Generatív mesterséges intelligencia (generatív AI) modellek lenyűgöző képességekről tettek tanúbizonyságot a kiváló minőségű szövegek, képek és egyéb tartalmak létrehozásában. Ezek a modellek azonban hatalmas mennyiségű tiszta, strukturált képzési adatot igényelnek, hogy teljes potenciáljukat kiaknázzák. A legtöbb valós adat strukturálatlan formátumban, például PDF-formátumban létezik, ami előfeldolgozást igényel a hatékony felhasználás előtt.
Szerint IDC, a strukturálatlan adatok ma az összes üzleti adat több mint 80%-át teszik ki. Ide tartoznak az olyan formátumok, mint az e-mailek, PDF-ek, szkennelt dokumentumok, képek, hangok, videók és egyebek. Noha ezek az adatok értékes betekintést nyújtanak, strukturálatlan természetük megnehezíti az AI-algoritmusok értelmezését és tanulását. szerint a A Deloitte 2019-es felmérése, csak a vállalkozások 18%-a számolt be arról, hogy képes kihasználni a strukturálatlan adatok előnyeit.
A mesterséges intelligencia elterjedésének felgyorsulásával a strukturálatlan adatok megemésztésére és az azokból való tanulásra szolgáló hatékony mechanizmusok kifejlesztése még kritikusabbá válik a jövőben. Ez magában foglalhat jobb előfeldolgozó eszközöket, félig felügyelt tanulási technikákat és a természetes nyelvi feldolgozás fejlődését. Azok a vállalatok, amelyek a leghatékonyabban használják fel strukturálatlan adataikat, jelentős versenyelőnyre tesznek szert a mesterséges intelligencia révén. A tiszta adatok fontosak a modell jó teljesítményéhez. A kivonatolt szövegek továbbra is nagy mennyiségű halandzsát és sablonszöveget tartalmaznak (pl. HTML olvasás). Az internetről lemásolt adatok gyakran sok ismétlődést tartalmaznak. A közösségi médiából származó adatok, vélemények vagy bármely felhasználó által generált tartalom mérgező és elfogult tartalmat is tartalmazhat, és előfordulhat, hogy ezeket bizonyos előfeldolgozási lépésekkel ki kell szűrnie. Sok rossz minőségű tartalom vagy bot által generált szöveg is előfordulhat, amelyek a mellékelt metaadatok segítségével kiszűrhetők (pl. kiszűrhetők az alacsony ügyfélértékelést kapott ügyfélszolgálati válaszok).
Az adatok előkészítése a Retrieval Augmented Generation több szakaszában is fontos (RONGY) modellek. A tudásforrás dokumentumok előfeldolgozást igényelnek, például szövegtisztítást és szemantikai beágyazást generálnak, így hatékonyan indexelhetők és visszakereshetők. A felhasználó természetes nyelvű lekérdezése is előfeldolgozást igényel, így vektorba kódolható és összehasonlítható a dokumentumbeágyazásokkal. A releváns kontextusok lekérése után további előfeldolgozásra, például csonkításra lehet szükségük, mielőtt összefűznék őket a felhasználó lekérdezésével az alapmodell végső promptjának létrehozásához. Amazon SageMaker Canvas most támogatja az átfogó adat-előkészítési képességeket, amelyeket a Amazon SageMaker Data Wrangler. Ezzel az integrációval a SageMaker Canvas egy végponttól végpontig kód nélküli munkaterületet biztosít az ügyfeleknek az adatok előkészítéséhez, az ML és alapozási modellek felépítéséhez és használatához, hogy felgyorsítsák az adatoktól az üzleti betekintésig eltelt időt. Mostantól könnyedén felfedezheti és összesítheti az adatokat több mint 50 adatforrásból, valamint felfedezheti és előkészítheti az adatokat a SageMaker Canvas vizuális felületén található több mint 300 beépített elemzés és átalakítás segítségével.
