Gestionnaire de données Amazon SageMaker est une interface visuelle unique qui réduit le temps nécessaire pour préparer les données et effectuer l'ingénierie des fonctionnalités de quelques semaines à quelques minutes avec la possibilité de sélectionner et de nettoyer les données, de créer des fonctionnalités et d'automatiser la préparation des données dans les workflows d'apprentissage automatique (ML) sans écrire de code.
SageMaker Data Wrangler prend en charge Flocon, une source de données populaire pour les utilisateurs qui souhaitent effectuer du ML. Nous lançons la connexion directe Snowflake depuis le SageMaker Data Wrangler afin d'améliorer l'expérience client. Avant le lancement de cette fonctionnalité, les administrateurs devaient configurer l'intégration de stockage initiale pour se connecter à Snowflake afin de créer des fonctionnalités pour ML dans Data Wrangler. Cela inclut l'approvisionnement Service de stockage simple Amazon (Amazon S3) compartiments, Gestion des identités et des accès AWS (IAM) des autorisations d'accès, l'intégration du stockage Snowflake pour les utilisateurs individuels et un mécanisme continu pour gérer ou nettoyer les copies de données dans Amazon S3. Ce processus n'est pas évolutif pour les clients avec un contrôle d'accès aux données strict et un grand nombre d'utilisateurs.
Dans cet article, nous montrons comment la connexion directe de Snowflake dans SageMaker Data Wrangler simplifie l'expérience de l'administrateur et le parcours ML du scientifique des données, des données aux informations commerciales.
Vue d'ensemble de la solution
Dans cette solution, nous utilisons SageMaker Data Wrangler pour accélérer la préparation des données pour le ML et Pilote automatique Amazon SageMaker pour créer, former et affiner automatiquement les modèles ML en fonction de vos données. Les deux services sont conçus spécifiquement pour augmenter la productivité et raccourcir le délai de rentabilisation pour les praticiens du ML. Nous démontrons également l'accès simplifié aux données de SageMaker Data Wrangler à Snowflake avec une connexion directe pour interroger et créer des fonctionnalités pour ML.
Reportez-vous au diagramme ci-dessous pour un aperçu du processus ML low-code avec Snowflake, SageMaker Data Wrangler et SageMaker Autopilot.
Le workflow comprend les étapes suivantes:
- Accédez à SageMaker Data Wrangler pour vos tâches de préparation des données et d'ingénierie des fonctionnalités.
- Configurez la connexion Snowflake avec SageMaker Data Wrangler.
- Explorez vos tables Snowflake dans SageMaker Data Wrangler, créez un ensemble de données ML et effectuez l'ingénierie des fonctionnalités.
- Entraînez et testez les modèles à l'aide de SageMaker Data Wrangler et de SageMaker Autopilot.
- Chargez le meilleur modèle sur un point de terminaison d'inférence en temps réel pour les prédictions.
- Utilisez un bloc-notes Python pour appeler le point de terminaison d'inférence en temps réel lancé.
Pré-requis
Pour ce poste, l'administrateur a besoin des prérequis suivants :
Les scientifiques des données doivent avoir les prérequis suivants
Enfin, vous devez préparer vos données pour Snowflake
- Nous utilisons les données de transaction par carte de crédit de Kaggle pour créer des modèles ML pour détecter les transactions frauduleuses par carte de crédit, afin que les clients ne soient pas facturés pour les articles qu'ils n'ont pas achetés. L'ensemble de données comprend les transactions par carte de crédit effectuées en septembre 2013 par des titulaires de carte européens.
- Vous devez utiliser le Client SnowSQL et installez-le sur votre machine locale, afin que vous puissiez l'utiliser pour télécharger l'ensemble de données dans une table Snowflake.
Les étapes suivantes montrent comment préparer et charger l'ensemble de données dans la base de données Snowflake. Il s'agit d'une configuration unique.
