Amazon SageMaker Feature Store egy erre a célra kialakított szolgáltatás a funkciók adatainak tárolására és lekérésére a gépi tanulási (ML) modellek számára. A Feature Store egy alacsony késleltetésű, nagy áteresztőképességű olvasási és írási képességű online áruház, valamint egy offline áruház, amely tömeges hozzáférést biztosít az összes előzményadathoz. A Feature Store kezeli az adatok szinkronizálását az online és offline üzletek között.
Mivel a modellfejlesztés egy iteratív folyamat, az ügyfelek gyakran lekérdezik az offline áruházat, és különféle adatkészleteket készítenek a modelltanításhoz. Jelenleg többféle módon érheti el az offline áruház funkcióit, beleértve az SQL-lekérdezések futtatását Amazon Athéné vagy Spark SQL használatával az Apache Sparkban. Ezek a minták azonban ad hoc (és néha összetett) SQL utasításokat igényelnek, ami nem mindig megfelelő az adattudós személy számára.
Feature Store nemrégiben kibővítették a SageMaker Python SDK, amely megkönnyíti az adatkészletek offline áruházból történő létrehozását. Ezzel a kiadással az SDK új metóduskészletét használhatja adatkészletek létrehozására SQL-lekérdezések írása nélkül. Ezek az új módszerek támogatják az olyan általános műveleteket, mint az időutazás, a duplikált rekordok szűrése és a több szolgáltatáscsoport összekapcsolása, miközben biztosítják az időpontos pontosságot.
Ebben a bejegyzésben bemutatjuk, hogyan használható a SageMaker Python SDK ML-kompatibilis adatkészletek létrehozására SQL utasítások írása nélkül.
Megoldás áttekintése
Az új funkció bemutatása érdekében két adatkészlettel dolgozunk: leadek és webmarketing mérőszámokkal. Ezek az adatkészletek felhasználhatók egy olyan modell felépítésére, amely előrejelzi, hogy egy potenciális ügyfél értékesítéssé válik-e az adott marketingtevékenységek és az adott potenciális ügyfelek számára rögzített metrikák alapján.
A potenciális ügyfelek adatai információkat tartalmaznak azokról a potenciális ügyfelekről, akiket használnak Lead_ProspectID
. A potenciális ügyfelek jellemzői (pl. LeadSource
) idővel frissíthető, ami új rekordot eredményez az adott lead számára. A Lead_EventTime
az egyes rekordok létrehozásának idejét jelenti. A következő képernyőkép egy példát mutat ezekre az adatokra.
A webmarketing-metrikák adatai nyomon követik a potenciális ügyfelek elköteleződési mutatóit, ahol minden érdeklődő azonosításra kerül a Web_ProspectID
Az Web_EventTime
azt az időt jelenti, amikor a rekord létrejött. A potenciális ügyfelek jellemzőcsoportjától eltérően ebben a jellemzőcsoportban leadenként csak egy rekord található. A következő képernyőkép egy példát mutat ezekre az adatokra.
Végigjárjuk a legfontosabb részeit sagemaker-feature-store-offline-sdk.ipynb
notebook, amely a következő lépéseket mutatja be:
- Hozzon létre egy adatkészletet egy jellemzőcsoportból.
- Csatlakozzon több funkciócsoporthoz.
- Adott időbélyegekkel rendelkező események halmaza alapján hozzon létre egy adott időpontban történő összekapcsolást egy jellemzőcsoport és egy adatkészlet között.
- A funkciók előzményeinek lekérése egy adott időtartamon belül.
- A funkciók lekérése egy adott időbélyeg szerint.
Előfeltételek
A következő előfeltételekre van szüksége:
Feltételezzük, hogy a potenciális ügyfelek adataihoz egy jellemzőcsoportot hoztak létre a meglévők felhasználásával FeatureGroup.create
módszerrel, és a változó segítségével hivatkozhatunk rájuk base_fg
. A szolgáltatáscsoportokkal kapcsolatos további információkért lásd: Funkciócsoportok létrehozása.
