Amazon SageMaker -ominaisuuskauppa tarjoaa päästä päähän -ratkaisun koneoppimisen (ML) ominaisuussuunnittelun automatisointiin. Monissa ML-käyttötapauksissa raakadata, kuten lokitiedostot, anturilukemat tai tapahtumatietueet, on muutettava mielekkäiksi ominaisuuksiksi, jotka on optimoitu mallin koulutusta varten.
Ominaisuuden laatu on ratkaisevan tärkeää erittäin tarkan ML-mallin varmistamiseksi. Raakadatan muuntaminen ominaisuuksiksi yhdistämisen, koodauksen, normalisoinnin ja muiden toimintojen avulla on usein tarpeen ja voi vaatia paljon vaivaa. Insinöörien on kirjoitettava manuaalisesti mukautettu tietojen esikäsittely- ja aggregointilogiikka Pythonissa tai Sparkissa jokaista käyttötapausta varten.
Tämä erittelemätön raskasnosto on raskasta, toistuvaa ja virhealtista. The SageMaker Feature Store -ominaisuusprosessori vähentää tätä taakkaa muuntamalla raakadataa automaattisesti koostetuiksi ominaisuuksiksi, jotka soveltuvat eräopetukseen ML-malleihin. Sen avulla insinöörit voivat tarjota yksinkertaisia datan muunnostoimintoja, hoitaa ne sitten mittakaavassa Sparkissa ja hallita taustalla olevaa infrastruktuuria. Näin datatieteilijät ja tietosuunnittelijat voivat keskittyä ominaisuuksien suunnittelulogiikkaan toteutustietojen sijaan.
Tässä viestissä esittelemme, kuinka automyyntiyritys voi käyttää Feature Processoria muuntaakseen raakamyyntitapahtumatiedot ominaisuuksiksi kolmessa vaiheessa:
- Paikalliset datamuunnosten ajot.
- Kaukosäädin toimii mittakaavassa Sparkilla.
- Käyttöönotto putkien kautta.
Näytämme, kuinka SageMaker Feature Store kerää raakadataa, suorittaa ominaisuusmuunnoksia etänä Sparkilla ja lataa tuloksena kootut ominaisuudet ominaisuusryhmä. Näitä suunniteltuja ominaisuuksia voidaan sitten käyttää ML-mallien kouluttamiseen.
Tässä käyttötapauksessa näemme, kuinka SageMaker Feature Store auttaa muuttamaan raaka-autojen myyntitiedot strukturoiduiksi ominaisuuksiksi. Näitä ominaisuuksia käytetään myöhemmin saadakseen oivalluksia, kuten:
- Punaisten avoautojen keski- ja enimmäishinta vuodesta 2010
- Mallit, joilla on paras kilometrimäärä vs. hinta
- Uusien vs. käytettyjen autojen myyntitrendit vuosien varrella
- Erot keskimääräisessä MSRP:ssä eri paikoissa
Näemme myös, kuinka SageMaker Feature Store -putkistot pitävät ominaisuudet ajan tasalla sitä mukaa, kun uusia tietoja tulee, jolloin yritys voi saada jatkuvasti oivalluksia ajan mittaan.
Ratkaisun yleiskatsaus
Työskentelemme tietojoukon kanssa car_data.csv
, joka sisältää yrityksen myymien käytettyjen ja uusien autojen tekniset tiedot, kuten malli, vuosi, tila, ajokilometrimäärä, hinta ja MSRP. Seuraavassa kuvakaappauksessa on esimerkki tietojoukosta.
Ratkaisumuistikirja feature_processor.ipynb
sisältää seuraavat päävaiheet, jotka selitämme tässä viestissä:
- Luo kaksi ominaisuusryhmää: yksi kutsutaan
car-data
raaka-autojen myyntitietueita ja toinen soitticar-data-aggregated
kootuille autojen myyntitietueille. - Käytä
@feature_processor
koristelija, josta tietoja ladataan autodata-ominaisuusryhmään Amazonin yksinkertainen tallennuspalvelu (Amazon S3). - Suorita
@feature_processor code
etänä Spark-sovelluksena tietojen yhdistämiseksi. - Ota ominaisuusprosessori käyttöön kautta SageMaker-putkistot ja aikataulu kulkee.
- Tutustu ominaisuuden käsittelyputkiin ja sukuperä in Amazon SageMaker Studio.
