Tämän viestin on kirjoittanut Thomson Reutersin Hesham Fahim.
Thomson Reuters (TR) on yksi maailman luotettavimmista tietoorganisaatioista yrityksille ja ammattilaisille. Se tarjoaa yrityksille älykkyyttä, teknologiaa ja inhimillistä asiantuntemusta, jota ne tarvitsevat löytääkseen luotettavia vastauksia, mikä auttaa niitä tekemään parempia päätöksiä nopeammin. TR:n asiakkaat kattavat rahoitus-, riski-, laki-, vero-, kirjanpito- ja mediamarkkinat.
Thomson Reuters tarjoaa markkinoiden johtavia tuotteita vero-, laki- ja uutiskampanjassa, joihin käyttäjät voivat rekisteröityä tilauslisenssimallilla. Parantaakseen tätä asiakkaidensa kokemusta TR halusi luoda keskitetyn suositusalustan, jonka avulla heidän myyntitiiminsä pystyi ehdottamaan tärkeimpiä tilauspaketteja asiakkailleen ja luomaan ehdotuksia, jotka auttavat lisäämään tietoisuutta tuotteista, jotka voisivat auttaa asiakkaitaan palvelemaan markkinoita paremmin räätälöityjä tuotevalintoja.
Ennen tämän keskitetyn alustan rakentamista TR:llä oli vanha sääntöpohjainen moottori uusimissuositusten luomiseksi. Tämän moottorin säännöt olivat ennalta määritettyjä ja kirjoitettuja SQL:llä, mikä sen lisäksi, että se tuotti haasteen hallintaan, myös vaikeuksia selviytyä TR:n useista integroiduista tietolähteistä peräisin olevan tiedon lisääntyessä. TR-asiakastiedot muuttuvat nopeammin kuin liiketoimintasäännöt voivat kehittyä vastaamaan asiakkaiden muuttuvia tarpeita. TR:n uuden koneoppimiseen (ML) perustuvan personointimoottorin keskeinen vaatimus oli tarkka suositusjärjestelmä, joka ottaa huomioon viimeaikaiset asiakastrendit. Haluttu ratkaisu olisi sellainen, jolla on alhaiset käyttökustannukset, kyky nopeuttaa liiketoimintatavoitteiden saavuttamista ja personointimoottori, jota voitaisiin jatkuvasti kouluttaa ajantasaisilla tiedoilla vastaamaan muuttuviin kulutustottumuksiin ja uusiin tuotteisiin.
Uusimissuositusten personointi sen perusteella, mitkä tuotteet olisivat arvokkaita TR:n asiakkaille, oli tärkeä liiketoimintahaaste myynti- ja markkinointitiimille. TR:llä on runsaasti yksilöllistämiseen käytettävää dataa, joka on kerätty asiakasvuorovaikutuksista ja tallennettu keskitettyyn tietovarastoon. TR on ollut ML:n varhainen omaksuja Amazon Sage Maker, ja niiden kypsyys AI/ML-alueella tarkoitti sitä, että he olivat keränneet merkittävän tietojoukon relevantteja tietoja tietovarastossa, jonka avulla tiimi saattoi kouluttaa personointimallin. TR on jatkanut AI/ML-innovaatiotaan ja on äskettäin kehittänyt uudistetun suositusalustan Amazon Muokkaa, joka on täysin hallittu ML-palvelu, joka käyttää käyttäjien vuorovaikutusta ja kohteita luodakseen suosituksia käyttäjille. Tässä viestissä selitämme, kuinka TR käytti Amazon Personalizea rakentaakseen skaalautuvan, usean vuokralaisen suositusjärjestelmän, joka tarjoaa asiakkailleen parhaat tuotetilaussuunnitelmat ja niihin liittyvät hinnat.
Ratkaisuarkkitehtuuri
Ratkaisu piti suunnitella ottaen huomioon TR:n ydintoiminnot käyttäjien ymmärtämisessä datan avulla; Näille käyttäjille räätälöidyn ja asiaankuuluvan sisällön tarjoaminen suuresta datajoukosta oli toiminnan kannalta kriittinen vaatimus. Hyvin suunniteltu suositusjärjestelmä on avain laadukkaiden suositusten saamiseksi, jotka on räätälöity kunkin käyttäjän tarpeisiin.
