Tämä kolmiosainen sarja näyttää kuinka käyttää graafihermoverkkoja (GNN) ja Amazonin Neptuuni luodaksesi elokuvasuosituksia käyttämällä IMDb ja Box Office Mojo Movies/TV/OTT lisensoitava tietopaketti, joka tarjoaa laajan valikoiman viihteen metatietoja, mukaan lukien yli miljardi käyttäjäarviota; hyvitykset yli 1 miljoonalle näyttelijälle ja miehistön jäsenelle; 11 miljoonaa elokuva-, TV- ja viihdenimikettä; ja maailmanlaajuiset lipputulojen raportointitiedot yli 9 maasta. Monet AWS-media- ja viihdeasiakkaat lisensoivat IMDb-tietoja AWS-tiedonvaihto parantaa sisällön löytämistä ja lisätä asiakkaiden sitoutumista ja säilyttämistä.
Seuraava kaavio havainnollistaa koko arkkitehtuuria, joka on toteutettu osana tätä sarjaa.
In Osa 1, keskustelimme GNN:ien sovelluksista ja siitä, kuinka IMDb-tietomme muunnetaan ja valmistetaan tietograafiksi (KG). Latasimme tiedot AWS Data Exchangesta ja käsittelimme ne AWS-liima KG-tiedostojen luomiseen. KG-tiedostot on tallennettu Amazonin yksinkertainen tallennuspalvelu (Amazon S3) ja ladattu sitten sisään Amazonin Neptuuni.
In Osa 2, osoitimme kuinka käyttää Amazon Neptune ML (in Amazon Sage Maker) kouluttaaksesi KG:tä ja luodaksesi KG-upotuksia.
Tässä viestissä opastamme sinua käyttämään koulutettuja KG-upotuksiamme Amazon S3:ssa luettelon ulkopuolisiin hakuihin käyttämällä Amazon OpenSearch-palvelu ja AWS Lambda. Voit myös ottaa käyttöön paikallisen verkkosovelluksen interaktiivista hakukokemusta varten. Kaikki tässä viestissä käytetyt resurssit voidaan luoda yhdellä AWS Cloud Development Kit (AWS CDK) -komento, kuten myöhemmin viestissä kuvataan.
Tausta
Oletko koskaan etsinyt vahingossa sisältöä, jota ei ollut saatavilla videon suoratoistoalustalla? Jos kyllä, huomaat, että tyhjän hakutulossivun sijaan löydät luettelon saman genren elokuvista näyttelijöiden tai miehistön jäsenten kanssa. Se on luettelon ulkopuolinen hakukokemus!
Haku luettelon ulkopuolelta (OOC) on, kun kirjoitat hakukyselyn, jolla ei ole suoraa hakua luettelossa. Tämä tapahtuma esiintyy usein videon suoratoistoalustoissa, jotka ostavat jatkuvasti erilaista sisältöä useilta toimittajilta ja tuotantoyrityksiltä rajoitetun ajan. Relevanssin tai kartoituksen puuttuminen suoratoistoyrityksen luettelosta suuriin elokuvien ja ohjelmien tietokantoihin voi johtaa OOC-sisällöstä kyselyitä tekevien asiakkaiden huonompaan hakukokemukseen, mikä lyhentää vuorovaikutusaikaa alustan kanssa. Tämä kartoitus voidaan tehdä yhdistämällä manuaalisesti usein toistuvia OOC-kyselyitä luettelon sisältöön tai se voidaan automatisoida koneoppimisen (ML) avulla.
Tässä viestissä havainnollistamme, kuinka käsitellä OOC:tä hyödyntämällä IMDb-tietojoukon (maailmanlaajuisen viihteen metatietojen ensisijainen lähde) ja tietokaavioiden tehoa.