- Käytä aggregoituja ominaisuuksia ML-mallin kouluttamiseen.
Edellytykset
Jotta voit seurata tätä opetusohjelmaa, tarvitset seuraavat:
Tässä viestissä viittaamme seuraavaan muistikirja, joka näyttää kuinka pääset alkuun Feature Processorin kanssa SageMaker Python SDK:n avulla.
Luo ominaisuusryhmiä
Voit luoda ominaisuusryhmiä seuraavasti:
- Luo ominaisuusryhmän määritelmä
car-data
seuraavasti:
Ominaisuudet vastaavat jokaista saraketta car_data.csv
tietojoukko (Model
, Year
, Status
, Mileage
, Price
ja MSRP
).
- Lisää tietueen tunniste
id
ja tapahtuma-aikaingest_time
ominaisuusryhmään:
- Luo ominaisuusryhmän määritelmä
car-data-aggregated
seuraavasti:
Kootun ominaisuusryhmän ominaisuuksia ovat mallivuoden tila, keskimääräinen ajokilometrimäärä, enimmäiskilometrimäärä, keskihinta, enimmäishinta, keskimääräinen MSRP, maksimi MSRP ja käyttöaika. Lisäämme tietueen tunnisteen model_year_status
ja tapahtuma-aika ingest_time
tähän ominaisuusryhmään.
- Luo nyt
car-data
ominaisuusryhmä:
- Luo
car-data-aggregated
ominaisuusryhmä:
Voit siirtyä SageMaker Feature Store -vaihtoehtoon alla Päiväys SageMaker Studiossa Etusivu valikosta nähdäksesi ominaisuusryhmät.
Käytä @feature_processor-decoratoria tietojen lataamiseen
Tässä osiossa muunnamme paikallisesti raakasyöttötiedot (car_data.csv
) Amazon S3:sta car-data
ominaisuusryhmä käyttämällä Feature Store Feature Processoria. Tämän alkuperäisen paikallisen ajon avulla voimme kehittää ja iteroida ennen etäajoa, ja se voidaan tehdä datanäytteellä, jos halutaan nopeampaa iterointia.
Kanssa @feature_processor
decorator, muunnosfunktiosi toimii Spark-ajonaikaisessa ympäristössä, jossa funktiolle annetut syöttöargumentit ja sen palautusarvo ovat Spark DataFrame -kehykset.
- Asenna Ominaisuus Prosessori SDK mistä SageMaker Python SDK ja sen lisäosat käyttämällä seuraavaa komentoa:
Muunnosfunktiossasi olevien syöttöparametrien määrän on vastattava funktiossa määritettyjen tulojen määrää @feature_processor
sisustusarkkitehti. Tässä tapauksessa @feature_processor
sisustajalla on car-data.csv
syötteenä ja car-data
ominaisuusryhmä tulosteena, mikä osoittaa, että tämä on erätoiminto target_store
as OfflineStore
:
- Määrittele
transform()
toiminto datan muuntamiseksi. Tämä toiminto suorittaa seuraavat toiminnot:- Muunna sarakkeiden nimet pienillä kirjaimilla.
- Lisää tapahtuman aika kohtaan
ingest_time
sarake. - Poista välimerkit ja korvaa puuttuvat arvot NA:lla.
- Soita
transform()
toiminto tallentaa tiedotcar-data
ominaisuusryhmä:
Tulos osoittaa, että tiedot on syötetty onnistuneesti autotietojen ominaisuusryhmään.
Tulos transform_df.show()
toiminto on seuraava:
Olemme onnistuneesti muuntaneet syöttötiedot ja syöttäneet sen sisään car-data
ominaisuusryhmä.
Suorita @feature_processor-koodi etänä
Tässä osiossa esittelemme ominaisuuden käsittelykoodin etäkäytön Spark-sovelluksena käyttämällä @remote
aiemmin kuvattu sisustaja. Suoritamme ominaisuuden käsittelyn etänä Sparkilla skaalataksemme suuria tietojoukkoja. Spark tarjoaa hajautetun käsittelyn klustereilla käsitelläkseen dataa, joka on liian suuri yhdelle koneelle. The @remote
decorator suorittaa paikallisen Python-koodin yhden tai useamman solmun SageMaker-harjoitustyönä.
