A Egyesült Nemzetek Az ENSZ-t 1945-ben alapította 51 eredeti tagállam, amely elkötelezett a nemzetközi béke és biztonság fenntartása, a nemzetek közötti baráti kapcsolatok kialakítása, valamint a társadalmi haladás, a jobb életszínvonal és az emberi jogok előmozdítása mellett. Az ENSZ jelenleg 193 tagállamból áll, és az évek során úgy fejlődött, hogy lépést tartson a gyorsan változó világgal. A Az ENSZ Fejlesztési Programja (UNDP) az ENSZ fejlesztési ügynöksége, amely több mint 170 országban és területen működik. Kritikus szerepet játszik abban, hogy segítse az országokat a Fenntartható Fejlődési Célok (SDG) elérésében, amelyek globális felhívást jelentenek a szegénység felszámolására, a bolygó védelmére, valamint annak biztosítására, hogy minden ember békében és jólétben részesüljön.
Tanuló szervezetként az UNDP nagyra értékeli az értékelési funkciót. Minden UNDP programegység kiértékelést ad fel projektjeik és programjaik teljesítményéhez. A Független Értékelő Iroda (IEO) egy funkcionálisan független iroda az UNDP-n belül, amely támogatja az Igazgatóság felügyeleti és elszámoltathatósági funkcióit, valamint az UNDP, az UNCDF és az UNV irányítását. Az IEO alapvető feladatai közé tartozik a független programszerű és tematikus értékelések lebonyolítása, amelyek stratégiai jelentőséggel bírnak a szervezet számára – például a COVID-19 világjárvány helyreállításának támogatása.
Ebben a bejegyzésben azt tárgyaljuk, hogy az IEO hogyan fejlesztette ki az UNDP mesterséges intelligencia és gépi tanulás (ML) platformját – a Mesterséges Intelligencia a Fejlesztési Analitikához (AIDA) – együttműködve az AWS-szel, az UNDP információs és technológiai menedzsment csapatával (UNDP ITM) és az Egyesült Államokkal együttműködve. Nemzetek Nemzetközi Számítástechnikai Központja (UNICC). Az AIDA egy webalapú platform, amely lehetővé teszi a programmenedzserek és az értékelők számára, hogy bővítsék bizonyítékbázisukat a meglévő adatok intelligensebb, hatékonyabb és innovatívabb keresésével, hogy betekintést és tanulságokat állítsanak elő. A bekezdések részletes szintjén végzett kereséssel az AIDA olyan bizonyítékokat talál, amelyeket a hagyományos keresésekkel nem találna meg. Az AIDA létrehozása összhangban van az UNDP 2022–2025-ös stratégiai tervével, hogy a digitalizálást és az innovációt nagyobb fejlesztési hatás érdekében használja fel.
A kihívás
Az IEO az UNDP Evaluation Resource Center (ERC) őrzője. Az ERC több mint 6,000 értékelő jelentés tárháza, amelyek a szervezet munkájának minden aspektusát lefedik, bárhol is működött, 1997 óta. Az értékelő jelentések megállapításai és ajánlásai tájékoztatják az UNDP vezetőségét, adományozóit és a program munkatársait, hogy jobban megtervezzék a jövőbeli beavatkozásokat, folyamatkorrekciós intézkedéseket hoznak jelenlegi programjaikban, és finanszírozási és szakpolitikai döntéseket hoznak minden szinten.
Az AIDA előtt az értékelő bizonyítékok kinyerésének és a tanulságok és betekintések generálásának folyamata manuális volt, erőforrás- és időigényes. Ráadásul a hagyományos keresési módszerek nem működtek jól strukturálatlan adatokkal, ezért a bizonyítékbázis korlátozott volt. Ennek a kihívásnak a megoldása érdekében az IEO úgy döntött, hogy mesterséges intelligenciát és ML-t használ a leckék és ismeretek értékelési adatbázisának jobb bányászására.
Az AIDA-csapat szem előtt tartotta azt a kihívást jelentő feladatot, hogy bizonyítékokat gyűjtsön strukturálatlan adatokból, például értékelő jelentésekből. Az értékelő jelentések általában 80–100 oldalak, több nyelven készülnek, és megállapításokat, következtetéseket és ajánlásokat tartalmaznak. Annak ellenére, hogy az értékeléseket az UNDP Értékelési Útmutatója vezérli, ezeknek az értékeléseknek nincs szabványos írásos formátuma, és előfordulhat, hogy a fent említett részek a dokumentum különböző helyein találhatók, vagy nem mindegyik létezik. Ezért az értékelő bizonyítékok pontszintű pontos meghatározása és a megfelelő címkék alkalmazása jelentős ML kihívást jelentett.
