Andmete ettevalmistamine on iga andmepõhise projekti jaoks kriitiline samm ja õigete tööriistade olemasolu võib oluliselt suurendada tegevuse tõhusust. Amazon SageMaker Data Wrangler vähendab aega, mis kulub masinõppe (ML) jaoks tabeli- ja kujutisandmete koondamiseks ja ettevalmistamiseks nädalatelt minutitele. SageMaker Data Wrangleri abil saate lihtsustada andmete ettevalmistamise ja funktsioonide kavandamise protsessi ning viia lõpule andmete ettevalmistamise töövoo kõik etapid, sealhulgas andmete valimise, puhastamise, uurimise ja visualiseerimise ühest visuaalsest liidesest.
Selles postituses uurime SageMaker Data Wrangleri uusimaid funktsioone, mis on spetsiaalselt loodud kasutuskogemuse parandamiseks. Me süveneme toetamisse Lihtne salvestusteenus (Amazon S3) manifest failid, järelduste artefaktid interaktiivses andmevoos ja sujuv integreerimine JSON (JavaScripti objekti märkimine) järelduste tegemiseks, tuues esile, kuidas need täiustused muudavad andmete ettevalmistamise lihtsamaks ja tõhusamaks.
Tutvustame uusi funktsioone
Selles jaotises käsitleme SageMaker Data Wrangleri uusi funktsioone andmete optimaalseks ettevalmistamiseks.
S3 manifesti faili tugi SageMakeri autopiloodiga ML järelduste tegemiseks
SageMaker Data Wrangler võimaldab a ühtne andmete ettevalmistamine ja mudelikoolitus kogemus Amazon SageMakeri autopiloot vaid mõne klikiga. Saate kasutada SageMakeri autopilooti, et automaatselt koolitada, häälestada ja juurutada andmevoos muudetud andmetele mudeleid.
Seda kogemust on nüüd veelgi lihtsustatud S3 manifestifaili toega. S3 manifesti fail on tekstifail, mis loetleb S3 ämbrisse salvestatud objektid (failid). Kui teie eksporditud andmestik SageMaker Data Wrangleris on üsna suur ja jagatud Amazon S3-s mitmeosalisteks andmefailideks, loob SageMaker Data Wrangler nüüd S3-s automaatselt manifestifaili, mis esindab kõiki neid andmefaile. Seda loodud manifestifaili saab nüüd kasutada SageMakeri automaatse piloodi kasutajaliidesega SageMaker Data Wrangleris, et koguda koolituseks kõik sektsioonitud andmed.
Enne selle funktsiooni käivitamist sai SageMaker Data Wrangleri ettevalmistatud andmete põhjal treenitud SageMakeri autopiloodi mudelite kasutamisel valida ainult ühe andmefaili, mis ei pruugi esindada kogu andmestikku, eriti kui andmestik on väga suur. Selle uue manifestifaili kasutuskogemusega ei piirdu te ainult oma andmestiku alamhulgaga. Saate koostada ML-mudeli koos SageMaker Autopilotiga, mis esindab kõiki teie andmeid, kasutades manifestifaili, ja kasutada seda ML-i järelduste tegemiseks ja tootmise juurutamiseks. See funktsioon suurendab töö efektiivsust, lihtsustades SageMaker Autopilotiga ML-mudelite väljaõpet ja lihtsustades andmetöötluse töövooge.
Lisatud on loodud artefaktide järelduste voo tugi
Kliendid soovivad kasutada andmeteisendusi, mida nad on oma mudeli koolitusandmetele rakendanud, nagu ühekordne kodeering, PCA ja puuduvaid väärtusi, ning rakendada neid andmete teisendusi tootmises reaalajas või partii järeldamiseks. Selleks peab teil olema SageMaker Data Wrangleri järelduste artefakt, mida kasutab SageMakeri mudel.
Varem sai järelduste artefakte genereerida kasutajaliidesest ainult SageMakeri autopiloodi koolitusse eksportimisel või järelduste konveieri märkmiku eksportimisel. See ei pakkunud paindlikkust, kui tahtsite oma SageMaker Data Wrangleri vood väljaspool Amazon SageMaker Studio keskkond. Nüüd saate SageMaker Data Wrangleri töötlemistöö kaudu luua järelduste artefakti mis tahes ühilduva voofaili jaoks. See võimaldab programmilisi, otsast lõpuni MLO-sid koos SageMaker Data Wrangleri voogudega koodi-esimeste MLOps-i isikute jaoks, samuti intuitiivset koodivaba teed, et saada kasutajaliidese kaudu töö loomisega järelduste artefakt.
