„A szövegben, hangban, közösségi médiában és más strukturálatlan forrásokban elzárt adatok versenyelőnyt jelenthetnek azoknak a cégeknek, amelyek rájönnek, hogyan használják fel őket”
A szervezetek mindössze 18%-a a A Deloitte 2019-es felmérése arról számolt be, hogy képes kihasználni a strukturálatlan adatokat. Az adatok többsége, 80% és 90% között strukturálatlan adat. Ez egy nagy kiaknázatlan erőforrás, amely versenyelőnyt biztosíthat a vállalkozásoknak, ha megtudják, hogyan használják fel. Nehéz lehet betekintést nyerni ezekből az adatokból, különösen, ha erőfeszítésekre van szükség az osztályozáshoz, címkézéshez vagy címkézéshez. Amazon Comprehend az egyéni besorolás hasznos lehet ebben a helyzetben. Amazon Comprehend egy természetes nyelvű feldolgozó (NLP) szolgáltatás, amely gépi tanulást használ, hogy értékes betekintést és összefüggéseket tárjon fel a szövegben.
A dokumentumok kategorizálása vagy osztályozása jelentős előnyökkel jár az üzleti területeken –
- Továbbfejlesztett keresés és visszakeresés – A dokumentumok releváns témákba vagy kategóriákba sorolásával sokkal könnyebbé válik a felhasználók számára a szükséges dokumentumok keresése és előhívása. Adott kategóriákban kereshetnek a találatok szűkítése érdekében.
- Tudásmenedzsment – A dokumentumok szisztematikus kategorizálása segíti a szervezet tudásbázisának rendezését. Könnyebbé teszi a releváns információk megtalálását és a kapcsolódó tartalmak közötti kapcsolatok megtekintését.
- Egyszerűsített munkafolyamatok – Az automatikus dokumentumrendezés számos üzleti folyamat egyszerűsítésében segíthet, mint például a számlák feldolgozása, az ügyfélszolgálat vagy a szabályozási megfelelés. A dokumentumok automatikusan a megfelelő személyekhez vagy munkafolyamatokhoz irányíthatók.
- Költség- és időmegtakarítás – A dokumentumok kézi kategorizálása fárasztó, időigényes és költséges. Az AI technikák átvehetik ezt a hétköznapi feladatot, és több ezer dokumentumot kategorizálhatnak rövid időn belül sokkal alacsonyabb költséggel.
- Betekintés generálása – A dokumentumkategóriák trendjeinek elemzése hasznos üzleti betekintést nyújthat. Például a vásárlói panaszok számának növekedése egy termékkategóriában olyan problémákat jelezhet, amelyeket kezelni kell.
- Irányítás és politika érvényesítése – A dokumentumok kategorizálási szabályainak beállítása segít abban, hogy a dokumentumok helyesen legyenek besorolva a szervezet irányelvei és irányítási szabványai szerint. Ez jobb nyomon követést és auditálást tesz lehetővé.
- Személyre szabott élmények – Az olyan kontextusokban, mint a webhelyek tartalma, a dokumentumok kategorizálása lehetővé teszi, hogy személyre szabott tartalmat jelenítsenek meg a felhasználók számára a böngészési viselkedésük alapján meghatározott érdeklődési köreik és preferenciáik alapján. Ez növelheti a felhasználói elköteleződést.
A testre szabott osztályozási gépi tanulási modell fejlesztésének összetettsége számos szemponttól, például az adatminőségtől, az algoritmustól, a méretezhetőségtől és a tartományismerettől függően változik, hogy néhányat említsünk. Lényeges, hogy a probléma egyértelmű meghatározásával, tiszta és releváns adatokkal kezdjük, és fokozatosan dolgozzuk végig a modellfejlesztés különböző szakaszait. A vállalkozások azonban létrehozhatják saját egyedi gépi tanulási modelleiket az Amazon Comprehend egyéni besorolás segítségével, hogy automatikusan kategóriákba vagy címkékbe sorolják a szöveges dokumentumokat, hogy megfeleljenek az üzleti specifikus követelményeknek, és megfeleljenek az üzleti technológiai és dokumentumkategóriáknak. Mivel már nincs szükség emberi címkézésre vagy kategorizálásra, ez sok időt, pénzt és munkát takaríthat meg a vállalkozásoknak. Ezt a folyamatot leegyszerűsítettük a teljes képzési folyamat automatizálásával.
