Tämä on vierasviesti käyttäjältä Skaalautuva pääoma, johtava FinTech Euroopassa, joka tarjoaa digitaalista varallisuudenhallintaa ja välitysalustaa kiinteällä kaupankäynnillä.
Nopeasti kasvavana yrityksenä Scalable Capitalin tavoitteena on paitsi rakentaa innovatiivinen, vankka ja luotettava infrastruktuuri, myös tarjota asiakkaillemme parhaat kokemukset, erityisesti kun on kyse asiakaspalveluista.
Scalable vastaanottaa satoja sähköpostikyselyjä asiakkailtamme päivittäin. Modernin luonnollisen kielen käsittelymallin (NLP) käyttöönoton myötä vastausprosessia on muotoiltu paljon tehokkaammin ja asiakkaiden odotusaika on lyhentynyt huimasti. Koneoppimismalli (ML) luokittelee uudet saapuvat asiakaspyynnöt heti niiden saapuessa ja ohjaa ne ennalta määritettyihin jonoihin, jolloin asiakkaalle sitoutuneet menestysagenttimme voivat keskittyä sähköpostien sisältöön taitojensa mukaan ja antaa asianmukaisia vastauksia.
Tässä viestissä esittelemme Hugging Face -muuntajien käytön tekniset edut Amazon Sage Maker, kuten koulutus ja kokeilu laajassa mittakaavassa, sekä tuottavuuden ja kustannustehokkuuden lisääminen.
Ongelma
Scalable Capital on yksi nopeimmin kasvavista FinTech-yrityksistä Euroopassa. Sijoitusten demokratisoimiseksi yhtiö tarjoaa asiakkailleen helpon pääsyn rahoitusmarkkinoille. Scalablen asiakkaat voivat osallistua aktiivisesti markkinoille yhtiön välityskaupankäyntialustan kautta tai sijoittaa Scalable Wealth Managementin avulla älykkäästi ja automatisoidusti. Vuonna 2021 Scalable Capitalin asiakaskunta kymmenkertaistui kymmenistä tuhansista satoihin tuhansiin.
Voidakseen tarjota asiakkaillemme huippuluokan (ja johdonmukaisen) käyttökokemuksen kaikissa tuotteissa ja asiakaspalvelussa, yritys etsi automatisoituja ratkaisuja, jotka tuottavat tehokkuutta skaalautuvalle ratkaisulle säilyttäen samalla toiminnan erinomaisuuden. Scalable Capitalin datatiede- ja asiakaspalvelutiimit havaitsivat, että yksi asiakkaidemme palvelun suurimmista pullonkauloista oli sähköpostikyselyihin vastaaminen. Erityisesti pullonkaula oli luokitteluvaihe, jossa työntekijöiden piti lukea ja merkitä pyyntötekstejä päivittäin. Kun sähköpostit oli ohjattu oikeisiin jonoihin, asianomaiset asiantuntijat ottivat nopeasti yhteyttä ja ratkaisivat tapaukset.
Tämän luokitteluprosessin virtaviivaistamiseksi Scalablen tietotieteiden tiimi rakensi ja otti käyttöön monitehtäväisen NLP-mallin, joka käyttää uusinta muuntajaarkkitehtuuria, joka perustuu esikoulutettuun distilbert-base-saksalainen kotelo Hugging Facen julkaisema malli. distilbert-base-saksalainen kotelo käyttää tiedon tislaus menetelmä, jolla esiopetetaan pienempi yleiskäyttöinen kielen esitysmalli kuin alkuperäinen BERT-perusmalli. Tislattu versio saavuttaa vertailukelpoisen suorituskyvyn alkuperäiseen versioon, mutta on pienempi ja nopeampi. Helpottaaksemme ML-elinkaariprosessiamme päätimme ottaa käyttöön SageMakerin mallien rakentamiseen, käyttöönottoon, palvelemiseen ja valvontaan. Seuraavassa osiossa esittelemme projektimme arkkitehtuurisuunnittelua.
Ratkaisun yleiskatsaus
Scalable Capitalin ML-infrastruktuuri koostuu kahdesta AWS-tilistä: toinen kehitysvaiheen ympäristönä ja toinen tuotantovaiheen ympäristönä.
Seuraavassa kaaviossa näkyy sähköpostin luokitteluprojektimme työnkulku, mutta se voidaan myös yleistää muihin datatieteen projekteihin.