OpenSearch-palvelu on täysin hallittu palvelu, jonka avulla on helppo suorittaa interaktiivista lokianalyysiä, reaaliaikaista sovellusten seurantaa, verkkosivustohakua ja paljon muuta. OpenSearch on avoimen lähdekoodin hajautettu haku- ja analytiikkapaketti, joka on johdettu Elasticsearchista. OpenSearch Service tarjoaa uusimmat OpenSearch-versiot, tuen 19:lle Elasticsearchin versiolle (versiot 1.5–7.10) sekä visualisointiominaisuudet, jotka toimivat OpenSearch Dashboardsilla ja Kibanalla (versiot 1.5–7.10). OpenSearch Servicellä on tällä hetkellä kymmeniä tuhansia aktiivisia asiakkaita, ja satojatuhansia klustereita hallinnassa käsitellään biljoonia pyyntöjä kuukaudessa. OpenSearch Service tarjoaa kNN-haun, joka voi tehostaa hakua käyttötapauksissa, kuten tuotesuosituksissa, petosten havaitsemisessa ja kuvissa, videoissa ja joissakin erityisissä semanttisissa skenaarioissa, kuten asiakirjan ja kyselyn samankaltaisuus. Lisätietoja OpenSearch-palvelun luonnollisen kielen ymmärtämiseen perustuvista hakutoiminnoista on osoitteessa NLU-pohjaisen hakusovelluksen rakentaminen Amazon SageMakerin ja Amazon OpenSearch Service KNN -ominaisuuden avulla.
Ratkaisun yleiskatsaus
Tässä viestissä esittelemme ratkaisun OOC-tilanteiden käsittelemiseen tietograafiin perustuvan upotushaun avulla OpenSearch Servicen k-lähin naapuri (kNN) -hakuominaisuuksien avulla. Tärkeimmät tämän ratkaisun toteuttamiseen käytetyt AWS-palvelut ovat OpenSearch Service, SageMaker, Lambda ja Amazon S3.
Tarkista Osa 1 ja Osa 2 tästä sarjasta saadaksesi lisätietoja tietokaavioiden luomisesta ja GNN-upotuksesta Amazon Neptune ML:n avulla.
OOC-ratkaisumme olettaa, että sinulla on yhdistetty KG, joka on saatu yhdistämällä suoratoistoyhtiö KG ja IMDb KG. Tämä voidaan tehdä yksinkertaisilla tekstinkäsittelytekniikoilla, jotka vastaavat otsikoita sekä otsikon tyyppiä (elokuva, sarja, dokumentti), näyttelijöitä ja miehistöä. Lisäksi tämä yhteinen tietograafi on koulutettava luomaan tietograafin upotuksia kohdassa mainittujen putkien kautta. Osa 1 ja Osa 2. Seuraava kaavio esittää yksinkertaistetun kuvan yhdistetystä KG:stä.
Havainnollistaaksemme OOC-hakutoimintoa yksinkertaisella esimerkillä jaoimme IMDb-tietokaavion asiakasluetteloon ja asiakkaan ulkopuoliseen luetteloon. Merkitsemme otsikot, jotka sisältävät "Toy Story" -asiakkaan ulkopuoliseksi luetteloresurssiksi ja loput IMDb-tietokaaviosta asiakasluetteloksi. Skenaariossa, jossa asiakasluetteloa ei paranneta tai yhdistetä ulkoisiin tietokantoihin, haku "lelutarina" palauttaisi minkä tahansa otsikon, jonka metatiedoissa on sanat "lelu" tai "tarina", OpenSearch-tekstihaulla. Jos asiakasluettelo olisi kartoitettu IMDb:hen, olisi helpompi havaita, että hakusanaa "toy story" ei ole luettelossa ja että IMDb:n suosituimmat osumat ovat "Toy Story", "Toy Story 2", "Toy". Tarina 3, "Toy Story 4" ja "Charlie: Toy Story" alenevassa järjestyksessä tekstin osuvuuden mukaan. Saadaksemme luettelon sisäisiä tuloksia kustakin näistä osumista, voimme luoda viisi lähintä elokuvaa asiakasluettelopohjaisessa kNN-upotuksella (yhteisestä KG:stä) OpenSearch-palvelun kautta.