Ennek a többsorozatú blogbejegyzésnek az első részében megtudhatja, hogyan hozhat létre méretezhető képzési folyamatot, és hogyan készíthet képzési adatokat az egyéni osztályozási modellekhez. Bemutatunk egy egyéni osztályozó képzési folyamatot, amely néhány kattintással telepíthető az AWS-fiókjában. A BBC híradatkészletét használjuk, és egy osztályozót fogunk betanítani, hogy azonosítsa azt az osztályt (pl. politika, sport), amelyhez egy dokumentum tartozik. A folyamat lehetővé teszi szervezete számára, hogy gyorsan reagáljon a változásokra, és új modelleket képezzen ki anélkül, hogy minden alkalommal a nulláról kellene kezdenie. Könnyedén méretezhet és taníthat több modellt igénye alapján.
Előfeltételek
- Egy aktív AWS-fiók (kattintson itt új AWS-fiók létrehozásához)
- Hozzáférés az Amazon Comprehend, az Amazon S3, az Amazon Lambda, az Amazon Step Function, az Amazon SNS és az Amazon CloudFormation szolgáltatáshoz
- A következő részben elkészített képzési adatok (félstruktúra vagy szöveg).
- Alapvető ismeretek a Pythonról és általában a gépi tanulásról
Készítse elő az edzési adatokat
Ez a megoldás bármelyik beviteli módot fogadhatja el szöveges formátum (pl. CSV) ill félig strukturált formátum (pl. PDF).
Szövegbevitel
Amazon Comprehend Az egyéni besorolás két módot támogat: többosztályos és többcímkés.
Többosztályos módban minden dokumentumhoz csak egy osztály rendelhető. A képzési adatokat kétoszlopos CSV-fájlként kell elkészíteni, ahol a fájl minden sora egyetlen osztályt és az osztályt bemutató dokumentum szövegét tartalmazza.
Példa erre BBC híradatkészlet:
Többcímkés módban minden dokumentumhoz legalább egy osztály van hozzárendelve, de lehet több is. A képzési adatoknak kétoszlopos CSV-fájlként kell lenniük, amelyben a fájl minden sora egy vagy több osztályt és a képzési dokumentum szövegét tartalmazza. Egynél több osztályt kell jelölni az egyes osztályok közötti határolóval.
A CSV-fájlban egyik képzési mód esetében sem szabad fejlécet tartalmazni.
Félig strukturált bemenet
2023-től, Amazon Comprehend most már támogatja a félig strukturált dokumentumokat használó képzési modelleket. A félig strukturált bevitelhez szükséges betanítási adatok címkézett dokumentumok készletéből állnak, amelyek egy olyan dokumentumtárból származó előre azonosított dokumentumok lehetnek, amelyekhez már hozzáfér. A következő példa egy megjegyzésfájlra, a képzéshez szükséges CSV-adatokra (Minta adat):
A megjegyzések CSV-fájlja három oszlopot tartalmaz: Az első oszlop a dokumentum címkéjét tartalmazza, a második oszlop a dokumentum nevét (azaz a fájl neve), az utolsó oszlop pedig a dokumentumba felvenni kívánt dokumentum oldalszáma. képzési adatkészlet. A legtöbb esetben, ha a megjegyzések CSV-fájlja ugyanabban a mappában található az összes többi dokumentummal, akkor csak a dokumentum nevét kell megadnia a második oszlopban. Ha azonban a CSV-fájl egy másik helyen található, akkor a második oszlopban meg kell adnia a hely elérési útját, például path/to/prefix/document1.pdf
.
Az edzési adatok elkészítésével kapcsolatos részletekért lásd: itt.
