MLOps est une discipline clé qui supervise souvent le chemin vers la production de modèles d'apprentissage automatique (ML). Il est naturel de se concentrer sur un seul modèle que vous souhaitez entraîner et déployer. Cependant, en réalité, vous travaillerez probablement avec des dizaines, voire des centaines de modèles, et le processus peut impliquer plusieurs étapes complexes. Par conséquent, il est important d'avoir l'infrastructure en place pour suivre, former, déployer et surveiller des modèles avec des complexités variables à grande échelle. C'est là qu'interviennent les outils MLOps. Les outils MLOps vous aident à créer et à simplifier de manière reproductible et fiable ces processus dans un flux de travail adapté au ML.
Pipelines Amazon SageMaker, une caractéristique de Amazon Sage Maker, est un service d'orchestration de workflow spécialement conçu pour le ML qui vous aide à automatiser les workflows de ML de bout en bout à grande échelle. Il simplifie le développement et la maintenance des modèles ML en fournissant une plate-forme centralisée pour orchestrer des tâches telles que la préparation des données, la formation des modèles, le réglage et la validation. SageMaker Pipelines peut vous aider à rationaliser la gestion des flux de travail, à accélérer l'expérimentation et à recycler les modèles plus facilement.
Dans cet article, nous mettons en lumière une nouvelle fonctionnalité passionnante de SageMaker Pipelines connue sous le nom de Exécution sélective. Cette nouvelle fonctionnalité vous permet d'exécuter de manière sélective des parties spécifiques de votre flux de travail ML, ce qui entraîne des économies de temps et de ressources de calcul importantes en limitant l'exécution aux étapes du pipeline dans la portée et en éliminant la nécessité d'exécuter des étapes hors de portée. En outre, nous explorons divers cas d'utilisation où les avantages de l'exécution sélective deviennent évidents, renforçant davantage sa proposition de valeur.
Vue d'ensemble de la solution
SageMaker Pipelines continue d'innover son expérience de développeur avec la sortie de Exécution sélective. Les constructeurs ML ont désormais la possibilité de choisir des étapes spécifiques à exécuter dans un pipeline, éliminant ainsi le besoin de réexécuter l'intégralité du pipeline. Cette fonctionnalité vous permet de réexécuter des sections spécifiques du pipeline tout en modifiant les paramètres d'exécution associés aux étapes sélectionnées.
Il est important de noter que les étapes sélectionnées peuvent dépendre des résultats d'étapes non sélectionnées. Dans de tels cas, les sorties de ces étapes non sélectionnées sont réutilisées à partir d'une exécution de référence de la version actuelle du pipeline. Cela signifie que la course de référence doit déjà être terminée. L'exécution de référence par défaut est la dernière exécution de la version actuelle du pipeline, mais vous pouvez également choisir d'utiliser une autre exécution de la version actuelle du pipeline comme référence.
L'état global de la course de référence doit être Réussi, Échoué or Arrêté. Ça ne peut pas être Fonctionnement lorsque l'exécution sélective tente d'utiliser ses sorties. Lorsque vous utilisez l'exécution sélective, vous pouvez choisir n'importe quel nombre d'étapes à exécuter, tant qu'elles forment une partie contiguë du pipeline.
Le diagramme suivant illustre le comportement du pipeline avec une exécution complète.
Le diagramme suivant illustre le comportement du pipeline à l'aide de l'exécution sélective.
Dans les sections suivantes, nous montrons comment utiliser l'exécution sélective pour divers scénarios, y compris les flux de travail complexes dans les graphes acycliques directs (DAG) de pipeline.
Pré-requis
Pour commencer à expérimenter l'exécution sélective, nous devons d'abord configurer les composants suivants de votre environnement SageMaker :
- Kit de développement logiciel (SDK) SageMaker Python – Assurez-vous d'avoir une mise à jour Kit de développement logiciel (SDK) SageMaker Python installé dans votre environnement Python. Vous pouvez exécuter la commande suivante à partir de votre ordinateur portable ou de votre terminal pour installer ou mettre à niveau la version SageMaker Python SDK vers 2.162.0 ou plus:
python3 -m pip install sagemaker>=2.162.0
orpip3 install sagemaker>=2.162.0
. - Accès à SageMaker Studio (facultatif) - Amazon SageMakerStudio peut être utile pour visualiser les exécutions de pipeline et interagir visuellement avec les ARN de pipeline préexistants. Si vous n'avez pas accès à SageMaker Studio ou si vous utilisez des blocs-notes à la demande ou d'autres IDE, vous pouvez toujours suivre cet article et interagir avec vos ARN de pipeline à l'aide du SDK Python.
