Καθώς όλο και περισσότεροι πελάτες αναζητούν να βάλουν φόρτους εργασίας μηχανικής μάθησης (ML) στην παραγωγή, υπάρχει μεγάλη ώθηση στους οργανισμούς να συντομεύσουν τον κύκλο ζωής ανάπτυξης του κώδικα ML. Πολλοί οργανισμοί προτιμούν να γράφουν τον κώδικα ML τους σε στυλ έτοιμο για παραγωγή με τη μορφή μεθόδων και κλάσεων Python σε αντίθεση με ένα εξερευνητικό στυλ (γράψιμο κώδικα χωρίς χρήση μεθόδων ή κλάσεων), επειδή αυτό τους βοηθά να αποστέλλουν κώδικα έτοιμο για παραγωγή γρηγορότερα.
Με Amazon Sage Maker, μπορείτε να χρησιμοποιήσετε το @απομακρυσμένος διακοσμητής για να εκτελέσετε μια εργασία εκπαίδευσης του SageMaker απλώς σχολιάζοντας τον κώδικα Python με ένα @remote decorator. ο SDK SageMaker Python θα μεταφράσει αυτόματα το υπάρχον περιβάλλον του χώρου εργασίας σας και τυχόν σχετικό κώδικα επεξεργασίας δεδομένων και σύνολα δεδομένων σε μια εργασία εκπαίδευσης του SageMaker που εκτελείται στην εκπαιδευτική πλατφόρμα SageMaker.
Η εκτέλεση μιας συνάρτησης Python τοπικά απαιτεί συχνά πολλές εξαρτήσεις, οι οποίες μπορεί να μην συνοδεύονται από το τοπικό περιβάλλον χρόνου εκτέλεσης Python. Μπορείτε να τα εγκαταστήσετε μέσω εργαλείων διαχείρισης πακέτων και εξαρτήσεων όπως κουκούτσι or Conda.
Ωστόσο, οι οργανισμοί που δραστηριοποιούνται σε ρυθμιζόμενες βιομηχανίες όπως οι τράπεζες, οι ασφάλειες και η υγειονομική περίθαλψη λειτουργούν σε περιβάλλοντα που διαθέτουν αυστηρούς ελέγχους απορρήτου δεδομένων και δικτύωσης. Αυτά τα στοιχεία ελέγχου απαιτούν συχνά να μην υπάρχει πρόσβαση στο Διαδίκτυο σε οποιοδήποτε από τα περιβάλλοντά τους. Ο λόγος για αυτόν τον περιορισμό είναι να υπάρχει πλήρης έλεγχος της κίνησης εισόδου και εισόδου, ώστε να μπορούν να μειώσουν τις πιθανότητες αδίστακτων παραγόντων να στέλνουν ή να λαμβάνουν μη επαληθευμένες πληροφορίες μέσω του δικτύου τους. Συχνά επιβάλλεται επίσης να υπάρχει τέτοια απομόνωση δικτύου ως μέρος των κανόνων ακουστικής και βιομηχανικής συμμόρφωσης. Όταν πρόκειται για ML, αυτό περιορίζει τους επιστήμονες δεδομένων από τη λήψη οποιουδήποτε πακέτου από δημόσια αποθετήρια όπως PyPI, ανακόνδας, ή Κόντα-Φορτζ.
Για να παρέχουν στους επιστήμονες δεδομένων πρόσβαση στα εργαλεία της επιλογής τους, σεβόμενοι ταυτόχρονα τους περιορισμούς του περιβάλλοντος, οι οργανισμοί συχνά δημιουργούν το δικό τους ιδιωτικό αποθετήριο πακέτων που φιλοξενείται στο δικό τους περιβάλλον. Μπορείτε να ρυθμίσετε ιδιωτικά αποθετήρια πακέτων στο AWS με πολλούς τρόπους:
Σε αυτήν την ανάρτηση, εστιάζουμε στην πρώτη επιλογή: χρησιμοποιώντας το CodeArtifact.
Επισκόπηση λύσεων
Το παρακάτω διάγραμμα αρχιτεκτονικής δείχνει την αρχιτεκτονική λύσης.