Megoldás áttekintése
Az AIDA technikai megoldást a AWS professzionális szolgáltatások és az UNICC. Az alapvető technológiai platformot az AWS ProServe csapata tervezte és fejlesztette. Az UNICC feladata volt az AIDA webportál és a humán-in-the-loop felület fejlesztése. Az AIDA platformot úgy tervezték, hogy egyszerű és rendkívül pontos mechanizmust biztosítson az UNDP értékelési jelentései különböző témákban való kereséséhez, és további elemzés céljából exportálásához. Az AIDA architektúrája több követelménynek is megfelelt:
- Automatizálja az értékelési adatok kinyerését és címkézését
- Több ezer jelentés feldolgozása
- Lehetővé teszi az IEO számára, hogy új címkéket adjon hozzá adattudósok és ML-szakértők szakértelmének igénybevétele nélkül
A követelmények teljesítése érdekében az alkatrészeket az alábbi elvek figyelembevételével tervezték:
- Műszakilag és környezetileg fenntartható
- Költségtudatos
- Bővíthető a jövőbeni bővítés érdekében
Az így kapott megoldás három komponensre bontható, amint az a következő architektúra diagramon látható:
- Adatbevitel és -kinyerés
- Adatok osztályozása
- Intelligens keresés
A következő szakaszok részletesen ismertetik ezeket az összetevőket.
Adatbevitel és -kinyerés
Az értékelő jelentéseket az UNDP programegységei készítik és nyújtják be szerte a világon – nincs szabványos jelentéselrendezési sablon vagy formátum. Az adatfeldolgozás és -kinyerés összetevő feldolgozza és kivonja a tartalmat ezekből a strukturálatlan dokumentumokból.
Amazon szöveg PDF dokumentumokból való adatok kinyerésére szolgál. Ez a megoldás a aszinkron StartDocumentTextDetection API az Amazon Textract aszinkron meghívását, a nyers válaszok kinyerését és a kitartást kezelő dokumentumfeldolgozási munkafolyamat létrehozásához Amazon egyszerű tárolási szolgáltatás (Amazon S3). Ez a megoldás hozzáad egy Amazon Textract utófeldolgozási összetevőt a bekezdés alapú szövegkivonás kezeléséhez. Az utófeldolgozási összetevő az Amazon Textract határolódoboz-metaadatait használja az intelligens adatkinyeréshez. Az utófeldolgozó komponens képes adatokat kinyerni összetett, több formátumú, többoldalas PDF fájlokból, változó fejlécekkel, láblécekkel, lábjegyzetekkel és több oszlopos adatokkal. Az Apache Tika nyílt forráskódú Python-könyvtár adatkinyerésére szolgál Word dokumentumokból.
A következő ábra ezt a munkafolyamatot szemlélteti, azzal hangszerelve AWS lépésfunkciók.
Ez a munkafolyamat a következő lépésekből áll:
TextractCompleted
Ez az első lépés annak biztosítására, hogy a dokumentumokat ne dolgozzák fel többször az Amazon Textract segítségével. Ezzel a lépéssel elkerülhető a felesleges feldolgozási idő és költség azáltal, hogy megakadályozza a párhuzamos feldolgozást.TextractAsyncCallTask
beküldi az Amazon Textract által feldolgozandó dokumentumokat az aszinkron StartDocumentTextDetection API segítségével. Ez az API feldolgozza a dokumentumokat, és tárolja a JSON kimeneti fájlokat az Amazon S3-ban utófeldolgozás céljából.TextractAsyncSNSListener
egy AWS Lambda függvény, amely kezeli az Amazon Textract munkabefejezési eseményt, és visszaküldi a metaadatokat a munkafolyamatba további feldolgozás céljából.TextractPostProcessorTask
egy AWS Lambda funkció, amely a metaadatokat használja, és az Amazon Textract által előállított JSON kimeneti fájlokat dolgozza fel, hogy értelmes bekezdéseket bontsa ki.TextractQAValidationTask
egy AWS Lambda funkció, amely néhány egyszerű szövegellenőrzést végez a kibontott bekezdéseken, és összegyűjti a mutatókat, például a teljes vagy hiányos bekezdések számát. Ezeket a mérőszámokat a szövegkivonatok minőségének mérésére használják.