Tyypillinen OOC-kokemus noudattaa seuraavan kuvan kulkua.
Seuraava video näyttää viisi parasta (osumien määrä) OOC-tulosta haulle "lelutarina" ja asiaankuuluvat osumat asiakasluettelossa (suositusten määrä).
Tässä kysely yhdistetään tietokaavioon OpenSearch-palvelun tekstihaun avulla. Tämän jälkeen yhdistämme tekstiosuuksien upotukset asiakasluetteloiden otsikoihin OpenSearch Servicen kNN-indeksin avulla. Koska käyttäjäkyselyä ei voida yhdistää suoraan tietograafien entiteettiin, käytämme kaksivaiheista lähestymistapaa löytääksemme ensin otsikkopohjaiset kyselyn yhtäläisyydet ja sitten otsikon kaltaiset kohteet käyttämällä tietograafin upotuksia. Seuraavissa osioissa käymme läpi OpenSearch-palveluklusterin perustamisprosessin, tietograafien indeksien luomisen ja lataamisen sekä ratkaisun käyttöönoton verkkosovelluksena.
Edellytykset
Tämän ratkaisun toteuttamiseksi sinulla pitäisi olla AWS-tili, tuntemus OpenSearch Servicestä, SageMakerista, Lambdasta ja AWS-pilven muodostuminenja olet suorittanut vaiheet Osa 1 ja Osa 2 tämän sarjan.
Käynnistä ratkaisuresurssit
Seuraava arkkitehtuurikaavio näyttää luettelon ulkopuolisen työnkulun.
Käytät AWS Cloud Development Kitiä (CDK) OOC-hakusovellusten edellyttämien resurssien tarjoamiseen. Koodi näiden resurssien käynnistämiseksi suorittaa seuraavat toiminnot:
- Luo resursseille VPC:n.
- Luo OpenSearch Service -toimialueen hakusovellukselle.
- Luo Lambda-funktion elokuvan metatietojen ja upotusten käsittelemiseksi ja lataamiseksi OpenSearch-palvelun indekseihin (
**-ReadFromOpenSearchLambda-**
). - Luo Lambda-funktion, joka ottaa syötteeksi käyttäjän kyselyn verkkosovelluksesta ja palauttaa asiaankuuluvat otsikot OpenSearchista (
**-LoadDataIntoOpenSearchLambda-**
). - Luo API-yhdyskäytävän, joka lisää ylimääräisen suojauskerroksen verkkosovelluksen käyttöliittymän ja Lambdan välille.
Aloita tekemällä seuraavat vaiheet:
- Suorita koodi ja muistikirjat osoitteesta Osa 1 ja Osa 2.
- Siirry
part3-out-of-catalog
kansio koodivarastossa.
- Käynnistä AWS CDK terminaalista komennolla
bash launch_stack.sh
. - Anna kaksi osassa 3 luotua S2-tiedostopolkua syötteenä:
- S3-polku elokuvan upotuksen CSV-tiedostoon.
- S3-polku elokuvasolmutiedostoon.
- Odota, kunnes skripti hankkii kaikki tarvittavat resurssit ja päättyy.
- Kopioi API-yhdyskäytävän URL-osoite, jonka AWS CDK -skripti tulostaa, ja tallenna se. (Käytämme tätä Streamlit-sovelluksessa myöhemmin).
Luo OpenSearch-palvelun verkkotunnus
Esimerkkiä varten luot hakutoimialueen yhdelle Saatavuusvyöhykkeelle r6g.large.search-esiintymässä suojatussa VPC:ssä ja aliverkossa. Huomaa, että paras käytäntö olisi määrittää kolme käytettävyysvyöhykettä, joissa on yksi ensisijainen ja kaksi replikaesiintymää.