Työnkulku koostuu seuraavista osista:
- Mallikokeilu - Datatieteilijät käyttävät Amazon SageMaker Studio toteuttaa tietotieteen elinkaaren ensimmäiset askeleet: tutkiva data-analyysi (EDA), tietojen puhdistus ja valmistelu sekä prototyyppimallien rakentaminen. Kun tutkimusvaihe on valmis, käytämme SageMaker-kannettavan isännöimää VSCodea etäkehitystyökaluksemme modularisoida ja tuottaa koodipohjamme. Tutkiaksemme erilaisia malleja ja mallikokoonpanoja ja samalla seurataksemme kokeilujamme käytämme SageMaker Training- ja SageMaker Experiments -ohjelmaa.
- Mallin rakentaminen – Kun olemme päättäneet mallin tuotantokäyttöön, tässä tapauksessa monitehtävä distilbert-base-saksalainen kotelo malli, joka on hienosäädetty Hugging Facen esiopetetusta mallista, sitoudumme ja siirrämme koodimme Githubin kehityshaaraan. Githubin yhdistämistapahtuma käynnistää Jenkins CI -putkemme, joka puolestaan käynnistää SageMaker Pipelines -työn testitiedoilla. Tämä toimii testinä varmistaakseen, että koodit toimivat odotetulla tavalla. Testauspäätepiste otetaan käyttöön testaustarkoituksiin.
- Mallin käyttöönotto – Varmistettuaan, että kaikki toimii odotetusti, datatieteilijät yhdistävät kehityshaaran ensisijaiseen haaraan. Tämä yhdistämistapahtuma käynnistää nyt SageMaker Pipelines -työn, joka käyttää tuotantotietoja koulutustarkoituksiin. Tämän jälkeen malliartefaktit tuotetaan ja tallennetaan tulosteeseen Amazonin yksinkertainen tallennuspalvelu (Amazon S3) -ämpäri, ja uusi malliversio kirjataan SageMaker-mallirekisteriin. Tietotutkijat tutkivat uuden mallin suorituskykyä ja hyväksyvät sitten, onko se odotusten mukainen. Mallin hyväksymistapahtuman tallentaa Amazon EventBridge, joka sitten ottaa mallin käyttöön SageMaker-päätepisteeseen tuotantoympäristössä.
- MLOps – Koska SageMaker-päätepiste on yksityinen eikä VPC:n ulkopuoliset palvelut voi tavoittaa sitä, an AWS Lambda toiminto ja Amazon API -yhdyskäytävä Julkinen päätepiste vaaditaan yhteydenpitoon CRM:n kanssa. Aina kun uusia sähköposteja saapuu CRM-postilaatikkoon, CRM kutsuu API-yhdyskäytävän julkisen päätepisteen, joka puolestaan laukaisee Lambda-toiminnon kutsumaan yksityistä SageMaker-päätepistettä. Funktio välittää sitten luokituksen takaisin CRM:lle API-yhdyskäytävän julkisen päätepisteen kautta. Valvoaksemme käyttöönotetun mallimme suorituskykyä otamme CRM:n ja datatieteilijöiden välille palautesilmukan, jotta voimme seurata mallin ennustemittareita. CRM päivittää kuukausittain kokeiluissa ja mallikoulutuksessa käytetyt historiatiedot. Käytämme Amazonin hallinnoidut työnkulut Apache Airflowlle (Amazon MWAA) kuukausittaisen uudelleenkoulutuksemme aikatauluttajaksi.
Seuraavissa osioissa erittelemme yksityiskohtaisemmin tietojen valmistelun, mallin kokeilun ja mallin käyttöönoton vaiheet.
Tietojen valmistelu
Scalable Capital käyttää CRM-työkalua sähköpostitietojen hallintaan ja tallentamiseen. Relevantti sähköpostin sisältö koostuu aiheesta, rungosta ja säilytyspankeista. Jokaiselle sähköpostille voidaan määrittää kolme tunnistetta: miltä toimialalta sähköposti on peräisin, mikä jono on sopiva ja sähköpostin tietty aihe.
Ennen kuin aloitamme NLP-mallien harjoittamisen, varmistamme, että syöttötiedot ovat puhtaita ja tarrat on määritetty odotusten mukaisesti.
Noutaaksemme puhdasta kyselysisältöä skaalautuvista asiakkaista poistamme raakasähköpostitiedoista sekä ylimääräisen tekstin ja symbolit, kuten sähköpostien allekirjoitukset, impressiot, lainaukset sähköpostiketjuissa olevista aiemmista viesteistä, CSS-symbolit ja niin edelleen. Muuten tulevien koulutettujen malliemme suorituskyky saattaa heikentyä.