Kérjük, olvassa el TextractAsync, egy IDP CDK konstrukció, amely absztrahálja az Amazon Textract Async API meghívását, Amazon Simple Notification Service (Amazon SNS) üzenetek és munkafolyamat-feldolgozás a fejlesztés felgyorsítása érdekében.
Adatok osztályozása
Az adatosztályozási komponens azonosítja az értékelő jelentések kritikus részeit, és tovább sorolja azokat a Fenntartható Fejlődési Célok különböző témái köré szerveződő kategóriák taxonómiájába. Egy többosztályos és két többcímkés besorolási modellt építettünk Amazon Comprehend.
A kivonatolt bekezdések feldolgozása a Step Functions segítségével történik, amely az Amazon Comprehend programmal integrálva kötegelt módban történő osztályozást hajt végre. A bekezdések megállapításokba, ajánlásokba és következtetésekbe (FRC) vannak besorolva egy egyéni többosztályos modell segítségével, amely segít azonosítani az értékelő jelentések kritikus részeit. Az azonosított kritikus szakaszok esetében egyedi többcímkés osztályozási modell segítségével azonosítjuk a kategóriákat (tematikus és nem tematikus). Tematikus és nem tematikus besorolást használnak az értékelő jelentések azonosítására és összehangolására a fenntartható fejlődési célokkal, mint például a szegénység hiánya (SDG-1), a nemek közötti egyenlőség (SDG-5), a tiszta víz és higiénia (SDG-6), valamint a megfizethető és tiszta energia (SDG-7).
A következő ábra a Lépésfüggvények munkafolyamatát mutatja a szövegosztályozás feldolgozásához.
Az osztályozási folyamat költségeinek csökkentése érdekében létrehoztuk az Amazon Comprehend-feladatok kötegelt módban történő elküldésére szolgáló munkafolyamatot. A munkafolyamat megvárja az összes Amazon Comprehend-feladat befejezését, és elvégzi az adatok finomítását a szövegkivonat és az Amazon Comprehend eredményeinek összesítésével, hogy kiszűrje a nem FRC-ként azonosított bekezdéseket, és bekezdésenként összesíti a tematikus és nem tematikus besorolási kategóriákat.
A kivont bekezdések besorolási kategóriáikkal együtt tárolásra kerülnek Amazon RDS a PostgreSQL-hez. Ez egy átmeneti adatbázis, amely megőrzi az összes kinyerési és osztályozási eredményt. Ezt az adatbázist arra is használjuk, hogy tovább gazdagítsuk az eredményeket, hogy összesítsük a bekezdések témáit, és kiszűrjük azokat a bekezdéseket, amelyek nem FRC. A dúsított tartalom betáplálásra kerül Amazon Kendra.
Az első kiadásnál több mint 2 millió bekezdést vontunk ki és minősítettünk. Az FRC egyedi besorolás segítségével 700,000 millióról pontosan 2 XNUMX fölé tudtuk szűkíteni a bekezdéseket. Az Amazon Comprehend egyéni besorolási modell segített a releváns tartalom pontos bemutatásában, és jelentősen csökkentette az Amazon Kendra indexek költségeit.
Amazon DynamoDB a dokumentum metaadatainak tárolására és a dokumentumfeldolgozás állapotának nyomon követésére szolgál az összes kulcsfontosságú összetevőnél. A metaadatkövetés különösen hasznos a hibák és az újrapróbálkozások kezelésére.
Intelligens keresés
Az intelligens keresési képesség lehetővé teszi az AIDA platform felhasználói számára, hogy intuitív módon keressenek értékelő bizonyítékokat az UNDP program beavatkozásairól az összes értékelő jelentésben. A következő diagram ezt az architektúrát szemlélteti.
Az Amazon Kendrát intelligens keresésekhez használják. Az Amazon RDS-ből a PostgreSQL-hez készült gazdagított tartalom indexelés céljából az Amazon Kendra-ba kerül. A webportál réteg az Amazon Kendra intelligens keresési képességét használja az indexelt tartalom intuitív kereséséhez. A címkézők a human-in-the-loop felhasználói felületet használják az Amazon Comprehend által generált szövegbesorolás frissítésére a kibontott bekezdésekhez. Az osztályozás változásai azonnal megjelennek az internetes portálon, az emberek által frissített visszajelzéseket pedig kinyerjük és felhasználjuk az Amazon Comprehend modellképzéshez, hogy folyamatosan fejlesztjük az egyéni osztályozási modellt.
