεκριμένη.
Ως μέλος της ομάδας MLOps, επειδή έχουμε εγκρίνει αυτό το μοντέλο ML, ας το αναπτύξουμε σε ένα τελικό σημείο.
Στο Studio, μεταβείτε στην αρχική σελίδα του μητρώου μοντέλων και επιλέξτε το canvas-Churn-Prediction-Model
ομάδα μοντέλων. Επιλέξτε την έκδοση που θα αναπτυχθεί και μεταβείτε στο ρυθμίσεις Tab.
Περιηγηθείτε για να λάβετε λεπτομέρειες ARN του πακέτου μοντέλου από την επιλεγμένη έκδοση μοντέλου στο μητρώο μοντέλων.
Ανοίξτε ένα σημειωματάριο στο Studio και εκτελέστε τον ακόλουθο κώδικα για να αναπτύξετε το μοντέλο σε ένα τελικό σημείο. Αντικαταστήστε το πακέτο μοντέλου ARN με το δικό σας πακέτο μοντέλου ARN.
Αφού δημιουργηθεί το τελικό σημείο, μπορείτε να το δείτε να παρακολουθείται ως συμβάν στο Ενέργεια καρτέλα του μητρώου μοντέλων.
Μπορείτε να κάνετε διπλό κλικ στο όνομα του τελικού σημείου για να λάβετε τα στοιχεία του.
Τώρα που έχουμε ένα τελικό σημείο, ας το επικαλεστούμε για να βγάλουμε συμπέρασμα σε πραγματικό χρόνο. Αντικαταστήστε το όνομα του τερματικού σας στο παρακάτω απόσπασμα κώδικα:
εκκαθάριση
Για να αποφύγετε μελλοντικές χρεώσεις, διαγράψτε τους πόρους που δημιουργήσατε κατά την παρακολούθηση αυτής της ανάρτησης. Αυτό περιλαμβάνει την αποσύνδεση από το Canvas και διαγράφοντας το αναπτυγμένο τελικό σημείο του SageMaker. Το Canvas σάς χρεώνει για τη διάρκεια της περιόδου σύνδεσης και συνιστούμε να αποσυνδεθείτε από το Canvas όταν δεν το χρησιμοποιείτε. Αναφέρομαι σε Αποσύνδεση από το Amazon SageMaker Canvas Για περισσότερες πληροφορίες.
Συμπέρασμα
Σε αυτήν την ανάρτηση, συζητήσαμε πώς το Canvas μπορεί να βοηθήσει στη λειτουργικότητα των μοντέλων ML σε περιβάλλοντα παραγωγής χωρίς να απαιτείται τεχνογνωσία ML. Στο παράδειγμά μας, δείξαμε πώς ένας αναλυτής μπορεί να δημιουργήσει γρήγορα ένα μοντέλο πρόβλεψης ML υψηλής ακρίβειας χωρίς να γράψει κανέναν κώδικα και να το καταχωρήσει στο μητρώο μοντέλων. Η ομάδα MLOps μπορεί στη συνέχεια να το εξετάσει και είτε να απορρίψει το μοντέλο είτε να εγκρίνει το μοντέλο και να ξεκινήσει τη διαδικασία ανάπτυξης CI/CD κατάντη.
Για να ξεκινήσετε το ταξίδι σας σε ML χαμηλού κωδικού/χωρίς κώδικα, ανατρέξτε στο Καμβάς Amazon SageMaker.
Ιδιαίτερες ευχαριστίες σε όλους όσους συνέβαλαν στην κυκλοφορία:
Backend:
- Huayuan (Alice) Wu
- Krittaphat Pugdeethosapol
- Γιάντα Χου
- John He
- Esha Dutta
- Prashanth
Μπροστινή πλευρά:
- Έμπορος Kaiz
- Ed Cheung
Σχετικά με τους Συγγραφείς
Janisha Anand είναι Ανώτερος Διευθυντής Προϊόντων στην ομάδα SageMaker Low/No Code ML, η οποία περιλαμβάνει το SageMaker Autopilot. Απολαμβάνει τον καφέ, μένει δραστήρια και περνά χρόνο με την οικογένειά της.
Krittaphat Pugdeethosapol είναι Μηχανικός Ανάπτυξης Λογισμικού στο Amazon SageMaker και συνεργάζεται κυρίως με προϊόντα χαμηλού και χωρίς κώδικα SageMaker.