Ratkaisu vaati käyttäjien käyttäytymistietojen keräämistä ja valmistelua, ML-mallin kouluttamista Amazon Personalize -ohjelman avulla, räätälöityjen suositusten luomista koulutetun mallin avulla ja markkinointikampanjoiden ohjaamista henkilökohtaisilla suosituksilla.
TR halusi hyödyntää AWS:n hallittuja palveluita mahdollisuuksien mukaan yksinkertaistaakseen toimintaa ja vähentääkseen eriyttämätöntä raskasnostoa. TR käytetty AWS Liima DataBrew ja AWS-erä työt poiminnan, muuntamisen ja lataamisen (ETL) suorittamiseen ML-putkissa ja SageMaker ja Amazon Personalize räätälöimään suosituksia. Harjoitteludatan määrän ja suoritusajan näkökulmasta ratkaisun piti olla skaalattavissa miljoonien tietueiden käsittelemiseksi TR:n liiketoimintaryhmien loppupään kuluttajille jo sitoutuneessa ajassa.
Seuraavissa osissa selitetään ratkaisuun liittyvät komponentit.
ML koulutusputki
Vuorovaikutus käyttäjien ja sisällön välillä kerätään napsautustietona, joka syntyy, kun asiakas klikkaa sisältöä. TR analysoi, onko tämä osa heidän tilaussuunnitelmaansa vai sen ulkopuolella, jotta he voivat antaa lisätietoja hinnasta ja liittymisvaihtoehdoista. Käyttäjien vuorovaikutustiedot eri lähteistä säilyvät heidän tietovarastossaan.
Seuraava kaavio havainnollistaa ML-koulutusputkilinjaa.
Liukulinja alkaa AWS-erätyöllä, joka poimii tiedot tietovarastosta ja muuntaa tiedot vuorovaikutusten, käyttäjien ja kohteiden tietojoukkojen luomiseksi.
Seuraavia tietojoukkoja käytetään mallin kouluttamiseen:
- Strukturoidut tuotetiedot – Tilaukset, tilaukset, tuoteluettelo, tapahtumat ja asiakastiedot
- Puolistrukturoitu käyttäytymisdata – Käyttäjät, käyttö ja vuorovaikutukset
Tämä muunnettu data on tallennettu Amazonin yksinkertainen tallennuspalvelu (Amazon S3) ämpäri, joka tuodaan Amazon Personalizeen ML-harjoitteluun. Koska TR haluaa luoda henkilökohtaisia suosituksia käyttäjilleen, he käyttävät USER_PERSONALIZATION resepti ML-mallien kouluttamiseen mukautetuille tiedoilleen, jota kutsutaan ratkaisuversion luomiseksi. Kun ratkaisuversio on luotu, sitä käytetään räätälöityjen suositusten luomiseen käyttäjille.
Koko työnkulku on ohjattu käyttämällä AWS-vaihetoiminnot. Hälytykset ja ilmoitukset tallennetaan ja julkaistaan Microsoft Teamsille käyttämällä Amazonin yksinkertainen ilmoituspalvelu (Amazon SNS) ja Amazon EventBridge.
Henkilökohtaisen suositusputken luominen: Eräpäätelmä
Asiakkaiden vaatimukset ja mieltymykset muuttuvat hyvin usein, ja viimeisimmät napsautustietoihin tallennetut vuorovaikutukset toimivat keskeisenä tietopisteenä asiakkaan muuttuvien mieltymysten ymmärtämiseksi. Sopeutuakseen asiakkaiden jatkuvasti muuttuviin mieltymyksiin TR luo yksilöllisiä suosituksia päivittäin.
Seuraava kaavio havainnollistaa prosessia henkilökohtaisten suositusten luomiseksi.