Τα βήματα υψηλού επιπέδου για την εφαρμογή της λύσης είναι τα εξής
- Ρυθμίστε ένα εικονικό ιδιωτικό σύννεφο (VPC) χωρίς πρόσβαση στο Διαδίκτυο χρησιμοποιώντας ένα AWS CloudFormation πρότυπο.
- Χρησιμοποιήστε ένα δεύτερο πρότυπο CloudFormation για να ρυθμίσετε το CodeArtifact ως ιδιωτικό αποθετήριο PyPI και να παρέχετε συνδεσιμότητα στο VPC και να ρυθμίσετε ένα Στούντιο Amazon SageMaker περιβάλλον χρήσης του ιδιωτικού αποθετηρίου PyPI.
- Εκπαιδεύστε ένα μοντέλο ταξινόμησης με βάση το ΜΝΙΣΤ σύνολο δεδομένων χρησιμοποιώντας ένα @remote decorator από το ανοιχτού κώδικα SageMaker Python SDK. Όλες οι εξαρτήσεις θα ληφθούν από το ιδιωτικό αποθετήριο PyPI.
Σημειώστε ότι η χρήση του SageMaker Studio σε αυτήν την ανάρτηση είναι προαιρετική. Μπορείτε να επιλέξετε να εργαστείτε σε οποιοδήποτε ολοκληρωμένο περιβάλλον ανάπτυξης (IDE) της επιλογής σας. Απλά πρέπει να ρυθμίσετε το δικό σας Διεπαφή γραμμής εντολών AWS (AWS CLI) τα διαπιστευτήρια σωστά. Για περισσότερες πληροφορίες, ανατρέξτε στο Διαμορφώστε το AWS CLI.
Προϋποθέσεις
Χρειάζεστε έναν λογαριασμό AWS με ένα Διαχείριση ταυτότητας και πρόσβασης AWS (ΕΓΩ ΕΙΜΑΙ) ρόλος με δικαιώματα διαχείρισης πόρων που δημιουργήθηκαν ως μέρος της λύσης. Για λεπτομέρειες, ανατρέξτε στο Δημιουργία λογαριασμού AWS.
Ρυθμίστε ένα VPC χωρίς σύνδεση στο Διαδίκτυο
Δημιουργήστε μια νέα στοίβα CloudFormation χρησιμοποιώντας τα vpc.yaml πρότυπο. Αυτό το πρότυπο δημιουργεί τους ακόλουθους πόρους:
- Ένα VPC με δύο ιδιωτικά υποδίκτυα σε δύο Ζώνες Διαθεσιμότητας χωρίς σύνδεση στο Διαδίκτυο
- Ένα τελικό σημείο Gateway VPC για πρόσβαση στο Amazon S3
- Διασύνδεση τερματικών σημείων VPC για το SageMaker, το CodeArtifact και μερικές άλλες υπηρεσίες που επιτρέπουν στους πόρους στο VPC να συνδέονται με υπηρεσίες AWS μέσω AWS PrivateLink
Δώστε ένα όνομα στοίβας, όπως π.χ No-Internet
και ολοκληρώστε τη διαδικασία δημιουργίας στοίβας.
Περιμένετε να ολοκληρωθεί η διαδικασία δημιουργίας στοίβας.
Ρυθμίστε ένα ιδιωτικό αποθετήριο και το SageMaker Studio χρησιμοποιώντας το VPC
Το επόμενο βήμα είναι να αναπτύξετε μια άλλη στοίβα CloudFormation χρησιμοποιώντας το sagemaker_studio_codeartifact.yaml πρότυπο. Αυτό το πρότυπο δημιουργεί τους ακόλουθους πόρους:
Δώστε ένα όνομα στοίβας και διατηρήστε τις προεπιλεγμένες τιμές ή προσαρμόστε τις παραμέτρους για το Όνομα τομέα CodeArtifact, όνομα ιδιωτικού αποθετηρίου, όνομα προφίλ χρήστη για το SageMaker Studio και όνομα για το upstream δημόσιο αποθετήριο PyPI. Πρέπει επίσης να παρέχουμε το Όνομα στοίβας VPC που δημιουργήθηκε στο προηγούμενο βήμα.
Όταν ολοκληρωθεί η δημιουργία στοίβας, ο τομέας SageMaker θα πρέπει να είναι ορατός στην κονσόλα SageMaker.
