Amazon SageMaker Feature Store végpontok közötti megoldást kínál a gépi tanulás (ML) funkciótervezés automatizálására. Sok ML felhasználási esetben a nyers adatokat, például a naplófájlokat, az érzékelők leolvasásait vagy a tranzakciós rekordokat értelmes funkciókká kell átalakítani, amelyek a modell betanítására vannak optimalizálva.
A funkciók minősége kritikus fontosságú a rendkívül pontos ML modell biztosításához. A nyers adatok jellemzőkké történő átalakítása összesítés, kódolás, normalizálás és egyéb műveletek segítségével gyakran szükséges, és jelentős erőfeszítést igényelhet. A mérnököknek manuálisan kell egyéni adat-előfeldolgozási és -összesítési logikát írniuk Pythonban vagy Sparkban minden használati esethez.
Ez a differenciálatlan nehézemelés nehézkes, ismétlődő és hibákra hajlamos. A SageMaker Feature Store szolgáltatásprocesszor csökkenti ezt a terhet azáltal, hogy a nyers adatokat automatikusan aggregált szolgáltatásokká alakítja, amelyek alkalmasak kötegelt képzési ML modellekhez. Lehetővé teszi a mérnökök számára, hogy egyszerű adatátalakítási funkciókat biztosítsanak, majd kezelik azokat a Sparkban, és kezelik a mögöttes infrastruktúrát. Ez lehetővé teszi az adattudósok és adatmérnökök számára, hogy a megvalósítás részletei helyett a funkciótervezési logikára összpontosítsanak.
Ebben a bejegyzésben bemutatjuk, hogyan tudja egy autóértékesítő cég a Feature Processor segítségével három lépésben átalakítani a nyers értékesítési tranzakciós adatokat funkciókká:
- Adatátalakítások helyi futtatása.
- A távirányító nagyban fut a Spark használatával.
- Üzemeltetés csővezetékeken keresztül.
Megmutatjuk, hogy a SageMaker Feature Store hogyan tölti be a nyers adatokat, hogyan futtatja le a funkciók átalakításait távolról a Spark segítségével, és hogyan tölti be a kapott összesített szolgáltatásokat egy jellemzőcsoport. Ezeket a megtervezett funkciókat ezután fel lehet használni az ML modellek betanításához.
Ebben a felhasználási esetben láthatjuk, hogy a SageMaker Feature Store hogyan segíti a nyers autóeladási adatokat strukturált funkciókká alakítani. Ezeket a funkciókat a későbbiekben arra használják, hogy betekintést nyerjenek, például:
- A piros kabriók átlagos és maximális ára 2010-től
- A legjobb futásteljesítményű modellek az árhoz képest
- Az új és a használt autók eladási trendjei az évek során
- Az átlagos MSRP különbségei a helyek között
Azt is látjuk, hogy a SageMaker Feature Store folyamatok hogyan frissítik a szolgáltatásokat az új adatok beérkezésekor, lehetővé téve a vállalat számára, hogy idővel folyamatosan betekintést nyerjen.
Megoldás áttekintése
Az adatkészlettel dolgozunk car_data.csv
, amely olyan specifikációkat tartalmaz, mint a modell, év, állapot, futásteljesítmény, ár és MSRP a vállalat által értékesített használt és új autókra vonatkozóan. A következő képernyőképen látható egy példa az adatkészletre.
A megoldás jegyzetfüzete feature_processor.ipynb
a következő fő lépéseket tartalmazza, amelyeket ebben a bejegyzésben ismertetünk:
- Hozzon létre két jellemzőcsoportot: az egyiket hívják
car-data
nyers autóeladási nyilvántartásokért és egy másik hívásértcar-data-aggregated
az összesített autóeladási nyilvántartásokhoz. - Használja a
@feature_processor
dekorátor, amelyből adatokat tölthet be az autóadatok jellemzőcsoportba Amazon egyszerű tárolási szolgáltatás (Amazon S3). - Futtassa a
@feature_processor code
távolról Spark-alkalmazásként az adatok összesítéséhez. - Működtesse a funkcióprocesszort ezen keresztül SageMaker csővezetékek és a menetrend fut.