Megoldás áttekintése
- Amazon Comprehend A betanítási folyamat akkor indul el, amikor a betanítási adatokat (.csv fájl szövegbevitelhez és megjegyzés .csv fájl félig strukturális bevitelhez) feltöltik egy dedikált Amazon Simple Storage Service szolgáltatásba (Amazon S3) vödör.
- An AWS Lambda függvényt hívja meg Amazon S3 trigger úgy, hogy minden alkalommal, amikor egy objektumot feltöltenek a megadott helyre Amazon S3 helyen, az AWS Lambda függvény lekéri a feltöltött objektum forrásgyűjtőjének nevét és kulcsnevét, és átadja a képzésnek lépés funkció munkafolyamat.
- A betanítási lépés funkcióban, miután bemeneti paraméterként megkapta a betanítási adatgyűjtő neve és az objektumkulcs neve, egy egyéni modell betanítási munkafolyamat indul lambda-funkciók sorozataként a leírtak szerint:
StartComprehendTraining
: Ez az AWS lambda funkció meghatározza aComprehendClassifier
objektumot a bemeneti fájlok típusától függően (pl. szöveges vagy félig strukturált), majd elindít egy Amazon Comprehend egyedi besorolási képzési feladat telefonon Create_document_classifier Application Programming Interfact (API), amely egy oktatási feladat Amazon erőforrásneveket (ARN) ad vissza. Ezt követően ez a funkció meghívással ellenőrzi a betanítási feladat állapotát leírás_dokumentum_osztályozó API. Végül egy képzési feladat ARN-t és egy munkaállapotot ad vissza a képzési munkafolyamat következő szakaszának kimeneteként.GetTrainingJobStatus
: Ez az AWS lambda 15 percenként ellenőrzi a betanítási feladat állapotát, hívással leírás_dokumentum_osztályozó API, amíg a betanítási feladat állapota Befejezett vagy Sikertelenre nem változik.GenerateMultiClass
orGenerateMultiLabel
: Ha kiválasztja Igen A verem indításakor a teljesítményjelentéshez a két AWS lambda egyike az Amazon Comprehend modell kimenetei szerint futtatja az elemzést, amely osztályonkénti teljesítményelemzést készít, és elmenti Amazon S3.GenerateMultiClass
: Ezt az AWS Lambdát akkor hívják meg, ha az Ön bemenete MultiClass és kiválasztod Igen teljesítményjelentéshez.GenerateMultiLabel
: Ezt az AWS Lambdát akkor hívják meg, ha az Ön bemenete MultiLabel és kiválasztod Igen teljesítményjelentéshez.
- Amint a képzés sikeresen befejeződött, a megoldás a következő kimeneteket generálja:
- Egyéni osztályozási modell: Egy betanított ARN-modell elérhető lesz fiókjában a jövőbeni következtetési munkához.
- Zavart mátrix [Opciól]: Zavarmátrix (
confusion_matrix
.json) elérhető lesz a felhasználó által meghatározott kimenetben Amazon S3 elérési út, a felhasználó választásától függően. - Amazon Simple Notification Service értesítés [Opciól]: A kezdeti felhasználóválasztástól függően értesítő e-mailt küldünk az előfizetőknek a képzési állás állapotáról.
Végigjátszás
A megoldás elindítása
A csővezeték üzembe helyezéséhez hajtsa végre a következő lépéseket:
- 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 Indítsa el a Stack alkalmazást gomb:
- Válassza a Tovább lehetőséget
- Adja meg a csővezeték részleteit az Ön használati esetének megfelelő opciókkal:
Információ az egyes veremrészletekhez:
- Verem neve (kötelező) – az ehhez megadott név AWS felhőképződés Kazal. A névnek egyedinek kell lennie abban a régióban, amelyben létrehozza.
- Q01ClassifierInputBucketName (kötelező) – Az Amazon S3 vödör neve a bemeneti adatok tárolására. Globálisan egyedi névnek kell lennie, és az AWS CloudFormation verem segít létrehozni a gyűjtőt az indítás során.