L'exemple de code pour une procédure pas à pas complète de bout en bout est disponible dans le GitHub repo.
installation
Avec la sagemaker>=1.162.0
SDK Python, nous avons introduit le SelectiveExecutionConfig
classe dans le cadre de la sagemaker.workflow.selective_execution_config
module. La fonctionnalité d'exécution sélective repose sur un ARN de pipeline qui a été précédemment marqué comme Réussi, Échoué or Arrêté. L'extrait de code suivant montre comment importer le SelectiveExecutionConfig
class, récupérez l'ARN du pipeline de référence et rassemblez les étapes de pipeline associées et les paramètres d'exécution régissant l'exécution du pipeline :
import boto3
from sagemaker.workflow.pipeline import Pipeline
from sagemaker.workflow.selective_execution_config import SelectiveExecutionConfig sm_client = boto3.client('sagemaker')
# reference the name of your sample pipeline pipeline_name = "AbalonePipeline"
# filter for previous success pipeline execution arns
pipeline_executions = [_exec for _exec in Pipeline(name=pipeline_name).list_executions()['PipelineExecutionSummaries'] if _exec['PipelineExecutionStatus'] == "Succeeded"
]
# get the last successful execution
latest_pipeline_arn = pipeline_executions[0]['PipelineExecutionArn']
print(latest_pipeline_arn)
>>> arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/x62pbar3gs6h # list all steps of your sample pipeline
execution_steps = sm_client.list_pipeline_execution_steps( PipelineExecutionArn=latest_pipeline_arn
)['PipelineExecutionSteps']
print(execution_steps)
>>> [{'StepName': 'Abalone-Preprocess', 'StartTime': datetime.datetime(2023, 6, 27, 4, 41, 30, 519000, tzinfo=tzlocal()), 'EndTime': datetime.datetime(2023, 6, 27, 4, 41, 30, 986000, tzinfo=tzlocal()), 'StepStatus': 'Succeeded', 'AttemptCount': 0, 'Metadata': {'ProcessingJob': {'Arn': 'arn:aws:sagemaker:us-east-1:123123123123:processing-job/pipelines-fvsmu7m7ki3q-Abalone-Preprocess-d68CecvHLU'}}, 'SelectiveExecutionResult': {'SourcePipelineExecutionArn': 'arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/ksm2mjwut6oz'}}, {'StepName': 'Abalone-Train', 'StartTime': datetime.datetime(2023, 6, 27, 4, 41, 31, 320000, tzinfo=tzlocal()), 'EndTime': datetime.datetime(2023, 6, 27, 4, 43, 58, 224000, tzinfo=tzlocal()), 'StepStatus': 'Succeeded', 'AttemptCount': 0, 'Metadata': {'TrainingJob': {'Arn': 'arn:aws:sagemaker:us-east-1:123123123123:training-job/pipelines-x62pbar3gs6h-Abalone-Train-PKhAc1Q6lx'}}}, {'StepName': 'Abalone-Evaluate', 'StartTime': datetime.datetime(2023, 6, 27, 4, 43, 59, 40000, tzinfo=tzlocal()), 'EndTime': datetime.datetime(2023, 6, 27, 4, 57, 43, 76000, tzinfo=tzlocal()), 'StepStatus': 'Succeeded', 'AttemptCount': 0, 'Metadata': {'ProcessingJob': {'Arn': 'arn:aws:sagemaker:us-east-1:123123123123:processing-job/pipelines-x62pbar3gs6h-Abalone-Evaluate-vmkZDKDwhk'}}}, {'StepName': 'Abalone-MSECheck', 'StartTime': datetime.datetime(2023, 6, 27, 4, 57, 43, 821000, tzinfo=tzlocal()), 'EndTime': datetime.datetime(2023, 6, 27, 4, 57, 44, 124000, tzinfo=tzlocal()), 'StepStatus': 'Succeeded', 'AttemptCount': 0, 'Metadata': {'Condition': {'Outcome': 'True'}}}] # list all configureable pipeline parameters # params can be altered during selective execution
parameters = sm_client.list_pipeline_parameters_for_execution( PipelineExecutionArn=latest_pipeline_arn
)['PipelineParameters']
print(parameters)