DataBrew-työ poimii tiedot TR-tietovarastosta käyttäjille, jotka ovat oikeutettuja antamaan suosituksia uusimisen aikana nykyisen tilaussuunnitelman ja viimeaikaisen toiminnan perusteella. DataBrew'n visuaalisen tiedon valmistelutyökalun avulla TR-tietoanalyytikot ja datatieteilijät voivat helposti puhdistaa ja normalisoida tiedot valmistellakseen niitä analytiikkaa ja ML:ää varten. Mahdollisuus valita yli 250 valmiista muunnoksesta visuaalisen tietojen valmistelutyökalun sisällä tietojen valmistelutehtävien automatisoimiseksi, kaikki ilman koodin kirjoittamista, oli tärkeä ominaisuus. DataBrew-työ luo inkrementaalisen tietojoukon vuorovaikutuksille ja eräsuositustyön syötteelle ja tallentaa tulosteen S3-säihöön. Äskettäin luotu inkrementaalinen tietojoukko tuodaan vuorovaikutustietojoukkoon. Kun inkrementaalinen tietojoukon tuontityö onnistuu, Amazon Personalize -eräsuositustyö käynnistyy syötetietojen kanssa. Amazon Personalize luo viimeisimmät suositukset käyttäjille syötetiedoissa ja tallentaa ne suositukset S3-ämpäriin.
Hintaoptimointi on viimeinen vaihe ennen kuin uudet suositukset ovat käyttövalmiita. TR suorittaa kustannusoptimointityön luoduille suosituksille ja käyttää SageMakeria mukautettujen mallien suorittamiseen suositusten perusteella osana tätä viimeistä vaihetta. AWS-liimatyö kuroi Amazon Personalizesta luodun tulosteen ja muuntaa sen SageMaker-muokatun mallin vaatimaan syöttömuotoon. TR pystyy hyödyntämään AWS:n tarjoamien palveluiden laajuutta käyttämällä suositusalustassa sekä Amazon Personalizea että SageMakeria räätälöimään suosituksia asiakasyrityksen ja loppukäyttäjien tyypin mukaan.
Koko työnkulku irrotetaan ja ohjataan Step Functionsilla, mikä antaa joustavuutta liukuhihnan skaalaamiseen tietojenkäsittelyvaatimuksista riippuen. Hälytykset ja ilmoitukset tallennetaan Amazon SNS:n ja EventBridgen avulla.
Sähköpostikampanjoiden edistäminen
Hinnoittelutulosten kanssa syntyviä suosituksia käytetään sähköpostikampanjoiden ohjaamiseen TR:n asiakkaille. AWS-erätyötä käytetään kunkin asiakkaan suositusten kuratointiin ja sen täydentämiseen optimoiduilla hinnoittelutiedoilla. Nämä suositukset sisällytetään TR:n kampanjajärjestelmiin, jotka ohjaavat seuraavia sähköpostikampanjoita:
- Automaattinen tilauksen uusiminen tai päivityskampanjat uusilla tuotteilla, jotka saattavat kiinnostaa asiakasta
- Keskipitkän sopimuksen uusimiskampanjat, joissa on parempia tarjouksia ja osuvampia tuotteita ja laillista sisältöä
Tämän prosessin tiedot kopioidaan myös asiakasportaaliin, jotta nykyistä tilaustaan tarkistavat asiakkaat voivat nähdä uudet uusimissuositukset. TR on nähnyt korkeamman muuntoprosentin sähköpostikampanjoista, mikä on johtanut lisääntyneisiin myyntitilauksiin uuden suositusalustan käyttöönoton jälkeen.
Mitä seuraavaksi: Reaaliaikainen suositusputki
Asiakkaiden vaatimukset ja ostokäyttäytyminen muuttuvat reaaliajassa, ja suositusten mukauttaminen reaaliaikaisiin muutoksiin on avain oikean sisällön tarjoamiseen. Nähtyään suuren menestyksen eräsuositusjärjestelmän käyttöönotossa TR aikoo nyt viedä tämän ratkaisun uudelle tasolle ottamalla käyttöön reaaliaikaisen suositusputken suositusten luomiseksi Amazon Personalize -sovelluksella.
Seuraava kaavio havainnollistaa arkkitehtuuria reaaliaikaisten suositusten antamiseksi.