- Fedezze fel a funkciófeldolgozó folyamatokat és leszármazás in Amazon SageMaker Studio.
- Használjon összesített jellemzőket egy ML-modell betanításához.
Előfeltételek
Az oktatóanyag követéséhez a következőkre lesz szüksége:
Ennél a bejegyzésnél a következőkre hivatkozunk jegyzetfüzet, amely bemutatja a Feature Processor használatának megkezdését a SageMaker Python SDK használatával.
Szolgáltatáscsoportok létrehozása
A szolgáltatáscsoportok létrehozásához hajtsa végre a következő lépéseket:
- Hozzon létre egy jellemzőcsoport definíciót a számára
car-data
az alábbiak szerint:
A jellemzők megfelelnek az egyes oszlopoknak a car_data.csv
adatkészlet (Model
, Year
, Status
, Mileage
, Price
és MSRP
).
- Adja hozzá a rekordazonosítót
id
és az esemény idejeingest_time
a funkciócsoporthoz:
- Hozzon létre egy jellemzőcsoport definíciót a számára
car-data-aggregated
az alábbiak szerint:
Az összesített szolgáltatáscsoport esetében a jellemzők a modellév állapota, az átlagos futásteljesítmény, a maximális futásteljesítmény, az átlagár, a maximális ár, az átlagos MSRP, a maximális MSRP és a feldolgozási idő. Hozzáadjuk a rekordazonosítót model_year_status
és az esemény ideje ingest_time
ehhez a funkciócsoporthoz.
- Most hozza létre a
car-data
jellemző csoport:
- Hozza létre a
car-data-aggregated
jellemző csoport:
Itt navigálhat a SageMaker Feature Store opcióhoz dátum a SageMaker Stúdióban Kezdőlap menüt a szolgáltatáscsoportok megtekintéséhez.
Az adatok betöltéséhez használja a @feature_processor dekorátort
Ebben a szakaszban helyileg átalakítjuk a nyers bemeneti adatokat (car_data.csv
) az Amazon S3-ból a car-data
szolgáltatáscsoport a Feature Store Feature Processor használatával. Ez a kezdeti helyi futtatás lehetővé teszi számunkra a fejlesztést és az iterációt a távoli futtatás előtt, és ha szükséges, az adatok egy mintáján is elvégezhető a gyorsabb iteráció érdekében.
Aktivitáskövető @feature_processor
dekorátor, az átalakítási függvény egy Spark futásidejű környezetben fut, ahol a függvény bemeneti argumentumai és visszatérési értéke Spark DataFrames.
- Telepítse a Feature Processor SDK tól SageMaker Python SDK és extrái a következő paranccsal:
A transzformációs függvényben lévő bemeneti paraméterek számának meg kell egyeznie a bemenetek számával, amelyeket az átalakítási függvényben konfigurált @feature_processor
lakberendező. Ebben az esetben a @feature_processor
lakberendező rendelkezik car-data.csv
bemenetként és a car-data
jellemzőcsoport kimenetként, ami azt jelzi, hogy ez egy kötegelt művelet a target_store
as OfflineStore
:
- Definiálja a
transform()
funkció az adatok átalakításához. Ez a funkció a következő műveleteket hajtja végre:- Az oszlopnevek átalakítása kisbetűsre.
- Adja hozzá az esemény idejét a
ingest_time
oszlop. - Távolítsa el az írásjeleket, és cserélje ki a hiányzó értékeket NA-val.
- Hívja a
transform()
funkció az adatok tárolására acar-data
jellemző csoport:
A kimenet azt mutatja, hogy az adatok sikeresen bekerültek az autóadatok szolgáltatáscsoportba.
A kimenet a transform_df.show()
a funkció a következő:
Sikeresen átalakítottuk a bemeneti adatokat, és bevittük a fájlba car-data
jellemzőcsoport.
Futtassa távolról a @feature_processor kódot
Ebben a részben bemutatjuk a szolgáltatásfeldolgozó kód távoli futtatását Spark alkalmazásként a @remote
korábban leírt lakberendező. A funkciófeldolgozást távolról futtatjuk a Spark segítségével a nagy adatkészletekre való méretezéshez. A Spark elosztott feldolgozást biztosít a fürtökön az egyetlen géphez túl nagy adatok kezelésére. A @remote
A dekorátor a helyi Python kódot egy vagy több csomópontos SageMaker képzési feladatként futtatja.