Για να επαληθεύσετε ότι δεν υπάρχει διαθέσιμη σύνδεση στο Διαδίκτυο στο SageMaker Studio, εκκινήστε το SageMaker Studio. Επιλέξτε File
, New
, να Terminal
να ξεκινήσει ένα τερματικό και να προσπαθήσει να μπούκλα οποιονδήποτε διαδικτυακό πόρο. Θα πρέπει να αποτύχει να συνδεθεί, όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης.
Εκπαιδεύστε έναν ταξινομητή εικόνας χρησιμοποιώντας ένα @remote decorator με το ιδιωτικό αποθετήριο PyPI
Σε αυτήν την ενότητα, χρησιμοποιούμε το @remote decorator για να εκτελέσουμε ένα PyTorch εργασία εκπαίδευσης που παράγει ένα μοντέλο ταξινόμησης εικόνων MNIST. Για να το πετύχουμε αυτό, ρυθμίζουμε ένα αρχείο διαμόρφωσης, αναπτύσσουμε το σενάριο εκπαίδευσης και εκτελούμε τον εκπαιδευτικό κώδικα.
Ρυθμίστε ένα αρχείο διαμόρφωσης
Δημιουργήσαμε ένα config.yaml
αρχείο και παρέχετε τις διαμορφώσεις που απαιτούνται για να κάνετε τα εξής:
- Εκτελέστε a Εργασία εκπαίδευσης SageMaker στο VPC χωρίς internet που δημιουργήθηκε νωρίτερα
- Κατεβάστε τα απαιτούμενα πακέτα συνδέοντας το ιδιωτικό αποθετήριο PyPI που δημιουργήθηκε νωρίτερα
Το αρχείο μοιάζει με τον ακόλουθο κώδικα:
Η Dependencies
Το πεδίο περιέχει τη διαδρομή προς requirements.txt
, το οποίο περιέχει όλες τις εξαρτήσεις που χρειάζονται. Σημειώστε ότι όλες οι εξαρτήσεις θα ληφθούν από το ιδιωτικό αποθετήριο. ο requirements.txt
αρχείο περιέχει τον ακόλουθο κώδικα:
Η PreExecutionCommands
Η ενότητα περιέχει την εντολή για σύνδεση στο ιδιωτικό αποθετήριο PyPI. Για να λάβετε τη διεύθυνση URL τελικού σημείου CodeArtifact VPC, χρησιμοποιήστε τον ακόλουθο κώδικα:
Γενικά, λαμβάνουμε δύο τελικά σημεία VPC για το CodeArtifact και μπορούμε να χρησιμοποιήσουμε οποιοδήποτε από αυτά στις εντολές σύνδεσης. Για περισσότερες λεπτομέρειες, ανατρέξτε στο Χρησιμοποιήστε το CodeArtifact από ένα VPC.
Επιπλέον, διαμορφώσεις όπως execution role
, output location
, να VPC configurations
παρέχονται στο αρχείο ρυθμίσεων. Αυτές οι διαμορφώσεις απαιτούνται για την εκτέλεση της εργασίας εκπαίδευσης του SageMaker. Για να μάθετε περισσότερα σχετικά με όλες τις διαμορφώσεις που υποστηρίζονται, ανατρέξτε στο Αρχείο διαμόρφωσης.
Δεν είναι υποχρεωτική η χρήση του config.yaml
αρχείο για να εργαστείτε με το @remote decorator. Αυτός είναι απλώς ένας πιο καθαρός τρόπος παροχής όλων των διαμορφώσεων στο @remote decorator. Όλες οι ρυθμίσεις παραμέτρων θα μπορούσαν επίσης να παρέχονται απευθείας στα ορίσματα του διακοσμητή, αλλά αυτό μειώνει την αναγνωσιμότητα και τη δυνατότητα συντήρησης των αλλαγών μακροπρόθεσμα. Επίσης, το αρχείο διαμόρφωσης μπορεί να δημιουργηθεί από έναν διαχειριστή και να μοιραστεί με όλους τους χρήστες σε ένα περιβάλλον.