Luo OpenSearch Service -hakemisto ja lataa tiedot
Käytät Lambda-funktioita (joka on luotu AWS CDK -käynnistyspinon komennolla) OpenSearch-palvelun indeksien luomiseen. Aloita indeksin luominen suorittamalla seuraavat vaiheet:
- Avaa Lambda-konsolissa
LoadDataIntoOpenSearchLambda
Lambda-toiminto. - On Testi välilehti, valitse Testi luodaksesi ja syöttääksesi tietoja OpenSearch Service -hakemistoon.
Seuraava koodi tälle lambda-toiminnolle löytyy part3-out-of-catalog/cdk/ooc/lambdas/LoadDataIntoOpenSearchLambda/lambda_handler.py
:
Toiminto suorittaa seuraavat tehtävät:
- Lataa IMDB KG -elokuvasolmutiedoston, joka sisältää elokuvan metatiedot ja niihin liittyvät upotukset S3-tiedostopoluista, jotka välitettiin pinon luontitiedostoon
launch_stack.sh
. - Yhdistää kaksi syöttötiedostoa luodakseen yhden tietokehyksen indeksin luomista varten.
- Alustaa OpenSearch Service -asiakkaan Boto3 Python -kirjaston avulla.
- Luo kaksi hakemistoa tekstille (
ooc_text
) ja kNN upotushaku (ooc_knn
) ja joukkolähettää dataa yhdistetystä tietokehyksestäingest_data_into_ops
toiminto.
Tämä tietojen käsittely kestää 5–10 minuuttia, ja sitä voidaan seurata amazonin pilvikello lokit Seuranta Lambda-toiminnon välilehti.
Luot kaksi hakemistoa ottaaksesi käyttöön tekstipohjaisen haun ja kNN-upotuspohjaisen haun. Tekstihaku yhdistää käyttäjän antaman vapaamuotoisen kyselyn elokuvan nimikkeisiin. kNN-upotushaku löytää KG-latentista avaruudesta lähinnä parasta tekstivastaavaa elokuvaa tulosteiksi.
Ota ratkaisu käyttöön paikallisena verkkosovelluksena
Nyt kun sinulla on toimiva tekstihaku ja kNN-indeksi OpenSearch-palvelussa, olet valmis rakentamaan ML-pohjaisen verkkosovelluksen.
Käytämme streamlit
Python-paketti käyttöliittymäkuvan luomiseksi tälle sovellukselle. The IMDb-Knowledge-Graph-Blog/part3-out-of-catalog/run_imdb_demo.py
Python-tiedosto meillä GitHub repo on tarvittava koodi käynnistääkseen paikallisen verkkosovelluksen tutkiakseen tätä ominaisuutta.
Suorita koodi suorittamalla seuraavat vaiheet:
- Asenna
streamlit
jaaws_requests_auth
Python-paketti paikallisessa virtuaalisessa Python-ympäristössäsi seuraaville komentoille päätteessäsi:
- Korvaa koodin API-yhdyskäytävän URL-osoitteen paikkamerkki seuraavasti AWS CDK:n luomalla:
api = '<ENTER URL OF THE API GATEWAY HERE>/opensearch-lambda?q={query_text}&numMovies={num_movies}&numRecs={num_recs}'
- Käynnistä verkkosovellus komennolla
streamlit run run_imdb_demo.py
terminaalistasi.
Tämä komentosarja käynnistää Streamlit-verkkosovelluksen, jota voi käyttää verkkoselaimella. Verkkosovelluksen URL-osoite voidaan noutaa komentosarjan tulosteesta, kuten seuraavassa kuvakaappauksessa näkyy.