Andmete ettevalmistamise tõhustamine
JSON-ist on saanud tänapäevastes andmeökosüsteemides andmevahetuse laialdaselt kasutusele võetud vorming. SageMaker Data Wrangleri integratsioon JSON-vorminguga võimaldab teil JSON-andmeid sujuvalt ümberkujundamiseks ja puhastamiseks käsitleda. Pakkudes JSON-i natiivset tuge, lihtsustab SageMaker Data Wrangler struktureeritud ja poolstruktureeritud andmetega töötamise protsessi, võimaldades teil saada väärtuslikku teavet ja andmeid tõhusalt ette valmistada. SageMaker Data Wrangler toetab nüüd JSON-vormingut nii partii kui ka reaalajas järelduste lõpp-punkti juurutamiseks.
Lahenduse ülevaade
Meie kasutusjuhtumi puhul kasutame näidist Amazoni klientide arvustuste andmestik näitamaks, kuidas SageMaker Data Wrangler saab SageMakeri autopiloodi abil uue ML-mudeli ehitamiseks tehtavaid jõupingutusi lihtsustada. Amazoni klientide arvustuste andmestik sisaldab Amazoni tooteülevaateid ja metaandmeid, sealhulgas 142.8 miljonit arvustust ajavahemikus maist 1996 kuni juulini 2014.
Kõrgel tasemel kasutame selle suure andmestiku haldamiseks ja järgmiste toimingute tegemiseks SageMaker Data Wranglerit:
- Töötage välja ML-mudel SageMakeri autopiloodis, kasutades kogu andmestikku, mitte ainult näidist.
- Koostage SageMaker Data Wrangleri genereeritud järelduste artefaktiga reaalajas järelduste konveier ning kasutage sisendiks ja väljundiks JSON-vormingut.
S3 manifesti faili tugi SageMaker Autopilotiga
SageMakeri autopiloodi katse loomisel SageMaker Data Wrangleri abil võisite varem määrata ainult ühe CSV- või Parquet-faili. Nüüd saate kasutada ka S3 manifesti faili, mis võimaldab kasutada SageMakeri autopiloodi katsete jaoks suuri andmemahtusid. SageMaker Data Wrangler jaotab sisendandmefailid automaatselt mitmeks väiksemaks failiks ja genereerib manifesti, mida saab kasutada SageMakeri autopiloodi katses, et koguda interaktiivsest seansist kõik andmed, mitte ainult väike näidis.
Tehke järgmised toimingud.
- Importige Amazoni klientide arvustuste andmed CSV-failist SageMaker Data Wranglerisse. Andmete importimisel keelake proovivõtt.
- Määrake andmeid normaliseerivad teisendused. Selle näite puhul eemaldage sümbolid ja muutke kõik SageMaker Data Wrangleri sisseehitatud teisenduste abil väiketähtedeks.
- Vali Rongi mudel treenima hakata.
Mudeli koolitamiseks SageMaker Autopilotiga ekspordib SageMaker andmed automaatselt S3 ämbrisse. Suurte andmekogumite puhul, nagu see, jagab see faili automaatselt väiksemateks failideks ja loob manifesti, mis sisaldab väiksemate failide asukohti.
- Esiteks valige oma sisendandmed.
Varem ei olnud SageMaker Data Wrangleril võimalust luua manifesti faili, mida SageMakeri autopiloodiga kasutada. Täna ekspordib SageMaker Data Wrangler manifestifaili toe avaldamisega automaatselt manifesti faili Amazon S3-sse, eeltäidab SageMakeri autopiloodi koolituse S3 asukoha manifestifaili S3 asukohaga ja lülitab manifesti faili valiku sisse. Jah. Manifestifaili loomiseks või kasutamiseks pole vaja midagi teha.
- Konfigureerige oma katse, valides prognoositava mudeli sihtmärgi.
- Järgmisena valige treeningmeetod. Sel juhul valime Auto ja laske SageMaker Autopilotil andmestiku suuruse põhjal otsustada parim treeningmeetod.
- Määrake juurutamise sätted.
- Lõpuks vaadake üle töö konfiguratsioon ja esitage SageMakeri autopiloodi katse koolituseks. Kui SageMaker Autopilot katse lõpetab, saate vaadata treeningute tulemusi ja uurida parimat mudelit.