Αναπτύξτε το σενάριο εκπαίδευσης
Στη συνέχεια, προετοιμάζουμε τον κώδικα εκπαίδευσης σε απλά αρχεία Python. Χωρίσαμε τον κώδικα σε τρία αρχεία:
- load_data.py – Περιέχει τον κωδικό για τη λήψη του συνόλου δεδομένων MNIST
- model.py – Περιέχει τον κώδικα για την αρχιτεκτονική νευρωνικών δικτύων για το μοντέλο
- train.py – Περιέχει τον κώδικα για την εκπαίδευση του μοντέλου χρησιμοποιώντας load_data.py και model.py
In train.py
, πρέπει να διακοσμήσουμε την κύρια λειτουργία προπόνησης ως εξής:
Τώρα είμαστε έτοιμοι να εκτελέσουμε τον κώδικα εκπαίδευσης.
Εκτελέστε τον κώδικα εκπαίδευσης με ένα @remote decorator
Μπορούμε να εκτελέσουμε τον κώδικα από ένα τερματικό ή από οποιαδήποτε εκτελέσιμη προτροπή. Σε αυτήν την ανάρτηση, χρησιμοποιούμε ένα κελί σημειωματάριου SageMaker Studio για να αποδείξουμε αυτό:
Η εκτέλεση της προηγούμενης εντολής ενεργοποιεί την εργασία εκπαίδευσης. Στα αρχεία καταγραφής, μπορούμε να δούμε ότι κατεβάζει τα πακέτα από το ιδιωτικό αποθετήριο PyPI.
Αυτό ολοκληρώνει την εφαρμογή ενός @remote decorator που λειτουργεί με ένα ιδιωτικό αποθετήριο σε ένα περιβάλλον χωρίς πρόσβαση στο διαδίκτυο.
εκκαθάριση
Για να καθαρίσετε τους πόρους, ακολουθήστε τις οδηγίες στο ΚΑΘΑΡΙΣΜΟΣ.μδ.
Συμπέρασμα
Σε αυτήν την ανάρτηση, μάθαμε πώς να χρησιμοποιούμε αποτελεσματικά τις δυνατότητες του @remote decorator ενώ συνεχίζουμε να εργαζόμαστε σε περιοριστικά περιβάλλοντα χωρίς πρόσβαση στο διαδίκτυο. Μάθαμε επίσης πώς μπορούμε να ενσωματώσουμε τις δυνατότητες του ιδιωτικού αποθετηρίου CodeArtifact με τη βοήθεια της υποστήριξης αρχείων διαμόρφωσης στο SageMaker. Αυτή η λύση κάνει την επαναληπτική ανάπτυξη πολύ πιο απλή και ταχύτερη. Ένα άλλο πρόσθετο πλεονέκτημα είναι ότι μπορείτε να συνεχίσετε να γράφετε τον εκπαιδευτικό κώδικα με πιο φυσικό, αντικειμενοστραφή τρόπο και να χρησιμοποιείτε τις δυνατότητες του SageMaker για να εκτελείτε εργασίες εκπαίδευσης σε ένα απομακρυσμένο σύμπλεγμα με ελάχιστες αλλαγές στον κώδικά σας. Όλος ο κώδικας που εμφανίζεται ως μέρος αυτής της ανάρτησης είναι διαθέσιμος στο Αποθετήριο GitHub.
Ως επόμενο βήμα, σας ενθαρρύνουμε να ελέγξετε το Λειτουργία @Remote Decorator και Python SDK API και χρησιμοποιήστε το στο περιβάλλον και το IDE της επιλογής σας. Πρόσθετα παραδείγματα είναι διαθέσιμα στο amazon-sagemaker-παραδείγματα αποθετήριο για να ξεκινήσετε γρήγορα. Μπορείτε επίσης να δείτε την ανάρτηση Εκτελέστε τον τοπικό σας κώδικα μηχανικής εκμάθησης ως εργασίες εκπαίδευσης Amazon SageMaker με ελάχιστες αλλαγές κώδικα Για περισσότερες πληροφορίες.