- Használja a
@remote
lakberendező együtt a@feature_processor
dekorátor az alábbiak szerint:
A spark_config
paraméter azt jelzi, hogy ez a következőként fut Spark application
. A SparkConfig példány konfigurálja a Spark konfigurációt és a függőségeket.
- Definiálja a
aggregate()
függvény az adatok összesítéséhez PySpark SQL és felhasználó által definiált függvények (UDF) használatával. Ez a funkció a következő műveleteket hajtja végre:- Összekapcsol
model
,year
ésstatus
létrehoznimodel_year_status
. - Vegyük az átlagot
price
létrehozniavg_price
. - Vegyük a maximális értékét
price
létrehoznimax_price
. - Vegyük az átlagot
mileage
létrehozniavg_mileage
. - Vegyük a maximális értékét
mileage
létrehoznimax_mileage
. - Vegyük az átlagot
msrp
létrehozniavg_msrp
. - Vegyük a maximális értékét
msrp
létrehoznimax_msrp
. - Csoportosít
model_year_status
.
- Összekapcsol
- Futtassa a
aggregate()
függvény, amely egy SageMaker képzési feladatot hoz létre a Spark alkalmazás futtatásához:
Ennek eredményeként a SageMaker képzési feladatot hoz létre a korábban meghatározott Spark alkalmazáshoz. Létrehoz egy Spark futtatókörnyezetet a sagemaker-spark-processing image
.
A SageMaker Training feladatokat itt használjuk a Spark funkciófeldolgozó alkalmazás futtatásához. A SageMaker Training segítségével 1 percre vagy kevesebbre csökkentheti az indítási időt a meleg pooling használatával, amely a SageMaker Processingban nem érhető el. Ezáltal a SageMaker Training jobban optimalizálható a rövid kötegelt munkákhoz, például a funkciófeldolgozáshoz, ahol az indítási idő fontos.
- A részletek megtekintéséhez a SageMaker konzolon válassza a lehetőséget Képzési munkák alatt Képzések a navigációs ablakban, majd válassza ki a munkát a névvel
aggregate-<timestamp>
.
A kimenet a aggregate() függvény telemetriai kódot generál. A kimeneten belül az összesített adatok a következők szerint jelennek meg:
Amikor a képzési feladat befejeződött, a következő kimenetet kell látnia:
Működtesse a szolgáltatásprocesszort a SageMaker csővezetékeken keresztül
Ebben a részben bemutatjuk, hogyan lehet működésbe hozni a szolgáltatásprocesszort a SageMaker-folyamatba való előterjesztéssel és a futtatások ütemezésével.
- Először töltse fel a transzformációs_kód.py az Amazon S3 szolgáltatásfeldolgozási logikáját tartalmazó fájl:
- Ezután hozzon létre egy Feature Processor folyamatot car_data_pipeline használatával .to_pipeline() funkció:
- A folyamat futtatásához használja a következő kódot:
- Hasonlóképpen létrehozhat egy folyamatot a nevezett összesített szolgáltatásokhoz
car_data_aggregated_pipeline
és futást indítani. - Ütemezze a
car_data_aggregated_pipeline
24 óránként futni:
A kimeneti részben láthatja a folyamat ARN-jét és a folyamatvégrehajtási szerepkört, valamint az ütemezés részleteit:
- A fiók összes Feature Processor-folyamatának lekéréséhez használja a
list_pipelines()
funkció a Feature Processoron:
A kimenet a következő lesz:
Sikeresen létrehoztuk a SageMaker Feature Processor folyamatokat.
Fedezze fel a funkciófeldolgozó folyamatokat és az ML vonalat
A SageMaker Studio alkalmazásban hajtsa végre a következő lépéseket:
- A SageMaker Studio konzolon a Kezdőlap menüben válasszon Csővezetékek.
Két létrejött folyamatot kell látnia: car-data-ingestion-pipeline
és a car-data-aggregated-ingestion-pipeline
.
- Válassza a
car-data-ingestion-pipeline
.