- Q02ClassifierOutputBucketName (kötelező) – Az Amazon S3 vödör neve az Amazon Comprehend és a folyamat kimeneteinek tárolására. Ezenkívül globálisan egyedi névnek kell lennie.
- Q03InputFormat – A legördülő menüből választhat szöveg (ha az edzésadatok csv fájlok) ill félig szerkezet (ha az edzési adatok félig strukturált [pl. PDF fájlok]) az adatbeviteli formátum alapján.
- Q04 Nyelv – Egy legördülő menü, amely a támogatott listából kiválasztja a dokumentumok nyelvét. Kérjük, vegye figyelembe, hogy jelenleg csak az angol támogatott, ha a beviteli formátum félig strukturált.
- Q05MultiClass – A legördülő menüből válassza ki Igen ha a bemenet MultiClass mód. Ellenkező esetben válassza ki nem.
- Q06LabelDelimiter – Csak akkor szükséges, ha a Q05MultiClass válasz az nem. Ez a határoló az edzési adatokban az egyes osztályok elválasztására szolgál.
- Q07ValidationDataset – Egy legördülő menü, módosítsa a választ erre Igen ha saját tesztadataival szeretné tesztelni egy betanított osztályozó teljesítményét.
- Q08S3ValidationPath – Csak akkor szükséges, ha a Q07ValidationDataset válasza az Igen.
- Q09PerformanceReport – A legördülő menüből válassza ki Igen ha a modellképzés utáni osztályszintű teljesítményjelentést szeretné létrehozni. A jelentés a Q02ClassifierOutputBucketName mezőben megadott kimeneti tárolóba kerül mentésre.
- Q10E-mail értesítés – Egy legördülő menü. Válassza ki Igen ha értesítést szeretne kapni a modell betanítása után.
- Q11EmailID – Adjon meg érvényes e-mail címet a teljesítményjelentési értesítések fogadásához. Felhívjuk figyelmét, hogy az AWS CloudFormation verem elindítása után meg kell erősítenie az előfizetést az e-mailben, mielőtt értesítést kaphatna a képzés befejezéséről.
- Az Amazon Configure verembeállítások részben adjon hozzá opcionális címkéket, engedélyeket és egyéb speciális beállításokat.
- 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 Következő
- Tekintse át a verem részleteit, és válassza az Elfogadom ezt AWS felhőképződés létrehozhat AWS-t IAM erőforrások.
- 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 Küld. Ez elindítja a folyamat telepítését az AWS-fiókjában.
- A verem sikeres telepítése után megkezdheti a folyamat használatát. Hozzon létre egy
/training-data
mappát a megadott Amazon S3 hely alatt a bevitelhez. Jegyzet: Amazon S3 automatikusan alkalmazza a szerveroldali titkosítást (SSE-S3) minden új objektumhoz, hacsak nem ad meg más titkosítási beállítást. Kérlek hivatkozz Adatvédelem az Amazon S3-ban az adatvédelemről és a titkosításról bővebben itt olvashat Amazon S3.
- Töltse fel edzési adatait a mappába. (Ha a képzési adatok félig strukturáltak, töltse fel az összes PDF-fájlt, mielőtt feltölti a .csv formátumú címkeinformációkat).
Végeztél! Sikeresen telepítette a folyamatot, és ellenőrizheti a folyamat állapotát a telepített lépés funkcióban. (Az Amazon Comprehend egyéni besorolási paneljén lesz egy betanított modell.)
Ha a modellt és annak verzióját választja belül Amazon Comprehend Console, akkor most további részleteket láthat az imént betanított modellről. Tartalmazza a kiválasztott módot, amely megfelel a Q05MultiClass opciónak, a címkék számát, valamint a betanított és tesztdokumentumok számát az edzési adatokon belül. Az alábbiakban az általános teljesítményt is ellenőrizheti; Ha azonban minden egyes osztályhoz részletes teljesítményt szeretne ellenőrizni, kérjük, tekintse meg a telepített folyamat által generált Teljesítményjelentést.