Σχετικά με τον Συγγραφέα
Βίκες Πάντει είναι Αρχιτέκτονας Λύσεων Specialist Machine Learning στην AWS, βοηθώντας πελάτες από χρηματοπιστωτικές βιομηχανίες να σχεδιάσουν και να δημιουργήσουν λύσεις σε γενετική τεχνητή νοημοσύνη και ML. Εκτός δουλειάς, ο Vikesh απολαμβάνει να δοκιμάζει διαφορετικές κουζίνες και να παίζει υπαίθρια σπορ.
- 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. Αυτοκίνητο / EVs, Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- BlockOffsets. Εκσυγχρονισμός της περιβαλλοντικής αντιστάθμισης ιδιοκτησίας. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/access-private-repos-using-the-remote-decorator-for-amazon-sagemaker-training-workloads/
- :είναι
- :δεν
- $UP
- 1
- 10
- 100
- 12
- 23
- 7
- 8
- a
- Σχετικα
- πρόσβαση
- πρόσβαση
- Λογαριασμός
- Κατορθώνω
- απέναντι
- φορείς
- προστιθέμενη
- Πρόσθετος
- διαχειριστής
- Πλεονέκτημα
- AI
- Όλα
- επιτρέπουν
- Επίσης
- Amazon
- Amazon Sage Maker
- Amazon υπηρεσίες Web
- an
- και
- Άλλος
- κάθε
- api
- αρχιτεκτονική
- ΕΙΝΑΙ
- επιχειρήματα
- AS
- συσχετισμένη
- At
- αυτομάτως
- διαθεσιμότητα
- διαθέσιμος
- AWS
- Τράπεζες
- βασίζονται
- BE
- επειδή
- χτίζω
- αλλά
- by
- CAN
- δυνατότητες
- πιθανότητα
- Αλλαγές
- έλεγχος
- επιλογή
- Επιλέξτε
- τάξεις
- ταξινόμηση
- Backup
- συστάδα
- κωδικός
- COM
- Ελάτε
- έρχεται
- πλήρης
- Συμμόρφωση
- διαμόρφωση
- Connect
- Συνδετικός
- σύνδεση
- Συνδεσιμότητα
- πρόξενος
- Περιέχει
- ΣΥΝΕΧΕΙΑ
- έλεγχος
- ελέγχους
- θα μπορούσε να
- δημιουργήθηκε
- δημιουργεί
- δημιουργία
- Διαπιστεύσεις
- Πελάτες
- ημερομηνία
- Προστασία προσωπικών δεδομένων
- επεξεργασία δεδομένων
- σύνολα δεδομένων
- Προεπιλογή
- αποδεικνύουν
- Εξάρτηση
- παρατάσσω
- Υπηρεσίες
- καθέκαστα
- ανάπτυξη
- Ανάπτυξη
- διαφορετικές
- κατευθείαν
- διαιρούμενο
- do
- τομέα
- κατεβάσετε
- αποτελεσματικά
- ενθαρρύνει
- Τελικό σημείο
- Περιβάλλον
- περιβάλλοντα
- εποχές
- παραδείγματα
- εκτέλεση
- υφιστάμενα
- ΑΠΟΤΥΓΧΑΝΩ
- ψευδής
- γρηγορότερα
- λίγοι
- πεδίο
- Αρχεία
- Αρχεία
- οικονομικός
- χρηματοπιστωτικές βιομηχανίες
- Όνομα
- φλοτέρ
- Συγκέντρωση
- ακολουθήστε
- Εξής
- εξής
- Για
- μορφή
- από
- πλήρη
- λειτουργία
- πύλη
- γενετική
- Παραγωγική τεχνητή νοημοσύνη
- παίρνω
- Group
- Έχω
- που έχει
- υγειονομική περίθαλψη
- βοήθεια
- βοήθεια
- βοηθά
- υψηλού επιπέδου
- φιλοξενείται
- Πως
- Πώς να
- HTML
- http
- HTTPS
- ID
- Ταυτότητα
- εικόνα
- Ταξινόμηση εικόνας
- εφαρμογή
- εκτέλεση
- in
- βιομηχανικές
- βιομηχανίες
- πληροφορίες
- εγκαθιστώ
- οδηγίες
- ασφάλιση
- ενσωματώσει
- ενσωματωθεί
- Internet
- Πρόσβαση στο Ίντερνετ
- σύνδεση στο Internet
- σε
- απομόνωση
- IT
- Δουλειά
- Θέσεις εργασίας
- jpg
- μόλις
- Διατήρηση
- Ξέρω
- large
- ξεκινήσει
- μάθει
- μάθηση
- κύκλος ζωής
- Μου αρέσει
- γραμμή
- τοπικός
- τοπικά
- Σύνδεση
- Μακριά
- κοιτάζοντας
- ΦΑΊΝΕΤΑΙ
- μηχανή
- μάθηση μηχανής
- Κυρίως
- ΚΑΝΕΙ
- διαχείριση
- διαχείριση
- Εργαλεία διαχείρισης
- Εντολή
- υποχρεωτικό
- πολοί
- Ενδέχεται..