>>> [{'Name': 'XGBNumRounds', 'Value': '120'}, {'Name': 'XGBSubSample', 'Value': '0.9'}, {'Name': 'XGBGamma', 'Value': '2'}, {'Name': 'TrainingInstanceCount', 'Value': '1'}, {'Name': 'XGBMinChildWeight', 'Value': '4'}, {'Name': 'XGBETA', 'Value': '0.25'}, {'Name': 'ApprovalStatus', 'Value': 'PendingManualApproval'}, {'Name': 'ProcessingInstanceCount', 'Value': '1'}, {'Name': 'ProcessingInstanceType', 'Value': 'ml.t3.medium'}, {'Name': 'MseThreshold', 'Value': '6'}, {'Name': 'ModelPath', 'Value': 's3://sagemaker-us-east-1-123123123123/Abalone/models/'}, {'Name': 'XGBMaxDepth', 'Value': '12'}, {'Name': 'TrainingInstanceType', 'Value': 'ml.c5.xlarge'}, {'Name': 'InputData', 'Value': 's3://sagemaker-us-east-1-123123123123/sample-dataset/abalone/abalone.csv'}]
Les cas d'utilisation
Dans cette section, nous présentons quelques scénarios où l'exécution sélective peut potentiellement économiser du temps et des ressources. Nous utilisons un flux de pipeline typique, qui comprend des étapes telles que l'extraction de données, la formation, l'évaluation, l'enregistrement et le déploiement du modèle, comme référence pour démontrer les avantages de l'exécution sélective.
SageMaker Pipelines vous permet de définir des paramètres d'exécution pour l'exécution de votre pipeline à l'aide des paramètres de pipeline. Lorsqu'une nouvelle exécution est déclenchée, elle exécute généralement l'intégralité du pipeline du début à la fin. Toutefois, si mise en cache des étapes est activé, SageMaker Pipelines tentera de trouver une exécution précédente de l'étape de pipeline actuelle avec les mêmes valeurs d'attribut. Si une correspondance est trouvée, SageMaker Pipelines utilisera les sorties de l'exécution précédente au lieu de recalculer l'étape. Notez que même si la mise en cache des étapes est activée, SageMaker Pipelines exécutera toujours l'intégralité du workflow jusqu'à la fin par défaut.
Avec la sortie de la fonctionnalité d'exécution sélective, vous pouvez désormais réexécuter un workflow de pipeline entier ou exécuter de manière sélective un sous-ensemble d'étapes à l'aide d'un ARN de pipeline antérieur. Cela peut être fait même sans que la mise en cache des étapes soit activée. Les cas d'utilisation suivants illustrent les différentes manières d'utiliser l'exécution sélective.
Cas d'utilisation 1 : Exécuter une seule étape
Les scientifiques des données se concentrent souvent sur la phase de formation d'un pipeline MLOps et ne veulent pas se soucier des étapes de prétraitement ou de déploiement. L'exécution sélective permet aux scientifiques des données de se concentrer uniquement sur l'étape de formation et de modifier les paramètres de formation ou les hyperparamètres à la volée pour améliorer le modèle. Cela peut faire gagner du temps et réduire les coûts, car les ressources de calcul ne sont utilisées que pour exécuter des étapes de pipeline sélectionnées par l'utilisateur. Voir le code suivant :
# select a reference pipeline arn and subset step to execute
selective_execution_config = SelectiveExecutionConfig( source_pipeline_execution_arn="arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/9e3ljoql7s0n", selected_steps=["Abalone-Train"]
) # start execution of pipeline subset
select_execution = pipeline.start( selective_execution_config=selective_execution_config, parameters={ "XGBNumRounds": 120, "XGBSubSample": 0.9, "XGBGamma": 2, "XGBMinChildWeight": 4, "XGBETA": 0.25, "XGBMaxDepth": 12 }
)
Les figures suivantes illustrent le pipeline avec une étape en cours, puis terminée.