Huayuan (Alice) Wu είναι Μηχανικός Ανάπτυξης Λογισμικού στο Amazon SageMaker. Επικεντρώνεται στην κατασκευή εργαλείων και προϊόντων ML για πελάτες. Εκτός δουλειάς, της αρέσει η ύπαιθρος, η γιόγκα και η πεζοπορία.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoAiStream. Web3 Data Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- Minting the Future με την Adryenn Ashley. Πρόσβαση εδώ.
- Αγορά και πώληση μετοχών σε εταιρείες PRE-IPO με το PREIPO®. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/operationalize-ml-models-built-in-amazon-sagemaker-canvas-to-production-using-the-amazon-sagemaker-model-registry/
- :είναι
- :δεν
- :που
- ][Π
- 1
- 100
- 15%
- 420
- 7
- 8
- a
- Ικανός
- πρόσβαση
- Λογαριασμός
- ακρίβεια
- ακριβής
- ενεργός
- δραστηριότητα
- προστιθέμενη
- διαχειριστής
- προηγμένες
- Πλεονέκτημα
- Μετά το
- Όλα
- επιτρέπουν
- επιτρέπει
- Αν και
- Amazon
- Amazon Sage Maker
- Καμβάς Amazon SageMaker
- μεταξύ των
- an
- αναλυτής
- Αναλυτές
- αναλύσει
- και
- Άλλος
- κάθε
- Εφαρμογή
- έγκριση
- εγκρίνω
- εγκεκριμένη
- ΕΙΝΑΙ
- AS
- συσχετισμένη
- At
- ελεγχόμενο
- αυτομάτως
- αυτοματοποίηση
- Αυτοματοποίηση
- αποφύγετε
- AWS
- BE
- επειδή
- πριν
- είναι
- ΚΑΛΎΤΕΡΟΣ
- Γραμμάτια
- σώμα
- χτίζω
- Κτίριο
- χτισμένο
- επιχείρηση
- αλλά
- by
- CAN
- καμβάς
- περίπτωση
- καταλόγους
- αίτια
- κεντρικός
- κεντρική
- αλλαγή
- άλλαξε
- Αλλαγές
- φορτία
- επιλογή
- Επιλέξτε
- κλικ
- κωδικός
- Καφές
- συνεργασία
- Συμμόρφωση
- διαμόρφωση
- σύγχυση
- συνέβαλε
- έλεγχος
- Αντίστοιχος
- δημιουργία
- δημιουργήθηκε
- Ρεύμα
- έθιμο
- πελάτης
- Πελάτες
- ημερομηνία
- επιστήμονας δεδομένων
- ημερομηνία
- αποφάσεις
- Τμήμα
- παρατάσσω
- αναπτυχθεί
- ανάπτυξη
- ανάπτυξη
- αναπτύξεις
- αναπτύσσεται
- καθέκαστα
- Εργολάβος
- Ανάπτυξη
- διαφορετικές
- συζήτηση
- Όχι
- τομέα
- διάρκεια
- κάθε
- εύκολα
- είτε
- δίνει τη δυνατότητα
- ενεργοποίηση
- τέλος
- Τελικό σημείο
- μηχανικός
- Μηχανικοί
- εξασφαλίζω
- Περιβάλλον
- περιβάλλοντα
- ουσιώδης
- αξιολογήσει
- Συμβάν
- εκδηλώσεις
- Κάθε
- όλοι
- παράδειγμα
- υφιστάμενα
- εμπειρία
- εξειδίκευση
- οικογένεια
- Χαρακτηριστικά
- εστιάζει
- Εξής
- εξής
- Για
- από
- πλήρη
- μελλοντικός
- παράγουν
- παράγεται
- παίρνω
- Δώστε
- Go
- διακυβέρνησης
- χορήγηση
- εξαιρετική
- Group
- Συμβαίνει
- Έχω
- που έχει
- βοήθεια
- αυτήν
- υψηλά
- ιστορικών
- ιστορία
- Αρχική
- οικοδεσπότες
- φτερουγίζω
- Πως
- Ωστόσο
- HTML
- HTTPS
- ID
- προσδιορίσει
- if
- εισαγωγή
- βελτιωθεί
- in
- περιλαμβάνουν
- περιλαμβάνει
- Συμπεριλαμβανομένου
- επηρεάζονται
- πληροφορίες
- κινήσει
- οδηγίες
- ολοκλήρωση
- περιβάλλον λειτουργίας
- σε
- θέματα
- IT
- ΤΟΥ
- ταξίδι
- jpg
- τήρηση
- Κλειδί
- ξεκινήσει
- μάθηση
- γραμμή
- Λιστα
- τοποθεσία
- ξύλευση
- μηχανή
- μάθηση μηχανής
- κυρίως
- κάνω
- διαχείριση
- διευθυντής
- διαχειρίζεται
- διαχείριση
- Μάρκετινγκ
- Μήτρα
- μέσα
- μέλος
- που αναφέρθηκαν
- Μεταδεδομένα
- Metrics
- ML
- MLOps
- Κινητό
- κινητό τηλέφωνο
- μοντέλο
- μοντέλα
- παρακολούθηση
- περισσότερο
- πλέον
- μετακινήσετε
- πρέπει
- όνομα
- Πλοηγηθείτε
- Πλοήγηση
- απαραίτητος
- Ανάγκη
- ανάγκες
- Νέα
- Όχι.
