SQL (Structured Query Language) on monimutkainen kieli, joka edellyttää tietokantojen ja metatietojen ymmärtämistä. Tänään, generatiivinen tekoäly voi mahdollistaa ihmisille, joilla ei ole SQL-taitoa. Tätä generatiivista tekoälytehtävää kutsutaan tekstiksi SQL:ksi, joka luo SQL-kyselyitä luonnollisen kielen käsittelystä (NLP) ja muuntaa tekstin semanttisesti oikeaksi SQL:ksi. Tämän postauksen ratkaisulla pyritään nostamaan yritysanalytiikkatoiminnot uudelle tasolle lyhentämällä polkua tietoihisi luonnollisella kielellä.
Suurten kielimallien (LLM) syntymisen myötä NLP-pohjainen SQL-sukupolvi on kokenut merkittävän muutoksen. Poikkeuksellisen suorituskyvyn osoittavat LLM:t pystyvät nyt luomaan tarkkoja SQL-kyselyitä luonnollisen kielen kuvauksista. Haasteita on kuitenkin edelleen. Ensinnäkin ihmisen kieli on luonnostaan moniselitteistä ja kontekstista riippuvaa, kun taas SQL on tarkkaa, matemaattista ja jäsenneltyä. Tämä aukko voi johtaa käyttäjän tarpeiden virheelliseen muuntamiseen luoduksi SQL:ksi. Toiseksi sinun on ehkä rakennettava tekstistä SQL:ksi -ominaisuuksia jokaiselle tietokannalle, koska tietoja ei useinkaan tallenneta yhteen kohteeseen. Saatat joutua luomaan jokaisen tietokannan ominaisuudet uudelleen, jotta käyttäjät voivat käyttää NLP-pohjaista SQL-sukupolkua. Kolmanneksi, huolimatta keskitettyjen analytiikkaratkaisujen, kuten tietojärvien ja varastojen, laajemmasta käyttöönotosta, monimutkaisuus lisääntyy erilaisten taulukoiden nimien ja muiden metatietojen myötä, joita tarvitaan SQL:n luomiseen halutuille lähteille. Siksi myös kattavan ja laadukkaan metadatan kerääminen on edelleen haaste. Lisätietoja tekstistä SQL:ksi muuntamisen parhaista käytännöistä ja suunnittelumalleista on kohdassa Arvon luominen yritystiedoista: Text2SQL:n ja generatiivisen tekoälyn parhaat käytännöt.
Ratkaisumme pyrkii vastaamaan näihin haasteisiin käyttämällä Amazonin kallioperä ja AWS Analytics -palvelut. Käytämme Antrooppinen Claude v2.1 Amazon Bedrockissa LLM:nämme. Vastatakseen haasteisiin ratkaisumme sisältää ensin tietolähteiden metatiedot AWS-liimatietoluettelo lisätäksesi luodun SQL-kyselyn tarkkuutta. Työnkulku sisältää myös lopullisen arvioinnin ja korjaussilmukan siltä varalta, että SQL-ongelmia tunnistaa Amazon Athena, jota käytetään loppupäässä SQL-moottorina. Athena antaa meille myös mahdollisuuden käyttää monia tuetut päätepisteet ja liittimet kattamaan suuren joukon tietolähteitä.
Kun olemme käyneet läpi ratkaisun rakentamisen vaiheet, esittelemme joidenkin testiskenaarioiden tulokset vaihtelevilla SQL-kompleksitasoilla. Lopuksi keskustelemme siitä, kuinka yksinkertaista on sisällyttää eri tietolähteitä SQL-kyselyihisi.
Ratkaisun yleiskatsaus
Arkkitehtuurissamme on kolme kriittistä komponenttia: Retrieval Augmented Generation (RAG) tietokannan metatiedoilla, monivaiheinen itsekorjaussilmukka ja Athena SQL-moottorina.
Noudamme RAG-menetelmällä taulukkokuvaukset ja skeemakuvaukset (sarakkeet) AWS Glue -metavarastosta varmistaaksemme, että pyyntö liittyy oikeaan taulukkoon ja tietojoukkoon. Ratkaisussamme rakensimme yksittäiset vaiheet RAG-kehyksen suorittamiseksi AWS-liimatietokatalogilla esittelytarkoituksiin. Voit kuitenkin myös käyttää tietopohjat Amazon Bedrockissa rakentamaan RAG-ratkaisuja nopeasti.