Cas d'utilisation 2 : exécuter plusieurs étapes de pipeline contiguës
Poursuivant avec le cas d'utilisation précédent, un scientifique des données souhaite former un nouveau modèle et évaluer ses performances par rapport à un ensemble de données de test en or. Cette évaluation est cruciale pour s'assurer que le modèle répond à des directives rigoureuses pour les tests d'acceptation par les utilisateurs (UAT) ou le déploiement en production. Cependant, le scientifique des données ne souhaite pas exécuter l'intégralité du flux de travail du pipeline ni déployer le modèle. Ils peuvent utiliser l'exécution sélective pour se concentrer uniquement sur les étapes de formation et d'évaluation, économisant ainsi du temps et des ressources tout en obtenant les résultats de validation dont ils ont besoin :
# select a reference pipeline arn and subset step to execute
selective_execution_config = SelectiveExecutionConfig( source_pipeline_execution_arn="arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/9e3ljoql7s0n", selected_steps=["Abalone-Train", "Abalone-Evaluate"]
) # start execution of pipeline subset
select_execution = pipeline.start( selective_execution_config=selective_execution_config, parameters={ "ProcessingInstanceType": "ml.t3.medium", "XGBNumRounds": 120, "XGBSubSample": 0.9, "XGBGamma": 2, "XGBMinChildWeight": 4, "XGBETA": 0.25, "XGBMaxDepth": 12 }
)
Cas d'utilisation 3 : mettre à jour et réexécuter les étapes de pipeline ayant échoué
Vous pouvez utiliser l'exécution sélective pour réexécuter les étapes ayant échoué dans un pipeline ou reprendre l'exécution d'un pipeline à partir d'une étape ayant échoué. Cela peut être utile pour le dépannage et le débogage des étapes ayant échoué, car cela permet aux développeurs de se concentrer sur les problèmes spécifiques qui doivent être résolus. Cela peut conduire à une résolution de problèmes plus efficace et à des temps d'itération plus rapides. L'exemple suivant illustre comment vous pouvez choisir de réexécuter uniquement l'étape ayant échoué d'un pipeline.
# select a previously failed pipeline arn
selective_execution_config = SelectiveExecutionConfig( source_pipeline_execution_arn="arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/fvsmu7m7ki3q", selected_steps=["Abalone-Evaluate"]
) # start execution of failed pipeline subset
select_execution = pipeline.start( selective_execution_config=selective_execution_config
)
Alternativement, un scientifique des données peut reprendre un pipeline à partir d'une étape ayant échoué jusqu'à la fin du workflow en spécifiant l'étape ayant échoué et toutes les étapes qui la suivent dans le SelectiveExecutionConfig
.
Cas d'utilisation 4 : Couverture du pipeline
Dans certains pipelines, certaines branches sont moins fréquemment exploitées que d'autres. Par exemple, il peut y avoir une branche qui ne s'exécute qu'en cas d'échec d'une condition spécifique. Il est important de tester minutieusement ces branches pour s'assurer qu'elles fonctionnent comme prévu en cas de panne. En testant ces branches moins fréquemment exécutées, les développeurs peuvent vérifier que leur pipeline est robuste et que les mécanismes de gestion des erreurs maintiennent efficacement le flux de travail souhaité et produisent des résultats fiables.
selective_execution_config = SelectiveExecutionConfig( source_pipeline_execution_arn="arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/9e3ljoql7s0n", selected_steps=["Abalone-Train", "Abalone-Evaluate", "Abalone-MSECheck", "Abalone-FailNotify"]
)
Conclusion
Dans cet article, nous avons discuté de la fonctionnalité d'exécution sélective de SageMaker Pipelines, qui vous permet d'exécuter de manière sélective des étapes spécifiques de vos flux de travail ML. Cette capacité permet d'importantes économies de temps et de ressources de calcul. Nous avons fourni un exemple de code dans le GitHub repo qui montre comment utiliser l'exécution sélective et présente divers scénarios où cela peut être avantageux pour les utilisateurs. Si vous souhaitez en savoir plus sur l'exécution sélective, consultez notre Guide du développeur et les Guide de référence des API.