Megoldás áttekintése
Ebben a bejegyzésben egy PDF dokumentációs adatkészlettel dolgozunk –Amazon alapkőzet használati útmutató. Továbbá bemutatjuk, hogyan lehet előfeldolgozni egy adatkészletet a RAG számára. Pontosabban megtisztítjuk az adatokat, és RAG-műtermékeket hozunk létre, hogy megválaszoljuk az adatkészlet tartalmával kapcsolatos kérdéseket. Fontolja meg a következő gépi tanulási (ML) problémát: a felhasználó feltesz egy nagy nyelvi modellre (LLM) vonatkozó kérdést: „Hogyan szűrhetünk és kereshetünk modelleket az Amazon Bedrockban?”. Az LLM nem látta a dokumentációt a képzés vagy a finomhangolás szakaszában, így nem tudna válaszolni a kérdésre, és valószínűleg hallucinálni fog. Ezzel a bejegyzéssel az a célunk, hogy megtaláljunk egy releváns szövegrészt a PDF-ből (pl. RAG), és csatoljuk a prompthoz, így lehetővé téve az LLM számára, hogy válaszoljon a jelen dokumentumra vonatkozó kérdésekre.
Az alábbiakban bemutatjuk, hogyan hajthatja végre ezeket a fő előfeldolgozási lépéseket Amazon SageMaker Canvas (hajtja Amazon SageMaker Data Wrangler):
- Szöveg kinyerése PDF-dokumentumból (a Textract segítségével)
- Érzékeny információk eltávolítása (az Comprehend által üzemeltetett)
- A szöveget darabokra vágja.
- Hozzon létre beágyazást minden egyes darabhoz (a Bedrock által működtetett).
- Beágyazás feltöltése vektoros adatbázisba (az OpenSearch segítségével)
Előfeltételek
Ehhez az áttekintéshez a következőkre van szüksége:
Megjegyzések: Hozzon létre OpenSearch szolgáltatási tartományokat az utasításokat követve itt. Az egyszerűség kedvéért válasszuk a fő felhasználónévvel és jelszóval rendelkező opciót a finomszemcsés hozzáférés-szabályozáshoz. A tartomány létrehozása után hozzon létre egy vektorindexet a következő leképezésekkel, és az 1536-os vektordimenzió igazodik az Amazon Titan beágyazásaihoz:
Végigjátszás
Építsen fel adatfolyamot
Ebben a részben bemutatjuk, hogyan építhetünk adatfolyamot szövegek és metaadatok PDF-ekből való kinyerésére, az adatok tisztítására és feldolgozására, az Amazon Bedrock használatával beágyazások létrehozására, valamint az adatok Amazon OpenSearch-ben való indexelésére.
Indítsa el a SageMaker Canvast
A SageMaker Canvas elindításához hajtsa végre a következő lépéseket:
- Az Amazonon SageMaker konzol, választ Domains a navigációs ablaktáblában.
- Válassza ki a domainjét.
- Az indító menüben válassza a lehetőséget Vászon.
Hozzon létre egy adatfolyamot
A SageMaker Canvasban adatfolyam létrehozásához hajtsa végre a következő lépéseket:
- A SageMaker Canvas kezdőlapján válassza a lehetőséget Data Wrangler.
- 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 Teremt az oldal jobb oldalán, majd adjon meg egy adatfolyam nevet, és válassza ki Teremt.
- Ez egy adatfolyam-oldalra fog kerülni.
- 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 Adatok importálása, válassza ki a táblázatos adatokat.
Most importáljuk az adatokat az Amazon S3 vödörből:
- 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 Adatok importálása és válassza ki a Táblázatos a legördülő listából.
- Adatforrás és válassza ki a Amazon S3 a legördülő listából.
- Keresse meg a PDF-fájlok helyét tartalmazó metaadatfájlt, és válassza ki a fájlt.
- Most a metaadatfájl betöltődik az adat-előkészítési adatfolyamba, és folytathatjuk a következő lépésekkel az adatok és az indexek Amazon-ba történő átalakításához. OpenSearch. Ebben az esetben a fájl a következő metaadatokkal rendelkezik, az egyes fájlok helyével az Amazon S3 könyvtárban.
