Az egészségügyben, a pénzügyi szolgáltatásokban, a közszférában és más iparágakban dolgozó AWS ügyfelei több milliárd dokumentumot tárolnak képként vagy PDF-ként Amazon egyszerű tárolási szolgáltatás (Amazon S3). Mindazonáltal képtelenek betekintést nyerni, például a dokumentumokba zárt információk felhasználását nagy nyelvi modellekhez (LLM) vagy keresni, amíg ki nem nyerik a szöveget, űrlapokat, táblázatokat és egyéb strukturált adatokat. Az AWS intelligens dokumentumfeldolgozással (IDP) olyan mesterséges intelligencia szolgáltatásokat használva, mint pl Amazon szöveg, kihasználhatja az iparágvezető gépi tanulási (ML) technológiát a PDF-ekből vagy dokumentumképekből (TIFF, JPEG, PNG) származó adatok gyors és pontos feldolgozásához. Miután a szöveget kivonták a dokumentumokból, felhasználhatja az alapmodell finomhangolására, alapozási modell segítségével összegezze az adatokat, vagy küldje el egy adatbázisba.
Ebben a bejegyzésben a dokumentumok nagy gyűjteményének nyers szövegfájlokká történő feldolgozására és az Amazon S3-ban való tárolására összpontosítunk. Két különböző megoldást kínálunk erre a felhasználási esetre. Az első lehetővé teszi Python-szkript futtatását bármely szerverről vagy példányról, beleértve a Jupyter-jegyzetfüzetet is; ez a leggyorsabb módja az indulásnak. A második megközelítés a különféle infrastruktúra-összetevők kulcsrakész telepítése AWS Cloud Development Kit (AWS CDK) konstrukciókat. Az AWS CDK konstrukció rugalmas és rugalmas keretrendszert biztosít a dokumentumok feldolgozásához és a végpontok közötti IDP-folyamat felépítéséhez. Az AWS CDK használatával kibővítheti funkcionalitását a szerkesztéssel, tárolja a kimenetet az Amazon OpenSearch-ben, vagy adjon hozzá egyénit AWS Lambda saját üzleti logikájával működik.
Mindkét megoldás lehetővé teszi több millió oldal gyors feldolgozását. Mielőtt e megoldások bármelyikét nagyarányúan futtatná, javasoljuk, hogy teszteljen a dokumentumok egy részével, hogy megbizonyosodjon arról, hogy az eredmények megfelelnek az elvárásoknak. A következő szakaszokban először a parancsfájl-megoldást írjuk le, majd az AWS CDK-konstrukciós megoldást.
1. megoldás: Használjon Python-szkriptet
Ez a megoldás olyan gyorsan dolgozza fel a dokumentumokat a nyers szöveghez az Amazon Textracten keresztül, amennyire a szolgáltatás lehetővé teszi, azzal az elvárással, hogy ha hiba történik a szkriptben, a folyamat onnan folytatódik, ahol abbamaradt. A megoldás három különböző szolgáltatást használ: Amazon S3, Amazon DynamoDBés az Amazon Textract.
A következő diagram a szkripten belüli események sorrendjét szemlélteti. Amikor a szkript véget ér, a SageMaker stúdiókonzolja visszaküldi a befejezett állapotot és a szükséges időt.
Ezt a megoldást a .ipynb szkript és a .py szkript. Igényei szerint bármelyik telepíthető megoldást használhatja.
Előfeltételek
A szkript Jupyter notebookból való futtatásához a AWS Identity and Access Management A jegyzetfüzethez rendelt (IAM) szerepkörnek olyan engedélyekkel kell rendelkeznie, amelyek lehetővé teszik a DynamoDB, Amazon S3 és Amazon Textract szolgáltatásokkal való együttműködést. Az általános útmutatás az, hogy minden egyes szolgáltatáshoz a legkevesebb jogosultságot kell biztosítania az Ön számára AmazonSageMaker-ExecutionRole
szerep. További információért lásd: Kezdje el az AWS által felügyelt házirendeket, és lépjen a legkisebb jogosultságokkal rendelkező engedélyek felé.