Az AIDA magában foglal egy human-in-the-loop funkcionalitást, amely növeli az AIDA képességét a besorolások (FRC, tematikus, nem tematikus) és adatkinyerési hibák kijavítására. A humán hurokban funkciót ellátó emberek által frissített címkéket a betanítási adatkészlethez egészítik ki, és az Amazon Comprehend modellek újraképzésére használják, hogy folyamatosan javítsák az osztályozási pontosságot.
Következtetés
Ebben a bejegyzésben megvitattuk, hogy az értékelők az IEO AIDA platformján keresztül hogyan használják az Amazon AI és ML szolgáltatásokat, például az Amazon Textract, az Amazon Comprehend és az Amazon Kendra, hogy olyan egyéni dokumentumfeldolgozó rendszert építsenek ki, amely azonosítja, kivonja és osztályozza az adatokat strukturálatlan dokumentumokból. . Az Amazon Textract használata PDF-szöveg-kivonáshoz 60% alattiról 80% feletti pontosságot javított a bekezdésszintű bizonyítékok kinyerésére. Ezenkívül a többcímkés osztályozás pontossága 30% alattiról 90% -ra javult az Amazon Comprehend modelljei továbbképzésével a továbbfejlesztett képzési adatkészletekkel.
Ez a platform lehetővé tette az értékelők számára, hogy intuitív módon, gyorsan és pontosan keressenek releváns tartalmat. A strukturálatlan adatok félig strukturált adatokká átalakítása felhatalmazza az UNDP-t és más ENSZ-szervezeteket, hogy több száz vagy több ezer adatpontból álló korpusz alapján megalapozott döntéseket hozzanak arról, hogy mi működik, mi nem, és hogyan lehet javítani az UNDP-műveletek hatását az emberek, akiket szolgál.
Az intelligens dokumentumfeldolgozás referenciaarchitektúrájáról további információkért lásd: Intelligens dokumentumfeldolgozás. Kérjük, ossza meg velünk gondolatait a megjegyzések részben.
A szerzőkről
Oscar A. Garcia az Egyesült Nemzetek Fejlesztési Programja (UNDP) Független Értékelő Irodájának (IEO) igazgatója. Igazgatóként stratégiai irányítást, gondolatvezetést és hiteles értékeléseket biztosít az UNDP munkájának előmozdítása érdekében, hogy segítse az országokat a nemzeti fenntartható fejlesztési célok elérése felé. Oscar jelenleg az Egyesült Nemzetek Értékelő Csoportjának (UNEG) elnöke is. Több mint 25 éves tapasztalattal rendelkezik a fenntartható fejlődés stratégiai tervezése, értékelése és eredményalapú menedzsment területén. Mielőtt 2020-ban igazgatóként csatlakozott az IEO-hoz, az IFAD Független Értékelési Irodájának (IOE) igazgatója, valamint az UNEP zöld gazdasággal foglalkozó tanácsadó szolgálatának vezetője volt. Oscar könyveket és cikkeket írt a fejlesztés értékeléséről, köztük egyet az információs és kommunikációs technológiáról is. Közgazdász, a New School University (NY) Szervezeti változásmenedzsmentből szerzett mesterfokozatot, valamint a Bolíviai Katolikus Egyetemen szerzett MBA fokozatot a Harvard Institute for International Development munkatársai mellett.
Sathya Balakrishnan idősebb ügyfélszállítási építész az AWS professzionális szolgáltatások csapatában, adat- és ML-megoldásokra szakosodott. Amerikai szövetségi pénzügyi ügyfelekkel dolgozik. Szenvedélyesen törekszik a pragmatikus megoldások kidolgozására az ügyfelek üzleti problémáinak megoldására. Szabadidejében szeret filmeket nézni és kirándulni a családjával.
Thuan Tran az Egyesült Nemzetek Szervezetét támogató vezető megoldási építész a világ közszférában. Szenvedélyesen használja az AWS technológiát, hogy segítse ügyfeleit elképzelni a lehetséges művészetét. Ebben a szabadidejében szeret szörfözni, hegyi kerékpározni, fejszét dobni, és családjával és barátaival tölti az idejét.