Tänu manifestifailide toele saate SageMakeri autopiloodi katse jaoks kasutada kogu oma andmestikku, mitte ainult andmete alamhulka.
Lisateavet SageMaker Autopiloodi kasutamise kohta koos SageMaker Data Wrangleriga vt Ühtne andmete ettevalmistamine ja mudelikoolitus Amazon SageMaker Data Wrangleri ja Amazon SageMaker Autopilotiga.
Looge SageMakeri töötlemistöödest järelduste artefakte
Nüüd vaatame, kuidas saame luua järelduste artefakte nii SageMaker Data Wrangleri kasutajaliidese kui ka SageMaker Data Wrangleri sülearvutite kaudu.
SageMaker Data Wrangleri kasutajaliides
Meie kasutusjuhtumi puhul tahame oma andmeid töödelda kasutajaliidese kaudu ja seejärel kasutada saadud andmeid mudeli koolitamiseks ja juurutamiseks SageMakeri konsooli kaudu. Tehke järgmised sammud.
- Avage eelmises jaotises loodud andmevoog.
- Valige viimase teisenduse kõrval plussmärk, valige Lisa sihtkohtja vali Amazon S3. See on koht, kus töödeldavad andmed salvestatakse.
- Vali Loo töökoht.
- valima Looge järelduste artefakte järelduste artefakti genereerimiseks jaotises Järeldusparameetrid.
- Järelduste artefakti nime jaoks sisestage oma järeldusartefakti nimi (faililaiendiks on .tar.gz).
- Järeldusväljundi sõlme jaoks sisestage treeningandmetele rakendatud teisendustele vastav sihtsõlm.
- Vali Konfigureerige töö.
- alla Töö konfiguratsioon, sisestage tee Voo faili S3 asukoht. Kaust nimega
data_wrangler_flows
luuakse selle asukoha alla ja järelduste artefakt laaditakse sellesse kausta üles. Üleslaadimiskoha muutmiseks määrake teine S3 asukoht. - Jätke kõigi muude valikute jaoks vaikeseaded ja valige Looma töötlemistöö loomiseks.
Töötlemistöö loob atarball (.tar.gz)
mis sisaldab muudetud andmevoo faili koos äsja lisatud järelduste sektsiooniga, mis võimaldab teil seda järelduste tegemiseks kasutada. Järelduslahenduse juurutamisel SageMakeri mudelile artefakti edastamiseks vajate järeldusartefakti S3 ühtset ressursiidentifikaatorit (URI). URI on kujul{Flow file S3 location}/data_wrangler_flows/{inference artifact name}.tar.gz
. - Kui te neid väärtusi varem ei märkinud, saate vastavate üksikasjade leidmiseks valida töötlemistöö lingi. Meie näites on URI
s3://sagemaker-us-east-1-43257985977/data_wrangler_flows/example-2023-05-30T12-20-18.tar.gz.
- Kopeerige väärtus Pildi töötlemine; vajame seda URI-d ka oma mudeli loomisel.
- Nüüd saame kasutada seda URI-d, et luua SageMakeri konsoolis SageMakeri mudel, mille saame hiljem juurutada lõpp-punkti või pakkteisendustööle.
- alla Mudeli seaded¸ sisestage mudeli nimi ja määrake oma IAM-i roll.
- eest Konteineri sisestusvalikudvalige Esitage mudeli artefaktid ja järeldage kujutise asukoht.
- eest Järelduskoodi kujutise asukoht, sisestage töötlemise pildi URI.
- eest Mudeli artefaktide asukoht, sisestage järelduste artefakti URI.
- Lisaks, kui teie andmetel on sihtveerg, mida ennustab koolitatud ML-mudel, määrake selle veeru nimi jaotises KeskkonnamuutujadKoos
INFERENCE_TARGET_COLUMN_NAME
as Võti ja veeru nimi as Väärtus. - Lõpetage oma mudeli loomine, valides Loo mudel.
Meil on nüüd mudel, mida saame juurutada lõpp-punkti või pakkteisendustööle.
SageMaker Data Wrangleri sülearvutid
Koodipõhiseks lähenemisviisiks, et genereerida töötlemistööst järeldusartefakti, leiame näidiskoodi, valides Eksport on sõlme menüüs ja valides kas Amazon S3, SageMakeri torujuhtmedvõi SageMakeri järelduste torujuhe. Me valime SageMakeri järelduste torujuhe selles näites.
