Generatiivinen tekoäly (generatiivinen tekoäly) -mallit ovat osoittaneet vaikuttavia kykyjä luoda korkealaatuista tekstiä, kuvia ja muuta sisältöä. Nämä mallit vaativat kuitenkin valtavia määriä puhdasta, jäsenneltyä harjoitustietoa saavuttaakseen täyden potentiaalinsa. Suurin osa reaalimaailman tiedoista on jäsentämättömissä muodoissa, kuten PDF-tiedostoissa, mikä vaatii esikäsittelyä, ennen kuin sitä voidaan käyttää tehokkaasti.
Mukaan IDCStrukturoimaton data muodostaa nykyään yli 80 % kaikesta liiketoimintatiedosta. Tämä sisältää muotoja, kuten sähköpostit, PDF-tiedostot, skannatut asiakirjat, kuvat, ääni, video ja paljon muuta. Vaikka nämä tiedot sisältävät arvokkaita oivalluksia, sen jäsentämätön luonne tekee tekoälyalgoritmien vaikeaksi tulkita ja oppia niistä. Mukaan a Deloitten vuoden 2019 kysely, vain 18 % yrityksistä ilmoitti voivansa hyödyntää jäsentelemätöntä dataa.
Koska tekoälyn käyttöönotto kiihtyy edelleen, tehokkaiden mekanismien kehittäminen jäsentelemättömän datan sulattamiseen ja siitä oppimiseen tulee entistä kriittisemmäksi tulevaisuudessa. Tämä voisi sisältää parempia esikäsittelytyökaluja, puolivalvottuja oppimistekniikoita ja edistystä luonnollisen kielen käsittelyssä. Yritykset, jotka käyttävät strukturoimatonta dataansa tehokkaimmin, saavat merkittäviä kilpailuetuja tekoälystä. Puhtaat tiedot ovat tärkeitä mallin hyvän suorituskyvyn kannalta. Poistetuissa teksteissä on edelleen suuria määriä hölynpölyä ja ylimääräistä tekstiä (esim. lue HTML). Internetistä kaavittu data sisältää usein paljon päällekkäisyyksiä. Sosiaalisen median tiedot, arvostelut tai mikä tahansa käyttäjien luoma sisältö voi myös sisältää myrkyllistä ja puolueellista sisältöä, ja sinun on ehkä suodatettava ne pois joidenkin esikäsittelyvaiheiden avulla. Saattaa olla myös paljon heikkolaatuista sisältöä tai bottien luomia tekstejä, jotka voidaan suodattaa pois mukana olevien metatietojen avulla (esim. suodattaa pois huonot asiakasarviot saaneet asiakaspalveluvastaukset).
Tietojen valmistelu on tärkeää haun lisätyn sukupolven useissa vaiheissa (RÄTTI) malleja. Tietolähdeasiakirjat tarvitsevat esikäsittelyä, kuten tekstin puhdistamista ja semanttisten upotusten luomista, jotta ne voidaan indeksoida ja hakea tehokkaasti. Myös käyttäjän luonnollisen kielen kysely vaatii esikäsittelyä, joten se voidaan koodata vektoriksi ja verrata dokumenttien upotuksiin. Kun asiaankuuluvat kontekstit on haettu, ne saattavat tarvita ylimääräistä esikäsittelyä, kuten katkaisua, ennen kuin ne yhdistetään käyttäjän kyselyyn perusmallin viimeisen kehotteen luomiseksi. Amazon SageMaker Canvas tukee nyt kattavia tietojen valmisteluominaisuuksia Amazon SageMaker Data Wrangler. Tämän integraation avulla SageMaker Canvas tarjoaa asiakkaille päästä päähän koodittoman työtilan tietojen valmistelemiseksi, ML- ja perusmallien rakentamiseksi ja käyttämiseksi nopeuttaakseen aikaa tiedoista liiketoimintatietoihin. Voit nyt helposti löytää ja koota tietoja yli 50 tietolähteestä sekä tutkia ja valmistella tietoja käyttämällä yli 300 sisäänrakennettua analyysiä ja muunnosa SageMaker Canvasin visuaalisessa käyttöliittymässä.