Pour explorer plus en détail les étapes disponibles dans le flux de travail SageMaker Pipelines, reportez-vous à Pipeline de création de modèles Amazon SageMaker et les Flux de travail SageMaker. De plus, vous pouvez trouver plus d'exemples présentant différents cas d'utilisation et approches de mise en œuvre à l'aide de SageMaker Pipelines dans le Exemples AWS SageMaker Référentiel GitHub. Ces ressources peuvent encore améliorer votre compréhension et vous aider à tirer pleinement parti du potentiel des pipelines SageMaker et de l'exécution sélective dans vos projets ML actuels et futurs.
À propos des auteurs
Pranav Murthy est architecte de solutions spécialisées en IA/ML chez AWS. Il se concentre sur l'aide aux clients pour créer, former, déployer et migrer des charges de travail d'apprentissage automatique (ML) vers SageMaker. Il a précédemment travaillé dans l'industrie des semi-conducteurs en développant de grands modèles de vision par ordinateur (CV) et de traitement du langage naturel (NLP) pour améliorer les processus des semi-conducteurs. Pendant son temps libre, il aime jouer aux échecs et voyager.
Akhil Numarsu est un gestionnaire de produit principal-technique qui aide les équipes à accélérer les résultats de ML grâce à des outils et des services efficaces dans le cloud. Il aime jouer au tennis de table et est un fan de sport.
Nishant Krishnamoorthy est un ingénieur principal en développement logiciel chez Amazon Stores. Il est titulaire d'une maîtrise en informatique et se concentre actuellement sur l'accélération de l'adoption du ML dans différentes organisations au sein d'Amazon en créant et en opérationnalisant des solutions de ML sur SageMaker.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
- PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
- PlatonESG. Automobile / VE, Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
- PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
- GraphiquePrime. Élevez votre jeu de trading avec ChartPrime. Accéder ici.
- Décalages de bloc. Modernisation de la propriété des compensations environnementales. Accéder ici.
- La source: https://aws.amazon.com/blogs/machine-learning/unlocking-efficiency-harnessing-the-power-of-selective-execution-in-amazon-sagemaker-pipelines/
- :possède
- :est
- :où
- $UP
- 1
- 100
- 12
- 2023
- 25
- 27
- 30
- 31
- 7
- 9
- a
- capacité
- A Propos
- accélérer
- accélérer
- acceptation
- accès
- acyclique
- En outre
- Adoption
- Avantage
- avantageux
- avantages
- à opposer à
- AI / ML
- Tous
- permet
- déjà
- aussi
- modifié
- Amazon
- Amazon Sage Maker
- Pipelines Amazon SageMaker
- Amazon Web Services
- an
- et les
- tous
- approches
- SONT
- AS
- associé
- At
- Tentatives
- automatiser
- disponibles
- AWS
- BE
- car
- devenez
- était
- humain
- Branche
- branches
- construire
- constructeurs
- Développement
- mais
- by
- CAN
- ne peut pas
- aptitude
- maisons
- cas
- centralisée
- certaines
- Échecs
- Selectionnez
- classe
- le cloud
- code
- vient
- complet
- Complété
- complexe
- complexités
- composants électriques
- calcul
- ordinateur
- Informatique
- Vision par ordinateur
- condition
- continue
- Prix
- crucial
- Courant
- Lecture
- Clients
- données
- Préparation des données
- Data Scientist
- datetime
- Réglage par défaut
- Vous permet de définir
- Degré
- démontrer
- démontre
- déployer
- déploiement
- voulu
- détail
- Développeur
- mobiles
- développement
- Développement
- différent
- discuté
- Ne fait pas
- fait
- Ne pas
- des dizaines
- pendant
- même
- de manière efficace
- efficace
- efficace
- l'élimination
- responsabilise
- activé
- permet
- fin
- end-to-end
- ingénieur
- de renforcer
- assurer
- Tout
- Environment
- évaluer
- évaluation
- Pourtant, la
- évident
- exemple
- exemples
- passionnant
- exécuter
- exécution
- attendu
- d'experience
- explorez
- extraction
- Échoué
- échoue
- Échec
- ventilateur
- plus rapide
- Fonctionnalité
- few
- Figures
- une fonction filtre
- Trouvez
- finition
- Prénom
- flux
- Focus
- concentré
- se concentre
- suivre
- Abonnement
- Pour
- formulaire
- trouvé
- gratuitement ici
- fréquemment
- De
- plein
- plus
- En outre
- avenir
- recueillir
- obtenez
- obtention
- GitHub
- Or
- gouvernant
- graphiques
- lignes directrices
- Exploiter
- Vous avez
- he
- vous aider
- utile
- aider
- aide
- augmentation
- sa
- détient
- Comment
- How To
- Cependant
- HTML
- HTTPS
- Des centaines
- if
- illustre
- la mise en oeuvre
- importer
- important
- améliorer
- in
- inclut
- Y compris
- industrie
- Infrastructure
- innovons
- installer
- Installé
- plutôt ;
- interagir
- interagissant
- développement
- introduit
- impliquer
- vous aider à faire face aux problèmes qui vous perturbent
- IT
- itération
- SES
- jpg
- juste
- ACTIVITES
- connu
- langue
- gros
- Nom
- Nouveautés
- conduire
- Conduit
- APPRENTISSAGE
- apprentissage
- moins
- comme
- Probable
- limiter
- Liste
- Location
- click
- machine learning
- maintenir
- facile
- gestion
- marqué
- Match
- Mai..