Sähköpostien tunnisteet kehittyvät ajan myötä, kun skaalautuvat asiakaspalvelutiimit lisäävät uusia ja tarkentavat tai poistavat olemassa olevia vastaamaan liiketoiminnan tarpeita. Varmistaakseen, että koulutustietojen tarrat ja odotetut ennusteen luokitukset ovat ajan tasalla, datatiedetiimi tekee tiivistä yhteistyötä asiakaspalvelutiimin kanssa varmistaakseen tarrojen oikeellisuuden.
Mallin kokeilu
Aloitamme kokeilumme helposti saatavilla olevilla esikoulutetuilla distilbert-base-saksalainen kotelo Hugging Facen julkaisema malli. Koska esiopetettu malli on yleiskäyttöinen kielen esitysmalli, voimme mukauttaa arkkitehtuurin suorittamaan tiettyjä loppupään tehtäviä - kuten luokittelua ja kysymyksiin vastaamista - liittämällä asianmukaiset päät hermoverkkoon. Käyttötapauksessamme loppupään tehtävä, josta olemme kiinnostuneita, on sekvenssiluokittelu. Muuttamatta olemassa olevaa arkkitehtuuria, päätämme hienosäätää kolme erillistä esikoulutettua mallia kutakin vaadittua luokkaa varten. Kanssa SageMaker halaa kasvot syvälle oppimisastiat (DLC:t), NLP-kokeilujen aloittaminen ja hallinta on tehty yksinkertaiseksi Hugging Face -säiliöiden ja SageMaker Experiments API:n avulla.
Seuraavassa on koodikatkelma train.py
:
Seuraava koodi on Hugging Face -estimaattori:
Hienosäädettyjen mallien validoimiseksi käytämme F1-pisteet sähköpostitietoaineistomme epätasapainoisen luonteen vuoksi, mutta myös muiden mittareiden, kuten tarkkuuden, tarkkuuden ja muistamisen, laskemiseen. Jotta SageMaker Experiments API voi rekisteröidä koulutustyön mittarit, meidän on ensin kirjattava tiedot koulutustyön paikalliseen konsoliin, jotka poimitaan amazonin pilvikello. Sitten määritämme oikean regex-muodon CloudWatch-lokien tallentamiseksi. Mittarin määritelmät sisältävät mittareiden nimen ja säännöllisen lausekkeen vahvistuksen mittareiden poimimiseksi koulutustyöstä:
Osana luokitinmallin koulutusiteraatiota käytämme hämmennysmatriisia ja luokitusraporttia tuloksen arvioimiseen. Seuraavassa kuvassa on sekavuusmatriisi liiketoiminta-alueen ennusteelle.
Seuraavassa kuvakaappauksessa on esimerkki toimialan ennusteen luokitusraportista.
Kokeilumme seuraavana iteraationa hyödynnämme monitehtävä oppiminen parantaaksemme malliamme. Monitehtäväoppiminen on koulutusmuoto, jossa malli oppii ratkaisemaan useita tehtäviä samanaikaisesti, koska tehtävien kesken jaettu tieto voi parantaa oppimisen tehokkuutta. Kiinnittämällä kaksi luokituspäätä alkuperäiseen distilbert-arkkitehtuuriin voimme suorittaa monitehtävähienotuksen, joka saavuttaa kohtuulliset mittarit asiakaspalvelutiimimme kannalta.
Mallin käyttöönotto
Meidän käyttötapauksessamme sähköpostin luokitin on tarkoitus ottaa käyttöön päätepisteessä, johon CRM-putkistomme voi lähettää joukon luokittelemattomia sähköposteja ja saada takaisin ennusteita. Koska meillä on muita logiikkaa – kuten syötetietojen puhdistus ja usean tehtävän ennusteet – Hugging Face -mallin päättelyn lisäksi, meidän on kirjoitettava mukautettu päättelykomentosarja, joka noudattaa SageMaker-standardi.
Seuraavassa on koodikatkelma inference.py
:
Kun kaikki on valmiina, käytämme SageMaker Pipelinesiä koulutusputkistomme hallintaan ja liitämme sen infrastruktuuriimme MLOps-asennuksen viimeistelemiseksi.
Käytetyn mallin suorituskyvyn seuraamiseksi rakennamme palautesilmukan, jonka avulla CRM voi toimittaa meille luokiteltujen sähköpostien tilan, kun tapaukset on suljettu. Näiden tietojen perusteella teemme muutoksia käyttöönotetun mallin parantamiseksi.