- Käytä
@remote
sisustaja yhdessä@feature_processor
sisustaja seuraavasti:
- spark_config
parametri osoittaa, että tämä suoritetaan muodossa a Spark application
. SparkConfig-ilmentymä määrittää Spark-kokoonpanon ja riippuvuudet.
- Määrittele
aggregate()
funktio tietojen yhdistämiseksi PySpark SQL:n ja käyttäjän määrittämien funktioiden (UDF) avulla. Tämä toiminto suorittaa seuraavat toiminnot:- Concatenate
model
,year
jastatus
luomaanmodel_year_status
. - Ota keskiarvo
price
luomaanavg_price
. - Ota maksimiarvo
price
luomaanmax_price
. - Ota keskiarvo
mileage
luomaanavg_mileage
. - Ota maksimiarvo
mileage
luomaanmax_mileage
. - Ota keskiarvo
msrp
luomaanavg_msrp
. - Ota maksimiarvo
msrp
luomaanmax_msrp
. - Ryhmän mukaan
model_year_status
.
- Concatenate
- Suorita
aggregate()
toiminto, joka luo SageMaker-harjoitustyön Spark-sovelluksen suorittamista varten:
Tämän seurauksena SageMaker luo koulutustyön aiemmin määriteltyyn Spark-sovellukseen. Se luo Spark-ajonaikaisen ympäristön käyttämällä sagemaker-spark-processing image
.
Käytämme täällä SageMaker Training -töitä Spark-ominaisuuksien käsittelysovelluksen suorittamiseen. SageMaker Trainingin avulla voit lyhentää käynnistysaikoja 1 minuuttiin tai lyhyempään käyttämällä lämmintä poolia, joka ei ole käytettävissä SageMaker Processingissa. Tämä tekee SageMaker Trainingista paremmin optimoituja lyhyisiin erätöihin, kuten ominaisuuksien käsittelyyn, jossa käynnistysaika on tärkeä.
- Jos haluat tarkastella tietoja, valitse SageMaker-konsolissa Harjoittelupaikat varten koulutus navigointiruudussa ja valitse sitten työ nimellä
aggregate-<timestamp>
.
Tulos aggregaatti() toiminto luo telemetriakoodin. Tulosteen sisällä näet koostetut tiedot seuraavasti:
Kun koulutustyö on valmis, sinun pitäisi nähdä seuraava tulos:
Ota ominaisuusprosessori käyttöön SageMaker-putkien kautta
Tässä osiossa osoitamme, kuinka ominaisuusprosessori saatetaan käyttöön lisäämällä se SageMaker-liukuhihnaan ja ajoittamalla ajot.
- Lataa ensin transformation_code.py tiedosto, joka sisältää Amazon S3:n ominaisuuksien käsittelylogiikan:
- Luo seuraavaksi Feature Processor -liukuhihna car_data_pipeline käyttäen .to_pipeline() toiminto:
- Suorita liukuhihna käyttämällä seuraavaa koodia:
- Vastaavasti voit luoda liukuhihnan koostetuille ominaisuuksille nimeltä
car_data_aggregated_pipeline
ja aloita juoksu. - Aikataulu
car_data_aggregated_pipeline
ajettava 24 tunnin välein:
Tulostusosiossa näet liukuhihnan ARN:n ja liukuhihnan suoritusroolin sekä aikataulun tiedot:
- Saadaksesi kaikki tämän tilin ominaisuusprosessorin putkistot, käytä
list_pipelines()
toiminto ominaisuusprosessorissa:
Tuotos on seuraava:
Olemme onnistuneesti luoneet SageMaker Feature Processor -putkilinjat.
Tutustu ominaisuuksien käsittelyputkiin ja ML-linjaan
Suorita seuraavat vaiheet SageMaker Studiossa:
- SageMaker Studio -konsolissa Etusivu valikosta, valitse putkistojen.
Sinun pitäisi nähdä kaksi luotua putkia: car-data-ingestion-pipeline
ja car-data-aggregated-ingestion-pipeline
.
- Valitse
car-data-ingestion-pipeline
.
Se näyttää ajon tiedot teloitukset Tab.
- Jos haluat tarkastella liukuhihnan täyttämää ominaisuusryhmää, valitse Ominaisuuksien kauppa varten Päiväys Ja valitse
car-data
.
Näet kaksi ominaisuusryhmää, jotka loimme edellisissä vaiheissa.
- Valitse
car-data
ominaisuusryhmä.
Näet ominaisuuksien yksityiskohdat Ominaisuudet Tab.