Selles märkmikus on jaotis pealkirjaga Loo protsessor (see on identne SageMaker Pipelinesi sülearvutis, kuid Amazon S3 sülearvutis on samaväärne kood Töö konfiguratsioonid jaotis). Selle jaotise allosas on meie järelduste artefakti konfiguratsioon nimega inference_params
. See sisaldab sama teavet, mida nägime kasutajaliideses, nimelt järelduste artefakti nime ja järelduse väljundsõlme. Need väärtused täidetakse eelnevalt, kuid neid saab muuta. Lisaks on parameeter nimega use_inference_params
, mis tuleb seadistada True
selle konfiguratsiooni kasutamiseks töötlemistöös.
Veel allpool on jaotis pealkirjaga Määratlege torujuhtme sammud, Kus inference_params
konfiguratsioon lisatakse tööargumentide loendisse ja edastatakse SageMaker Data Wrangleri töötlemisetapi definitsiooni. Amazon S3 sülearvutis job_arguments
määratletakse kohe pärast Töö konfiguratsioonid sektsiooni.
Nende lihtsate konfiguratsioonidega genereerib selle sülearvuti loodud töötlemistöö järelduste artefakti samas S3 asukohas kui meie voofail (määratletud varem meie märkmikus). Saame programmiliselt määrata selle S3 asukoha ja kasutada seda artefakti SageMakeri mudeli loomiseks, kasutades SageMaker Python SDK, mida on näidatud SageMaker Inference Pipeline märkmikus.
Sama lähenemisviisi saab rakendada mis tahes Pythoni koodi puhul, mis loob SageMaker Data Wrangleri töötlemistöö.
JSON-failivormingu tugi sisendiks ja väljundiks järelduste tegemisel
On üsna tavaline, et veebisaidid ja rakendused kasutavad API-de päringu/vastusena JSON-i, et teavet oleks lihtne erinevate programmeerimiskeelte abil sõeluda.
Varem, pärast koolitatud mudeli saamist, saite sellega suhelda ainult CSV-vormingus sisendvorminguna SageMaker Data Wrangleri järelduskonveieris. Täna saate JSON-i kasutada sisend- ja väljundvorminguna, pakkudes SageMaker Data Wrangleri järelduskonteinerite kasutamisel rohkem paindlikkust.
JSON-i kasutamise alustamiseks järelduskonveieri märkmikus sisendiks ja väljundiks tehke järgmist.
- Määratlege kasulik koormus.
Iga kasuliku koormuse jaoks ootab mudel võtmenimega eksemplare. Väärtus on objektide loend, millest igaüks on oma andmepunkt. Objektid nõuavad võtit, mida nimetatakse funktsioonideks, ja väärtused peaksid olema ühe andmepunkti omadused, mis on mõeldud mudelile esitamiseks. Ühe päringuga saab esitada mitu andmepunkti, kogumahuga kuni 6 MB päringu kohta.
Vaadake järgmist koodi:
- Märkida
ContentType
asapplication/json
. - Esitage mudelile andmed ja võtke vastu järeldused JSON-vormingus.
nägema Üldised andmevormingud järelduste tegemiseks JSON-i näidissisendi ja väljundi näidete jaoks.
Koristage
Kui olete SageMaker Data Wrangleri kasutamise lõpetanud, soovitame teil selle käitatava eksemplari sulgeda, et vältida lisatasusid. Juhised SageMaker Data Wrangleri rakenduse ja sellega seotud eksemplari sulgemise kohta leiate artiklist Lülitage Data Wrangler välja.
Järeldus
SageMaker Data Wrangleri uued funktsioonid, sealhulgas S3 manifestifailide tugi, järeldusvõimalused ja JSON-vormingu integreerimine, muudavad andmete ettevalmistamise kasutuskogemust. Need täiustused lihtsustavad andmete importimist, automatiseerivad andmete teisendusi ja lihtsustavad JSON-andmetega töötamist. Nende funktsioonide abil saate suurendada oma töötõhusust, vähendada käsitsi tehtud pingutusi ja hankida hõlpsalt oma andmetest väärtuslikku teavet. Kasutage SageMaker Data Wrangleri uute funktsioonide võimsust ja avage oma andmete ettevalmistamise töövoogude kogu potentsiaal.
SageMaker Data Wrangleriga alustamiseks vaadake uusimat teavet selle kohta SageMaker Data Wrangleri tooteleht.