Ratkaisun yleiskatsaus
Tässä viestissä työskentelemme PDF-dokumentaatiotietojoukon kanssa -Amazonin kallioperä käyttöohjeet. Lisäksi näytämme kuinka esikäsitellä RAG-tietojoukko. Tarkemmin sanottuna puhdistamme tiedot ja luomme RAG-artefakteja vastaamaan tietojoukon sisältöä koskeviin kysymyksiin. Harkitse seuraavaa koneoppimisongelmaa (ML): käyttäjä kysyy suurelta kielimallilta (LLM) kysymyksen: "Kuinka suodattaa ja etsiä malleja Amazon Bedrockissa?". LLM ei ole nähnyt dokumentaatiota koulutus- tai hienosäätövaiheessa, joten ei pystyisi vastaamaan kysymykseen ja todennäköisesti hallusinoituu. Tavoitteemme tällä viestillä on löytää PDF-tiedostosta (eli RAG) asiaankuuluva teksti ja liittää se kehotteeseen, jotta LLM voi vastata tähän asiakirjaan liittyviin kysymyksiin.
Alla näytämme, kuinka voit tehdä kaikki nämä tärkeimmät esikäsittelyvaiheet alkaen Amazon SageMaker Canvas (virtalähde Amazon SageMaker Data Wrangler):
- Tekstin purkaminen PDF-dokumentista (Textractin avulla)
- Arkaluontoisten tietojen poistaminen (Comprehendin avulla)
- Pilko teksti osiin.
- Luo upotus jokaiselle kappaleelle (Bedrockin tehonlähteenä).
- Lataa upotus vektoritietokantaan (OpenSearchin avulla)
Edellytykset
Tätä läpikäyntiä varten sinulla on oltava seuraavat:
Huomautuksia: Luo OpenSearch Service -verkkotunnuksia ohjeiden mukaan tätä. Yksinkertaisuuden vuoksi valitaan vaihtoehto, jossa on pääkäyttäjätunnus ja salasana hienorakeista kulunhallintaa varten. Kun verkkotunnus on luotu, luo vektoriindeksi, jossa on seuraavat kartoitukset, ja vektoriulottuvuus 1536 linjaa Amazon Titan -upotusten kanssa:
Walkthrough
Luo tietovirta
Tässä osiossa kerromme, kuinka voimme rakentaa tietovirran tekstin ja metatietojen poimimiseksi PDF-tiedostoista, tietojen puhdistamiseksi ja käsittelemiseksi, upotusten luomiseksi Amazon Bedrockin avulla ja tietojen indeksoimiseksi Amazon OpenSearchissa.
Käynnistä SageMaker Canvas
Käynnistä SageMaker Canvas suorittamalla seuraavat vaiheet:
- Amazonilla SageMaker-konsoli, valitse Verkkotunnukset navigointipaneelissa.
- Valitse verkkotunnuksesi.
- Valitse käynnistysvalikosta Kangas.
Luo tietokulku
Suorita seuraavat vaiheet luodaksesi tietovirran SageMaker Canvasissa:
- Valitse SageMaker Canvas -kotisivulta Data Wrangler.
- Valita luoda sivun oikealla puolella, anna tietovirran nimi ja valitse luoda.
- Tämä laskeutuu tietovirtasivulle.
- Valita Tuo päivämäärät, valitse taulukkotiedot.
Tuodaan nyt tiedot Amazon S3 -ämpäristä:
- Valita Tuo päivämäärät ja valitse Taulukko pudotusvalikosta.
- Tietolähde ja valitse Amazon S3 pudotusvalikosta.
- Siirry metatietotiedostoon, jossa on PDF-tiedostojen sijainnit, ja valitse tiedosto.
- Nyt metatietotiedosto on ladattu tietojen valmistelutietovirtaan, ja voimme jatkaa seuraavien vaiheiden lisäämiseen tietojen muuntamiseksi ja indeksoimiseksi Amazoniksi. opensearch. Tässä tapauksessa tiedostossa on seuraavat metatiedot, kunkin tiedoston sijainti Amazon S3 -hakemistossa.
Lisää uusi muunnos suorittamalla seuraavat vaiheet:
- Valitse plusmerkki ja valitse Lisää muunnos.
- Valita Lisää vaihe Ja valitse Mukautettu muunnos.
- Voit luoda mukautetun muunnoksen käyttämällä Pandasia, PySparkia, Pythonin käyttäjän määrittämiä toimintoja ja SQL PySparkia. Valita Python (PySpark) tähän käyttötapaukseen.