Näytä putkilinjan ajot
Voit tarkastella putkistoja suorittamalla seuraavat vaiheet:
- On Putkilinjan toteutuss-välilehti, valitse
car-data-ingestion-pipeline
.
Tämä näyttää kaikki juoksut.
- Valitse yksi linkeistä nähdäksesi juoksun tiedot.
- Jos haluat tarkastella sukulinjaa, valitse Sukulinja.
Täysi sukupolvi car-data
näyttää syöttötietolähteen car_data.csv
ja alkupään kokonaisuuksia. Sukulinjaa varten car-data-aggregated
näyttää syötteen car-data
ominaisuusryhmä.
- Valita Lataa ominaisuuksia ja valitse sitten Kysely alkupään sukulinjasta on
car-data
jacar-data-ingestion-pipeline
nähdäksesi kaikki alkupään entiteetit.
Täysi sukupolvi car-data
ominaisuusryhmän pitäisi näyttää seuraavalta kuvakaappaukselta.
Samoin sukulinja car-aggregated-data
ominaisuusryhmän pitäisi näyttää seuraavalta kuvakaappaukselta.
SageMaker Studio tarjoaa yhden ympäristön ajoitetun liukuhihnan seuraamiseen, ajojen katseluun, sukulinjan tutkimiseen ja ominaisuuden käsittelykoodin tarkastelemiseen.
Kootut ominaisuudet, kuten keskihinta, enimmäishinta, keskimääräinen kilometrimäärä ja paljon muuta car-data-aggregated
ominaisuusryhmä tarjoaa käsityksen tietojen luonteesta. Voit myös käyttää näitä ominaisuuksia tietojoukona kouluttaaksesi mallia ennustamaan autojen hintoja tai muita toimintoja varten. Mallin koulutus ei kuitenkaan kuulu tähän viestiin, joka keskittyy SageMaker Feature Store -ominaisuuksien ominaisuuksien suunnitteluun osoittamiseen.
Puhdistaa
Älä unohda puhdistaa osana tätä viestiä luotuja resursseja välttääksesi jatkuvia kuluja.
- Poista ajoitettu putkisto käytöstä
fp.schedule()
menetelmä tilaparametrilla asDisabled
:
- Poista molemmat ominaisuusryhmät:
S3-säilössä ja offline-ominaisuussäilössä olevista tiedoista voi aiheutua kuluja, joten sinun tulee poistaa ne kulujen välttämiseksi.
- Poista S3-objektit.
- Poista tietueet ominaisuuskaupasta.
Yhteenveto
Tässä viestissä osoitimme, kuinka automyyntiyritys käytti SageMaker Feature Store -ominaisuusprosessoria saadakseen arvokkaita näkemyksiä raakamyyntitiedoistaan:
- Erätietojen käsittely ja muuntaminen mittakaavassa Sparkilla
- Ominaisuussuunnittelun työnkulkujen operatiivistaminen SageMaker-putkien kautta
- Tarjoaa sukulinjan seurannan ja yhden ympäristön putkien seurantaa ja ominaisuuksien tutkimista varten
- Valmistellaan ML-mallien harjoittelua varten optimoituja aggregoituja ominaisuuksia
Näitä vaiheita noudattamalla yritys pystyi muuttamaan aiemmin käyttökelvottomat tiedot strukturoiduiksi ominaisuuksiksi, joita voitiin sitten käyttää mallin kouluttamiseen ennustamaan autojen hintoja. SageMaker Feature Store antoi heille mahdollisuuden keskittyä ominaisuussuunnitteluun taustalla olevan infrastruktuurin sijaan.
Toivomme, että tämä viesti auttaa sinua saamaan arvokkaita ML-näkemyksiä omista tiedoistasi SageMaker Feature Store Feature Processorin avulla!
Lisätietoja tästä on kohdassa Ominaisuuden käsittely ja SageMaker-esimerkki päällä Amazon SageMaker Feature Store: Ominaisuusprosessorin esittely.
Tietoja Tekijät
Dhaval Shah on AWS:n vanhempi ratkaisuarkkitehti, joka on erikoistunut koneoppimiseen. Hän keskittyy vahvasti digitaalisiin alkuperäisiin yrityksiin ja antaa asiakkaille mahdollisuuden hyödyntää AWS:ää ja edistää liiketoimintansa kasvua. ML-harrastajana Dhavala ohjaa hänen intohimonsa luoda vaikuttavia ratkaisuja, jotka tuovat positiivista muutosta. Vapaa-ajallaan hän antautuu rakkaudelleen matkustamiseen ja vaalii laatuhetkiä perheensä kanssa.