Monivaiheisen komponentin avulla LLM voi korjata luodun SQL-kyselyn tarkkuuden. Tässä luotu SQL lähetetään syntaksivirheiden varalta. Käytämme Athenen virheilmoituksia täydentämään kehotteitamme LLM:lle tarkempien ja tehokkaampien korjausten saamiseksi luotuun SQL:ään.
Voit pitää Athenasta satunnaisesti tulevia virheilmoituksia palautteena. Virheenkorjausvaiheen kustannusvaikutukset ovat mitättömät toimitettuun arvoon verrattuna. Voit jopa sisällyttää nämä korjaavat vaiheet valvotuiksi vahvistetuiksi oppimisesimerkeiksi, joilla voit hienosäätää LLM:iäsi. Emme kuitenkaan käsittäneet tätä kulkua viestissämme yksinkertaisuuden vuoksi.
Huomaa, että epätarkkuuksien riski on aina olemassa, mikä luonnollisesti tulee generatiivisten AI-ratkaisujen mukana. Vaikka Athenen virheilmoitukset ovat erittäin tehokkaita tämän riskin pienentämisessä, voit lisätä lisää ohjaimia ja näkymiä, kuten ihmisten palautetta tai esimerkkikyselyitä hienosäätöä varten, minimoidaksesi riskit entisestään.
Athena ei vain salli meidän korjata SQL-kyselyitä, vaan se myös yksinkertaistaa meille yleistä ongelmaa, koska se toimii keskittimenä, jossa pinnat ovat useita tietolähteitä. Käyttöoikeuksien hallinta, SQL-syntaksi ja paljon muuta hoidetaan Athenen kautta.
Seuraava kaavio kuvaa ratkaisuarkkitehtuuria.
Prosessikulku sisältää seuraavat vaiheet:
- Luo AWS-liimatietokatalogi käyttämällä AWS Glue -indeksointirobottia (tai muulla tavalla).
- Käyttäen Titan-Text-Embeddings-malli Amazon Bedrockissa, muuntaa metatiedot upotuksiksi ja tallentaa ne Amazon OpenSearch palvelimeton vektorikauppa, joka toimii tietopohjanamme RAG-kehyksessämme.
Tässä vaiheessa prosessi on valmis vastaanottamaan kyselyn luonnollisella kielellä. Vaiheet 7–9 edustavat korjaussilmukkaa, jos mahdollista.
- Käyttäjä kirjoittaa kyselynsä luonnollisella kielellä. Voit käyttää mitä tahansa verkkosovellusta chat-käyttöliittymän tarjoamiseen. Siksi emme käsitelleet käyttöliittymän yksityiskohtia viestissämme.
- Ratkaisu soveltaa RAG-kehystä kautta samankaltaisuushaku, joka lisää ylimääräisen kontekstin vektoritietokannan metatiedoista. Tätä taulukkoa käytetään oikean taulukon, tietokannan ja määritteiden etsimiseen.
- Kysely yhdistetään kontekstiin ja lähetetään osoitteeseen Antrooppinen Claude v2.1 Amazon Bedrockissa.
- Malli saa luodun SQL-kyselyn ja muodostaa yhteyden Athenaan vahvistaakseen syntaksin.
- Jos Athena antaa virheilmoituksen, jossa mainitaan, että syntaksi on virheellinen, malli käyttää Athenen vastauksen virhetekstiä.
- Uusi kehote lisää Athenen vastauksen.
- Malli luo korjatun SQL:n ja jatkaa prosessia. Tämä iteraatio voidaan suorittaa useita kertoja.
- Lopuksi suoritamme SQL:n Athenalla ja luomme tulosteen. Tässä tulos esitetään käyttäjälle. Arkkitehtonisen yksinkertaisuuden vuoksi emme näyttäneet tätä vaihetta.
Edellytykset
Tätä viestiä varten sinun tulee täyttää seuraavat edellytykset:
- on AWS-tili.
- install Ishayoiden opettaman AWS-komentoriviliitäntä (AWS CLI).
- Aseta SDK Pythonille (Boto3).
- Luo AWS-liimatietokatalogi käyttämällä AWS Glue -indeksointirobottia (tai muulla tavalla).
- Käyttäen Titan-Text-Embeddings-malli Amazon Bedrockissa, muuntaa metatiedot upotuksiksi ja tallentaa ne OpenSearch-palvelimettomaan vektorikauppa.