Hozzon létre egy adatkészletet egy jellemzőcsoportból
Adatkészlet létrehozásához a SageMaker SDK használatával az újat használjuk FeatureStore
osztály, amely tartalmazza a create_dataset
módszer. Ez a metódus olyan alapfunkciócsoportot fogad el, amely más jellemzőcsoportokkal vagy DataFrame-ekkel csatlakozhat. Kezdjük azzal, hogy megadjuk a potenciális ügyfelek szolgáltatáscsoportját alapként és an Amazon egyszerű tárolási szolgáltatás (Amazon S3) elérési útja az adatkészlet tárolásához:
A create_dataset
metódus a DatasetBuilder
objektum, amely egy vagy több jellemzőcsoportból adathalmaz létrehozására használható (amit a következő részben mutatunk be). Egy egyszerű adatkészlet létrehozásához, amely csak a lead jellemzőket tartalmazza, meghívjuk a to_csv_file
módszer. Ez lekérdezést futtat az Athénában, hogy lekérje a szolgáltatásokat az offline áruházból, és elmenti az eredményeket a megadott S3 elérési útra.
Csatlakozzon több funkciócsoporthoz
A SageMaker SDK segítségével könnyedén csatlakozhat több szolgáltatáscsoporthoz adatkészlet létrehozásához. Egy meglévő Pandas DataFrame egy vagy több jellemzőcsoporthoz való csatlakozási műveleteit is végrehajthatja. A alapjellemző csoport egy fontos fogalom a csatlakozásoknál. Az alap jellemzőcsoport az a jellemzőcsoport, amelyhez más jellemzőcsoportok vagy a Pandas DataFrame csatlakozott.
Az adatkészlet létrehozása során a create_dataset
függvényt használjuk with_feature_group
metódus, amely belső összekapcsolást hajt végre az alap jellemzőcsoport és egy másik jellemzőcsoport között az alap jellemzőcsoport rekordazonosítója és a cél jellemző neve alapján. Példánkban az alapfunkciócsoport a leadek jellemzőcsoportja, a célszolgáltatáscsoport pedig a webmarketing szolgáltatáscsoport. A with_feature_group
metódus a következő érveket fogadja el:
- feature_group – Ez az a csoport, amelyhez csatlakozunk. Kódmintánkban a célcsoportot a webmarketing adatkészlet felhasználásával hozzuk létre.
- target_feature_name_in_base – Annak a jellemzőnek a neve az alapszolgáltatáscsoportban, amelyet kulcsként használunk az összekapcsolásnál. Használjuk
Lead_ProspectID
mint az alapjellemzőcsoport rekordazonosítója. - szerepeltetett_szolgáltatás_nevek – Ez az alapszolgáltatáscsoport jellemzőneveinek listája. Ezzel a mezővel határozzuk meg azokat a szolgáltatásokat, amelyeket bele kívánunk venni az adatkészletbe.
A következő kód példát mutat egy adatkészlet létrehozására az alap jellemzőcsoport és a cél jellemzőcsoport összekapcsolásával:
Az összekapcsolási műveleteket több jellemzőcsoportra is kiterjesztheti a következő hozzáadásával with_feature_group
metódussal az előző kódpélda végén, és meghatározza az új jellemzőcsoport szükséges argumentumait. Csatlakozási műveleteket is végrehajthat egy meglévő DataFrame-mel, ha az alapot a meglévő Pandas DataFrame-nek határozza meg, és csatlakozik az érdeklődő jellemzőcsoportokhoz. A következő kódminta bemutatja, hogyan lehet adatkészletet létrehozni egy meglévő Pandas DataFrame-mel és egy meglévő szolgáltatáscsoporttal:
A különféle konfigurációkra vonatkozó további példákért lásd: Hozzon létre egy adatkészletet a szolgáltatáscsoportjaiból.