Yhteenveto
Tässä viestissä jaoimme, kuinka SageMaker auttaa Scalablen tietotieteiden tiimiä hallitsemaan tehokkaasti datatiedeprojektin eli sähköpostin luokitteluprojektin elinkaarta. Elinkaari alkaa tietojen analysoinnin ja tutkimisen alkuvaiheesta SageMaker Studion avulla; siirtyy mallin kokeiluun ja käyttöönottoon SageMaker-koulutuksen, päättelyn ja Hugging Face DLC:iden avulla; ja täydentää koulutusputken, jossa on SageMaker Pipelines integroitu muihin AWS-palveluihin. Tämän infrastruktuurin ansiosta pystymme iteroimaan ja ottamaan uusia malleja tehokkaammin käyttöön, ja pystymme siten parantamaan Scalablen olemassa olevia prosesseja sekä asiakkaidemme kokemuksia.
Saat lisätietoja Hugging Facesta ja SageMakerista seuraavista lähteistä:
Tietoja Tekijät
Tri Sandra Schmid on Scalable GmbH:n tietoanalytiikan johtaja. Hän vastaa tietovetoisista lähestymistavoista ja käyttötapauksista yrityksessä yhdessä tiimiensä kanssa. Hänen pääpainonsa on löytää paras koneoppimis- ja datatieteen mallien ja liiketoimintatavoitteiden yhdistelmä, jotta datasta saadaan mahdollisimman paljon liikearvoa ja tehokkuutta.
Huy Dang Tietotutkija, Scalable GmbH. Hänen tehtäviinsä kuuluu data-analytiikka, koneoppimismallien rakentaminen ja käyttöönotto sekä datatiedetiimin infrastruktuurin kehittäminen ja ylläpito. Vapaa-ajallaan hän nauttii lukemisesta, vaeltamisesta, kalliokiipeilystä ja uusimpien koneoppimiskehitysten pysymisestä ajan tasalla.
Mia Chang on ML Specialist Solutions -arkkitehti Amazon Web Servicesille. Hän työskentelee asiakkaiden kanssa EMEA-alueella ja jakaa parhaita käytäntöjä AI/ML-työkuormien suorittamiseen pilvessä taustansa soveltavan matematiikan, tietojenkäsittelytieteen ja AI/ML:n alalla. Hän keskittyy NLP-spesifisiin työkuormiin ja jakaa kokemuksiaan konferenssipuhujana ja kirjailijana. Vapaa-ajallaan hän nauttii joogasta, lautapeleistä ja kahvin keittämisestä.
Moritz Guertler on AWS:n Digital Native Businesses -segmentin tilijohtaja. Hän keskittyy FinTech-alan asiakkaisiin ja tukee heitä innovaatioiden vauhdittamisessa turvallisen ja skaalautuvan pilviinfrastruktuurin avulla.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
- PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
- PlatoESG. Autot / sähköautot, hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
- ChartPrime. Nosta kaupankäyntipeliäsi ChartPrimen avulla. Pääsy tästä.