- μέθοδοι
- ελάχιστος
- ML
- μοντέλο
- ενότητες
- περισσότερο
- πολύ
- πολλαπλούς
- όνομα
- ντόπιος
- Φυσικό
- Ανάγκη
- που απαιτούνται
- δίκτυο
- δικτύωσης
- νευρικό σύστημα
- Νέα
- επόμενη
- Όχι.
- σημειωματάριο
- of
- συχνά
- on
- ανοικτού κώδικα
- λειτουργούν
- λειτουργίας
- αντίθετος
- Επιλογή
- or
- τάξη
- οργανώσεις
- ΑΛΛΑ
- έξω
- εκτός
- επί
- δική
- πακέτο
- Packages
- παράμετροι
- μέρος
- μονοπάτι
- δικαιώματα
- Μέρος
- πλατφόρμες
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- παιχνίδι
- Θέση
- προτιμώ
- Προετοιμάστε
- προηγούμενος
- μυστικότητα
- ιδιωτικός
- διαδικασια μας
- μεταποίηση
- παράγει
- παραγωγή
- Προφίλ ⬇️
- παρέχουν
- παρέχεται
- δημόσιο
- Σπρώξτε
- βάζω
- Python
- pytorch
- γρήγορα
- έτοιμος
- λόγος
- λήψη
- μείωση
- μειώνει
- ρυθμίζονται
- ρυθμιζόμενες βιομηχανίες
- μακρινός
- Αποθήκη
- απαιτείται
- Απαιτεί
- πόρος
- Υποστηρικτικό υλικό
- σχετικά με
- περιορισμός
- περιορισμούς
- Περιοριστικός
- Ρόλος
- κανόνες
- τρέξιμο
- τρέξιμο
- τρέχει
- σοφός
- επιστήμονες
- SDK
- Δεύτερος
- Τμήμα
- ασφάλεια
- δείτε
- σπόρος
- αποστολή
- Υπηρεσίες
- σειρά
- διάφοροι
- Shared
- ΠΛΟΙΟ
- θα πρέπει να
- παρουσιάζεται
- Δείχνει
- Απλούς
- απλούστερη
- απλά
- So
- λύση
- Λύσεις
- ειδικός
- Αθλητισμός
- σωρός
- ξεκίνησε
- Βήμα
- Βήματα
- Ακόμη
- κατάστημα
- Αυστηρός
- στούντιο
- στυλ
- υποδίκτυο
- υποδίκτυα
- τέτοιος
- παρέχεται
- προμήθεια
- υποστήριξη
- υποστηριζόνται!
- πρότυπο
- τερματικό
- ότι
- Η
- τους
- Τους
- Εκεί.
- Αυτοί
- αυτοί
- αυτό
- τρία
- Μέσω
- προς την
- εργαλεία
- Torchvision
- ΚΙΝΗΣΗ στους ΔΡΟΜΟΥΣ
- Εκπαίδευση
- μεταφράζω
- αληθής
- προσπαθώ
- δύο
- ασυνείδητος
- URL
- χρήση
- μεταχειρισμένος
- Χρήστες
- χρησιμοποιώντας
- Αξίες
- επαληθεύει
- μέσω
- Πραγματικός
- ορατός
- Τρόπος..
- τρόπους
- we
- ιστός
- διαδικτυακές υπηρεσίες
- πότε
- Ποιό
- ενώ
- Wikipedia
- θα
- με
- χωρίς
- Εργασία
- εργαζόμενος
- γράφω
- γραφή
- γιαμ
- Εσείς
- Σας
- zephyrnet
- ζώνες