Időpontos csatlakozás létrehozása
Ennek a továbbfejlesztésnek az egyik leghatékonyabb képessége, hogy egyszerűen és összetett SQL-kód írása nélkül hajt végre pont-időben történő összekapcsolásokat. Az ML modellek építése során az adatkutatóknak kerülniük kell adatszivárgás vagy célszivárgás, amely véletlenül olyan adatokat használ a modell betanítása során, amelyek az előrejelzés időpontjában nem lennének elérhetők. Ha például a hitelkártya-csalást próbáljuk megjósolni, akkor ki kell zárnunk azokat a tranzakciókat, amelyek az általunk megjósolni kívánt csaló terhelés után érkeznek, különben a betanított modell felhasználhatja ezeket a csalás utáni információkat a modell megváltoztatására, ami általánossá teheti. kevésbé jól.
A pont-időpontos jellemzőadatok lekéréséhez meg kell adnia egy DataFrame entitást, amely rekordazonosítókat (vagy elsődleges kulcsot) és megfelelő eseményidőket biztosít, amelyek az esemény határidejeként szolgálnak. Ezt a visszakeresési mechanizmust néha úgy emlegetik sorszintű időutazás, mert lehetővé teszi, hogy minden sorbillentyűhöz eltérő időkorlátot alkalmazzanak. A SageMaker SDK-val pont-időben történő összekapcsolások végrehajtásához a Dataset Builder osztályt, és adja meg a DataFrame entitást alap argumentumként a konstruktor számára.
A következő kódban létrehozunk egy egyszerű DataFrame entitást két rekorddal. Az idősor adatok közepe felé (2023. január közepe) állítjuk be az eseményidőket, amelyek a záróidő jelzésére szolgálnak:
Amikor használjuk a point_in_time_accurate_join
funkcionalitás a create_dataset
hívás esetén a belső lekérdezés kizár minden olyan rekordot, amely a megadott határidőknél későbbi időbélyeggel rendelkezik, visszaadva a legújabb jellemzőértékeket, amelyek az esemény időpontjában elérhetőek lettek volna:
Figyelje meg, hogy csak két rekord van a DataFrame-ben, amelyet az időpont-csatlakozás visszaadott. Ennek az az oka, hogy csak két rekordazonosítót adtunk meg a DataFrame entitásban, mindegyikhez egyet Lead_ProspectID
vissza akarjuk szerezni. A pont-idő kritérium azt határozza meg, hogy egy rekord eseményideje (a Lead_Eventtime
mező) olyan értéket kell tartalmaznia, amely kisebb, mint a vágási idő.
Ezenkívül utasítjuk a lekérdezést, hogy csak a legfrissebb rekordot kérje le, amely megfelel ennek a feltételnek, mert alkalmaztuk a with_number_of_recent_records_by_record_identifier
módszer. Ha együtt használjuk a point_in_time_accurate_join
metódust, ez lehetővé teszi a hívó számára, hogy megadja, hány rekordot adjon vissza azokból, amelyek megfelelnek a pont-időbeli csatlakozási feltételeknek.
Hasonlítsa össze a pont-időbeli összekapcsolási eredményeket az Athena lekérdezés eredményeivel
A SageMaker SDK által visszaadott kimenet ellenőrzéséhez point_in_time_accurate_join
függvényt, összehasonlítjuk egy Athena lekérdezés eredményével. Először is létrehozunk egy szabványos Athena-lekérdezést egy SELECT utasítással, amely a Feature Store futási környezet által létrehozott adott táblához van kötve. Ez a táblázatnév megtalálható a table_name
mező példányosítása után a athena_query
tól FeatureGroup
API-k:
Az Athena lekérdezés nem tartalmaz időbeli csatlakozási szemantikát, ezért minden olyan rekordot ad vissza, amely megfelel a megadott record_id
(Lead_ProspectID
).