Új átalakítás hozzáadásához hajtsa végre a következő lépéseket:
- Válassza ki a plusz jelet, és válassza ki Adja hozzá az átalakítást.
- 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 Add hozzá a lépést És válasszon Egyedi átalakítás.
- Egyéni átalakítást hozhat létre a Pandas, a PySpark, a Python felhasználó által definiált függvényei és az SQL PySpark használatával. Választ Python (PySpark) erre a használati esetre.
- Adja meg a lépés nevét. A példakódrészletek közül tallózzon, és válasszon szöveget kivonat pdf-ből. Végezze el a szükséges módosításokat a kódrészleten, és válassza ki hozzáad.
- Adjunk hozzá egy lépést a személyazonosításra alkalmas adatok (PII) adatainak törlésére a kivont adatokból, kihasználva Amazon Comprehend. Válaszd ki Add hozzá a lépést És válasszon Egyedi átalakítás. És válassza ki Python (PySpark).
A példakódrészletek közül tallózzon, és válasszon maszk PII. Végezze el a szükséges módosításokat a kódrészleten, és válassza ki Add.
- A következő lépés a szöveges tartalom darabolása. Választ Add hozzá a lépést És válasszon Egyedi átalakítás. És válassza ki Python (PySpark).
A példakódrészletek közül tallózzon, és válasszon Szövegdarab. Végezze el a szükséges módosításokat a kódrészleten, és válassza ki Add.
- Alakítsuk át a szöveges tartalmat vektoros beágyazásokká a Amazon alapkőzet Titan Embeddings modell. Választ Add hozzá a lépést És válasszon Egyedi átalakítás. És válassza ki Python (PySpark).
A példakódrészletek közül tallózzon, és válasszon Szövegbeágyazás létrehozása a Bedrock segítségével. Végezze el a szükséges módosításokat a kódrészleten, és válassza ki Add.
- Mostantól elérhetőek a vektoros beágyazások a PDF-fájlok tartalmához. Menjünk előre, és indexeljük az adatokat az Amazon OpenSearch-be. Választ Add hozzá a lépést És válasszon Egyedi átalakítás. És válassza ki Python (PySpark). Szabadon átírhatja a következő kódot a kívánt vektoradatbázis használatához. Az egyszerűség kedvéért fő felhasználónevet és jelszót használunk az OpenSearch API-k eléréséhez, éles munkaterhelésekhez pedig válasszon lehetőséget a szervezeti szabályzata szerint.
Végül a létrehozott adatfolyam a következő lenne:
Ezzel az adatfolyammal a PDF-fájl adatait beolvasták és vektoros beágyazással indexelték az Amazon OpenSearch-ben. Most itt az ideje, hogy létrehozzunk egy fájlt a lekérdezésekkel, hogy lekérdezzük az indexelt adatokat, és elmentsük az Amazon S3 helyre. A keresési adatfolyamunkat a fájlra irányítjuk, és a megfelelő eredményeket tartalmazó fájlt egy új fájlban, egy Amazon S3 helyen jelenítjük meg.
Felszólítás készítése
Miután létrehoztunk egy tudásbázist a PDF-ből, tesztelhetjük azt úgy, hogy a tudásbázisban keresünk néhány mintalekérdezést. Minden lekérdezést az alábbiak szerint dolgozunk fel:
- Beágyazás generálása a lekérdezéshez (az Amazon Bedrock segítségével)
- Lekérdezési vektor-adatbázis a legközelebbi szomszéd kontextushoz (az Amazon OpenSearch segítségével)
- Kombinálja a lekérdezést és a kontextust a promptban.
- Az LLM lekérdezése prompt segítségével (az Amazon Bedrock által üzemeltetett)
- A SageMaker Canvas kezdőlapján válassza a lehetőséget Adatok előkészítése.
- 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 Teremt az oldal jobb oldalán, majd adjon meg egy adatfolyam nevet, és válassza ki Teremt.