- veux dire
- mécanismes
- moyenne
- Se rencontre
- Métadonnées
- pourrait
- émigrer
- ML
- MLOps
- modèle
- numériques jumeaux (digital twin models)
- modifier
- Module
- Surveiller
- PLUS
- plus efficace
- plusieurs
- must
- prénom
- Nature
- Traitement du langage naturel
- Besoin
- Nouveauté
- nlp
- cahier
- maintenant
- nombre
- of
- souvent
- on
- À la demande
- ONE
- uniquement
- or
- orchestration
- Autre
- Autres
- nos
- ande
- Résultat
- les résultats
- global
- paramètres
- partie
- chemin
- performant
- pipeline
- Place
- plateforme
- Platon
- Intelligence des données Platon
- PlatonDonnées
- jouer
- partieInvestir dans des appareils économes en énergie et passer à l'éclairage
- Post
- défaillances
- l'éventualité
- power
- préparation
- représentent
- présenté
- précédent
- précédemment
- Avant
- résolution de problèmes
- processus
- les process
- traitement
- produire
- Produit
- Vidéo
- projets
- proposition
- à condition de
- aportando
- Python
- Réalité
- réduire
- Inscription
- libérer
- fiable
- compter
- dépôt
- ressource
- Resources
- résultant
- Résultats
- CV
- rigoureux
- robuste
- Courir
- pour le running
- fonctionne
- sagemaker
- Pipelines SageMaker
- même
- Épargnez
- économie
- Épargnes
- Escaliers intérieurs
- scénarios
- Sciences
- Scientifique
- scientifiques
- portée
- Sdk
- Section
- les sections
- sur le lien
- choisi
- sélectif
- semi-conducteur
- service
- Services
- set
- montrer
- mettre en valeur
- significative
- simplifier
- unique
- Fragment
- Logiciels
- développement de logiciels
- uniquement
- solidifier
- Solutions
- quelques
- spécialiste
- groupe de neurones
- Sports
- Spotlight
- Étape
- Commencer
- Région
- étapes
- Étapes
- Encore
- STORES
- rationaliser
- studio
- succès
- réussi
- tel
- table
- Prenez
- tâches
- équipes
- terminal
- tester
- Essais
- que
- qui
- Le
- leur
- puis
- Là.
- donc
- Ces
- l'ont
- this
- complètement
- Avec
- fiable
- fois
- à
- les outils
- suivre
- Train
- Formation
- Voyages
- déclenché
- oui
- débutante
- typiquement
- compréhension
- déverrouillage
- Mises à jour
- a actualisé
- améliorer
- utilisé
- cas d'utilisation
- Utilisateur
- utilisateurs
- en utilisant
- utilisé
- Utilisant
- validation
- Plus-value
- Valeurs
- divers
- vérifier
- version
- vision
- walkthrough
- souhaitez
- veut
- façons
- we
- web
- services Web
- quand
- qui
- tout en
- sera
- comprenant
- dans les
- sans
- activités principales
- travaillé
- workflow
- workflows
- s'inquiéter
- pourra
- Vous n'avez
- Votre
- zéphyrnet