Mallari herceg az AWS professzionális szolgáltatások csapatának NLP adatkutatója, az NLP közszféra ügyfelek számára történő alkalmazásaira szakosodott. Szenvedélyesen használja az ML-t olyan eszközként, amely lehetővé teszi az ügyfelek számára, hogy termelékenyebbek legyenek. Szabadidejében szívesen játszik videojátékokkal és fejleszt egyet a barátaival.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/how-the-undp-independent-evaluation-office-is-using-aws-ai-ml-services-to-enhance-the-use-of-evaluation-to-support-progress-toward-the-sustainable-development-goals/
- :is
- $ UP
- 000
- 100
- 2020
- 7
- a
- Képes
- Rólunk
- absztraktokat
- gyorsul
- hozzáférés
- felelősségre vonhatóság
- pontosság
- pontos
- pontosan
- Elérése
- teljesítmény
- át
- Akció
- Ezen kívül
- cím
- Hozzáteszi
- előre
- tanácsadó
- tanácsadási szolgáltatások
- megfizethető
- ügynökség
- aggregátumok
- összesítés
- AI
- AI / ML
- Igazítás
- Minden termék
- lehetővé teszi, hogy
- amazon
- Amazon Comprehend
- Amazon Kendra
- Amazon RDS
- Amazon szöveg
- között
- elemzés
- analitika
- és a
- Apache
- api
- alkalmazások
- Az NLP alkalmazásai
- Alkalmazása
- megfelelő
- építészet
- VANNAK
- területek
- körül
- Művészet
- cikkek
- mesterséges
- mesterséges intelligencia
- Mesterséges intelligencia és gépi tanulás
- AS
- megjelenés
- Egyesület
- At
- bővített
- AWS
- AWS Lambda
- vissza
- bázis
- alapján
- BE
- Jobb
- bizottság
- Könyvek
- Doboz
- Törött
- épít
- Épület
- épült
- üzleti
- by
- hívás
- hívás
- TUD
- képes
- Kapacitás
- kategóriák
- Központ
- központ
- kihívás
- kihívást
- változik
- Változások
- változó
- besorolás
- osztályozott
- tiszta energia
- ügyfél részére
- együttműködés
- Hozzászólások
- jutalékok
- elkötelezett
- közlés
- teljes
- befejezés
- bonyolult
- összetevő
- alkatrészek
- megért
- számítástechnika
- Magatartás
- konstrukció
- tartalmaz
- tartalom
- folyamatosan
- hagyományos
- Mag
- Költség
- országok
- terjed
- Covid-19
- COVID-19 járvány
- készítette
- teremtés
- hihető
- kritikai
- Jelenlegi
- Jelenleg
- gondnok
- szokás
- vevő
- Ügyfelek
- dátum
- adat pontok
- adattudós
- adatbázis
- adatkészletek
- határozott
- határozatok
- Fok
- szállít
- kézbesítés
- leírni
- Design
- tervezett
- részlet
- fejlett
- fejlesztése
- Fejlesztés
- különböző
- digitalizálás
- irány
- Igazgató
- megvitatni
- tárgyalt
- dokumentum
- dokumentumok
- Nem
- le-
- minden
- Közgazdász
- gazdaság
- hatékony
- felhatalmazza
- engedélyezve
- energia
- élvez
- gazdagítják
- dúsított
- biztosítására
- Szervezetek
- környezetbarát
- egyenlőség
- hibák
- értékelés
- értékelések
- Még
- esemény
- Minden
- bizonyíték
- alakult ki
- szigorú
- végrehajtó
- létező
- Bontsa
- tapasztalat
- szakvélemény
- export
- kivonat
- kivonatok
- család
- Fed
- Szövetségi
- Visszacsatolás
- Ábra
- Fájlok
- szűrő
- pénzügyi
- leletek
- vezetéknév
- következő
- A
- formátum
- talált
- Alapított
- barátságos
- barátok
- ból ből
- funkció
- funkcionalitás
- funkciók
- finanszírozás
- további
- jövő
- Games
- nem
- Esélyegyenlőségi
- generál
- generált
- Globális
- Célok
- nagyobb
- Zöld
- Csoport
- fogantyú
- Fogantyúk
- Kezelés
- Harvard
- Legyen
- fej
- fejlécek
- segít
- segített
- segít
- segít
- nagyon
- Hogyan
- How To
- HTML
- http
- HTTPS
- emberi
- emberi jogok
- Az emberek
- Több száz
- azonosított
- azonosítja