Szolgáltatási kvóták
AWS-fiókja alapértelmezett kvótákkal rendelkezik a következőhöz: Amazon Comprehend és a AmazonTextract, ha a bemenetek félig strukturált formátumúak. A szolgáltatási kvóták megtekintéséhez lásd: itt mert Amazon Comprehend és a itt mert AmazonTextract.
Tisztítsuk meg
A folyamatos költségek elkerülése érdekében törölje a megoldás részeként létrehozott erőforrásokat, ha végzett.
- A Amazon S3 konzolon, manuálisan törölje a bemeneti és kimeneti adatokhoz létrehozott gyűjtőkön belüli tartalmat.
- A AWS felhőképződés konzol, válassz Stacks a navigációs ablaktáblában.
- Válassza ki a fő veremet, és válassza ki töröl.
Ez automatikusan törli a telepített veret.
- A képzett Amazon Comprehend Az egyéni besorolási modell a fiókjában marad. Ha már nincs rá szüksége, jelentkezzen be Amazon Comprehend konzolon, törölje a létrehozott modellt.
Következtetés
Ebben a bejegyzésben bemutattuk a méretezhető képzési folyamat koncepcióját Amazon Comprehend egyedi osztályozási modelleket és automatizált megoldást kínál az új modellek hatékony betanításához. A AWS felhőképződés A megadott sablon lehetővé teszi, hogy könnyedén létrehozza saját szövegosztályozási modelljeit, a kereslet méreteinek megfelelően. A megoldás elfogadja a nemrég bejelentett Euclid funkciót, és elfogadja a szöveges vagy félig strukturált formátumú beviteleket.
Most arra biztatjuk Önt, olvasóinkat, hogy teszteljék ezeket az eszközöket. További részleteket találhat róla képzési adatok előkészítése és megértsd a egyéni osztályozó metrikák. Próbálja ki, és első kézből tapasztalja meg, hogyan képes egyszerűsíteni a modellképzési folyamatot és növelni a hatékonyságot. Kérjük, ossza meg velünk visszajelzését!
A szerzőkről
Sandeep Singh vezető adattudós az AWS professzionális szolgáltatásokkal. Szenvedélyesen támogatja ügyfeleit az innovációban és üzleti céljaik elérésében a legkorszerűbb AI/ML-alapú megoldások fejlesztésével. Jelenleg a generatív AI-ra, az LLM-ekre, a gyors tervezésre és a gépi tanulás méretezésére összpontosít a vállalatok között. A legújabb mesterséges intelligencia fejlesztéseket hozza el, hogy értéket teremtsen az ügyfelek számára.
Yanyan Zhang vezető adattudós az Energy Delivery csapatban, az AWS professzionális szolgáltatásaival. Szenvedélyesen segíti ügyfeleit valódi problémák megoldásában AI/ML tudással. Mostanában a Generative AI és az LLM lehetőségeinek feltárására összpontosított. Munkán kívül szeret utazni, edzeni és új dolgokat felfedezni.
Wrick Talukdar vezető építész az Amazon Comprehend Service csapatánál. Együttműködik az AWS-ügyfelekkel, hogy segítse őket a gépi tanulás széles körben történő alkalmazásában. Munkán kívül szeret olvasni és fotózni.
- 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. Autóipar / elektromos járművek, Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- ChartPrime. Emelje fel kereskedési játékát a ChartPrime segítségével. Hozzáférés itt.