Table de flocons de neige et préparation des données
Effectuez les étapes suivantes pour cette configuration unique :
- Tout d'abord, en tant qu'administrateur, créez un entrepôt virtuel, un utilisateur et un rôle Snowflake, et accordez l'accès à d'autres utilisateurs tels que les scientifiques des données pour créer une base de données et organiser les données pour leurs cas d'utilisation ML :
- En tant que data scientist, créons maintenant une base de données et importons les transactions par carte de crédit dans la base de données Snowflake pour accéder aux données de SageMaker Data Wrangler. À des fins d'illustration, nous créons une base de données Snowflake nommée
SF_FIN_TRANSACTION
: - Téléchargez le fichier CSV de l'ensemble de données sur votre ordinateur local et créez une étape pour charger les données dans la table de base de données. Mettez à jour le chemin du fichier pour qu'il pointe vers l'emplacement de l'ensemble de données téléchargé avant d'exécuter la commande PUT pour importer les données dans l'étape créée :
- Créez une table nommée
credit_card_transactions
: - Importez les données dans la table créée à partir de la scène :
Configurer la connexion SageMaker Data Wrangler et Snowflake
Après avoir préparé le jeu de données à utiliser avec SageMaker Data Wrangler, créons une nouvelle connexion Snowflake dans SageMaker Data Wrangler pour se connecter au sf_fin_transaction
base de données dans Snowflake et interrogez la credit_card_transaction
table:
- Selectionnez Flocon sur le SageMaker Data Wrangler La connexion .
- Donnez un nom pour identifier votre connexion.
- Sélectionnez votre méthode d'authentification pour vous connecter à la base de données Snowflake :
- Si vous utilisez l'authentification de base, fournissez le nom d'utilisateur et le mot de passe partagés par votre administrateur Snowflake. Pour cet article, nous utilisons l'authentification de base pour nous connecter à Snowflake à l'aide des informations d'identification de l'utilisateur que nous avons créées à l'étape précédente.
- Si vous utilisez OAuth, fournissez les informations d'identification de votre fournisseur d'identité.
Par défaut, SageMaker Data Wrangler interroge vos données directement à partir de Snowflake sans créer de copies de données dans les compartiments S3. La nouvelle amélioration de la convivialité de SageMaker Data Wrangler utilise Apache Spark pour s'intégrer à Snowflake afin de préparer et de créer de manière transparente un ensemble de données pour votre parcours ML.
Jusqu'à présent, nous avons créé la base de données sur Snowflake, importé le fichier CSV dans la table Snowflake, créé des informations d'identification Snowflake et créé un connecteur sur SageMaker Data Wrangler pour se connecter à Snowflake. Pour valider la connexion Snowflake configurée, exécutez la requête suivante sur la table Snowflake créée :
Notez que l'option d'intégration du stockage qui était requise auparavant est désormais facultative dans les paramètres avancés.
Explorer les données Snowflake
Après avoir validé les résultats de la requête, choisissez L’ pour enregistrer les résultats de la requête en tant que jeu de données. Nous utilisons cet ensemble de données extraites pour l'analyse exploratoire des données et l'ingénierie des fonctionnalités.
Vous pouvez choisir d'échantillonner les données de Snowflake dans l'interface utilisateur de SageMaker Data Wrangler. Une autre option consiste à télécharger des données complètes pour vos cas d'utilisation de formation de modèle ML à l'aide des tâches de traitement SageMaker Data Wrangler.
Effectuer une analyse exploratoire des données dans SageMaker Data Wrangler
Les données dans Data Wrangler doivent être conçues avant de pouvoir être formées. Dans cette section, nous montrons comment effectuer l'ingénierie des fonctionnalités sur les données de Snowflake à l'aide des fonctionnalités intégrées de SageMaker Data Wrangler.
D'abord, utilisons le Data Quality and Insights Report
fonctionnalité dans SageMaker Data Wrangler pour générer des rapports afin de vérifier automatiquement la qualité des données et de détecter les anomalies dans les données de Snowflake.
Vous pouvez utiliser le rapport pour vous aider à nettoyer et à traiter vos données. Il vous donne des informations telles que le nombre de valeurs manquantes et le nombre de valeurs aberrantes. Si vous rencontrez des problèmes avec vos données, tels qu'une fuite ou un déséquilibre cible, le rapport d'informations peut attirer votre attention sur ces problèmes. Pour comprendre les détails du rapport, reportez-vous à Accélérez la préparation des données grâce à la qualité des données et aux informations dans Amazon SageMaker Data Wrangler.
Après avoir vérifié la correspondance des types de données appliquée par SageMaker Data Wrangler, procédez comme suit :
- Choisissez le signe plus à côté de Types de données et choisissez Ajouter une analyse.
- Pour Type d'analyse, choisissez Rapport sur la qualité des données et les informations.
- Selectionnez Création.
- Reportez-vous aux détails du rapport sur la qualité des données et les informations pour consulter les avertissements de haute priorité.