Ezután a Pandas könyvtárat használva rendezzük az Athena eredményeit események időpontja szerint az egyszerű összehasonlítás érdekében. A DataFrame entitásban megadott eseményidőknél későbbi időbélyegzőkkel rendelkező rekordok (például 2023-01-15T00:00:00Z
) benyújtotta a point_in_time_accurate_join
ne jelenjenek meg a pontos eredmények között. Mivel ezen felül megadtuk, hogy csak egyetlen rekordot akarunk az előzőekből create_dataset
kódot, csak a legfrissebb rekordot kapjuk a záróidő előtt. Ha összehasonlítjuk a SageMaker SDK eredményeit az Athena lekérdezés eredményeivel, azt látjuk, hogy a point-in-time join függvény a megfelelő rekordokat adta vissza.
Ezért biztosak vagyunk abban, hogy a SageMaker SDK segítségével sorszintű időutazást hajthatunk végre, és elkerülhetjük a célzott szivárgást. Ezenkívül ez a képesség több funkciócsoporton is működik, amelyek teljesen eltérő idővonalon frissíthetők.
A funkciók előzményeinek lekérése egy adott időtartamon belül
Szeretnénk bemutatni egy időtartomány-ablak megadásának használatát is, amikor a jellemzőcsoportok adatkészletet képezve egyesítik. Az időablakot a segítségével határozzuk meg with_event_time_range
, amely két bemenetet fogad, starting_timestamp
és a ending_timestamp
, és egy adatkészlet-készítő objektumot ad vissza. Kódmintánkban a visszakeresési időablakot 1 teljes napra állítottuk be től 2022-07-01 00:00:00
-ig 2022-07-02 00:00:00
.
A következő kód bemutatja, hogyan hozhat létre adatkészletet a megadott eseményidőablakkal, miközben az alap jellemzőcsoporthoz csatlakozik a cél jellemzőcsoporttal:
Megerősítjük a segítségével létrehozott adatkészlet méretei közötti különbséget is with_event_time_range
a Pandas DataFrame-be való exportálásával to_dataframe()
módszer és az adatok megjelenítése. Figyelje meg, hogy az eredményhalmaz az eredeti 10,020 XNUMX rekordnak csak a töredékét tartalmazza, mert csak azokat a rekordokat kéri le, amelyek event_time
1 napos időszakon belül van.
A funkciók lekérése egy adott időbélyeg szerint
A DatasetBuilder as_of
metódus lekéri az időbélyeg alapú megkötésnek megfelelő szolgáltatásokat egy adatkészletből, amelyet a hívó argumentumként ad meg a függvénynek. Ez a mechanizmus hasznos olyan forgatókönyveknél, mint például a korábban gyűjtött adatokon végzett kísérletek újrafuttatása, az idősor-modellek utólagos tesztelése, vagy adathalmaz felépítése az offline tároló korábbi állapotából adatauditálás céljából. Ezt a funkciót időnként időutazásnak is nevezik, mert lényegében egy korábbi dátumra és időpontra görgeti vissza az adattárat. Ezt az időkorlátot a levágási időbélyeg.
Mintakódunkban először a levágási időbélyeget hozzuk létre a következő olvasásával write_time
érték a Feature Store-ba írt utolsó rekordhoz, amely a következővel írt put_record
. Ezután ezt a levágási időbélyeget biztosítjuk a DatasetBuilder
érvként a as_of
eljárás:
Fontos megjegyezni, hogy a as_of
módszer az időkorlátot a belsőre alkalmazza write_time
mezőt, amelyet a Feature Store automatikusan generál. A write_time
A mező azt a tényleges időbélyeget jelenti, amikor a rekord az adattárba íródik. Ez eltér a többi módszertől, mint pl point-in-time-accurate-join
és a with_event_time_range
amelyek az ügyfél által biztosított szolgáltatást használják event_time
mezőt összehasonlítóként.