Alternatív megoldásként futtathatja ezt a szkriptet más környezetekből, például egy Amazon rugalmas számítási felhő (Amazon EC2) példány vagy tároló, amelyet Ön kezelne, feltéve, hogy a Python, a Pip3 és a AWS SDK Pythonhoz (Boto3) telepítve vannak. Ismét ugyanazokat az IAM-szabályokat kell alkalmazni, amelyek lehetővé teszik a szkript számára, hogy együttműködjön a különböző felügyelt szolgáltatásokkal.
Végigjátszás
A megoldás megvalósításához először klónoznia kell a tárolót GitHub.
A következő változókat kell beállítania a szkriptben, mielőtt futtatná:
- nyomkövetési_tábla – Ez a létrehozandó DynamoDB tábla neve.
- input_bucket – Ez a forrás helye az Amazon S3-ban, amely tartalmazza azokat a dokumentumokat, amelyeket el szeretne küldeni az Amazon Textract számára szövegészlelés céljából. Ehhez a változóhoz adja meg a vödör nevét, például
mybucket
. - output_bucket – Ez annak a helynek a tárolására szolgál, ahová szeretné, hogy az Amazon Textract írja az eredményeket. Ehhez a változóhoz adja meg a vödör nevét, például
myoutputbucket
. - _input_prefix (nem kötelező) – Ha bizonyos fájlokat szeretne kiválasztani az S3 tárolóban lévő mappából, megadhatja ezt a mappanevet beviteli előtagként. Ellenkező esetben hagyja üresen az alapértelmezett értéket az összes kiválasztásához.
A forgatókönyv a következő:
A következő DynamoDB táblaséma jön létre a szkript futtatásakor:
A szkript első futtatásakor ellenőrzi, hogy létezik-e a DynamoDB tábla, és szükség esetén automatikusan létrehozza azt. A tábla létrehozása után fel kell töltenünk az Amazon S3 dokumentumobjektum-hivatkozásainak listájával, amelyeket fel szeretnénk dolgozni. A tervezett parancsfájl felsorolja a megadott objektumokat input_bucket
és futáskor automatikusan feltöltik a táblánkat a nevükkel. Körülbelül 10 percet vesz igénybe több mint 100,000 3 dokumentum felsorolása és ezeknek a neveknek a DynamoDB táblába való feltöltése a szkriptből. Ha több millió objektum van egy vödörben, alternatív megoldásként használhatja az Amazon SXNUMX leltár funkcióját, amely létrehoz egy CSV-fájlt a nevekből, majd ebből a listából előre feltölti a DynamoDB táblát a saját szkriptjével, és nem használja az ún. fetchAllObjectsInBucketandStoreName
kommentálásával. További információért lásd: Az Amazon S3 Inventory konfigurálása.
Mint korábban említettük, létezik notebook-verzió és Python-szkript verzió is. A notebook a legegyszerűbb módja az indulásnak; egyszerűen futtassa az egyes cellákat az elejétől a végéig.
Ha úgy dönt, hogy parancssori felületről futtatja a Python-szkriptet, javasoljuk, hogy terminálmultiplexert használjon, például a tmux-ot. Ez megakadályozza, hogy a szkript leálljon, ha az SSH-munkamenet befejeződik. Például: tmux new -d ‘python3 textractFeeder.py’
.
A következő a a forgatókönyv belépési pontja; innen kommentálhatja a nem szükséges módszereket:
A következő mezők vannak beállítva, amikor a szkript feltölti a DynamoDB táblát:
- objektumnév – Az Amazon S3-ban található dokumentum neve, amelyet az Amazon Textractnak küldenek
- bucketName – A vödör, ahol a dokumentumobjektum tárolva van
Ezt a két mezőt ki kell tölteni, ha úgy dönt, hogy CSV-fájlt használ az S3 leltárjelentésből, és kihagyja a szkripten belüli automatikus feltöltést.