- Anna vaiheelle nimi. Selaa ja valitse esimerkkikoodinpätkät poimia tekstiä pdf-tiedostosta. Tee tarvittavat muutokset koodinpätkään ja valitse Lisää.
- Lisätään vaihe henkilökohtaisten tunnistetietojen (PII) poistamiseen poimitusta tiedosta hyödyntämällä Amazonin käsitys. Valita Lisää vaihe Ja valitse Mukautettu muunnos. Ja valitse Python (PySpark).
Selaa ja valitse esimerkkikoodinpätkät maski PII. Tee tarvittavat muutokset koodinpätkään ja valitse Lisää.
- Seuraava vaihe on tekstisisällön lohkominen. Valita Lisää vaihe Ja valitse Mukautettu muunnos. Ja valitse Python (PySpark).
Selaa ja valitse esimerkkikoodinpätkät Pala tekstiä. Tee tarvittavat muutokset koodinpätkään ja valitse Lisää.
- Muunnetaan tekstisisältö vektori upotuksiksi käyttämällä Amazonin kallioperä Titan Embeddings malli. Valita Lisää vaihe Ja valitse Mukautettu muunnos. Ja valitse Python (PySpark).
Selaa ja valitse esimerkkikoodinpätkät Luo tekstin upottaminen Bedrockin avulla. Tee tarvittavat muutokset koodinpätkään ja valitse Lisää.
- Nyt meillä on PDF-tiedoston sisällölle saatavilla vektori upotuksia. Mennään eteenpäin ja indeksoidaan tiedot Amazon OpenSearchiin. Valita Lisää vaihe Ja valitse Mukautettu muunnos. Ja valitse Python (PySpark). Voit vapaasti kirjoittaa seuraavan koodin uudelleen käyttämään haluamaasi vektoritietokantaa. Yksinkertaisuuden vuoksi käytämme pääkäyttäjätunnusta ja salasanaa päästäksemme OpenSearch API:iin, tuotantotyökuormituksille valitse vaihtoehto organisaatiosi käytäntöjen mukaan.
Lopuksi luotu tietovirta olisi seuraava:
Tämän tietovirran avulla PDF-tiedoston tiedot on luettu ja indeksoitu vektoriupotuksilla Amazon OpenSearchissa. Nyt meidän on aika luoda tiedosto, jossa on kyselyitä indeksoiduille tiedoille ja tallennettava se Amazon S3 -sijaintiin. Osoitamme hakutietovirtamme tiedostoon ja tulostamme vastaavat tulokset sisältävän tiedoston uudessa tiedostossa Amazon S3 -sijaintiin.
Kehotteen valmistelu
Kun olemme luoneet tietokannan PDF-tiedostostamme, voimme testata sitä etsimällä tietokannasta muutamia esimerkkikyselyitä. Käsittelemme jokaisen kyselyn seuraavasti:
- Luo upotus kyselylle (tuottajana Amazon Bedrock)
- Kyselyvektoritietokanta lähimpään naapurikontekstiin (Amazon OpenSearchin avulla)
- Yhdistä kysely ja konteksti kehotteeseen.
- Kysely LLM:stä kehotteen avulla (voimana Amazon Bedrock)
- Valitse SageMaker Canvas -kotisivulta Tietojen valmistelu.
- Valita luoda sivun oikealla puolella, anna tietovirran nimi ja valitse luoda.
Ladataan nyt käyttäjän kysymykset ja luodaan sitten kehote yhdistämällä kysymys ja vastaavat asiakirjat. Tämä kehote annetaan LLM:lle vastauksen luomiseksi käyttäjän kysymykseen.
- Ladataan csv-tiedosto, jossa on käyttäjän kysymyksiä. Valita Tuo tiedot ja valitse Taulukko pudotusvalikosta.
- Tietolähde, ja valitse Amazon S3 avattavasta luettelosta. Vaihtoehtoisesti voit ladata tiedoston, joka sisältää käyttäjän kyselyitä.
- Lisätään mukautettu muunnos tietojen muuntamiseksi vektori upotuksiksi, minkä jälkeen haetaan liittyviä upotuksia Amazon OpenSearchista, ennen kuin lähetät Amazon Bedrockille kehotteen tietokannan kyselyn ja kontekstin kanssa. Voit luoda upotuksia kyselylle käyttämällä samaa esimerkkikoodinpätkää Luo tekstin upottaminen Bedrockin avulla edellä vaiheessa #7.