Tisztítsuk meg
Ügyeljen arra, hogy törölje a példa részeként létrehozott összes erőforrást, hogy elkerülje a folyamatos költségeket. Ez magában foglalja a szolgáltatáscsoportokat és az offline tárolási adatokat tartalmazó S3 tárolót.
SageMaker Python SDK tapasztalat az SQL írásával szemben
A SageMaker Python SDK új metódusai lehetővé teszik az adatkészletek gyors létrehozását, és az ML életciklusa során gyors átlépést a betanítási lépésre. A megtakarítható idő és erőfeszítés bemutatásához vizsgáljunk meg egy olyan használati esetet, amikor két jellemzőcsoportot kell összekapcsolnunk, miközben a funkciókat meghatározott időkereten belül lekérjük. A következő ábra az offline Feature Store Python-lekérdezéseit hasonlítja össze a Python-lekérdezések mögötti adatkészlet létrehozásához használt SQL-lel.
Amint láthatja, a két szolgáltatáscsoport összekapcsolásának ugyanaz a művelete egy hosszú, összetett SQL-lekérdezést tesz szükségessé, míg ez csak a with_feature_group
és a with_event_time_range
módszerek a SageMaker Python SDK-ban.
Következtetés
A Python SageMaker SDK új offline tárolási módszerei lehetővé teszik az offline szolgáltatások lekérdezését anélkül, hogy összetett SQL utasításokat kellene írnia. Ez zökkenőmentes élményt biztosít azoknak az ügyfeleknek, akik hozzászoktak a Python-kód írásához a modellfejlesztés során. A szolgáltatáscsoportokkal kapcsolatos további információkért lásd: Hozzon létre egy adatkészletet a szolgáltatáscsoportjaiból és a Feature Store API-k: Feature Group.
A teljes példa ebben a bejegyzésben megtalálható a GitHub tárház. Próbálja ki, és ossza meg velünk észrevételeit a megjegyzésekben.
A szerzőkről
Hargis Pál erőfeszítéseit a gépi tanulásra összpontosította több vállalatnál, köztük az AWS-nél, az Amazonnál és a Hortonworksnél. Szívesen épít technológiai megoldásokat, és megtanítja az embereket, hogyan hasznosítsák ezeket. Paul szereti segíteni az ügyfeleknek a gépi tanulási kezdeményezéseik kiterjesztésében a valós problémák megoldása érdekében. Az AWS-nél betöltött szerepe előtt az Amazon Exports and Expansions vezető építészeként segített amazon.com javítja a nemzetközi vásárlók élményét.
Mecit Gungor az AWS AI/ML specialista megoldástervezője, aki segít az ügyfeleknek nagyszabású AI/ML megoldások tervezésében és kivitelezésében. Az AI/ML felhasználási esetek széles skáláját fedi le a telekommunikációs ügyfelek számára, és jelenleg a generatív AI-ra, az LLM-ekre, valamint a képzésre és a következtetések optimalizálására összpontosít. Gyakran találkozhatunk vele a vadonban túrázni, vagy szabadidejében társasjátékozni a barátaival.
Tony Chen az AWS gépi tanulási megoldások építésze, aki segít az ügyfeleknek méretezhető és robusztus gépi tanulási képességek tervezésében a felhőben. Korábbi adattudósként és adatmérnökként tapasztalatait felhasználva segít megbirkózni a gépi tanulás operacionalizálása során a szervezetek által a legnagyobb kihívást jelentő problémákkal.
Szovik Kumar Nath egy AI/ML megoldástervező az AWS-szel. Széles körű tapasztalattal rendelkezik a gépi tanulás teljes körű tervezésében és megoldásaiban; Üzleti elemzés a pénzügyi, működési és marketingelemzésen belül; egészségügyi ellátás; ellátási lánc; és az IoT. A munkán kívül Sovik szívesen utazik és filmeket néz.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- EVM Finance. Egységes felület a decentralizált pénzügyekhez. Hozzáférés itt.
- Quantum Media Group. IR/PR erősített. Hozzáférés itt.