Most, hogy a tábla létrejött és feltöltve a dokumentumobjektum-hivatkozásokkal, a szkript készen áll az Amazon Textract meghívására. StartDocumentTextDetection
API. Az Amazon Textract más felügyelt szolgáltatásokhoz hasonlóan rendelkezik a alapértelmezett korlát a tranzakciók másodpercenkénti (TPS) nevű API-kon. Ha szükséges, kérhet kvótaemelést az Amazon Textract konzolról. A kódot úgy tervezték, hogy egyidejűleg több szálat használjon az Amazon Textract hívásakor a szolgáltatás átviteli sebességének maximalizálása érdekében. Ezt a kódon belül módosíthatja a threadCountforTextractAPICall
változó. Alapértelmezés szerint ez 20 szálra van állítva. A szkript kezdetben 200 sort fog beolvasni a DynamoDB táblából, és tárolja ezeket a memórián belüli listában, amely egy osztályba van csomagolva a szálbiztonság érdekében. Ezután minden hívó szál elindul, és a saját úszósávjában fut. Alapvetően az Amazon Textract hívószála lekér egy elemet a memóriában lévő listából, amely tartalmazza az objektumhivatkozásunkat. Ezután meghívja az aszinkront start_document_text_detection
API-t, és várja meg a visszaigazolást a munkaazonosítóval. A feladatazonosító ezután visszakerül az adott objektum DynamoDB sorába, és a szál megismétlődik a következő elem lekérésével a listából.
A következő a fő hangszerelési kód forgatókönyv:
A hívó szálai mindaddig ismétlődnek, amíg már nem lesznek elemek a listában, ekkor a szálak mindegyike leáll. Amikor az úszósávjukon belül működő összes szál leáll, a rendszer lekéri a következő 200 sort a DynamoDB-ből, és elindul egy új, 20 szálból álló készlet, és az egész folyamat addig ismétlődik, amíg minden olyan sor, amely nem tartalmaz feladatazonosítót, le nem kerül a DynamoDB-ből, és frissítve. Ha a szkript valamilyen váratlan probléma miatt összeomlik, akkor a szkript újra futtatható a orchestrate()
módszer. Ez biztosítja, hogy a szálak továbbra is feldolgozzák az üres jobazonosítókat tartalmazó sorokat. Vegye figyelembe, hogy a orchestrate()
módszerrel, miután a szkript leállt, előfordulhat, hogy néhány dokumentum ismét elküldésre kerül az Amazon Textract számára. Ez a szám egyenlő vagy kisebb lesz az összeomlás idején futó szálak számával.
Ha nincs több üres feladatazonosítót tartalmazó sor a DynamoDB táblában, a szkript leáll. Az Amazon Textract összes JSON-kimenete az összes objektumhoz megtalálható a output_bucket
alapértelmezés szerint a textract_output
mappát. Minden almappában belül textract_output
lesz elnevezve azzal a jobazonosítóval, amely megfelel az objektum DynamoDB táblájában tárolt jobazonosítónak. A feladatazonosító mappában található a JSON, amelynek numerikus elnevezése 1-től kezdődik, és potenciálisan további JSON-fájlokra is kiterjedhet, amelyek 2-es, 3-as stb. Az átívelő JSON-fájlok sűrű vagy többoldalas dokumentumok eredménye, ahol a kivont tartalom mennyisége meghaladja az Amazon Textract alapértelmezett, 1,000 blokkos JSON-méretét. Hivatkozni Blokk a blokkokkal kapcsolatos további információkért. Ezek a JSON-fájlok tartalmazzák az Amazon Textract összes metaadatát, beleértve a dokumentumokból kivont szöveget is.
A megoldás Python kódú notebook verzióját és szkriptjét itt találja meg GitHub.
Tisztítsuk meg
Amikor a Python-szkript elkészült, költségeket takaríthat meg a program leállításával vagy leállításával Amazon SageMaker Studio notebook vagy konténer, amit felpörgettél.
Most térjünk rá a második megoldásunkra a nagyméretű dokumentumokhoz.
2. megoldás: Használjon kiszolgáló nélküli AWS CDK-konstrukciót
Ez a megoldás használ AWS lépésfunkciók és a Lambda funkciói az IDP-csővezeték megszervezésére szolgálnak. Használjuk a IDP AWS CDK konstrukciók, amelyek egyszerűvé teszik az Amazon Textracttel való nagyszabású munkát. Ezenkívül használunk a Lépésfüggvények elosztott térképe az S3 vödörben lévő összes fájl megismétléséhez és a feldolgozás megkezdéséhez. Az első Lambda-függvény határozza meg, hogy a dokumentumok hány oldalasak. Ez lehetővé teszi, hogy a folyamat automatikusan használja a szinkron (egyoldalas dokumentumokhoz) vagy aszinkron (többoldalas dokumentumokhoz) API-t. Az aszinkron API használatakor egy további Lambda-függvény kerül meghívásra az összes JSON-fájlhoz, amelyet az Amazon Textract az összes oldala számára egyetlen JSON-fájlba hoz létre, hogy egyszerűbbé tegye a későbbi alkalmazások számára az információk kezelését.