Megmutatja a futás részleteit a kivégzések Tab.
- A folyamat által feltöltött jellemzőcsoport megtekintéséhez válassza a lehetőséget Feature Store alatt dátum És válasszon
car-data
.
Látni fogja az előző lépésekben létrehozott két funkciócsoportot.
- Válassza a
car-data
jellemzőcsoport.
A funkciók részleteit a Jellemzők Tab.
A csővezeték futásának megtekintése
A folyamatok megtekintéséhez hajtsa végre a következő lépéseket:
- A Csővezeték végrehajtásas lapon válassza ki
car-data-ingestion-pipeline
.
Ez megjeleníti az összes futást.
- A futás részleteinek megtekintéséhez válassza ki az egyik linket.
- A származás megtekintéséhez válassza a Lineage lehetőséget.
A teljes származás car-data
mutatja a bemeneti adatforrást car_data.csv
és upstream entitások. A származás a számára car-data-aggregated
mutatja a bemenetet car-data
jellemzőcsoport.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Funkciók betöltése majd válassza ki Az upstream származás lekérdezése on
car-data
és acar-data-ingestion-pipeline
az összes upstream entitás megtekintéséhez.
A teljes származás car-data
A funkciócsoportnak a következő képernyőképen kell kinéznie.
Hasonlóképpen, a leszármazási a car-aggregated-data
A funkciócsoportnak a következő képernyőképen kell kinéznie.
A SageMaker Studio egyetlen környezetet biztosít az ütemezett folyamatok nyomon követésére, a futtatások megtekintésére, a származás felfedezésére és a jellemzők feldolgozó kódjának megtekintésére.
Az összesített jellemzők, például az átlagos ár, a maximális ár, az átlagos futásteljesítmény és még sok más a car-data-aggregated
jellemzőcsoport betekintést nyújt az adatok természetébe. Ezeket a funkciókat adatkészletként is használhatja a modell betanításához az autóárak előrejelzésére vagy más műveletekre. A modell betanítása azonban nem tartozik ehhez a bejegyzéshez, amely a SageMaker Feature Store szolgáltatásfejlesztési képességeinek bemutatására összpontosít.
Tisztítsuk meg
Ne felejtse el megtisztítani a bejegyzés részeként létrehozott forrásokat, hogy elkerülje a folyamatos költségeket.
- Tiltsa le az ütemezett folyamatot a következőn keresztül
fp.schedule()
metódus az as állapotparaméterrelDisabled
:
- Mindkét funkciócsoport törlése:
Az S3 tárolóban és az offline szolgáltatástárolóban található adatok költségekkel járhatnak, ezért a költségek elkerülése érdekében törölje őket.
- Törölje az S3 objektumokat.
- Törölje a rekordokat a funkció áruházból.
Következtetés
Ebben a bejegyzésben bemutattuk, hogyan használta egy autóértékesítő cég a SageMaker Feature Store Feature Processort, hogy értékes betekintést nyerjen nyers értékesítési adataiból:
- Kötegelt adatok feldolgozása és átalakítása nagy léptékben a Spark segítségével
- Funkciómérnöki munkafolyamatok operacionalizálása SageMaker csővezetékeken keresztül
- Származási vonalkövetés és egyetlen környezet biztosítása a folyamatok figyeléséhez és a funkciók felfedezéséhez
- Az ML modellek betanítására optimalizált összesített szolgáltatások előkészítése
Ezeket a lépéseket követve a vállalat képes volt átalakítani a korábban használhatatlan adatokat strukturált funkciókká, amelyek segítségével egy modellt betaníthattak az autóárak előrejelzésére. A SageMaker Feature Store lehetővé tette számukra, hogy a szolgáltatások tervezésére összpontosítsanak az alapul szolgáló infrastruktúra helyett.
Reméljük, hogy ez a bejegyzés segít értékes ML betekintést nyerni saját adataiból a SageMaker Feature Store Feature Processor segítségével!
További információért lásd: Funkciófeldolgozás és a SageMaker példa tovább Amazon SageMaker Feature Store: Feature Processor Bevezetés.