- PlatoAiStream. Web3 adatintelligencia. Felerősített tudás. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/build-machine-learning-ready-datasets-from-the-amazon-sagemaker-offline-feature-store-using-the-amazon-sagemaker-python-sdk/
- :van
- :is
- :ahol
- $ UP
- 1
- 10
- 100
- 11
- 14
- 15%
- 16
- 2023
- 22
- 24
- 7
- 8
- a
- Rólunk
- elfogadja
- hozzáférés
- megvalósítható
- pontosság
- pontos
- át
- tevékenységek
- tényleges
- Ad
- hozzáadásával
- Ezen kívül
- Után
- AI
- AI / ML
- Minden termék
- lehetővé
- lehetővé teszi, hogy
- Is
- mindig
- amazon
- Amazon SageMaker
- Az Amazon Web Services
- an
- analitika
- és a
- Másik
- bármilyen
- Apache
- api
- API-k
- alkalmazott
- VANNAK
- érv
- érvek
- AS
- At
- könyvvizsgálat
- automatikusan
- elérhető
- elkerülése érdekében
- AWS
- vissza
- backtesting
- bázis
- alapján
- BE
- mert
- óta
- mögött
- között
- bizottság
- Társasjátékok
- épít
- építész
- Épület
- üzleti
- by
- hívás
- Hívó
- TUD
- képességek
- képes
- rögzített
- kártya
- eset
- esetek
- lánc
- kihívást
- díj
- díjak
- osztály
- felhő
- kód
- Hozzászólások
- Közös
- Companies
- összehasonlítani
- összehasonlítva
- összehasonlítás
- teljesen
- bonyolult
- koncepció
- bizalom
- megerősít
- kötőszó
- Összeáll
- tartalmaz
- tartalmaz
- megtérít
- Megfelelő
- tudott
- Covers
- teremt
- készítette
- létrehozása
- hitel
- hitelkártya
- kritériumok
- Jelenleg
- Ügyfelek
- dátum
- adattudós
- adatkészletek
- találka
- dátum idő
- nap
- meghatározott
- meghatározó
- bizonyítani
- mutatja
- Design
- tervek
- Fejlesztés
- különbség
- különböző
- megjelenítő
- Nem
- ne
- alatt
- minden
- Korábban
- könnyebb
- könnyen
- könnyű
- erőfeszítés
- erőfeszítések
- végén
- végtől végig
- eljegyzés
- mérnök
- biztosítása
- egység
- korszak
- lényegében
- esemény
- események
- megvizsgálni
- példa
- példák
- létező
- Bontsa
- tapasztalat
- kísérletek
- export
- terjed
- kiterjedt
- Átfogó tapasztalat
- Arc
- Funkció
- Jellemzők
- FeatureStore
- Visszacsatolás
- mező
- Ábra
- filé
- szűrő
- pénzügyi
- vezetéknév
- összpontosított
- koncentrál
- következő
- A
- forma
- Korábbi
- talált
- töredék
- KERET
- csalás
- csaló
- Ingyenes
- gyakran
- barátok
- ból ből
- Tele
- funkció
- funkcionalitás
- Továbbá
- Games
- generál
- generált
- nemző
- Generatív AI
- kap
- Ad
- adott
- Csoport
- Csoportok
- Fogantyúk
- Legyen
- tekintettel
- he
- egészségügyi
- segít
- segít
- övé
- történeti
- történelem
- Hogyan
- How To
- azonban
- HTML
- http
- HTTPS
- azonosított
- azonosító
- ids
- if
- importál
- fontos
- javul
- in
- tartalmaz
- magában foglalja a
- Beleértve
- jelez
- információ
- kezdeményezések
- bemenet
- példa
- érdekelt
- belső
- Nemzetközi
- bele
- tárgyak internete
- IT
- csatlakozik
- csatlakozott
- csatlakozott
- csatlakozik
- jpg
- éppen
- Kulcs
- Ismer
- keresztnév
- a későbbiekben
- legutolsó
- vezet
- vezetékek
- tanulás
- kevesebb
- hadd
- Tőkeáttétel
- kihasználja
- könyvtár
- életciklus
- mint
- Kedvencek
- Lista
- elhelyezkedés
- Hosszú
- gép
- gépi tanulás
- csinál
- Gyártás
- sok
- Marketing
- Mérkőzés
- Lehet..