- BlockOffsets. Ympäristövastuun omistuksen nykyaikaistaminen. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/accelerate-client-success-management-through-email-classification-with-hugging-face-on-amazon-sagemaker/
- :on
- :On
- :ei
- :missä
- $ YLÖS
- 1
- 100
- 13
- 15%
- 17
- 2021
- 26%
- 32
- 500
- 7
- a
- pystyy
- Meistä
- edellä
- kiihdyttää
- kiihtyvä
- Hyväksyä
- pääsy
- majoittaa
- Mukaan
- Tili
- Tilit
- tarkkuus
- päästään
- poikki
- aktiivisesti
- säädökset
- sopeuttaa
- lisätä
- Lisäksi
- oikaisut
- hyväksyä
- Etu
- Jälkeen
- jälkeenpäin
- aineet
- AI / ML
- tavoitteena
- mahdollistaa
- Myös
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- keskuudessa
- an
- analyysi
- Analytics
- ja
- Kaikki
- Apache
- api
- sovellettu
- lähestymistavat
- sopiva
- hyväksyminen
- hyväksyä
- arkkitehtuuri
- OVAT
- perustelut
- AS
- osoitettu
- At
- liittää
- kirjoittaja
- Automatisoitu
- saatavissa
- AWS
- takaisin
- tausta
- Pankit
- pohja
- perustua
- perusta
- BE
- koska
- ollut
- ovat
- Hyödyt
- PARAS
- parhaat käytännöt
- välillä
- hallitus
- Lautapelit
- elin
- kirja
- Sivuliike
- Tauko
- välityspalkkio
- rakentaa
- Rakentaminen
- rakennettu
- liiketoiminta
- yritykset
- mutta
- by
- CAN
- pääoma
- Pääoma
- kaapata
- kiinni
- kuljettaa
- tapaus
- tapauksissa
- luokat
- kahleet
- luokittelu
- luokiteltu
- Siivous
- asiakas
- asiakkaat
- Kiipeily
- lähellä
- suljettu
- pilvi
- pilvi infrastruktuuri
- koodi
- koodikanta
- koodit
- kahvi
- yhteistyö
- yhdistelmä
- tulee
- sitoutumaan
- tiedottaa
- yritys
- Yrityksen
- vertailukelpoinen
- täydellinen
- Täydentää
- osat
- Laskea
- tietokone
- Tietojenkäsittelyoppi
- Konferenssi
- sekaannus
- johdonmukainen
- muodostuu
- Console
- Kontit
- pitoisuus
- sisältö
- korjata
- CRM
- CSS
- hoitaja
- asiakassuhde
- asiakas
- Asiakkaat
- päivittäin
- tiedot
- tietojen analysointi
- Data Analytics
- Tietojen valmistelu
- tietojenkäsittely
- tietojen tutkija
- data-driven
- Päivämäärä
- päättää
- päätti
- omistautunut
- syvä
- syvä oppiminen
- oletusarvo
- määritellä
- määritelty
- määritelmät
- demokratisoida
- osoittaa
- sijoittaa
- käyttöön
- levityspinnalta
- käyttöönotto
- lauennut
- Malli
- yksityiskohta
- kehittää
- kehittämällä
- Kehitys
- kehitys
- eri
- digitaalinen
- digitaalinen varallisuudenhallinta
- alas
- kaksi
- kukin
- helppo
- hyötysuhteet
- tehokkaasti
- muu
- sähköpostit
- EMEA
- työntekijää
- mahdollistaa
- päätepiste
- kihloissa
- varmistaa
- ympäristö
- aikakausi
- erityisesti
- Eurooppa
- arvioida
- arviointi
- tapahtuma
- kaikki
- kehittää
- tutkia
- esimerkki
- Erinomaisuus
- johtaja
- olemassa
- odotus
- odotukset
- odotettu
- experience
- kokenut
- Elämykset
- kokeilu
- kokeiluja
- tutkimus
- Tutkimusaineistoanalyysi
- tutkia
- lisää
- f1
- Kasvot
- helpottamaan
- Helpottaa
- Muoti
- nopeampi
- nopein
- nopeimmin kasvava
- palaute
- Kuva
- taloudellinen
- löytäminen
- fintech
- fintechs
- Etunimi
- Ensiaskeleet
- tasainen
- Keskittää
- keskittyy
- jälkeen
- varten
- muoto
- muoto
- Ilmainen
- alkaen
- toiminto
- tulevaisuutta
- Saada
- Pelit
- portti
- yleinen tarkoitus
- tuottaa
- saada
- GitHub
- GmBH
- Tavoitteet
- Kasvava
- vieras
- vieras Lähetä
- HAD
- Olla
- he
- pää
- päät
- hänen
- hänen
- historiallinen
- isännöi
- Miten
- HTML
- http
- HTTPS
- Sadat
- tunnistettu
- if
- toteuttaa
- täytäntöönpanosta
- parantaa
- in
- sisältää
- Saapuva
- Kasvaa
- kasvoi
- tiedot
- Infrastruktuuri
- ensimmäinen