- BlockOffsets. A környezetvédelmi ellentételezési tulajdon korszerűsítése. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/build-a-classification-pipeline-with-amazon-comprehend-custom-classification-part-i/
- :van
- :is
- $ UP
- 1
- 100
- 11
- 15%
- 2023
- 24
- 26%
- 7
- 9
- a
- Képes
- Rólunk
- elfogadja
- hozzáférés
- Szerint
- Fiók
- Elérése
- elismerni
- át
- aktív
- hozzá
- cím
- címzett
- elfogadja
- fejlett
- fejlesztések
- Előny
- Után
- AI
- AI / ML
- algoritmus
- Minden termék
- lehetővé teszi, hogy
- már
- Is
- amazon
- Amazon Comprehend
- Az Amazon Web Services
- an
- elemzés
- elemzése
- és a
- bejelentés
- válasz
- Már
- api
- Alkalmazás
- alkalmazandó
- VANNAK
- AS
- szempontok
- kijelölt
- At
- hang-
- könyvvizsgálat
- Automatizált
- Automatikus
- automatikusan
- automatizálás
- elérhető
- elkerülése érdekében
- el
- AWS
- AWS felhőképződés
- AWS Lambda
- AWS professzionális szolgáltatások
- bázis
- alapján
- bbc
- BE
- óta
- előtt
- viselkedés
- hogy
- tartozik
- lent
- Előnyök
- mérték utáni
- Jobb
- között
- Nagy
- Blog
- Bring
- Legelészés
- épít
- üzleti
- vállalkozások
- de
- gomb
- by
- hívott
- hívás
- TUD
- eset
- esetek
- kategóriák
- kategorizálása
- Kategória
- változik
- Változások
- díjak
- ellenőrizze
- Ellenőrzések
- 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
- választja
- osztály
- osztályok
- besorolás
- osztályozott
- osztályoz
- világos
- kettyenés
- gyűjt
- Oszlop
- Oszlopok
- versenyképes
- panaszok
- teljes
- Befejezett
- bonyolultság
- teljesítés
- megért
- Tartalmaz
- koncepció
- megerősít
- zavar
- kapcsolatok
- Konzol
- tartalmaz
- tartalom
- tartalom
- kontextusok
- megfelel
- Költség
- tudott
- teremt
- Érték létrehozása
- készítette
- létrehozása
- Jelenleg
- szokás
- vevő
- Vevőszolgálat
- Ügyfelek
- dátum
- adat védelem
- adattudós
- elszánt
- alapértelmezett
- meghatározott
- Annak meghatározása,
- definíció
- kézbesítés
- Deloitte
- Kereslet
- mutatja
- attól
- telepíteni
- telepített
- bevetés
- leírt
- részlet
- részletes
- részletek
- eltökélt
- fejlesztése
- Fejlesztés
- különböző
- nehéz
- dokumentum
- dokumentumok
- Dollár
- domain
- domainek
- csinált
- ne
- le-
- e
- minden
- könnyebb
- könnyen
- él
- hatékonyság
- eredményesen
- erőfeszítés nélkül
- erőfeszítések
- bármelyik
- lehetővé
- ösztönzése
- titkosítás
- energia
- eljegyzés
- Mérnöki
- Angol
- növelése
- biztosítására
- belép
- Vállalatok
- alapvető
- Európa
- Minden
- példa
- drága
- Feltárása
- Sikertelen
- Funkció
- Visszacsatolás
- kevés
- Ábra
- filé
- Fájlok
- Végül
- Találjon
- cégek
- vezetéknév
- szerelvény
- Összpontosít
- összpontosított
- következő
- A
- formátum
- ból ből
- funkció
- funkciók
- jövő
- generál
- generált
- generál
- nemző
- Generatív AI
- Ad
- globálisan
- kormányzás
- fokozatosan
- Legyen
- tekintettel
- he
- segít
- segít
- segít
- neki
- Hogyan
- How To
- azonban
- HTML
- HTTPS
- emberi
- i
- azonosítani
- if
- in
- tartalmaz
- beleértve
- magában foglalja a
- Növelje
- jelzett
- információ
- kezdetben
- beavatottak
- újít
- bemenet
- bemenet
- belső
- meglátások
- érdekek
- bele
- bevezet
- hivatkozni
- kérdések
- IT
- ITS
- Munka
- jpg
- json
- éppen
- Kulcs
- tudás
- Címke
- Címkék
- munkaerő
- nyelv
- nagy
- keresztnév
- indított
- indítás
- TANUL
- tanulás
- legkevésbé
- mint
- vonal
- Lista
- LLM
- található
- elhelyezkedés
- zárt
- hosszabb
- Sok
- szeret
- alacsonyabb
- gép
- gépi tanulás
- készült
- Fő
- Többség
- KÉSZÍT
- kézikönyv
- kézzel
- sok
- térkép
- Mátrix
- Lehet..