Ninad Joshi on AWS:n vanhempi ratkaisuarkkitehti, joka auttaa globaaleja AWS-asiakkaita suunnittelemaan turvallisia, skaalautuvia ja kustannustehokkaita ratkaisuja pilvipalveluissa monimutkaisten tosielämän liiketoimintahaasteiden ratkaisemiseksi. Hänen työnsä koneoppimisen (ML) parissa kattaa laajan valikoiman tekoälyn/ML:n käyttötapauksia keskittyen ensisijaisesti end-to-end ML:ään, luonnollisen kielen käsittelyyn ja Computer Visioniin. Ennen AWS:ään liittymistään Ninad työskenteli ohjelmistokehittäjänä yli 12 vuotta. Ammatillisten ponnistelujensa lisäksi Ninad nauttii shakin pelaamisesta ja erilaisten gambittien tutkimisesta.
- 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. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/unlock-ml-insights-using-the-amazon-sagemaker-feature-store-feature-processor/
- :on
- :On
- :ei
- :missä
- $ YLÖS
- 1
- 10
- 100
- 11
- 116
- 12
- 13
- 14
- 15%
- 16
- 20
- 24
- 26%
- 40
- 7
- 8
- 9
- a
- pystyy
- Tili
- tarkka
- poikki
- toimet
- lisätä
- aggregaatti
- aggregaatti
- AI / ML
- Kaikki
- mahdollistaa
- pitkin
- Myös
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- an
- ja
- Toinen
- Kaikki
- Hakemus
- OVAT
- perustelut
- AS
- At
- automatisoida
- automaattisesti
- saatavissa
- keskimäärin
- välttää
- AWS
- perustiedot
- BE
- ennen
- PARAS
- Paremmin
- Iso
- sekä
- tuoda
- taakka
- liiketoiminta
- yritykset
- by
- nimeltään
- CAN
- kyvyt
- auto
- autot
- tapaus
- tapauksissa
- haasteet
- muuttaa
- maksut
- shakki
- Valita
- pilvi
- koodi
- Sarake
- Pylväät
- tulee
- yritys
- täydellinen
- monimutkainen
- tietokone
- Tietokoneen visio
- Konfigurointi
- määritetty
- Console
- sisältää
- jatkuvasti
- muuntaa
- Hinta
- kustannukset
- voisi
- Covers
- luoda
- luotu
- luo
- Luominen
- kriittinen
- hankala
- asiakassuhde
- Asiakkaat
- tiedot
- aineistot
- määritelty
- määritelmä
- osoittaa
- osoittivat
- osoittaa
- esittelyssä
- riippuvuudet
- on kuvattu
- kuvaus
- Malli
- haluttu
- yksityiskohdat
- kehittää
- Kehittäjä
- eri
- digitaalinen
- vammaiset
- näyttämällä
- jaettu
- tehty
- ajaa
- ajanut
- kukin
- Aikaisemmin
- Tehokas
- vaivaa
- valtuutetaan
- käytössä
- mahdollistaa
- mahdollistaa
- päittäin
- pyrkii
- Tekniikka
- Engineers
- varmistaa
- intoilija
- yksiköt
- ympäristö
- tapahtuma
- Joka
- esimerkki
- suorittaa
- teloitus
- poistuminen
- Selittää
- tutkia
- Tutkiminen
- perhe
- nopeampi
- Ominaisuus
- Ominaisuudet
- filee
- Asiakirjat
- Keskittää
- keskittyy
- seurata
- jälkeen
- seuraa
- varten
- murto-
- alkaen
- koko
- toiminto
- tehtävät
- Saada
- synnyttää
- saada
- Global
- Ryhmä
- Ryhmän
- Kasvu
- kahva
- Vetimet
- Olla
- he
- otsikot
- raskas
- raskas nosto
- auttaa
- auttaa
- tätä
- korostus
- erittäin
- hänen
- Etusivu
- toivoa
- TUNTIA
- Miten
- Miten
- Kuitenkin
- HTML
- HTTPS
- ID
- tunniste
- if
- kuva
- vaikuttavia
- täytäntöönpano
- tuoda
- tärkeä
- in