- Innovaatio
- innovatiivinen
- panos
- Kyselyt
- tutkimus
- integroitu
- Älykäs
- kiinnostunut
- tulee
- esitellä
- Investoida
- investointi
- vedotaan
- IT
- iteraatio
- SEN
- Job
- json
- Pitää
- avain
- Merkki
- tarrat
- Kieli
- suurin
- uusin
- johtava
- OPPIA
- oppiminen
- elinkaari
- linja
- kuormitus
- paikallinen
- log
- kirjattu
- näköinen
- pois
- kone
- koneoppiminen
- tehty
- ylläpitäminen
- tehdä
- Tekeminen
- hoitaa
- onnistui
- johto
- toimitusjohtaja
- markkinat
- markkinat
- matematiikka
- Matriisi
- mennä
- yhdistä tapahtuma
- viestien
- menetelmä
- metrinen
- Metrics
- ehkä
- ML
- MLOps
- malli
- mallit
- Moderni
- monitori
- kuukausittain
- lisää
- liikkuu
- paljon
- moninkertainen
- nimi
- nimittäin
- syntyperäinen
- Luonnollinen
- Luonnollinen kielen käsittely
- luonto
- Tarve
- tarpeet
- verkko
- hermo-
- neuroverkkomallien
- Uusi
- seuraava
- NLP
- muistikirja
- nyt
- numero
- of
- Tarjoukset
- on
- ONE
- yhdet
- vain
- toiminta-
- or
- tilata
- alkuperäinen
- Muut
- muuten
- meidän
- ulos
- ulostulo
- ulkopuolella
- yli
- osa
- osallistua
- Suorittaa
- suorituskyky
- vaihe
- poimitaan
- putki
- foorumi
- Platon
- Platonin tietotieto
- PlatonData
- mahdollinen
- Kirje
- käytännöt
- Tarkkuus
- ennustus
- Ennusteet
- valmistelu
- edellinen
- ensisijainen
- yksityinen
- prosessi
- Prosessit
- käsittely
- valmistettu
- tuotanto
- tuottavuus
- Tuotteemme
- projekti
- hankkeet
- asianmukainen
- prototyyppi
- toimittaa
- tarjoaa
- julkinen
- julkaistu
- tarkoituksiin
- Työnnä
- kysymys
- nopeasti
- lainausmerkit
- nostaa
- hinta
- raaka
- saavutettu
- Lue
- Lukeminen
- valmis
- kohtuullinen
- vastaanottaa
- asiakirjat
- Vähentynyt
- katso
- tarkentaa
- regex
- ilmoittautua
- rekisterin
- merkityksellinen
- luotettava
- kaukosäädin
- poistaa
- raportti
- edustus
- pyyntö
- pyynnöt
- tarvitaan
- ratkaistu
- Esittelymateriaalit
- ne
- vastaamisen
- vastaus
- vasteet
- vastuut
- vastuullinen
- johtua
- palata
- luja
- rock
- juoksu
- sagemaker
- SageMaker-putkistot
- sama
- skaalautuva
- Asteikko
- tiede
- Tiedemies
- tutkijat
- käsikirjoitus
- Osa
- osiot
- turvallinen
- segmentti
- lähettää
- erillinen
- Järjestys
- palvella
- palvelu
- Palvelut
- setup
- muotoinen
- yhteinen
- osakkeet
- hän
- Näytä
- allekirjoitukset
- Yksinkertainen
- samanaikaisesti
- taitoja
- pienempiä
- pätkä
- So
- ratkaisu
- Ratkaisumme
- SOLVE
- pian
- Tila
- Kaiutin
- asiantuntija
- asiantuntijat
- erityinen
- erityisesti
- Vaihe
- Alkaa
- Aloita
- alkaa
- huippu-
- Tila
- pysyminen
- Vaihe
- Askeleet
- Levytila
- tallennettu
- tallentamiseksi
- tehostaa
- studio
- aihe
- menestys
- niin
- Tukee
- varma
- ottaa
- Tehtävä
- tehtävät
- joukkue-
- tiimit
- Tekninen
- kymmeniä
- testi
- Testaus
- teksti
- kuin
- Kiitos
- että
- -
- heidän
- Niitä
- sitten
- Siellä.
- siksi
- ne
- tätä
- tuhansia
- kolmella
- Kautta
- aika
- että
- yhdessä
- työkalu
- aihe
- taskulamppu
- raita
- kaupankäynti
- Trading Platform
- Juna
- koulutettu
- koulutus
- muuntaja
- muuntajat
- valtavasti
- VUORO
- kaksi
- tyyppi
- tyypit
- Päivitykset
- us
- käyttää
- käyttölaukku
- käytetty
- käyttäjä
- Käyttäjäkokemus
- käyttötarkoituksiin
- käyttämällä
- VAHVISTA
- validointi
- arvo
- versio
- odotus
- oli
- we
- Rikkaus
- varallisuudenhoito
- verkko
- verkkopalvelut
- HYVIN
- olivat
- kun
- aina kun
- joka
- vaikka
- with
- sisällä
- ilman
- työnkulku
- työnkulkuja
- toimii
- kirjoittaa
- Jooga
- zephyrnet