A szerzőkről
Dhaval Shah az AWS vezető megoldástervezője, gépi tanulásra szakosodott. Nagy hangsúlyt fektetve a digitális natív vállalkozásokra, képessé teszi ügyfeleit arra, hogy kihasználják az AWS-t és ösztönözzék üzleti növekedésüket. Az ML rajongójaként Dhavalt az a szenvedélye vezérli, hogy hatásos megoldásokat hozzon létre, amelyek pozitív változást hoznak. Szabadidejében hódol az utazás szeretetének, és minőségi pillanatokat ápol családjával.
Ninad Joshi az AWS vezető megoldástervezője, aki segít a globális AWS-ügyfeleknek biztonságos, méretezhető és költséghatékony felhőalapú megoldások tervezésében, hogy megoldják összetett valós üzleti kihívásaikat. A Machine Learning (ML) területén végzett munkája az AI/ML felhasználási esetek széles skáláját fedi le, elsősorban a végpontok közötti ML-re, a természetes nyelvi feldolgozásra és a számítógépes látásmódra összpontosítva. Mielőtt csatlakozott az AWS-hez, Ninad több mint 12 évig szoftverfejlesztőként dolgozott. Professzionális erőfeszítésein kívül Ninad szeret sakkozni és különféle gambitokat felfedezni.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/unlock-ml-insights-using-the-amazon-sagemaker-feature-store-feature-processor/
- :van
- :is
- :nem
- :ahol
- $ UP
- 1
- 10
- 100
- 11
- 116
- 12
- 13
- 14
- 15%
- 16
- 20
- 24
- 26%
- 40
- 7
- 8
- 9
- a
- Képes
- Fiók
- pontos
- át
- cselekvések
- hozzá
- adalékanyag
- összesítés
- AI / ML
- Minden termék
- lehetővé teszi, hogy
- mentén
- Is
- amazon
- Amazon SageMaker
- Az Amazon Web Services
- an
- és a
- Másik
- bármilyen
- Alkalmazás
- VANNAK
- érvek
- AS
- At
- automatizált
- automatikusan
- elérhető
- átlagos
- elkerülése érdekében
- AWS
- alapvető
- BE
- előtt
- BEST
- Jobb
- Nagy
- mindkét
- hoz
- teher
- üzleti
- vállalkozások
- by
- hívott
- TUD
- képességek
- autó
- autók
- eset
- esetek
- kihívások
- változik
- díjak
- sakk
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- felhő
- kód
- Oszlop
- Oszlopok
- jön
- vállalat
- teljes
- bonyolult
- számítógép
- Számítógépes látás
- Configuration
- konfigurálva
- Konzol
- tartalmaz
- folyamatosan
- megtérít
- Költség
- kiadások
- tudott
- Covers
- teremt
- készítette
- teremt
- létrehozása
- kritikai
- nehézkes
- szokás
- Ügyfelek
- dátum
- adatkészletek
- meghatározott
- definíció
- bizonyítani
- igazolták
- mutatja
- bemutatását,
- függőségek
- leírt
- leírás
- Design
- kívánatos
- részletek
- Fejleszt
- Fejlesztő
- különböző
- digitális
- Tiltva
- megjelenítő
- megosztott
- csinált
- hajtás
- hajtott
- minden
- Korábban
- Hatékony
- erőfeszítés
- felhatalmazza
- engedélyezve
- lehetővé teszi
- lehetővé téve
- végtől végig
- törekvéseket
- Mérnöki
- Mérnökök
- biztosítására
- rajongó
- Szervezetek
- Környezet
- esemény
- Minden
- példa
- kivégez
- végrehajtás
- Kilépés
- Magyarázza
- feltárása
- Feltárása
- család
- gyorsabb
- Funkció
- Jellemzők
- filé
- Fájlok
- Összpontosít
- koncentrál
- következik
- következő
- következik
- A
- töredékes
- ból ből
- Tele
- funkció
- funkciók
- Nyereség
- generál
- kap
- Globális
- Csoport
- Csoportok
- Növekedés
- fogantyú