Reaaliaikainen integraatio alkaa keräämällä reaaliaikaiset käyttäjien sitoutumistiedot ja suoratoistamalla ne Amazon Personalizeen. Kun käyttäjät ovat vuorovaikutuksessa TR:n sovellusten kanssa, he luovat clickstream-tapahtumia, jotka julkaistaan Amazon Kinesis -tietovirrat. Sitten tapahtumat sulautuvat TR:n keskitetylle suoratoistoalustalle, joka on rakennettu sen päälle Amazonin hallinnoima suoratoisto Kafkalle (Amazon MSK). Amazon MSK tekee suoratoistotietojen syöttämisestä ja käsittelystä helppoa reaaliajassa täysin hallitun Apache Kafkan avulla. Tässä arkkitehtuurissa Amazon MSK toimii suoratoistoalustana ja suorittaa kaikki tarvittavat datamuunnokset saapuville napsautusvirtatapahtumille. Sitten an AWS Lambda toiminto käynnistyy suodattamaan tapahtumat Amazon Personalize -tietojoukon kanssa yhteensopivaan skeemaan ja siirtämään tapahtumat Amazon Personalize -tapahtumaseurantaan käyttämällä putEvent
API. Näin Amazon Personalize voi oppia käyttäjäsi viimeisimmästä käyttäytymisestä ja sisällyttää asiaankuuluvat kohteet suosituksiin.
TR:n verkkosovellukset kutsuvat käyttöönotetun API:n Amazon API -yhdyskäytävä saada suosituksia, mikä laukaisee Lambda-funktion kutsumaan a GetRecommendations
API-puhelu Amazon Personalize -sovelluksella. Amazon Personalize tarjoaa uusimmat yksilölliset suositukset, jotka on kuratoitu käyttäjien käyttäytymiseen ja jotka toimitetaan takaisin verkkosovelluksiin Lambdan ja API Gatewayn kautta.
Tämän reaaliaikaisen arkkitehtuurin avulla TR voi palvella asiakkaitaan henkilökohtaisilla suosituksilla, jotka on kuratoitu heidän viimeisimmän käyttäytymisensä mukaan, ja palvella heidän tarpeitaan paremmin.
Yhteenveto
Tässä viestissä näytimme sinulle, kuinka TR käytti Amazon Personalizea ja muita AWS-palveluita suositusmoottorin toteuttamiseen. Amazon Personalize antoi TR:lle mahdollisuuden nopeuttaa korkean suorituskyvyn mallien kehitystä ja käyttöönottoa tarjotakseen suosituksia asiakkailleen. TR pystyy ottamaan käyttöön uuden tuotesarjan muutamassa viikossa verrattuna kuukausiin aiemmin. Amazon Personalizen ja SageMakerin avulla TR pystyy nostamaan asiakaskokemusta paremmilla sisältötilaussuunnitelmilla ja -hinnoilla asiakkailleen.
Jos pidit tämän blogin lukemisesta ja haluat oppia lisää Amazon Personalizesta ja siitä, kuinka se voi auttaa organisaatiotasi rakentamaan suositusjärjestelmiä, katso kehittäjän opas.
Tietoja Tekijät
hesham Fahim on johtava koneoppimisinsinööri ja personointikonearkkitehti Thomson Reutersilla. Hän on työskennellyt korkeakoulujen ja teollisuuden organisaatioiden kanssa suurista yrityksistä keskikokoisiin startup-yrityksiin. Hän keskittyy skaalautuviin syväoppimisarkkitehtuureihin, ja hänellä on kokemusta mobiilirobotiikasta, biolääketieteellisestä kuva-analyysistä sekä suositusjärjestelmistä. Tietokoneiden ulkopuolella hän nauttii astrovalokuvauksesta, lukemisesta ja pitkän matkan pyöräilystä.
Srinivasa Shaik on ratkaisuarkkitehti AWS:ssä Bostonissa. Hän auttaa yritysasiakkaita nopeuttamaan matkaansa pilveen. Hän on intohimoinen konteista ja koneoppimistekniikoista. Vapaa-ajallaan hän viettää aikaa perheensä kanssa, ruoanlaittoa ja matkustamista.
Vamshi Krishna Enabothala on Sr. Applied AI Specialist Architect AWS:ssä. Hän työskentelee eri alojen asiakkaiden kanssa nopeuttaakseen vaikuttavia data-, analytiikka- ja koneoppimisaloitteita. Hän on intohimoinen suositusjärjestelmistä, NLP:stä ja tietokonenäköalueista tekoälyssä ja ML:ssä. Työn ulkopuolella Vamshi on RC-ihminen, rakentaa RC-laitteita (lentokoneita, autoja ja droneja) ja nauttii myös puutarhanhoidosta.