Most töltsük be a felhasználói kérdéseket, majd hozzunk létre egy promptot a kérdés és a hasonló dokumentumok kombinálásával. Ez a prompt az LLM rendelkezésére áll, hogy választ generáljon a felhasználói kérdésre.
- Töltsünk be egy csv fájlt felhasználói kérdésekkel. Választ Adatok importálása és válassza ki a Táblázatos a legördülő listából.
- Adatforrás, és válassza ki a Amazon S3 a legördülő listából. Alternatív megoldásként kiválaszthatja a felhasználói lekérdezéseket tartalmazó fájl feltöltését.
- Adjunk hozzá egy egyéni átalakítást az adatok vektoros beágyazásokká konvertálásához, majd keressük meg a kapcsolódó beágyazásokat az Amazon OpenSearch szolgáltatásból, mielőtt az Amazon Bedrock-nak küldünk egy promptot a tudásbázisból származó lekérdezéssel és kontextussal. A lekérdezés beágyazásainak létrehozásához használhatja ugyanazt a példakódrészletet Szövegbeágyazás létrehozása a Bedrock segítségével a fenti 7. lépésben említettük.
Hívjuk meg az Amazon OpenSearch API-t a releváns dokumentumok kereséséhez a generált vektoros beágyazásokhoz. Egyéni átalakítás hozzáadása a Python (PySpark) segítségével.
Adjunk hozzá egy egyéni átalakítást az Amazon Bedrock API meghívásához a lekérdezés válaszához, átadva a dokumentumokat az Amazon OpenSearch tudásbázisból. A példakódrészletek közül tallózzon, és válasszon A Bedrock lekérdezése kontextussal. Végezze el a szükséges módosításokat a kódrészleten, és válassza ki Add.
Összefoglalva, a RAG alapú kérdésmegválaszolási adatfolyam a következő:
Az ML gyakorlói sok időt töltenek azzal, hogy megalkossák a funkciómérnöki kódot, alkalmazzák azt a kezdeti adatkészleteikre, modelleket tanítanak a tervezett adatkészletekre, és értékelik a modell pontosságát. Tekintettel a munka kísérleti jellegére, még a legkisebb projekt is többszörös iterációhoz vezet. Ugyanazt a szolgáltatásfejlesztő kódot gyakran újra és újra lefuttatják, időt és számítási erőforrásokat pazarolva ugyanazon műveletek megismétlésére. Nagy szervezetekben ez még nagyobb termelékenységveszteséget okozhat, mivel a különböző csapatok gyakran ugyanazokat a munkákat hajtják végre, vagy akár duplikált szolgáltatásmérnöki kódot is írnak, mivel nem ismerik a korábbi munkát. A funkciók újrafeldolgozásának elkerülése érdekében az adatfolyamunkat egy Amazonba exportáljuk SageMaker csővezeték. Válassza ki a + gomb a lekérdezéstől jobbra. Válassza ki az exportálási adatfolyamot, és válassza a lehetőséget Futtassa a SageMaker Pipeline-t (Jupyter notebookon keresztül).
Takarítás
A jövőbeni költségek elkerülése érdekében törölje vagy zárja le a bejegyzés követése közben létrehozott erőforrásokat. Hivatkozni Kijelentkezés az Amazon SageMaker Canvasból fül alatt találsz.
Következtetés
Ebben a bejegyzésben megmutattuk, hogyan tud az Amazon SageMaker Canvas teljes körű képességei az LLM-hez adatokat előkészítő adatszakértő szerepét vállalva. Az interaktív adat-előkészítés lehetővé tette az adatok gyors tisztítását, átalakítását és elemzését informatív funkciók kialakításához. A kódolási bonyolultságok eltávolításával a SageMaker Canvas lehetővé tette a gyors iterációt, hogy kiváló minőségű oktatási adatkészletet hozzon létre. Ez a felgyorsult munkafolyamat közvetlenül vezetett egy hatékony gépi tanulási modell kidolgozásához, betanításához és üzembe helyezéséhez az üzleti hatás érdekében. Átfogó adat-előkészítésével és egységes tapasztalataival az adatoktól a betekintésekig a SageMaker Canvas lehetővé teszi a felhasználók számára, hogy javítsák ML-eredményeiket.