Sovellus hyväksyy uudet hakusanat, osumien määrän ja suositusten määrän. Osumien määrä vastaa sitä, kuinka monta vastaavaa OOC-nimikettä meidän pitäisi hakea ulkoisesta (IMDb) luettelosta. Suositusten määrä vastaa sitä, kuinka monta lähintä naapuria meidän tulee hakea asiakasluettelosta kNN-upotushaun perusteella. Katso seuraava koodi:
Tämä syöte (kysely, osumien määrä ja suositukset) välitetään **-ReadFromOpenSearchLambda-**
AWS CDK:n API-yhdyskäytäväpyynnön kautta luoma lambda-toiminto. Tämä tehdään seuraavassa toiminnossa:
Lambda-toiminnon tulostulokset OpenSearch Servicestä välitetään API Gatewaylle ja näytetään Streamlit-sovelluksessa.
Puhdistaa
Voit poistaa kaikki AWS CDK:n luomat resurssit komennon avulla npx cdk destroy –app “python3 appy.py” --all
samassa tapauksessa (sisällä cdk
kansio), jota käytettiin pinon käynnistämiseen (katso seuraava kuvakaappaus).
Yhteenveto
Tässä viestissä näytimme sinulle, kuinka voit luoda ratkaisun OOC-hakuun käyttämällä tekstiä ja kNN-pohjaista hakua SageMakerin ja OpenSearch-palvelun avulla. Käytit mukautettuja tietokaaviomallien upotuksia löytääksesi luettelostasi lähimmät naapurit IMDb-nimikkeille. Voit nyt esimerkiksi etsiä Amazon Prime Videon kehittämää fantasiasarjaa "The Rings of Power" muilla suoratoistoalustoilla ja perustella, kuinka he olisivat voineet optimoida hakutuloksen.
Lisätietoja tämän viestin koodinäytteestä on artikkelissa GitHub repo. Lisätietoja yhteistyöstä Amazon ML Solutions Labin kanssa samankaltaisten uusimpien ML-sovellusten rakentamiseksi on osoitteessa Amazon Machine Learning Solutions Lab. Lisätietoja IMDb-tietojoukkojen lisensoinnista on osoitteessa developer.imdb.com.
Tietoja Tekijät
Divya Bhargavi on Data Scientist ja Media and Entertainment Vertical Lead Amazon ML Solutions Labissa, jossa hän ratkaisee arvokkaita liiketoimintaongelmia AWS-asiakkaille koneoppimisen avulla. Hän työskentelee kuvien/videoiden ymmärtämisen, tietokaavioiden suositusjärjestelmien ja ennakoivan mainonnan käyttötapausten parissa.
Gaurav Rele on datatieteilijä Amazon ML Solution Labissa, jossa hän työskentelee AWS-asiakkaiden kanssa eri toimialoilla nopeuttaakseen koneoppimisen ja AWS Cloud -palvelujen käyttöä liiketoimintahaasteensa ratkaisemiseksi.
Matthew Rhodes on datatutkija, jonka työskentelen Amazon ML Solutions Labissa. Hän on erikoistunut rakentamaan koneoppimisputkia, jotka sisältävät sellaisia käsitteitä kuin Natural Language Processing ja Computer Vision.
Karan Sindwani on tietotutkija Amazon ML Solutions Labissa, jossa hän rakentaa ja ottaa käyttöön syväoppimismalleja. Hän on erikoistunut tietokonenäköön. Vapaa-ajallaan hän harrastaa patikointia.
Soji Adeshina on AWS:n soveltuva tutkija, jossa hän kehittää graafin neuroverkkopohjaisia malleja koneoppimiseen graafitehtävissä, joissa on sovelluksia petokseen ja väärinkäyttöön, tietokaavioita, suosittelujärjestelmiä ja biotieteitä. Vapaa-ajallaan hän nauttii lukemisesta ja ruoanlaitosta.
Vidya Sagar Ravipati on johtaja Amazon ML Solutions Labissa, jossa hän hyödyntää laajaa kokemustaan laajamittaisista hajautetuista järjestelmistä ja intohimoaan koneoppimiseen auttaakseen AWS-asiakkaita eri toimialoilla nopeuttamaan tekoälyn ja pilven käyttöönottoa.