Simone Zucchet on AWS:n vanhempi ratkaisuarkkitehti. Yli kuuden vuoden pilviarkkitehdin kokemuksella Simone nauttii työskentelystä innovatiivisten projektien parissa, jotka auttavat muuttamaan organisaatioiden tapaa lähestyä liiketoimintaongelmia. Hän auttaa tukemaan suuryritysasiakkaita AWS:ssä ja on osa Machine Learning TFC:tä. Ammatillisen elämänsä ulkopuolella hän nauttii työskentelystä autojen ja valokuvauksen parissa.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-delivers-personalized-content-subscription-plans-at-scale-using-amazon-personalize/
- 100
- 7
- a
- kyky
- pystyy
- Meistä
- Academia
- kiihdyttää
- Tili
- kirjanpito
- tarkka
- poikki
- toiminta
- sopeuttaa
- lisä-
- Etu
- Jälkeen
- AI
- AI / ML
- Kaikki
- mahdollistaa
- jo
- Amazon
- Amazon Muokkaa
- analyysi
- analyytikot
- Analytics
- analyysit
- ja
- vastauksia
- Apache
- api
- sovellukset
- sovellettu
- Sovellettu tekoäly
- lähestymistapa
- arkkitehtuuri
- alueet
- noin
- liittyvä
- automatisoida
- tietoisuus
- AWS
- AWS-liima
- takaisin
- perustua
- perusta
- koska
- ennen
- PARAS
- Paremmin
- välillä
- Jälkeen
- biolääketieteen
- Uutiset ja media
- boston
- leveys
- rakentaa
- Rakentaminen
- rakennettu
- liiketoiminta
- yritykset
- soittaa
- Kampanja
- kampanjointia
- Kampanjat
- autot
- luettelo
- keskitetty
- keskitetty
- haaste
- muuttaa
- Muutokset
- muuttuviin
- Valita
- pilvi
- koodi
- Kerääminen
- sitoutunut
- Yritykset
- verrattuna
- yhteensopiva
- osat
- tietokone
- Tietokoneen visio
- tietokoneet
- ottaen huomioon
- alituisesti
- kuluttaja
- Kuluttajat
- Kontit
- pitoisuus
- jatkui
- Muuntaminen
- Ydin
- Hinta
- voisi
- luoda
- luotu
- Luominen
- kuratoitu
- kuraatteja
- Nykyinen
- asiakassuhde
- asiakas
- asiakastiedot
- asiakaskokemus
- Asiakkaat
- päivittäin
- tiedot
- Tietojen valmistelu
- tietojenkäsittely
- aineistot
- sopimus
- päätökset
- syvä
- syvä oppiminen
- tuottaa
- Antaa
- Riippuen
- käyttöön
- levityspinnalta
- käyttöönotto
- suunniteltu
- yksityiskohdat
- kehitetty
- Kehitys
- eri
- etäisyys
- verkkotunnuksen
- ajaa
- ajo
- Drones
- aikana
- kukin
- Aikaisemmin
- Varhainen
- ELEVATE
- oikeutettu
- käytössä
- mahdollistaa
- sitoumus
- Moottori
- insinööri
- rikastuttaa
- yritys
- yrityksille
- intoilija
- Koko
- laitteet
- tapahtuma
- Tapahtumat
- jatkuvasti muuttuva
- kehittää
- experience
- asiantuntemus
- Selittää
- uute
- otteet
- perhe
- nopeampi
- Ominaisuus
- suodattaa
- lopullinen
- taloudellinen
- Löytää
- Yritys
- Joustavuus
- Keskittää
- jälkeen
- muoto
- muoto
- muodostivat
- FRAME
- alkaen
- täysin
- toiminto
- tehtävät
- portti
- tuottaa
- syntyy
- synnyttää
- tuottaa
- saada
- saada
- antaa
- Tavoitteet
- suuri
- ottaa
- auttaa
- auttaa
- korkea suorituskyky
- korkeampi
- Miten
- HTML
- HTTPS
- ihmisen
- kuva
- toteuttaa
- täytäntöönpanosta
- tuoda
- tärkeä
- in
- sisältää
- Saapuva
- kasvoi
- teollisuus
- tiedot