Vous pouvez choisir de résoudre les avertissements signalés avant de poursuivre votre parcours ML.
La colonne cible Class
à prédire est classé comme une chaîne. Tout d'abord, appliquons une transformation pour supprimer les caractères vides obsolètes.
- Selectionnez Ajouter une étape et choisissez Chaîne de formatage.
- Dans la liste des transformations, choisissez Bande à gauche et à droite.
- Entrez les caractères à supprimer et choisissez Ajouter.
Ensuite, nous convertissons la colonne cible Class
du type de données chaîne à booléen, car la transaction est soit légitime, soit frauduleuse.
- Selectionnez Ajouter une étape.
- Selectionnez Analyser la colonne en tant que type.
- Pour Colonne, choisissez
Class
. - Pour Du, choisissez Chaîne.
- Pour À, choisissez Boolean.
- Selectionnez Ajouter.
Après la transformation de la colonne cible, nous réduisons le nombre de colonnes d'entités, car il y a plus de 30 entités dans le jeu de données d'origine. Nous utilisons l'analyse en composantes principales (ACP) pour réduire les dimensions en fonction de l'importance des caractéristiques. Pour en savoir plus sur l'ACP et la réduction de la dimensionnalité, reportez-vous à Algorithme d'analyse en composantes principales (ACP).
- Selectionnez Ajouter une étape.
- Selectionnez Réduction de la dimensionnalité.
- Pour Transformer, choisissez Analyse des composants principaux.
- Pour Colonnes d'entrée, choisissez toutes les colonnes sauf la colonne cible
Class
. - Choisissez le signe plus à côté de Flux de données et choisissez Ajouter une analyse.
- Pour Type d'analyse, choisissez Modèle rapide.
- Pour Nom de l'analyse, entrez un nom.
- Pour Libellé, choisissez
Class
. - Selectionnez Courir.
En fonction des résultats de l'ACP, vous pouvez décider des fonctionnalités à utiliser pour créer le modèle. Dans la capture d'écran suivante, le graphique montre les caractéristiques (ou dimensions) classées en fonction de l'importance la plus élevée à la plus faible pour prédire la classe cible, qui dans cet ensemble de données indique si la transaction est frauduleuse ou valide.
Vous pouvez choisir de réduire le nombre de fonctionnalités en fonction de cette analyse, mais pour cet article, nous laissons les valeurs par défaut telles quelles.
Ceci conclut notre processus d'ingénierie des fonctionnalités, bien que vous puissiez choisir d'exécuter le modèle rapide et de créer à nouveau un rapport sur la qualité des données et les informations pour comprendre les données avant d'effectuer d'autres optimisations.
Exporter des données et former le modèle
Dans l'étape suivante, nous utilisons SageMaker Autopilot pour créer, former et ajuster automatiquement les meilleurs modèles ML en fonction de vos données. Avec SageMaker Autopilot, vous conservez toujours le contrôle total et la visibilité de vos données et de votre modèle.
Maintenant que nous avons terminé l'exploration et l'ingénierie des fonctionnalités, formons un modèle sur le jeu de données et exportons les données pour former le modèle ML à l'aide de SageMaker Autopilot.
- Sur le Formation onglet, choisissez Exporter et former.
Nous pouvons surveiller la progression de l'exportation pendant que nous attendons qu'elle soit terminée.
Configurons SageMaker Autopilot pour exécuter une tâche de formation automatisée en spécifiant la cible que nous voulons prédire et le type de problème. Dans ce cas, comme nous entraînons l'ensemble de données pour prédire si la transaction est frauduleuse ou valide, nous utilisons une classification binaire.
- Entrez un nom pour votre expérience, fournissez les données de localisation S3, puis choisissez Suivant : Cible et fonctionnalités.
- Pour Target, choisissez
Class
comme colonne à prédire. - Selectionnez Suivant : Méthode d'entraînement.
Laissons SageMaker Autopilot décider de la méthode de formation en fonction de l'ensemble de données.
- Pour Méthode de formation et algorithmes, sélectionnez Automatique.
Pour en savoir plus sur les modes de formation pris en charge par SageMaker Autopilot, reportez-vous à Modes d'entraînement et algorithme soutien.
- Selectionnez Suivant : Déploiement et paramètres avancés.