Käytetään Amazon OpenSearch API:ta hakeaksemme aiheellisia asiakirjoja luotuja vektori upotuksia varten. Lisää mukautettu muunnos Pythonilla (PySpark).
Lisätään mukautettu muunnos kutsumaan Amazon Bedrock API:ta kyselyvastausta varten ja välittämään asiakirjat Amazon OpenSearch -tietokannasta. Selaa ja valitse esimerkkikoodinpätkät Kysele Bedrockia kontekstin avulla. Tee tarvittavat muutokset koodinpätkään ja valitse Lisää.
Yhteenvetona voidaan todeta, että RAG-pohjainen kysymysvastaustietovirta on seuraava:
ML-harjoittajat viettävät paljon aikaa ominaisuussuunnittelukoodin luomiseen, sen soveltamiseen alkuperäisiin tietokokonaisuuksiinsa, mallien harjoittamiseen suunniteltujen tietojoukkojen parissa ja mallin tarkkuuden arvioimiseen. Kun otetaan huomioon tämän työn kokeellinen luonne, pieninkin projekti johtaa useisiin iteraatioihin. Sama ominaisuussuunnittelukoodi suoritetaan usein uudestaan ja uudestaan, mikä tuhlaa aikaa ja laskentaresursseja samojen toimintojen toistamiseen. Suurissa organisaatioissa tämä voi aiheuttaa vieläkin suuremman tuottavuuden menetyksen, koska eri tiimit suorittavat usein samoja töitä tai jopa kirjoittavat päällekkäisiä ominaisuuksia, koska heillä ei ole tietoa aiemmasta työstä. Ominaisuuksien uudelleenkäsittelyn välttämiseksi viemme tietovirtamme Amazonille SageMaker-putki. Valitse + -painiketta kyselyn oikealla puolella. Valitse vientitietokulku ja valitse Suorita SageMaker Pipeline (Jupyter-muistikirjan kautta).
Puhdistaa
Vältä tulevia maksuja poistamalla tai sulkemalla resurssit, jotka loit seuraamalla tätä viestiä. Viitata Kirjaudu ulos Amazon SageMaker Canvasista lisätietoja.
Yhteenveto
Tässä viestissä näytimme sinulle, kuinka Amazon SageMaker Canvasin päästä päähän -ominaisuudet omaksumalla tietoammattilaisen roolin, joka valmistelee tietoja LLM:lle. Interaktiivinen tietojen valmistelu mahdollisti tietojen nopean puhdistamisen, muuntamisen ja analysoinnin informatiivisten ominaisuuksien suunnittelua varten. Poistamalla koodauksen monimutkaisuudet SageMaker Canvas mahdollisti nopean iteroinnin korkealaatuisen harjoitustietojoukon luomiseksi. Tämä nopeutettu työnkulku johti suoraan tehokkaan koneoppimismallin rakentamiseen, koulutukseen ja käyttöönottoon liiketoimintavaikutusten saavuttamiseksi. Kattavalla tietojen valmistelulla ja yhtenäisellä kokemuksellaan tiedoista oivalluksiin, SageMaker Canvas antaa käyttäjille mahdollisuuden parantaa ML-tuloksiaan.
Kannustamme sinua oppimaan lisää tutkimalla Amazon SageMaker Data Wrangler, Amazon SageMaker Canvas, Amazon Titan malleja, Amazonin kallioperäja Amazon OpenSearch-palvelu rakentaa ratkaisu käyttämällä tässä viestissä olevaa esimerkkitoteutusta ja yrityksesi kannalta olennaista tietojoukkoa. Jos sinulla on kysyttävää tai ehdotuksia, jätä kommentti.
Tietoja Tekijät
Ajjay Govindaram on AWS:n vanhempi ratkaisuarkkitehti. Hän työskentelee strategisten asiakkaiden kanssa, jotka käyttävät tekoälyä/ML:ää monimutkaisten liiketoimintaongelmien ratkaisemiseen. Hänen kokemuksensa on teknisen ohjauksen ja suunnitteluavun tarjoaminen vaatimattomissa ja suurissa AI/ML-sovellusten käyttöönotoissa. Hänen tietämyksensä ulottuu sovellusarkkitehtuurista big dataan, analytiikkaan ja koneoppimiseen. Hän nauttii musiikin kuuntelusta lepääessään, ulkoiluun ja rakkaittensa kanssa viettämiseen.