Toteuta ratkaisu
Voit käyttää seuraavaa Jupyter-muistikirja, joka sisältää kaikki tässä osiossa annetut koodinpätkät ratkaisun rakentamiseksi. Suosittelemme käyttöä Amazon SageMaker Studio avataksesi tämän muistikirjan ml.t3.medium-instanssilla, jossa on Python 3 (Data Science) -ydin. Katso ohjeet kohdasta Kouluta koneoppimismalli. Määritä ratkaisu suorittamalla seuraavat vaiheet:
- Luo tietokanta OpenSearch Servicessä RAG-kehykselle:
- Rakenna kehote (
final_question
) yhdistämällä käyttäjän syötteet luonnollisella kielellä (user_query
), asiaankuuluvat metatiedot vektorivarastosta (vector_search_match
), ja ohjeemme (details
): - Kutsu Amazon Bedrock LLM:lle (Claude v2) ja kehota sitä luomaan SQL-kysely. Seuraavassa koodissa se yrittää useita yrityksiä havainnollistaakseen itsekorjausvaihetta:x
- Jos luodun SQL-kyselyn kanssa havaitaan ongelmia (
{sqlgenerated}
) Athena-vastauksesta ({syntaxcheckmsg}
), uusi kehote (prompt
) luodaan vastauksen perusteella ja malli yrittää uudelleen luoda uuden SQL:n: - Kun SQL on luotu, Athena-asiakasohjelma kutsutaan suorittamaan ja luomaan tulos:
Testaa ratkaisu
Tässä osiossa käytämme ratkaisuamme erilaisilla esimerkkiskenaarioilla testataksemme SQL-kyselyiden eri monimutkaisuustasoja.
Testaaksemme tekstistä SQL:ksi käytämme kahta tietojoukot saatavilla IMDB:stä. Osa IMDb-tiedoista on saatavilla henkilökohtaiseen ja ei-kaupalliseen käyttöön. Voit ladata tietojoukot ja tallentaa ne Amazonin yksinkertainen tallennuspalvelu (Amazon S3). Voit käyttää seuraavaa Spark SQL -pätkää taulukoiden luomiseen AWS Gluessa. Tässä esimerkissä käytämme title_ratings
ja title
:
Tallenna tiedot Amazon S3:ssa ja metatiedot AWS Gluessa
Tässä skenaariossa tietojoukkomme on tallennettu S3-säihöön. Athenassa on S3-liitin, jonka avulla voit käyttää Amazon S3:a tietolähteenä, josta voi tiedustella.
Ensimmäiselle kyselyllemme annamme syötteen "Olen uusi tässä. Voitko auttaa minua näkemään kaikki imdb-skeeman taulukot ja sarakkeet?"
Seuraava on luotu kysely:
Seuraava kuvakaappaus ja koodi näyttävät tuloksemme.
Toisessa kyselyssämme pyydämme "Näytä minulle kaikki otsikko ja tiedot USA:n alueella, jonka luokitus on yli 9.5."
Seuraava on luomamme kysely:
Vastaus on seuraava.
Kolmannelle kyselyllemme kirjoitamme "Great Response! Näytä nyt minulle kaikki alkuperäiset tyyppinimikkeet, joiden arvosanat ovat yli 7.5 eivätkä Yhdysvaltojen alueella."
Seuraava kysely luodaan:
Saamme seuraavat tulokset.
Luo itsekorjattu SQL
Tämä skenaario simuloi SQL-kyselyä, jossa on syntaksiongelmia. Tässä luotu SQL korjataan itse Athenen vastauksen perusteella. Seuraavassa vastauksessa Athena antoi a COLUMN_NOT_FOUND
virhe ja mainitsi sen table_description
ei voida ratkaista:
Ratkaisun käyttäminen muiden tietolähteiden kanssa
Jos haluat käyttää ratkaisua muiden tietolähteiden kanssa, Athena hoitaa työn puolestasi. Tätä varten Athena käyttää tietolähdeliittimet jonka kanssa voidaan käyttää liitetyt kyselyt. Voit harkita liitintä Athena-kyselymoottorin laajennuksena. Valmiiksi rakennettuja Athena-tietolähdeliittimiä on olemassa esim. tietolähteille Amazon CloudWatch -lokit, Amazon DynamoDB, Amazon DocumentDB (MongoDB-yhteensopivuuden kanssa)ja Amazon Relational Database -palvelu (Amazon RDS) ja JDBC-yhteensopivat relaatiotietolähteet, kuten MySQL ja PostgreSQL Apache 2.0 -lisenssillä. Kun olet määrittänyt yhteyden mihin tahansa tietolähteeseen, voit laajentaa ratkaisua edellisen koodikannan avulla. Lisätietoja on kohdassa Tee kysely mistä tahansa tietolähteestä Amazon Athenan uudella hajautetulla kyselyllä.