Autoritest
Munish Dabra on Amazon Web Services (AWS) peamine lahenduste arhitekt. Tema praegused fookusvaldkonnad on AI/ML ja jälgitavus. Tal on tugev taust skaleeritavate hajutatud süsteemide projekteerimisel ja ehitamisel. Talle meeldib aidata klientidel AWS-is uuendusi teha ja oma äri muuta. LinkedIn: /mdabra
Patrick Lin on Amazon SageMaker Data Wrangleri tarkvaraarenduse insener. Ta on pühendunud sellele, et muuta Amazon SageMaker Data Wrangler produktiivsete ML-töövoogude jaoks andmete ettevalmistamise tööriistaks number üks. Väljaspool tööd võite leida teda lugemas, muusikat kuulamas, sõpradega vestlemas ja oma kirikus teenimas.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
- PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
- PlatoESG. Autod/elektrisõidukid, Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
- BlockOffsets. Keskkonnakompensatsiooni omandi ajakohastamine. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/optimize-data-preparation-with-new-features-in-aws-sagemaker-data-wrangler/
- :on
- :on
- :mitte
- : kus
- $ UP
- 100
- 1996
- 2014
- 7
- 8
- 9
- a
- meetmete
- lisatud
- Täiendavad lisad
- Lisaks
- vastu
- pärast
- AI / ML
- Materjal: BPA ja flataatide vaba plastik
- Lubades
- võimaldab
- Ka
- Amazon
- Amazon SageMaker
- Amazon SageMakeri autopiloot
- Amazon SageMaker Data Wrangler
- Amazon Web Services
- Amazon Web Services (AWS)
- summad
- an
- ja
- mistahes
- API-liidesed
- app
- rakendused
- rakendatud
- kehtima
- lähenemine
- OLEME
- valdkondades
- argumendid
- AS
- seotud
- At
- automatiseerima
- automaatselt
- vältima
- AWS
- tagapõhi
- põhineb
- BE
- muutuma
- on
- BEST
- Suur
- mõlemad
- põhi
- Murdma
- ehitama
- Ehitus
- sisseehitatud
- äri
- kuid
- by
- kutsutud
- CAN
- võimeid
- juhul
- muutma
- koormuste
- kontrollima
- Vali
- valimine
- kirik
- puhastamine
- kood
- Veerg
- toime pandud
- ühine
- kokkusobiv
- täitma
- Lõpetab
- konfiguratsioon
- konsool
- tarbitud
- Konteinerid
- sisaldab
- vestlused
- Vastav
- võiks
- looma
- loodud
- loob
- loomine
- kriitiline
- Praegune
- klient
- Kliendid
- andmed
- Andmevahetus
- andmepunktid
- Andmete ettevalmistamine
- andmetöötlus
- andmepõhistele
- andmekogumid
- päev
- otsustama
- vaikimisi
- määratletud
- määratlus
- süvenema
- Näidatud
- juurutada
- juurutamine
- kasutuselevõtu
- kavandatud
- projekteerimine
- sihtkoht
- detailid
- Määrama
- & Tarkvaraarendus
- erinev
- arutama
- jagatud
- hajutatud süsteemid
- do
- alla
- ajal
- iga
- Ajalugu
- leevendada
- lihtsam
- lihtne
- ökosüsteemid
- efektiivsus
- tõhus
- tõhusalt
- jõupingutusi
- kumbki
- omaks võtma
- võimaldab
- võimaldades
- Lõpuks-lõpuni
- Lõpp-punkt
- insener
- Inseneriteadus
- suurendama
- lisaseadmed
- Parandab
- sisene
- Kogu
- keskkond
- Samaväärne
- eriti
- KUNAGI
- Iga
- iga päev
- kõik
- näide
- näited
- vahetamine
- ootab
- kogemus
- eksperiment
- katseid
- uurimine
- uurima
- eksport
- ekspordi
- laiendamine
- väljavõte
- tunnusjoon
- FUNKTSIOONID
- vähe
- fail
- Faile
- leidma
- Paindlikkus
- voog
- Voolud
- Keskenduma
- järgima
- Järel
- eest
- vorm
- formaat
- sõbrad
- Alates
- täis
- edasi
- tekitama
- loodud
- saama
- suuresti
- olnud
- käepide
- Olema
- võttes
- he
- aidates
- Suur
- esiletõstmine
- teda
- tema
- Kuidas
- Kuidas
- HTML
- HTTPS
- i
- identiques
- tunnus
- if
- pilt
- kohe
- import
- importivate
- parandama
- in
- hõlmab
- Kaasa arvatud
- info
- uuendama
- sisend
- teadmisi
- Näiteks
- juhised
- integratsioon
- ette nähtud
- suhelda
- suhtlevad
- interaktiivne
- Interface
- sisse
- intuitiivne
- IT
- ITS
- JavaScript
- töö
- jpg
- Json
- Juuli
- lihtsalt
- Võti
- Keeled
- suur
- viimane
- pärast
- hiljemalt
- algatama
- õppimine
- laskma
- Tase
- nagu
- piiratud
- LINK
- nimekiri
- Kuulamine
- Nimekirjad
- liising
- Vaata
- masin
- masinõpe
- tegema
- Tegemine
- juhtima
- käsiraamat
- mai..