- mechanizmus
- Találkozik
- Megfelel
- módszer
- mód
- Metrics
- Középső
- ML
- modell
- modellek
- több
- a legtöbb
- mozog
- Filmek
- többszörös
- kell
- név
- nevek
- Közel
- Szükség
- Új
- következő
- jegyzetfüzet
- Értesítés..
- tárgy
- of
- Nem elérhető
- gyakran
- on
- ONE
- folyamatban lévő
- online
- csak
- működés
- operatív
- Művelet
- optimalizálás
- or
- szervezetek
- eredeti
- Más
- másképp
- mi
- teljesítmény
- kívül
- felett
- pandák
- rész
- alkatrészek
- elhalad
- ösvény
- minták
- Paul
- Emberek (People)
- Teljesít
- Előadja
- időszak
- Plató
- Platón adatintelligencia
- PlatoData
- játék
- állás
- erős
- előre
- előrejelzés
- jósolja
- előfeltételek
- előző
- korábban
- elsődleges
- Előzetes
- problémák
- folyamat
- megfelelő
- leendő
- ad
- biztosít
- amely
- célokra
- Piton
- lekérdezések
- gyorsan
- hatótávolság
- Olvasás
- való Világ
- rekord
- nyilvántartások
- referenciái
- említett
- engedje
- jelentése
- szükség
- kötelező
- megköveteli,
- Tudástár
- eredményez
- Eredmények
- visszatérés
- visszatérő
- Visszatér
- erős
- Szerep
- tekercs
- SOR
- futás
- sagemaker
- eladás
- azonos
- skálázható
- Skála
- forgatókönyvek
- Tudós
- tudósok
- sdk
- zökkenőmentes
- másodperc
- Rész
- lát
- szemantika
- Series of
- szolgál
- szolgáltatás
- Szolgáltatások
- készlet
- beállítás
- felépítés
- számos
- kellene
- előadás
- Műsorok
- Egyszerű
- egyszerűen
- egyetlen
- méretek
- So
- megoldások
- Megoldások
- SOLVE
- néhány
- Szikra
- szakember
- különleges
- meghatározott
- standard
- kezdet
- Állami
- nyilatkozat
- nyilatkozatok
- Lépés
- Lépései
- tárolás
- tárolni
- memorizált
- árnyékolók
- benyújtott
- ilyen
- megfelelő
- mellékelt
- kínálat
- ellátási lánc
- támogatás
- összehangolás
- táblázat
- felszerelés
- cél
- Tanítási
- Technológia
- távközlés
- mint
- hogy
- A
- azok
- Őket
- akkor
- Ott.
- Ezek
- ezt
- azok
- Keresztül
- Bekötött
- idő
- Idősorok
- időutazás
- idővonalak
- alkalommal
- időbélyeg
- nak nek
- Tony
- kiképzett
- Képzések
- Tranzakciók
- utazás
- Utazó
- megpróbál
- kettő
- unix
- nem úgy mint
- -ig
- frissítve
- us
- használ
- használati eset
- használt
- segítségével
- érték
- Értékek
- különféle
- ellenőrzése
- vs
- akar
- volt
- őrzés
- módon
- we
- háló
- webes szolgáltatások
- JÓL
- amikor
- mivel
- ami
- míg
- WHO
- akinek
- széles
- Széleskörű
- Wikipedia
- lesz
- val vel
- belül
- nélkül
- Munka
- művek
- lenne
- ír
- írás
- írott
- te
- A te
- zephyrnet