- 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/power-recommendations-and-search-using-an-imdb-knowledge-graph-part-3/
- 1
- 10
- 100
- 11
- 116
- 7
- 9
- a
- Meistä
- hyväksikäyttö
- kiihdyttää
- hyväksyy
- Accessed
- poikki
- aktiivinen
- lisä-
- Lisäksi
- Lisää
- Hyväksyminen
- mainonta
- AI
- Kaikki
- Amazon
- Amazon ML Solutions Lab
- Amazonin Neptuuni
- Amazon Neptune ML
- Amazon OpenSearch-palvelu
- Amazon Sage Maker
- Analytics
- ja
- api
- sovelluksen
- Hakemus
- sovellukset
- sovellettu
- käyttää
- lähestymistapa
- arkkitehtuuri
- ALUE
- liittyvä
- Automatisoitu
- saatavuus
- saatavissa
- AWS
- AWS-tiedonvaihto
- perustua
- koska
- PARAS
- välillä
- Miljardi
- Laatikko
- lippumyymälä
- selain
- rakentaa
- Rakentaminen
- rakentaa
- liiketoiminta
- kyvyt
- tapauksissa
- luettelo
- haasteet
- Valita
- asiakas
- pilvi
- pilvien hyväksyminen
- pilvipalvelut
- Cluster
- koodi
- yhteistyössä
- yhdistetty
- Yritykset
- yritys
- Yrityksen
- täydellinen
- Valmistunut
- tietokone
- Tietokoneen visio
- käsitteet
- Console
- alituisesti
- sisältää
- pitoisuus
- vastaa
- voisi
- maahan
- luoda
- luotu
- Luominen
- luominen
- Laajuus
- Nykyinen
- Tällä hetkellä
- asiakassuhde
- asiakas
- Asiakkaan sitoutuminen
- Asiakkaat
- tiedot
- Tiedonvaihto
- tietojen tutkija
- tietokannat
- aineistot
- syvä
- syvä oppiminen
- osoittaa
- osoittivat
- sijoittaa
- levityspinnalta
- lauennut
- johdettu
- on kuvattu
- tuhota
- Detection
- kehitetty
- Kehitys
- kehittää
- eri
- ohjata
- suoraan
- löytö
- keskusteltiin
- jaettu
- hajautetut järjestelmät
- asiakirja
- dokumenttielokuva
- ei
- verkkotunnuksen
- kukin
- helpompaa
- mahdollistaa
- sitoumus
- tehostettu
- enter
- syöttää
- Viihde
- yksiköt
- ympäristö
- tapahtuma
- EVER
- esimerkki
- Vaihdetaan
- experience
- tutkia
- ulkoinen
- lisää
- päin
- perehtyneisyys
- FANTASIA
- Kuva
- filee
- Asiakirjat
- Löytää
- löydöt
- Etunimi
- virtaus
- jälkeen
- seuraa
- löytyi
- petos
- petosten havaitseminen
- tiheä
- usein
- alkaen
- täysin
- toiminto
- toiminnallisuudet
- toiminnallisuus
- tehtävät
- portti
- tuottaa
- saada
- Global
- kaavio
- kaaviot
- kahva
- otsikot
- auttaa
- Osuma
- Osumien
- Miten
- Miten
- HTML
- HTTPS
- Sadat
- kuva
- toteuttaa
- täytäntöön
- parantaa
- in
- Mukaan lukien
- Kasvaa
- indeksi
- indeksit
- Indeksit
- teollisuus
- tiedot
- panos
- asentaa
- esimerkki
- sen sijaan
- vuorovaikutus
- vuorovaikutteinen
- liitäntä
- aiheuttaa
- IT
- kohdetta
- avain
- tuntemus
- Osaaminen Graph
- laboratorio
- Kieli
- suuri
- laaja
- uusin
- käynnistää
- käynnistää