Nikita Ivkin on vanhempi soveltuva tutkija Amazon SageMaker Data Wranglerissa, ja hän on kiinnostunut koneoppimisesta ja tietojen puhdistusalgoritmeista.
- 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/simplify-data-prep-for-gen-ai-with-amazon-sagemaker-data-wrangler/
- :on
- :On
- :ei
- 100
- 14
- 20
- 25
- 28
- 50
- 7
- 8
- 804
- a
- pystyy
- Meistä
- edellä
- kiihdyttää
- kiihtyi
- pääsy
- Mukaan
- Tilit
- tarkkuus
- lisätä
- lisä-
- Hyväksyminen
- ennakot
- Etu
- etuja
- Jälkeen
- uudelleen
- aggregaatti
- eteenpäin
- AI
- AI / ML
- algoritmit
- Kohdistaa
- Kaikki
- sallittu
- Myös
- Amazon
- Amazon Sage Maker
- Amazon SageMaker Data Wrangler
- Amazon Web Services
- määrät
- an
- analyysit
- Analytics
- analysointi
- ja
- vastaus
- Kaikki
- api
- Hakemus
- sovellettu
- Hakeminen
- arkkitehtuuri
- OVAT
- keinotekoinen
- tekoäly
- AS
- Apu
- At
- liittää
- audio-
- täydennetty
- saatavissa
- välttää
- AWS
- pohja
- perustua
- BE
- koska
- tulee
- ollut
- ennen
- ovat
- Paremmin
- puolueellinen
- Iso
- Big Data
- rakentaa
- Rakentaminen
- sisäänrakennettu
- liiketoiminta
- yritykset
- nappia
- by
- soittaa
- CAN
- kangas
- kyvyt
- tapaus
- Aiheuttaa
- Muutokset
- maksut
- Valita
- puhdas
- Siivous
- koodi
- Koodaus
- yhdistely
- kommentti
- Yritykset
- verrattuna
- kilpailukykyinen
- täydellinen
- monimutkainen
- monimutkaisuus
- ymmärtää
- kattava
- Laskea
- Harkita
- Console
- sisältää
- sisältää
- pitoisuus
- sisältö
- tausta
- yhteyksissä
- jatkuu
- ohjaus
- muuntaa
- vastaava
- voisi
- kattaa
- luoda
- luotu
- kriittinen
- asiakassuhde
- asiakas
- Asiakaspalvelu
- Asiakkaat
- tiedot
- Tietojen valmistelu
- tietokanta
- aineistot
- Deloitte
- osoittivat
- levityspinnalta
- käyttöönotot
- Malli
- yksityiskohdat
- kehittämällä
- eri
- vaikea
- Ulottuvuus
- suunta
- suoraan
- löytää
- do
- asiakirja
- dokumentointi
- asiakirjat
- verkkotunnuksen
- verkkotunnuksia
- alas
- aikana
- e
- kukin
- helposti
- tehokkaasti
- tehokas
- tehokkaasti
- sähköpostit
- upottamisen
- valtuutetaan
- käytössä
- mahdollistaa
- kannustaa
- päittäin
- insinööri
- suunniteltu
- Tekniikka
- arviointiin
- Jopa
- esimerkki
- olemassa
- experience
- kokevat
- kokeellinen
- tutkia
- Tutkiminen
- vienti
- uute
- Ominaisuus
- Ominaisuudet
- harvat
- Fields
- filee
- suodattaa
- lopullinen
- Löytää
- virtaus
- seurannut
- jälkeen
- seuraa
- varten
- Forbes
- perusta
- Perustukset
- Ilmainen
- alkaen
- koko
- tehtävät
- edelleen
- tulevaisuutta
- Saada
- tuottaa
- syntyy
- tuottaa
- sukupolvi
- generatiivinen
- Generatiivinen AI
- saada
- Antaa
- tietty
- Global
- Go
- tavoite
- hyvä
- suurempi
- Olla
- he
- otsikot
- korkealaatuisia
- hänen
- pitää
- Etusivu
- Miten
- Miten
- Kuitenkin
- HTML
- HTTPS
- i
- identtinen
- if
- kuvien
- Vaikutus
- täytäntöönpano
- tuoda
- tärkeä
- vaikuttava
- parantaa
- in
- sisältää
- indeksi
- indeksoitu
- tiedot
- informatiivinen
- ensimmäinen
- oivalluksia
- ohjeet
- integraatio
- Älykkyys
- vuorovaikutteinen
- etu
- liitäntä
- Internet
- tulee
- aiheuttaa
- IT
- iteraatio
- toistojen
- SEN
- Työpaikat
- jpg
- json
- tuntemus
- Maa
- Kieli
- suuri
- laaja
- käynnistää
- Liidit
- OPPIA
- oppiminen
- jättää
- Led
- vipuvaikutuksen
- piilee
- pitää
- Lista
- Kuunteleminen
- OTK
- kuormitus
- sijainti
- sijainnit
- pois
- Erä
- rakastettu
- Matala
- kone
- koneoppiminen
- tärkein
- tehdä
- TEE
- naamio
- massiivinen
- mestari
- Saattaa..