- Pour Possibilité de déploiement, choisissez Déployez automatiquement le meilleur modèle avec les transformations de Data Wrangler, qui charge le meilleur modèle pour l'inférence une fois l'expérimentation terminée.
- Entrez un nom pour votre point de terminaison.
- Pour Sélectionnez le type de problème d'apprentissage automatique, choisissez Classement binaire.
- Pour Métrique d'objection, choisissez F1.
- Selectionnez Suivant : Réviser et créer.
- Selectionnez Créer une expérience.
Cela démarre une tâche SageMaker Autopilot qui crée un ensemble de tâches de formation qui utilise des combinaisons d'hyperparamètres pour optimiser la métrique objective.
Attendez que SageMaker Autopilot finisse de créer les modèles et d'évaluer le meilleur modèle ML.
Lancer un point de terminaison d'inférence en temps réel pour tester le meilleur modèle
SageMaker Autopilot effectue des expériences pour déterminer le meilleur modèle capable de classer les transactions par carte de crédit comme légitimes ou frauduleuses.
Lorsque SageMaker Autopilot termine l'expérience, nous pouvons afficher les résultats de la formation avec les mesures d'évaluation et explorer le meilleur modèle à partir de la page de description du poste SageMaker Autopilot.
- Sélectionnez le meilleur modèle et choisissez Déployer le modèle.
Nous utilisons un point de terminaison d'inférence en temps réel pour tester le meilleur modèle créé via SageMaker Autopilot.
- Sélectionnez Faire des prédictions en temps réel.
Lorsque le point de terminaison est disponible, nous pouvons transmettre la charge utile et obtenir des résultats d'inférence.
Lançons un notebook Python pour utiliser le point de terminaison d'inférence.
- Sur la console SageMaker Studio, choisissez l'icône de dossier dans le volet de navigation et choisissez Créer un cahier.
- Utilisez le code Python suivant pour appeler le point de terminaison d'inférence en temps réel déployé :
La sortie affiche le résultat sous la forme false
, ce qui implique que les exemples de données de caractéristiques ne sont pas frauduleux.
Nettoyer
Pour vous assurer de ne pas encourir de frais après avoir terminé ce didacticiel, fermer l'application SageMaker Data Wrangler ainsi que arrêter l'instance de bloc-notes utilisé pour effectuer des inférences. Tu devrais aussi supprimer le point de terminaison d'inférence que vous avez créé à l'aide de SageMaker Autopilot pour éviter des frais supplémentaires.
Conclusion
Dans cet article, nous avons montré comment importer directement vos données de Snowflake sans créer de copies intermédiaires au cours du processus. Vous pouvez échantillonner ou charger votre jeu de données complet dans SageMaker Data Wrangler directement depuis Snowflake. Vous pouvez ensuite explorer les données, nettoyer les données et effectuer une ingénierie de présentation à l'aide de l'interface visuelle de SageMaker Data Wrangler.
Nous avons également souligné comment vous pouvez facilement former et régler un modèle avec SageMaker Autopilot directement à partir de l'interface utilisateur SageMaker Data Wrangler. Avec l'intégration de SageMaker Data Wrangler et SageMaker Autopilot, nous pouvons rapidement créer un modèle après avoir terminé l'ingénierie des fonctionnalités, sans écrire de code. Ensuite, nous avons référencé le meilleur modèle de SageMaker Autopilot pour exécuter des inférences à l'aide d'un point de terminaison en temps réel.
Essayez dès aujourd'hui la nouvelle intégration directe de Snowflake avec SageMaker Data Wrangler pour créer facilement des modèles ML avec vos données à l'aide de SageMaker.
À propos des auteurs
Hariharan Suresh est architecte de solutions senior chez AWS. Il est passionné par les bases de données, l'apprentissage automatique et la conception de solutions innovantes. Avant de rejoindre AWS, Hariharan était architecte de produits, spécialiste de l'implémentation bancaire de base et développeur, et a travaillé avec des organisations BFSI pendant plus de 11 ans. En dehors de la technologie, il aime le parapente et le vélo.
Aparajithan Vaidyanathan est architecte principal de solutions d'entreprise chez AWS. Il aide les entreprises clientes à migrer et à moderniser leurs charges de travail sur le cloud AWS. Il est un architecte cloud avec plus de 23 ans d'expérience dans la conception et le développement de systèmes logiciels d'entreprise, à grande échelle et distribués. Il est spécialisé dans l'apprentissage automatique et l'analyse de données, en mettant l'accent sur le domaine de l'ingénierie des données et des fonctionnalités. Il est un coureur de marathon en herbe et ses passe-temps incluent la randonnée, le vélo et passer du temps avec sa femme et ses deux garçons.