- Média
- Találkozik
- esetleg
- Perc
- Mód
- modell
- modellek
- módok
- pénz
- ellenőrzés
- több
- a legtöbb
- hegy
- sok
- többszörös
- kell
- név
- nevek
- keskeny
- Navigáció
- elengedhetetlen
- Szükség
- szükséges
- Új
- hír
- következő
- NLP
- nem
- bejelentés
- Most
- szám
- tárgy
- célok
- of
- on
- ONE
- folyamatban lévő
- csak
- opció
- Opciók
- or
- szervezet
- szervezetek
- Más
- másképp
- mi
- ki
- teljesítmény
- kívül
- felett
- átfogó
- saját
- oldal
- üvegtábla
- panel
- paraméterek
- rész
- különösen
- elhalad
- szenvedélyes
- ösvény
- Emberek (People)
- mert
- teljesítmény
- engedélyek
- fényképezés
- csővezeték
- Plató
- Platón adatintelligencia
- PlatoData
- kérem
- Politikák
- politika
- politika
- lehetséges
- állás
- potenciális
- powered
- preferenciák
- Készít
- előkészített
- Probléma
- problémák
- folyamat
- Folyamatok
- feldolgozás
- Termékek
- szakmai
- Programozás
- védelem
- ad
- feltéve,
- amely
- Piton
- világítás
- gyorsan
- olvasók
- Olvasás
- igazi
- kap
- fogadó
- új
- nemrég
- utal
- vidék
- szabályozók
- Előírásoknak való megfelelés
- összefüggő
- marad
- jelentést
- Számolt
- raktár
- kötelező
- követelmények
- forrás
- Tudástár
- Reagálni
- Eredmények
- Visszatér
- jobb
- szabályok
- futás
- azonos
- Megtakarítás
- mentett
- skálázhatóság
- skálázható
- Skála
- Mérleg
- skálázás
- Tudós
- kaparni
- Keresés
- Második
- Rész
- lát
- kiválasztás
- idősebb
- küldött
- különálló
- Series of
- szolgáltatás
- Szolgáltatások
- készlet
- beállítás
- beállítások
- Megosztás
- ő
- rövid
- kellene
- kimutatta,
- mutatott
- jelentős
- jelent
- Egyszerű
- egyetlen
- helyzet
- Közösség
- Közösségi média
- megoldások
- Megoldások
- SOLVE
- néhány
- forrás
- Források
- különleges
- meghatározott
- Sport
- verem
- Színpad
- állapota
- szabványok
- kezdet
- kezdődik
- csúcs-
- Állapot
- Lépés
- Lépései
- tárolás
- tárolni
- áramvonal
- előfizetőknek
- előfizetés
- Később
- sikeresen
- ilyen
- támogatás
- Támogatott
- Támogatja
- Felmérés
- TAG
- szabott
- Vesz
- Feladat
- csapat
- tech
- technikák
- Technológia
- sablon
- teszt
- szöveg
- Szöveg osztályozása
- mint
- hogy
- A
- The Source
- azok
- Őket
- akkor
- Ezek
- ők
- dolgok
- ezt
- ezer
- három
- Keresztül
- idő
- időigényes
- nak nek
- szerszámok
- Témakörök
- Vonat
- kiképzett
- Képzések
- Utazó
- Trends
- kiváltó
- megpróbál
- kettő
- típus
- feltárni
- alatt
- megért
- egyedi
- kiaknázatlan
- -ig
- feltöltve
- Feltöltés
- us
- használ
- használati eset
- használt
- használó
- Felhasználók
- használ
- segítségével
- Értékes
- érték
- fajta
- változat
- Megnézem
- akar
- Út..
- we
- háló
- webes szolgáltatások
- weboldal
- amikor
- ami
- míg
- egész
- lesz
- val vel
- belül
- nélkül
- Munka
- munkafolyamat
- munkafolyamatok
- dolgozó
- edzeni
- művek
- te
- A te
- zephyrnet
- Postai irányítószám