Puhdistaa
Voit puhdistaa resurssit aloittamalla puhdistaa S3-ämpärisi missä tiedot sijaitsevat. Ellei sovelluksesi vedota Amazon Bedrockiin, siitä ei aiheudu kustannuksia. Infrastruktuurin hallinnan parhaiden käytäntöjen vuoksi suosittelemme tässä esittelyssä luotujen resurssien poistamista.
Yhteenveto
Tässä viestissä esittelimme ratkaisun, jonka avulla voit käyttää NLP:tä monimutkaisten SQL-kyselyjen luomiseen useilla Athenen mahdollistamilla resursseilla. Lisäsimme myös luotujen SQL-kyselyiden tarkkuutta monivaiheisen arviointisilmukan avulla, joka perustuu myöhempien prosessien virheilmoituksiin. Lisäksi käytimme AWS Glue Data Catalogin metatietoja ottaaksemme huomioon kyselyssä kysytyt taulukoiden nimet RAG-kehyksen kautta. Testasimme sitten ratkaisua erilaisissa realistisissa skenaarioissa, joilla oli eri kyselyn monimutkaisuus. Lopuksi keskustelimme kuinka soveltaa tätä ratkaisua erilaisiin Athenen tukemiin tietolähteisiin.
Amazon Bedrock on tämän ratkaisun keskiössä. Amazon Bedrock voi auttaa sinua rakentamaan monia generatiivisia tekoälysovelluksia. Amazon Bedrockin käytön aloittamiseksi suosittelemme noudattamaan seuraavaa pika-aloitusta GitHub repo ja perehdytä luovien tekoälysovellusten rakentamiseen. Voit myös kokeilla tietopohjat Amazon Bedrockissa rakentamaan tällaisia RAG-ratkaisuja nopeasti.
Tietoja Tekijät
Sanjeeb Panda on tieto- ja ML-insinööri Amazonissa. Sanjeeb, jolla on tausta AI/ML, Data Science ja Big Data, suunnittelee ja kehittää innovatiivisia data- ja ML-ratkaisuja, jotka ratkaisevat monimutkaisia teknisiä haasteita ja saavuttavat strategisia tavoitteita maailmanlaajuisille 3P-myyjille, jotka hallitsevat liiketoimintaansa Amazonissa. Sanjeeb Panda on Amazonin data- ja ML-insinöörin työnsä lisäksi innokas ruoka- ja musiikin ystävä.
Burak Gozluklu on johtava AI/ML Specialist Solutions -arkkitehti, joka sijaitsee Bostonissa, MA. Hän auttaa strategisia asiakkaita ottamaan käyttöön AWS-teknologioita ja erityisesti generatiivisia tekoälyratkaisuja saavuttamaan liiketoimintatavoitteensa. Burakilla on tohtorintutkinto ilmailutekniikasta METU:sta, MS-tutkinto järjestelmätekniikasta ja post-doc järjestelmädynamiikasta MIT:stä Cambridgessa, MA. Burak on edelleen MIT:n tutkimuskumppani. Burak on intohimoinen joogasta ja meditaatiosta.