- mekanismit
- Media
- valikko
- Meta
- Metadata
- ML
- malli
- mallit
- vaatimaton
- lisää
- eniten
- moninkertainen
- Musiikki
- nimi
- Luonnollinen
- Luonnollinen kielen käsittely
- luonto
- suunnistus
- välttämätön
- Tarve
- Uusi
- seuraava
- Nro
- muistikirja
- nyt
- of
- usein
- on
- kerran
- yhdet
- vain
- Operations
- Vaihtoehto
- or
- organisaatio
- organisaatioiden
- Muut
- meidän
- ulos
- tuloksiin
- ulkona
- ulostulo
- yli
- sivulla
- pandas
- lasi
- Ohimenevä
- Salasana
- suorituskyky
- henkilöstö
- poimia
- kappale
- kappaletta
- putki
- Platon
- Platonin tietotieto
- PlatonData
- Ole hyvä
- plus
- Kohta
- politiikkaa
- Kirje
- mahdollinen
- powered
- Suositut
- valmistelu
- Valmistella
- valmistelee
- Aikaisempi
- todennäköisesti
- Ongelma
- ongelmia
- jatkaa
- prosessi
- käsittely
- tuotanto
- tuottavuus
- ammatillinen
- projekti
- ominaisuudet
- mikäli
- tarjoaa
- tarjoamalla
- Python
- kyselyt
- kysymys
- kysymykset
- nopeasti
- vaihtelee
- nopea
- arviot
- tavoittaa
- Lue
- todellinen maailma
- sai
- katso
- liittyvä
- merkityksellinen
- poistamalla
- raportoitu
- pyynnöt
- edellyttää
- Vaatii
- Esittelymateriaalit
- vastaus
- vasteet
- lepää
- tulokset
- palata
- Arvostelut
- oikein
- Rooli
- ajaa
- sagemaker
- sama
- Säästä
- Tiedemies
- Haku
- haku
- Osa
- nähneet
- valita
- lähettäminen
- vanhempi
- sensible
- palvelu
- Palvelut
- settings
- shouldnt
- näyttää
- osoittivat
- kiinni
- sulkea
- puoli
- merkki
- merkittävä
- samankaltainen
- yksinkertaisuus
- yksinkertaistaa
- Koko
- pätkä
- So
- sosiaalinen
- sosiaalinen media
- ratkaisu
- Ratkaisumme
- SOLVE
- jonkin verran
- lähde
- Lähteet
- erityinen
- erityisesti
- viettää
- menot
- Vaihe
- vaiheissa
- Vaihe
- Askeleet
- Yhä
- Strateginen
- jäsennelty
- YHTEENVETO
- Tukee
- Tutkimus
- ottaa
- tiimit
- Tekninen
- tekniikat
- testi
- teksti
- että
- -
- Tulevaisuus
- heidän
- Niitä
- sitten
- Siellä.
- Nämä
- ne
- tätä
- Näin
- aika
- Titaani
- että
- tänään
- työkalut
- koulutus
- Muuttaa
- Muutos
- muunnokset
- muuttamassa
- totta
- katkaisu
- tyyppi
- tyypit
- yhdistynyt
- us
- käyttää
- käytetty
- käyttäjä
- Käyttäjät
- käyttämällä
- arvokas
- kautta
- Video
- visuaalinen
- läpikäynti
- we
- verkko
- verkkopalvelut
- HYVIN
- joka
- vaikka
- KUKA
- tulee
- with
- Referenssit
- työnkulku
- toimii
- olisi
- kirjoittaa
- Voit
- Sinun
- zephyrnet