- azonosítani
- IEO
- azonnal
- Hatás
- fontosság
- javul
- javított
- in
- Beleértve
- független
- indexek
- tájékoztat
- információ
- tájékoztatták
- Innováció
- újító
- meglátások
- Intézet
- integrál
- Intelligencia
- Intelligens
- Intelligens dokumentumfeldolgozás
- Felület
- Nemzetközi
- IT
- ITS
- Munka
- Állások
- csatlakozott
- json
- Tart
- tartás
- Kulcs
- tudás
- címkézés
- Címkék
- Nyelvek
- réteg
- elrendezés
- Vezetés
- tanult
- tanulás
- Tanulságok
- Tanulságok
- szint
- könyvtár
- mint
- Korlátozott
- élő
- helyszínek
- gép
- gépi tanulás
- készült
- fenntartása
- csinál
- vezetés
- Management Team
- Menedzserek
- kézikönyv
- mester
- jelentőségteljes
- intézkedés
- intézkedések
- mechanizmus
- tag
- üzenetek
- Metaadatok
- mód
- Metrics
- millió
- bánja
- ML
- Mód
- modell
- modellek
- több
- hatékonyabb
- Ráadásul
- hegy
- Filmek
- többszörös
- nemzeti
- Nemzetek
- Új
- NLP
- bejelentés
- szám
- NY
- of
- Office
- on
- ONE
- nyílt forráskódú
- működik
- Művelet
- hangszerelt
- szervezet
- szervezeti
- Szervezett
- eredeti
- Más
- teljesítmény
- Felügyelet
- Béke
- járvány
- különösen
- alkatrészek
- szenvedélyes
- Emberek (People)
- Teljesít
- teljesítmény
- előadó
- Előadja
- kitartás
- darabok
- terv
- bolygó
- tervezés
- emelvény
- Plató
- Platón adatintelligencia
- PlatoData
- játék
- kérem
- pont
- politika
- Portál
- lehetséges
- állás
- postgresql
- Szegénység
- pragmatikus
- előkészített
- be
- megakadályozása
- Előzetes
- problémák
- folyamat
- Feldolgozott
- Folyamatok
- feldolgozás
- gyárt
- Készült
- termelő
- szakmai
- Program
- programadó
- Programok
- Haladás
- projektek
- támogatása
- jólét
- védelme
- ad
- biztosít
- nyilvános
- Piton
- világítás
- gyorsan
- gyorsan
- Nyers
- ajánlások
- felépülés
- csökkenteni
- Csökkent
- tükrözi
- kapcsolatok
- engedje
- jelentést
- Jelentések
- raktár
- követelmények
- forrás
- erőforrás-igényes
- válasz
- felelős
- kapott
- Eredmények
- Visszatér
- jogok
- Szerep
- Iskola
- Tudós
- tudósok
- SDGs
- Keresés
- keres
- Rész
- szakaszok
- szektor
- biztonság
- idősebb
- szolgálja
- Szolgáltatások
- számos
- Megosztás
- mutatott
- jelentős
- Egyszerű
- óta
- intelligensebb
- Közösség
- megoldások
- Megoldások
- SOLVE
- néhány
- szakosodott
- Költési
- Személyzet
- színpadra állítás
- standard
- szabványok
- Államok
- Állapot
- Lépés
- Lépései
- tárolás
- memorizált
- árnyékolók
- tárolása
- Stratégiai
- beküldése
- benyújtott
- ilyen
- támogatás
- Támogató
- Támogatja
- fenntartható
- Fenntartható fejlődés
- rendszer
- Vesz
- Feladat
- taxonómia
- csapat
- Műszaki
- Technológia
- sablon
- tételek
- Szöveg osztályozása
- hogy
- A
- a világ
- azok
- Őket
- tematikus
- ebből adódóan
- Ezek
- gondoltam
- gondolkodás vezetés
- ezer
- három
- Keresztül
- Dobás
- idő
- időigényes
- alkalommal
- nak nek
- szerszám
- felé
- felé
- vágány
- Csomagkövetés
- hagyományos
- Képzések
- transzformáló
- UN
- alatt
- egység
- Egyesült
- Egyesült Nemzetek
- egységek
- egyetemi
- Frissítések
- frissítve
- us
- Amerikai szövetségi
- használ
- használó
- felhasználói felület
- Felhasználók
- rendszerint
- Értékek
- különféle
- videó
- videojátékok
- őrzés
- Víz
- Út..
- háló
- web-alapú
- JÓL
- Mit
- ami
- széles
- val vel
- belül
- nélkül
- szó
- Munka
- dolgozott
- művek
- világ
- lenne
- írott
- év
- A te
- zephyrnet