- aloitteita
- Innovaatio
- innovatiivinen
- panos
- integroitu
- integraatio
- Älykkyys
- vuorovaikutuksessa
- vuorovaikutukset
- korko
- osallistuva
- IT
- kohdetta
- Job
- Työpaikat
- matka
- avain
- suuri
- Sukunimi
- uusin
- johtaa
- johtava
- OPPIA
- oppiminen
- Perintö
- juridinen
- Taso
- Licensing
- elämä
- nosto
- elää
- kuormitus
- Pitkät
- Matala
- kone
- koneoppiminen
- tehdä
- TEE
- hoitaa
- onnistui
- markkinat
- markkinoiden johtava
- Marketing
- markkinat
- kypsyys
- Media
- Microsoft
- microsoft-tiimit
- ehkä
- miljoonia
- ML
- Puhelinnumero
- malli
- mallit
- kk
- lisää
- eniten
- Tarve
- tarpeet
- Uusi
- uusia tuotteita
- uutiset
- seuraava
- NLP
- ilmoituksen
- ilmoitukset
- Tarjoukset
- Laivalla
- ONE
- toiminta-
- Operations
- optimointi
- optimoitu
- Vaihtoehdot
- määräys
- organisaatio
- organisaatioiden
- Muut
- ulkopuolella
- paketit
- osa
- intohimoinen
- Suorittaa
- suorittaa
- Personointi
- Personoida
- yksilöllinen
- näkökulma
- valokuvaus
- putki
- suunnitelma
- suunnittelu
- suunnitelmat
- foorumi
- Platon
- Platonin tietotieto
- PlatonData
- Ole hyvä
- Kohta
- Portal
- mahdollinen
- Kirje
- mieltymykset
- Valmistella
- valmistelee
- hinta
- Hinnat
- hinnoittelu
- ongelmia
- prosessi
- käsittely
- Tuotteet
- Tuotteemme
- ammatillinen
- ammattilaiset
- hankkeet
- toimittaa
- mikäli
- tarjoaa
- tarjoamalla
- julkaistu
- Työnnä
- laatu
- nopeasti
- nostaa
- alainen
- hinta
- raaka
- Lukeminen
- valmis
- todellinen
- reaaliaikainen
- äskettäinen
- äskettäin
- resepti
- Suositus
- suosituksia
- asiakirjat
- vähentää
- tarkoitettuja
- heijastaa
- merkityksellinen
- monistaa
- tarvitaan
- vaatimus
- vaatimukset
- tulokset
- Reuters
- tarkistetaan
- Riski
- robotiikka
- säännöt
- ajaa
- sagemaker
- myynti
- skaalautuva
- Asteikko
- skaalaus
- tutkijat
- osiot
- sektorit
- koska
- vanhempi
- palvella
- palvelee
- palvelu
- Palvelut
- palvelevat
- setti
- Ostokset
- merkki
- merkittävä
- Yksinkertainen
- yksinkertaistaa
- koska
- So
- ratkaisu
- Ratkaisumme
- lähde
- Lähteet
- asiantuntija
- menot
- alkaa
- Startups
- Vaihe
- Levytila
- tallennettu
- varastot
- streaming
- tilaus
- tilaukset
- menestys
- onnistunut
- sviitti
- tuki
- järjestelmä
- järjestelmät
- Räätälöity
- ottaa
- vie
- tehtävät
- vero
- joukkue-
- tiimit
- Technologies
- Elektroniikka
- -
- heidän
- Thomson Reuters
- Kautta
- aika
- että
- työkalu
- ylin
- Juna
- koulutettu
- koulutus
- Liiketoimet
- Muuttaa
- muunnokset
- transformoitu
- Matkustaminen
- Trendit
- laukeaa
- luotettu
- ymmärtää
- ymmärtäminen
- ajanmukainen
- parantaa
- Käyttö
- käyttää
- käyttäjä
- Käyttäjät
- arvokas
- eri
- versio
- kautta
- visio
- tilavuus
- halusi
- Rikkaus
- verkko
- web-sovellukset
- viikkoa
- Mitä
- joka
- KUKA
- sisällä
- ilman
- Referenssit
- työskenteli
- työskentely
- toimii
- maailman
- olisi
- kirjoittaa
- kirjallinen
- vuotta
- Voit
- Sinun
- zephyrnet