- σημειωματάριο
- τώρα
- σκοπός
- of
- on
- αποκλειστικά
- ανοίξτε
- χειριστής
- or
- OS
- ΑΛΛΑ
- δικός μας
- έξω
- ύπαιθρο
- εκτός
- επί
- δική
- πακέτο
- Packages
- σελίδα
- Πάντα
- παράθυρο
- Ειδικότερα
- εκκρεμής
- Εκτελέστε
- επίδοση
- εκτέλεση
- εκτελεί
- δικαιώματα
- τηλέφωνο
- Μέρος
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- παίζει
- βύσμα
- πληθυσμός
- Θέση
- δυναμικού
- πρόβλεψη
- Προβλέψεις
- προαπαιτούμενα
- αποτρέπει
- προηγούμενος
- Πρόβλημα
- διαδικασια μας
- Διεργασίες
- Προϊόν
- υπεύθυνος προϊόντων
- παραγωγή
- Προϊόντα
- προαγωγή
- χορήγηση
- Γρήγορα
- γρήγορα
- σε πραγματικό χρόνο
- συνιστώ
- κάντε ΕΓΓΡΑΦΗ
- καταχωρηθεί
- Εγγραφή
- μητρώου
- Καταργήθηκε
- αντικαθιστώ
- Αποθήκη
- απαιτήσεις
- Υποστηρικτικό υλικό
- απάντησης
- υπεύθυνος
- Επαναφορά
- ανασκόπηση
- αξιολόγηση
- επανεξέταση
- δεξιά
- Κίνδυνος
- Ρόλος
- τρέξιμο
- σοφός
- ίδιο
- Επιστήμονας
- επιστήμονες
- σκορ
- δείτε
- επιλέγονται
- αρχαιότερος
- Συνεδρίαση
- τον καθορισμό
- μοιράζονται
- αυτή
- θα πρέπει να
- έδειξε
- ενιαίας
- So
- λογισμικό
- ανάπτυξη λογισμικού
- SOLVE
- μερικοί
- Πηγές
- Δαπάνες
- ενδιαφερόμενα μέρη
- πρότυπο
- Εκκίνηση
- Κατάσταση
- Κατάσταση
- Βήματα
- κατάστημα
- εναποθήκευση
- εξορθολογισμό
- στούντιο
- Επιτυχώς
- τέτοιος
- υποστηριζόνται!
- SYS
- Πάρτε
- Ευχαριστώ
- ότι
- Η
- τους
- Τους
- τότε
- Αυτοί
- αυτοί
- αυτό
- τρία
- ώρα
- προς την
- εργαλεία
- τροχιά
- Τρένο
- εκπαιδευμένο
- Εκπαίδευση
- συνήθως
- υπό
- καταλαβαίνω
- Ενημέρωση
- ενημερώθηκε
- us
- χρήση
- περίπτωση χρήσης
- μεταχειρισμένος
- Χρήστες
- χρησιμοποιώντας
- αξία
- διάφορα
- εκδοχή
- περιδιάβαση
- θέλω
- τρόπους
- we
- ήταν
- πότε
- αν
- Ποιό
- ενώ
- Ο ΟΠΟΊΟΣ
- θα
- με
- εντός
- χωρίς
- Εργασία
- εργαζόμενος
- λειτουργεί
- θα
- γράφω
- γραφή
- Ναί
- Yoga
- Εσείς
- Σας
- zephyrnet