Tim Chanson est ingénieur en développement logiciel chez AWS SageMaker, avec plus de 10 ans d'expérience en tant que développeur de logiciels, consultant et leader technologique, il a démontré sa capacité à fournir des produits évolutifs et fiables et à résoudre des problèmes complexes. Dans ses temps libres, il aime la nature, la course en plein air, la randonnée, etc.
Bosco Albuquerque est un architecte de solutions partenaire principal chez AWS et possède plus de 20 ans d'expérience dans le travail avec des produits de base de données et d'analyse de fournisseurs de bases de données d'entreprise et de fournisseurs de cloud. Il a aidé de grandes entreprises technologiques à concevoir des solutions d'analyse de données et a dirigé des équipes d'ingénieurs dans la conception et la mise en œuvre de plates-formes d'analyse de données et de produits de données.
- 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.
- Décalages de bloc. Modernisation de la propriété des compensations environnementales. Accéder ici.
- La source: https://aws.amazon.com/blogs/machine-learning/accelerate-time-to-business-insights-with-the-amazon-sagemaker-data-wrangler-direct-connection-to-snowflake/
- :possède
- :est
- :ne pas
- $UP
- 1
- 10
- 100
- 11
- 12
- 14
- 15%
- 20
- 20 ans
- 2013
- 27
- 30
- 40
- 500
- 7
- 9
- a
- capacité
- A Propos
- accélérer
- accès
- Compte
- Supplémentaire
- administrateurs
- Avancée
- Après
- encore
- AI / ML
- Tous
- permettre
- aussi
- Bien que
- Amazon
- Amazon Sage Maker
- Gestionnaire de données Amazon SageMaker
- Amazon Web Services
- montant
- an
- selon une analyse de l’Université de Princeton
- analytique
- ainsi que
- Une autre
- tous
- Apache
- api
- appliqué
- Appliquer
- SONT
- AS
- en herbe
- At
- précaution
- Authentification
- automatiser
- Automatisation
- automatiquement
- disponibles
- AWS
- Services bancaires
- basé
- Essentiel
- BE
- car
- before
- ci-dessous
- LES MEILLEURS
- BFSI
- corps
- tous les deux
- apporter
- construire
- Développement
- intégré
- la performance des entreprises
- mais
- by
- CAN
- capacités
- capturer
- carte
- maisons
- cas
- caractères
- accusé
- des charges
- vérifier
- Selectionnez
- classe
- classification
- classifié
- Classer
- client
- le cloud
- code
- Colonne
- Colonnes
- комбинации
- Sociétés
- complet
- Complété
- finalise
- compléter
- complexe
- composant
- configurée
- NOUS CONTACTER
- connexion
- Console
- consultant
- continuer
- des bactéries
- convertir
- Core
- Services bancaires de base
- engendrent
- créée
- crée des
- La création
- Lettres de créance
- crédit
- carte de crédit
- des clients
- expérience client
- Clients
- données
- accès aux données
- l'analyse des données
- Analyse de Donnée
- Préparation des données
- Data Scientist
- Base de données
- bases de données
- décider
- Réglage par défaut
- par défaut
- livrer
- démontrer
- démontré
- déployer
- déployé
- déploiement
- la description
- Conception
- un
- conception
- détails
- Déterminer
- Développeur
- développement
- Développement
- dimensions
- directement
- distribué
- domaine
- Ne pas
- down
- download
- même
- non plus
- Endpoint
- ingénieur
- ENGINEERING
- Entrer
- Entreprise
- etc
- du
- évaluation
- Sauf
- existe
- d'experience
- expérience
- expériences
- exploration
- L'analyse exploratoire des données
- explorez
- Exporter
- loin
- Fonctionnalité
- Fonctionnalités:
- Doté d'
- Déposez votre dernière attestation
- la traduction de documents financiers
- finition
- Prénom
- flotteur
- Focus
- Abonnement
- Pour
- le format
- frauduleux
- De
- plein
- plus
- générer
- obtenez
- donne
- subvention
- graphique
- Vous avez
- he
- vous aider
- a aidé
- le plus élevé
- Surbrillance
- sa
- Comment
- How To
- HTML
- http
- HTTPS
- ICON
- identifier
- Identite
- if
- déséquilibre
- la mise en oeuvre
- la mise en œuvre
- importer
- importance
- l'importation
- importations
- améliorer
- in
- comprendre
- inclut
- Améliore
- individuel
- d'information
- initiale
- technologie innovante
- idées.