- 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/build-a-robust-text-to-sql-solution-generating-complex-queries-self-correcting-and-querying-diverse-data-sources/
- :on
- :On
- :ei
- :missä
- $ YLÖS
- 1
- 10
- 100
- 11
- 12
- 13
- 14
- 16
- 20
- 2024
- 22
- 23
- 29
- 30
- 32
- 39
- 50
- 500
- 521
- 7
- 8
- 9
- a
- Meistä
- edellä
- pääsy
- tarkkuus
- tarkka
- Saavuttaa
- lisätä
- Lisäksi
- osoite
- Lisää
- hyväksyä
- Hyväksyminen
- Aerospace
- Suosittelijaksi
- Jälkeen
- uudelleen
- AI
- AI / ML
- tavoitteet
- Kohdistaa
- Kaikki
- mahdollistaa
- Myös
- vaihtoehto
- aina
- am
- Amazon
- Amazon RDS
- Amazon Web Services
- an
- Analytics
- ja
- vastaus
- Antropinen
- Kaikki
- Apache
- sovelletaan
- Hakemus
- sovellukset
- sovelletaan
- käyttää
- arkkitehtuurin
- arkkitehtuuri
- OVAT
- AS
- kysyä
- At
- atlanta
- yritys
- yrityksiä
- attribuutteja
- täydennetty
- valtuutettu
- saatavissa
- AWS
- AWS-liima
- tausta
- pohja
- perustua
- BE
- koska
- alle
- PARAS
- parhaat käytännöt
- Iso
- Big Data
- Tukkia
- boston
- tuoda
- rakentaa
- Rakentaminen
- rakennettu
- liiketoiminta
- yritykset
- mutta
- by
- nimeltään
- Cambridge
- CAN
- ei voi
- valmiudet
- kykenee
- joka
- tapaus
- luettelo
- keskus
- keskitetty
- haaste
- haasteet
- jutella
- tarkistettu
- tarkkailun
- puhdas
- cli
- asiakas
- koodi
- koodikanta
- Kerääminen
- Sarake
- Pylväät
- yhdistely
- tulee
- tuleva
- verrattuna
- vertaamalla
- yhteensopivuus
- täydellinen
- monimutkainen
- monimutkaisuus
- komponentti
- osat
- kattava
- liitäntä
- Yhdistää
- Harkita
- tausta
- jatkuu
- valvonta
- Muuntaminen
- muuntaa
- korjata
- korjattu
- Korjaukset
- Hinta
- laskea
- kattaa
- luoda
- luotu
- luo
- kriittinen
- Asiakkaat
- tiedot
- tietojenkäsittely
- tietokanta
- tietokannat
- aineistot
- Päivämäärä
- treffiaika
- toimitettu
- esittelyssä
- Malli
- suunnittelumalleja
- haluttu
- Huolimatta
- yksityiskohdat
- kehittää
- kaavio
- DID
- eri
- pohtia
- keskusteltiin
- useat
- do
- docs
- asiakirjat
- download
- aikana
- dynamiikka
- Tehokas
- muu
- syntyminen
- mahdollistaa
- käytössä
- Moottori
- insinööri
- Tekniikka
- rikastuttaa
- varmistaa
- enter
- yritys
- syöttää
- intoilija
- virhe
- virheet
- arviointi
- Jopa
- Joka
- esimerkki
- Esimerkit
- poikkeuksellinen
- täytäntöönpanosta
- olla
- olemassa
- Selittää
- laajentaa
- laajentaminen
- lisää
- Epäonnistui
- väärä
- Ominaisuudet
- palaute
- lopullinen
- Vihdoin
- löytäminen
- Etunimi
- virtaus
- seurata
- jälkeen
- seuraa
- varten
- Puitteet
- alkaen
- edelleen
- kuilu
- antoi
- tuottaa
- syntyy
- synnyttää
- tuottaa
- sukupolvi
- generatiivinen
- Generatiivinen AI
- saada
- saa
- Global
- Tavoitteet
- sai
- Vetimet
- Olla
- ottaa
- he
- auttaa
- auttaa
- tätä
- korkealaatuisia
- erittäin
- hänen
- Miten
- Miten
- Kuitenkin
- HTML
- http
- HTTPS
- Napa
- ihmisen
- i
- tunnistettu
- if
- valaista
- havainnollistaa
- vaikutukset
- tärkeä
- in
- epätarkka
- sisältää
- sisältää
- sisällyttää
- sisältää
- virheellinen
- Kasvaa
- kasvoi
- indeksi
- henkilökohtainen
- tiedot
- tiedot
- Infrastruktuuri
- luontainen
- luonnostaan
- ensimmäinen
- sisempi
- innovatiivinen
- panos
- esimerkki
- ohjeet
- tulee
- kutsuttuihin
- vedotaan
- kysymys
- kysymykset
- IT
- iteraatio
- Job
- yhdistää
- jpg
- tuntemus
- järvet
- Kieli
- suuri
- suurempi
- OPPIA
- oppiminen
- Taso
- tasot
- Lisenssi
- pitää
- RAJOITA
- linja
- OTK
- sijaitsevat
- rakkaus
- kone
- koneoppiminen
- tehdä
- TEE
- johto
- toimitusjohtaja
- monet
- matemaattinen
- Saattaa..