- Mukaan lukien
- ilmaisee
- tiedot
- tiedot
- Infrastruktuuri
- ensimmäinen
- panos
- tuloa
- sisällä
- tietoa
- oivalluksia
- asentaa
- esimerkki
- tulee
- IT
- iteraatio
- SEN
- Job
- Työpaikat
- tuloaan
- jpg
- Pitää
- Kieli
- suuri
- oppiminen
- vähemmän
- Lets
- Vaikutusvalta
- nosto
- pitää
- sukuperä
- linkit
- Lista
- kuormitus
- kuormat
- paikallinen
- paikallisesti
- log
- logiikka
- katso
- näyttää joltakin
- rakkaus
- kone
- koneoppiminen
- tärkein
- TEE
- toimitusjohtaja
- käsin
- monet
- ottelu
- max
- maksimi
- MDX
- mielekäs
- valikko
- menetelmä
- minuutti
- puuttuva
- ML
- malli
- mallit
- Moments
- monitori
- lisää
- täytyy
- nimi
- nimet
- syntyperäinen
- Luonnollinen
- Luonnollinen kielen käsittely
- luonto
- Navigoida
- suunnistus
- Tarve
- tarvitaan
- Uusi
- solmu
- muistikirja
- numero
- of
- offline
- usein
- on
- ONE
- jatkuva
- vain
- toiminta
- Operations
- optimoitu
- Vaihtoehto
- or
- Muut
- meidän
- ulos
- ulostulo
- ulkopuolella
- yli
- oma
- lasi
- parametri
- parametrit
- osa
- intohimo
- Suorittaa
- suorittaa
- putki
- Platon
- Platonin tietotieto
- PlatonData
- pelaa
- asutuilla
- positiivinen
- Kirje
- pr
- ennustaa
- edellinen
- aiemmin
- hinta
- Hinnat
- ensisijainen
- Aikaisempi
- käsittely
- Suoritin
- ammatillinen
- Edistäminen
- toimittaa
- mikäli
- tarjoaa
- Python
- laatu
- alue
- pikemminkin
- raaka
- todellinen maailma
- ennätys
- asiakirjat
- punainen
- vähentää
- vähentää
- katso
- poistaa
- toistuva
- korvata
- edellyttää
- Esittelymateriaalit
- johtua
- Saatu ja
- palata
- Rooli
- ajaa
- juoksu
- toimii
- s
- sagemaker
- myynti
- myynti
- skaalautuva
- Asteikko
- aikataulu
- suunniteltu
- aikataulutus
- tutkijat
- laajuus
- sdk
- sdn
- sekuntia
- Osa
- turvallinen
- nähdä
- vanhempi
- Palvelut
- Lyhyt
- shouldnt
- näyttää
- Näytä
- merkittävä
- Yksinkertainen
- single
- yksittäinen ympäristö
- So
- Tuotteemme
- myyty
- ratkaisu
- Ratkaisumme
- SOLVE
- lähde
- Kipinä
- erikoistunut
- tekniset tiedot
- määritelty
- Urheilu
- Alkaa
- alkoi
- käynnistyksen
- Osavaltio
- Tila
- Askeleet
- Levytila
- verkkokaupasta
- Tallenna tiedot
- jono
- vahva
- jäsennelty
- studio
- antaa
- Myöhemmin
- onnistunut
- Onnistuneesti
- niin
- sopiva
- taulukko
- kuin
- että
- -
- Valtion
- heidän
- Niitä
- sitten
- Nämä
- tätä
- kolmella
- aika
- kertaa
- että
- liian
- ylin
- raita
- Seuranta
- Juna
- koulutus
- kauppa
- Muuttaa
- Muutos
- muunnokset
- transformoitu
- muuttamassa
- matkustaa
- Trendit
- oppitunti
- kaksi
- tyyppi
- tyypit
- ui
- varten
- taustalla oleva
- avata
- päivitetty
- us
- käyttää
- käyttölaukku
- käytetty
- käyttämällä
- arvokas
- arvo
- arvot
- eri
- Ajoneuvot
- kautta
- Näytä
- visio
- vs
- lämmin
- oli
- we
- verkko
- verkkopalvelut
- joka
- leveä
- Laaja valikoima
- tulee
- with
- Referenssit
- työskenteli
- työnkulkuja
- kirjoittaa
- vuosi
- vuotta
- Voit
- Sinun
- zephyrnet