- installer
- intégrer
- l'intégration
- Interfaces
- interne
- développement
- vous aider à faire face aux problèmes qui vous perturbent
- IT
- articles
- Emploi
- Emplois
- joindre
- chemin
- jpg
- json
- gros
- grande échelle
- lancer
- lancé
- leader
- apprentissage
- Laisser
- LED
- à gauche
- légitime
- laisser
- Bibliothèque
- LIMIT
- Liste
- charge
- charges
- locales
- emplacement
- le plus bas
- click
- machine learning
- LES PLANTES
- maintenir
- a prendre une
- gérer
- Marathon
- assorti
- Mai..
- mécanisme
- méthode
- métrique
- Métrique
- émigrer
- Minutes
- manquant
- ML
- modèle
- numériques jumeaux (digital twin models)
- moderniser
- modes
- Surveiller
- PLUS
- prénom
- Nommé
- Nature
- Navigation
- Besoins
- Nouveauté
- next
- cahier
- maintenant
- nombre
- oauth
- objet
- objectif
- of
- on
- en cours
- Optimiser
- Option
- or
- de commander
- organisations
- original
- OS
- Autre
- nos
- ande
- sortie
- au contrôle
- plus de
- vue d'ensemble
- page
- pain
- les partenaires
- pass
- passionné
- Mot de Passe
- chemin
- Effectuer
- effectuer
- autorisations
- Plateformes
- Platon
- Intelligence des données Platon
- PlatonDonnées
- plus
- Point
- Populaire
- Post
- prévoir
- prédit
- Prédictions
- préparation
- Préparer
- conditions préalables
- empêcher
- précédent
- Directeur
- Imprimé
- Avant
- Problème
- d'ouvrabilité
- processus
- traitement
- Produit
- productivité
- Produits
- Progrès
- fournir
- de voiture.
- fournisseurs
- public
- achat
- des fins
- mettre
- Python
- qualité
- requêtes
- Rapide
- vite.
- en temps réel
- réduire
- réduit
- réduction
- fiable
- supprimez
- remplacer
- rapport
- Signalé
- Rapports
- nécessaire
- conditions
- réponse
- résultat
- Résultats
- Avis
- équitation
- Rôle
- Courir
- coureur
- pour le running
- s
- sagemaker
- Épargnez
- évolutive
- Scientifique
- scientifiques
- de façon transparente
- Section
- envoyer
- supérieur
- Septembre
- Services
- set
- Paramétres
- installation
- commun
- devrait
- montrer
- Spectacles
- signer
- étapes
- simplifié
- unique
- So
- Logiciels
- développement de logiciels
- sur mesure
- Solutions
- RÉSOUDRE
- chanson
- Identifier
- Spark
- spécialiste
- spécialise
- spécifiquement
- vitesse
- Dépenses
- Étape
- départs
- étapes
- Étapes
- Encore
- storage
- Boutique
- Strict
- Chaîne
- studio
- soumettre
- réussi
- Avec succès
- tel
- Support
- Appareils
- Les soutiens
- Système
- table
- Target
- tâches
- équipes
- technologie
- Technologie
- entreprises technologiques
- tester
- qui
- La
- Le graphique
- leur
- puis
- Là.
- l'ont
- this
- ceux
- Avec
- fiable
- à
- aujourd'hui
- Train
- qualifié
- Formation
- transaction
- Transactions
- De La Carrosserie
- se transforme
- oui
- tutoriel
- deux
- type
- ui
- comprendre
- Mises à jour
- us
- convivialité
- utilisé
- d'utiliser
- Utilisateur
- Interface utilisateur
- utilisateurs
- Usages
- en utilisant
- v1
- VALIDER
- Plus-value
- Valeurs
- fournisseurs
- vérifier
- Voir
- Salle de conférence virtuelle
- définition
- attendez
- souhaitez
- était
- we
- web
- services Web
- Semaines
- ont été
- que
- qui
- tout en
- WHO
- femme
- comprenant
- dans les
- sans
- activités principales
- travaillé
- workflow
- workflows
- de travail
- écriture
- années
- Vous n'avez
- Votre
- zéphyrnet