- menüü
- Metaandmed
- meetod
- võib
- miljon
- protokoll
- puuduvad
- ML
- MLOps
- mudel
- mudelid
- Kaasaegne
- modifitseeritud
- rohkem
- tõhusam
- mitmekordne
- muusika
- peab
- nimi
- Nimega
- nimelt
- emakeelena
- vajalik
- Vajadus
- vajadustele
- Uus
- Uued funktsioonid
- äsja
- järgmine
- ei
- sõlme
- märkmik
- nüüd
- number
- objekt
- esemeid
- of
- on
- ONE
- ainult
- töökorras
- optimaalselt
- optimeerima
- valik
- Valikud
- or
- Muu
- meie
- välja
- väljund
- väljaspool
- enda
- parameeter
- parameetrid
- Vastu võetud
- tee
- kohta
- täitma
- valima
- torujuhe
- Platon
- Platoni andmete intelligentsus
- PlatoData
- pluss
- Punkt
- võrra
- post
- potentsiaal
- võim
- ennustada
- ennustada
- ettevalmistamine
- Valmistama
- valmis
- ilus
- varem
- Peamine
- protsess
- Töödeldud
- töötlemine
- Toode
- Toote kommentaarid
- Produktsioon
- programmiline
- Programming
- programmeerimiskeeled
- projekt
- anda
- pakkudes
- Python
- Lugemine
- reaalajas
- saama
- soovitama
- vähendama
- vähendab
- vabastama
- asjakohane
- kõrvaldama
- esindama
- esindavad
- taotleda
- nõudma
- ressurss
- tulemuseks
- Tulemused
- läbi
- Arvustused
- õige
- Roll
- jookseb
- s
- salveitegija
- SageMakeri järeldus
- SageMakeri torujuhtmed
- sama
- nägin
- skaalautuvia
- sujuv
- sujuvalt
- Osa
- vaata
- valides
- valik
- Teenused
- teenindavad
- istung
- komplekt
- seaded
- mitu
- peaks
- näitama
- sulgema
- kirjutama
- lihtne
- lihtsustatud
- lihtsustama
- lihtsustamine
- ühekordne
- SUURUS
- väike
- väiksem
- So
- tarkvara
- tarkvaraarenduse
- lahendus
- Lahendused
- Pinge
- eriti
- jagada
- algus
- alustatud
- Samm
- Sammud
- ladustamine
- ladustatud
- kiirendama
- Sujuvamaks muutmine
- tugev
- struktureeritud
- esitama
- esitatud
- selline
- toetama
- Toetab
- kindel
- süsteemid
- Võtma
- võtab
- sihtmärk
- et
- .
- teave
- oma
- SIIS
- Seal.
- Need
- see
- need
- Läbi
- aeg
- pealkirjaga
- et
- täna
- liiga
- tööriist
- töövahendid
- Summa
- Rong
- koolitatud
- koolitus
- Muutma
- Transformation
- muundumised
- ümber
- muudab
- Kaks korda
- ui
- all
- avamine
- laetud
- kasutama
- kasutage juhtumit
- Kasutatud
- kasutamine
- väärtuslik
- väärtus
- Väärtused
- väga
- kaudu
- vaade
- visualiseerimine
- tahan
- tagaotsitav
- we
- web
- veebiteenused
- veebilehed
- nädalat
- Hästi
- millal
- mis
- laialdaselt
- will
- koos
- Töö
- töövoog
- Töövoogud
- töö
- sa
- Sinu
- sephyrnet