Ez a megoldás két további lambda funkciót is tartalmaz. Az első függvény elemzi a szöveget a JSON-ból, és szövegfájlként menti az Amazon S3-ban. A második függvény elemzi a JSON-t, és tárolja azt a munkaterhelés mérőszámaihoz.
A következő ábra a Step Functions munkafolyamatot mutatja be.
Előfeltételek
Ez a kódbázis az AWS CDK-t használja, és Dockerre van szüksége. Ezt telepítheti egy AWS Cloud9 példány, amelynél az AWS CDK és a Docker már be van állítva.
Végigjátszás
A megoldás megvalósításához először klónoznia kell a tárolóból.
A lerakat klónozása után telepítse a függőségeket:
Ezután használja a következő kódot az AWS CDK-verem üzembe helyezéséhez:
Ehhez a megoldáshoz meg kell adnia a forrásgyűjtőt és a forrás előtagot (a feldolgozni kívánt fájlok helyét).
Amikor a központi telepítés befejeződött, lépjen a Step Functions konzolra, ahol látnia kell az állapotgépet ServerlessIDPArchivePipeline
.
Nyissa meg az állapotgép részleteit tartalmazó oldalt, és a kivégzések lapot választani Indítsa el a végrehajtást.
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 végrehajtást ismét futtatni az állapotgépet.
Az állapotgép elindítása után a folyamatot a térkép futtatásával figyelheti. Látni fog egy Elemfeldolgozás állapota részben, mint a következő képernyőkép. Amint láthatja, ez arra készült, hogy futtassa és nyomon kövesse, mi volt sikeres és mi nem. Ez a folyamat mindaddig fut, amíg az összes dokumentumot el nem olvasta.
Ezzel a megoldással képes lesz több millió fájl feldolgozására az AWS-fiókjában anélkül, hogy azon kellene aggódnia, hogyan kell megfelelően meghatározni, hogy melyik API-hoz mely fájlokat kell elküldeni, vagy a folyamatban lévő sérült fájlokat. A Step Functions konzolon keresztül valós időben nézheti és figyelheti fájljait.
Tisztítsuk meg
Miután a folyamat befejeződött, a tisztításhoz visszatérhet a projektbe, és beírhatja a következő parancsot:
Ezzel törli a projekthez telepített szolgáltatásokat.
Következtetés
Ebben a bejegyzésben bemutattunk egy megoldást, amely egyszerűvé teszi a dokumentumképek és PDF-fájlok szöveges fájlokká konvertálását. Ez kulcsfontosságú előfeltétele annak, hogy dokumentumait generatív AI-hoz és kereséshez használhassa. Ha többet szeretne megtudni arról, hogyan használhat szöveget az alapmodellek betanításához vagy finomhangolásához, tekintse meg a következőt: Finomhangolja a Llama 2-t a szöveggeneráláshoz az Amazon SageMaker JumpStarton. A kereséssel való használathoz lásd: Valósítsa meg az intelligens dokumentumkereső indexet az Amazon Textract és az Amazon OpenSearch segítségével. Ha többet szeretne megtudni az AWS AI-szolgáltatások által kínált fejlett dokumentumfeldolgozási lehetőségekről, tekintse meg a következőt: Útmutató az AWS intelligens dokumentumfeldolgozásához.
A szerzőkről
Tim Condello az Amazon Web Services (AWS) mesterséges intelligencia (AI) és gépi tanulási (ML) megoldások vezető építészmérnöke. Fókuszában a természetes nyelvi feldolgozás és a számítógépes látás áll. Tim élvezi az ügyfelek ötleteit, és skálázható megoldásokká alakítja azokat.