- me
- meditaatio
- keskikokoinen
- mainitsi
- mainitsee
- viesti
- viestien
- Metadata
- menetelmä
- ehkä
- minimoida
- MIT
- lieventää
- ML
- malli
- mallit
- MongoDB
- lisää
- MS
- moninkertainen
- paljous
- Musiikki
- mysql
- nimi
- nimet
- Luonnollinen
- Luonnollinen kielen käsittely
- Tarve
- tarpeet
- Uusi
- seuraava
- NLP
- ei-kaupallinen
- muistikirja
- nyt
- numero
- tavoitteet
- of
- usein
- on
- vain
- avata
- Operations
- or
- tilata
- alkuperäinen
- Muut
- meidän
- ulostulo
- ulkopuolella
- yleinen
- Hyväksytty
- intohimoinen
- polku
- kuviot
- Ihmiset
- suorituskyky
- suoritettu
- henkilöstö
- phd
- Platon
- Platonin tietotieto
- PlatonData
- Ole hyvä
- Kirje
- PostgreSQL
- käytännöt
- edeltävä
- tarkka
- edellytyksiä
- esittää
- esitetty
- Pääasiallinen
- Ongelma
- prosessi
- Prosessit
- käsittely
- ohjeita
- toimittaa
- mikäli
- tarjoaa
- tarkoituksiin
- Python
- kyselyt
- kysymys
- kysymys
- nopea
- nopeasti
- lainausmerkit
- rätti
- luokitus
- arviot
- Lue
- valmis
- realistinen
- vastaanottaa
- sai
- suositella
- katso
- alue
- liittyvä
- merkityksellinen
- jäädä
- jäännökset
- edustaa
- pyyntö
- tarvitaan
- vaatimukset
- Vaatii
- tutkimus
- asuu
- ratkaisee
- ratkaistu
- Esittelymateriaalit
- kunnioittaminen
- vastaus
- johtua
- tulokset
- haku
- palata
- oikein
- Nousee
- Riski
- riskit
- luja
- RIVI
- ajaa
- sagemaker
- tähden
- sama
- näki
- skenaario
- skenaariot
- tiede
- haku
- Toinen
- Osa
- nähdä
- valita
- SELF
- Myyjät
- lähetetty
- serverless
- palvelee
- palvelu
- Palvelut
- setti
- shouldnt
- näyttää
- näyttää
- esitetty
- puoli
- merkittävä
- Yksinkertainen
- yksinkertaisuus
- yksinkertaistetaan
- single
- pätkä
- ratkaisu
- Ratkaisumme
- SOLVE
- jonkin verran
- lähde
- Lähteet
- Kipinä
- asiantuntija
- erityisesti
- Vaihe
- Alkaa
- alkoi
- Osavaltio
- Lausunto
- Tila
- Vaihe
- Askeleet
- Yhä
- Levytila
- verkkokaupasta
- tallennettu
- suora
- Strateginen
- jono
- jäsennelty
- niin
- Tuetut
- varma
- syntaksi
- SYS
- järjestelmä
- järjestelmät
- taulukko
- ottaa
- Kohde
- Tehtävä
- Tekninen
- Technologies
- testi
- testattu
- teksti
- kuin
- että
- -
- keskus
- heidän
- Niitä
- sitten
- Siellä.
- siksi
- Nämä
- kolmas
- tätä
- ne
- kolmella
- Kautta
- kertaa
- Otsikko
- otsikot
- että
- tänään
- Muutos
- yrittää
- kaksi
- tyyppi
- tyypit
- ui
- varten
- läpikäyneet
- ymmärtäminen
- ellei
- Päivitykset
- päivitetty
- us
- käyttää
- käytetty
- käyttäjä
- Käyttäjät
- käyttötarkoituksiin
- käyttämällä
- VAHVISTA
- arvo
- lajike
- eri
- Vaihteleva
- kautta
- näkymät
- Herätä
- kävellä
- Tapa..
- we
- verkko
- Web-sovellus
- verkkopalvelut
- taas
- joka
- vaikka
- jonka
- tulee
- with
- sisällä
- ilman
- Referenssit
- työnkulku
- kirjoittaa
- kirjoittaminen
- X
- Jooga
- Voit
- Sinun
- itse
- zephyrnet