- kerros
- johtaa
- OPPIA
- oppiminen
- vipusuhteita
- Kirjasto
- Lisenssi
- Licensing
- elämä
- Life Sciences
- rajallinen
- Lista
- kuormitus
- paikallinen
- kone
- koneoppiminen
- TEE
- onnistui
- johto
- johtaja
- käsin
- monet
- kartta
- kartoitus
- Kartat
- Merkitse
- ottelu
- matching
- Media
- Jäsenet
- mainitsi
- sulautuvan
- Metadata
- miljoona
- minuuttia
- ML
- malli
- mallit
- seurataan
- seuranta
- Kuukausi
- lisää
- elokuva
- Elokuvat
- moninkertainen
- Luonnollinen
- Luonnollinen kielen käsittely
- naapurit
- Neptunus
- verkkopohjainen
- verkot
- hermoverkkoihin
- Uusi
- solmu
- numero
- saatu
- Tarjoukset
- Office
- ONE
- avata
- avoimen lähdekoodin
- Operations
- optimoitu
- tilata
- OS
- Muut
- paketti
- osa
- Hyväksytty
- intohimo
- polku
- Suorittaa
- suorittaa
- placeholder
- foorumi
- Platforms
- Platon
- Platonin tietotieto
- PlatonData
- Ole hyvä
- Kirje
- teho
- powered
- harjoitusta.
- johtava
- Valmistella
- esittää
- ensisijainen
- tärkein
- tulosteet
- ongelmia
- prosessi
- Käsitelty
- käsittely
- Tuotteet
- tuotanto
- tarjoaa
- säännös
- osto
- tarkoituksiin
- Python
- alue
- arviot
- Lukeminen
- valmis
- reaaliaikainen
- reason
- Suositus
- suosituksia
- Merkitys
- merkityksellinen
- vastaus
- Raportointi
- säilytyspaikka
- pyyntö
- pyynnöt
- tarvitaan
- resurssi
- Esittelymateriaalit
- vastaus
- REST
- johtua
- tulokset
- säilyttäminen
- palata
- Tuotto
- ajaa
- juoksu
- sagemaker
- sama
- Säästä
- skenaariot
- tieteet
- Tiedemies
- Haku
- osiot
- turvallinen
- turvallisuus
- Sarjat
- palvelu
- Palvelut
- setti
- asetus
- settings
- shouldnt
- esitetty
- Näytä
- samankaltainen
- yhtäläisyyksiä
- Yksinkertainen
- yksinkertaistettu
- single
- tilanteita
- ratkaisu
- Ratkaisumme
- SOLVE
- Ratkaisee
- jonkin verran
- lähde
- Tila
- erikoistunut
- erityinen
- jakaa
- pino
- Alkaa
- alkoi
- huippu-
- Askeleet
- Levytila
- tallennettu
- Tarina
- streaming
- aliverkon
- niin
- sviitti
- tuki
- järjestelmät
- ottaa
- vie
- tehtävät
- tekniikat
- terminaali
- -
- Alue
- nivel
- heidän
- siten
- tuhansia
- kolmella
- Kautta
- aika
- Otsikko
- otsikot
- että
- ylin
- Juna
- koulutettu
- Muuttaa
- biljoonia
- tv
- tyypillinen
- varten
- ymmärtäminen
- Ladataan
- URL
- käyttää
- käyttäjä
- Käyttöliittymä
- Hyödyntämällä
- lajike
- valtava
- myyjät
- pystysuunnassa
- Video
- Näytä
- Virtual
- visio
- visualisointi
- verkko
- Web-sovellus
- Web-selain
- Verkkosivu
- joka
- leveä
- Laaja valikoima
- tulee
- sisällä
- sana
- sanoja
- työskentely
- toimii
- olisi
- Voit
- Sinun
- zephyrnet
- alueet