David Girling vezető AI/ML megoldások tervezője, több mint húsz éves tapasztalattal a vállalati rendszerek tervezésében, vezetésében és fejlesztésében. David egy olyan speciális csapat tagja, amely arra összpontosít, hogy segítse az ügyfeleket megtanulni, megújítani és felhasználni ezeket a nagy teljesítményű szolgáltatásokat az adataikkal a használati eseteikhez.
- 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/create-a-document-lake-using-large-scale-text-extraction-from-documents-with-amazon-textract/
- :van
- :is
- :nem
- :ahol
- $ UP
- 000
- 1
- 10
- 100
- 12
- 20
- 200
- 7
- 710
- 8
- a
- Képes
- Rólunk
- hozzáférés
- Fiók
- pontosan
- hozzá
- További
- Ezen kívül
- előre
- fejlett
- Előny
- Után
- újra
- AI
- AI szolgáltatások
- AI / ML
- Minden termék
- lehetővé
- lehetővé teszi, hogy
- mentén
- már
- Is
- amazon
- Amazon EC2
- Amazon SageMaker
- Amazon szöveg
- Az Amazon Web Services
- Amazon Web Services (AWS)
- összeg
- an
- elemzések
- és a
- bármilyen
- api
- API-k
- alkalmazások
- alkalmazott
- megközelítés
- körülbelül
- VANNAK
- mesterséges
- mesterséges intelligencia
- Mesterséges intelligencia (AI)
- AS
- kijelölt
- At
- auto
- automatikusan
- AWS
- vissza
- bázis
- Alapvetően
- BE
- óta
- előtt
- milliárd
- Blocks
- Bootstrap
- mindkét
- épít
- épült
- üzleti
- by
- hívás
- hívott
- Hívó
- hívás
- TUD
- képességek
- képes
- eset
- esetek
- sejt
- bizonyos
- változik
- ellenőrizze
- 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
- osztály
- ragadozó ölyv
- felhő
- kód
- kódbázis
- gyűjtemény
- megjegyzés
- kommentálva
- teljes
- befejezés
- alkatrészek
- Kiszámít
- számítógép
- Számítógépes látás
- Konzol
- konstrukció
- tartalmaz
- Konténer
- tartalmaz
- tartalom
- folytatódik
- megtérít
- megfelel
- kiadások
- tudott
- Crash
- teremt
- készítette
- szokás
- vevő
- Ügyfelek
- dátum
- adatbázis
- David
- dönt
- alapértelmezett
- függőségek
- telepíteni
- telepített
- bevetés
- leírni
- Design
- tervezett
- tervezés
- részletek
- Érzékelés
- Határozzuk meg
- meghatározza
- fejlesztése
- Fejlesztés
- különböző
- megosztott
- Dokkmunkás
- dokumentum
- dokumentumok
- Nem
- le-
- két
- minden
- Korábban
- bármelyik
- lehetővé teszi
- végtől végig
- vége
- belép
- Vállalkozás
- belépés
- környezetek
- egyenlő
- események
- Minden
- példa
- meghaladja
- végrehajtás
- létezik
- várakozás
- várakozások
- tapasztalat
- terjed
- kivonat
- kitermelés
- Sikertelen
- hiányában
- Kudarc
- Funkció
- kevés
- Fields
- filé
- Fájlok
- pénzügyi
- pénzügyi szolgáltatások
- Találjon
- befejezni
- vezetéknév
- első
- rugalmas
- Összpontosít
- koncentrál
- követ
- következő
- következik
- A
- formák
- talált
- Alapítvány
- Keretrendszer
- ból ből
- funkció
- funkcionalitás
- funkciók
- Nyereség
- általános
- generál
- generáció
- nemző
- Generatív AI
- kap
- Go
- útmutatást
- megtörténik
- Legyen
- egészségügyi
- segít
- itt
- nagyon
- övé
- Hogyan
- How To
- azonban
- HTML
- http
- HTTPS
- i
- ID
- ötletek
- Identitás
- ids
- if
- illusztrálja
- képek
- végre
- in
- tartalmaz
- Beleértve
- Növelje
- index
- iparágak
- iparágvezető
- információ
- Infrastruktúra