- Fogantyúk
- Legyen
- he
- fejlécek
- nehéz
- súlyemelés
- segít
- segít
- itt
- kiemelve
- nagyon
- övé
- Kezdőlap
- remény
- NYITVATARTÁS
- Hogyan
- How To
- azonban
- HTML
- HTTPS
- ID
- azonosító
- if
- kép
- hatásos
- végrehajtás
- importál
- fontos
- in
- Beleértve
- jelzi
- info
- információ
- Infrastruktúra
- kezdetben
- bemenet
- bemenet
- belső
- Insight
- meglátások
- telepíteni
- példa
- bele
- IT
- ismétlés
- ITS
- Munka
- Állások
- csatlakozott
- jpg
- Tart
- nyelv
- nagy
- tanulás
- kevesebb
- Lets
- Tőkeáttétel
- emelő
- mint
- leszármazás
- linkek
- Lista
- kiszámításának
- terhelések
- helyi
- helyileg
- log
- logika
- néz
- hasonló
- szerelem
- gép
- gépi tanulás
- Fő
- KÉSZÍT
- kezelése
- kézzel
- sok
- Mérkőzés
- max
- maximális
- mdx
- jelentőségteljes
- Menü
- módszer
- perc
- hiányzó
- ML
- modell
- modellek
- Pillanatok
- monitor
- több
- kell
- név
- nevek
- bennszülött
- Természetes
- Természetes nyelvi feldolgozás
- Természet
- Keresse
- Navigáció
- Szükség
- szükséges
- Új
- csomópont
- jegyzetfüzet
- szám
- of
- Nem elérhető
- gyakran
- on
- ONE
- folyamatban lévő
- csak
- működés
- Művelet
- optimalizált
- opció
- or
- Más
- mi
- ki
- teljesítmény
- kívül
- felett
- saját
- üvegtábla
- paraméter
- paraméterek
- rész
- szenvedély
- Teljesít
- Előadja
- csővezeték
- Plató
- Platón adatintelligencia
- PlatoData
- játék
- benépesített
- pozitív
- állás
- pr
- előre
- előző
- korábban
- ár
- Áraink
- elsődleges
- Előzetes
- feldolgozás
- Processzor
- szakmai
- támogatása
- ad
- feltéve,
- biztosít
- Piton
- világítás
- hatótávolság
- Inkább
- Nyers
- való Világ
- rekord
- nyilvántartások
- Piros
- csökkenteni
- csökkenti
- utal
- eltávolítása
- ismétlő
- cserélni
- szükség
- Tudástár
- eredményez
- kapott
- visszatérés
- Szerep
- futás
- futás
- fut
- s
- sagemaker
- eladás
- értékesítés
- skálázható
- Skála
- menetrend
- tervezett
- ütemezés
- tudósok
- hatálya
- sdk
- sdn
- másodperc
- Rész
- biztonság
- lát
- idősebb
- Szolgáltatások
- rövid
- kellene
- előadás
- Műsorok
- jelentős
- Egyszerű
- egyetlen
- egységes környezet
- So
- szoftver
- eladott
- megoldások
- Megoldások
- SOLVE
- forrás
- Szikra
- szakosodott
- specifikációk
- meghatározott
- Sport
- kezdet
- kezdődött
- indítás
- Állami
- Állapot
- Lépései
- tárolás
- tárolni
- Tárolja az adatokat
- Húr
- erős
- szerkesztett
- stúdió
- beküldése
- Később
- sikeres
- sikeresen
- ilyen
- megfelelő
- táblázat
- mint
- hogy
- A
- Az állam
- azok
- Őket
- akkor
- Ezek
- ezt
- három
- idő
- alkalommal
- nak nek
- is
- felső
- vágány
- Csomagkövetés
- Vonat
- Képzések
- tranzakció
- Átalakítás
- Átalakítás
- transzformációk
- át
- transzformáló
- utazás
- Trends
- oktatói
- kettő
- típus
- típusok
- ui
- alatt
- mögöttes
- kinyit
- frissítve
- us
- használ
- használati eset
- használt
- segítségével
- Értékes
- érték
- Értékek
- különféle
- Járművek
- keresztül
- Megnézem
- látomás
- vs
- meleg
- volt
- we
- háló
- webes szolgáltatások
- ami
- széles
- Széleskörű
- lesz
- val vel
- Munka
- dolgozott
- munkafolyamatok
- ír
- év
- év
- te
- A te
- zephyrnet