- alapvetően
- kezdeményez
- újít
- bemenet
- meglátások
- telepíteni
- telepítve
- példa
- Intelligencia
- Intelligens
- Intelligens dokumentumfeldolgozás
- kölcsönhatásba
- bele
- leltár
- IT
- tételek
- ITS
- Munka
- jpg
- json
- Kulcs
- tó
- Ösvény
- nyelv
- nagy
- nagyarányú
- vezető
- TANUL
- tanulás
- Szabadság
- balra
- kevesebb
- mint
- Lista
- Láma
- található
- elhelyezkedés
- zárt
- logika
- hosszabb
- keres
- gép
- gépi tanulás
- Fő
- csinál
- KÉSZÍT
- kezelése
- sikerült
- sok
- térkép
- Maximize
- Találkozik
- említett
- Metaadatok
- módszer
- mód
- Metrics
- Több millió
- Perc
- ML
- modell
- modellek
- monitor
- több
- a legtöbb
- mozog
- többszörös
- kell
- név
- Nevezett
- nevek
- Természetes
- Természetes nyelvi feldolgozás
- Keresse
- Szükség
- szükséges
- Új
- következő
- nem
- megjegyezni
- jegyzetfüzet
- Most
- szám
- tárgy
- objektumok
- of
- kedvezmény
- felajánlott
- on
- ONE
- üzemeltetési
- or
- hangszerelés
- Más
- másképp
- mi
- ki
- teljesítmény
- felett
- saját
- becsomagolt
- oldal
- oldalak
- rész
- mert
- engedélyek
- vedd
- csővezeték
- Plató
- Platón adatintelligencia
- PlatoData
- pont
- Politikák
- benépesített
- állás
- potenciális
- potenciálisan
- bemutatott
- megakadályozása
- Probléma
- folyamat
- Folyamatok
- feldolgozás
- gyárt
- program
- megfelelően
- ad
- feltéve,
- biztosít
- nyilvános
- tesz
- Piton
- leggyorsabb
- gyorsan
- Nyers
- Olvass
- kész
- igazi
- real-time
- ajánl
- ajánlott
- rekord
- nyilvántartások
- utal
- referencia
- referenciák
- ismétlés
- jelentést
- raktár
- kérni
- kötelező
- követelmények
- megköveteli,
- rugalmas
- eredményez
- Eredmények
- Szerep
- SOR
- futás
- futás
- fut
- biztonságos
- Biztonság
- sagemaker
- azonos
- Megtakarítás
- skálázható
- Skála
- forgatókönyv
- sdk
- Keresés
- Második
- Rész
- szakaszok
- szektor
- lát
- válasszuk
- küld
- idősebb
- küldött
- Sorozat
- szerver
- vagy szerver
- szolgáltatás
- Szolgáltatások
- ülés
- készlet
- kellene
- leállítás
- hasonló
- Egyszerű
- egyszerűen
- Méret
- okos
- So
- megoldások
- Megoldások
- néhány
- forrás
- arasz
- feszültség
- szakember
- meghatározott
- fonott
- verem
- kezdet
- kezdődött
- Kezdve
- Állami
- Állapot
- Lépés
- megáll
- megállt
- megállítás
- tárolás
- tárolni
- memorizált
- árnyékolók
- tárolása
- egyértelmű
- Húr
- szerkesztett
- stúdió
- sikeres
- ilyen
- biztos
- Systems
- táblázat
- Vesz
- meghozott
- tart
- bevétel
- csapat
- Technológia
- terminál
- Tesztelés
- szöveg
- mint
- hogy
- A
- az információ
- The Source
- Az állam
- azok
- Őket
- akkor
- Ott.
- Ezek
- ők
- ezt
- azok
- három
- Keresztül
- áteresztőképesség
- Tim
- idő
- nak nek
- felé
- idő
- vágány
- Vonat
- Tranzakciók
- Turning
- kulcsrakész
- kettő
- képtelen
- alatt
- Váratlan
- -ig
- frissítve
- használ
- használati eset
- használ
- segítségével
- hasznosít
- hasznosítja
- változó
- különféle
- változat
- látomás
- várjon
- akar
- volt
- Nézz
- Út..
- we
- háló
- webes szolgáltatások
- voltak
- Mit
- amikor
- ami
- egész
- lesz
- val vel
- belül
- nélkül
- Munka
- munkafolyamat
- aggasztó
- lenne
- csomagolt
- ír
- év
- te
- A te
- zephyrnet