Javasoljuk, hogy többet tudjon meg felfedezés útján Amazon SageMaker Data Wrangler, Amazon SageMaker Canvas, Amazon Titan modellek, Amazon alapkőzetés az Amazon OpenSearch szolgáltatás megoldás létrehozásához az ebben a bejegyzésben található mintamegvalósítás és a vállalkozása szempontjából releváns adatkészlet felhasználásával. Ha kérdése vagy javaslata van, kérjük, hagyjon megjegyzést.
A szerzőkről
Ajjay Govindaram az AWS vezető megoldási építésze. Stratégiai ügyfelekkel dolgozik, akik AI/ML-t használnak összetett üzleti problémák megoldására. Tapasztalata abban rejlik, hogy műszaki irányítást, valamint tervezési segítséget nyújt a szerény és nagyszabású AI/ML alkalmazások telepítéséhez. Ismerete az alkalmazás-architektúrától a big data-ig, az analitikáig és a gépi tanulásig terjed. Szívesen hallgat zenét pihenés közben, tapasztal a szabadban, és szeretivel tölti az időt.
Nyikita Ivkin az Amazon SageMaker Data Wrangler vezető alkalmazott tudósa, aki a gépi tanulás és az adattisztító algoritmusok iránt érdeklődik.
- 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/simplify-data-prep-for-gen-ai-with-amazon-sagemaker-data-wrangler/
- :van
- :is
- :nem
- 100
- 14
- 20
- 25
- 28
- 50
- 7
- 8
- 804
- a
- Képes
- Rólunk
- felett
- gyorsul
- felgyorsult
- hozzáférés
- Szerint
- Fiókok
- pontosság
- hozzá
- További
- Örökbefogadás
- előlegek
- Előny
- előnyei
- Után
- újra
- adalékanyag
- előre
- AI
- AI / ML
- algoritmusok
- Igazítás
- Minden termék
- megengedett
- Is
- amazon
- Amazon SageMaker
- Amazon SageMaker Data Wrangler
- Az Amazon Web Services
- Összegek
- an
- elemzések
- analitika
- elemzése
- és a
- válasz
- bármilyen
- api
- Alkalmazás
- alkalmazott
- Alkalmazása
- építészet
- VANNAK
- mesterséges
- mesterséges intelligencia
- AS
- Támogatás
- At
- csatolja
- hang-
- bővített
- elérhető
- elkerülése érdekében
- AWS
- bázis
- alapján
- BE
- mert
- válik
- óta
- előtt
- hogy
- Jobb
- elfogult
- Nagy
- Big adatok
- épít
- Épület
- beépített
- üzleti
- vállalkozások
- gomb
- by
- hívás
- TUD
- vászon
- képességek
- eset
- Okoz
- Változások
- díjak
- 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
- ragadozó ölyv
- Takarításra
- kód
- Kódolás
- kombinálása
- megjegyzés
- Companies
- képest
- versenyképes
- teljes
- bonyolult
- bonyodalmak
- megért
- átfogó
- Kiszámít
- Fontolja
- Konzol
- tartalmaz
- tartalmaz
- tartalom
- tartalom
- kontextus
- kontextusok
- tovább
- ellenőrzés
- megtérít
- Megfelelő
- tudott
- terjed
- teremt
- készítette
- kritikai
- szokás
- vevő
- Vevőszolgálat
- Ügyfelek
- dátum
- Adatok előkészítése
- adatbázis
- adatkészletek
- Deloitte
- igazolták
- bevezetéséhez
- bevetések
- Design
- részletek
- fejlesztése
- különböző
- nehéz
- Dimenzió
- irány
- közvetlenül
- felfedez
- do
- dokumentum
- dokumentáció
- dokumentumok
- domain
- domainek
- le-
- alatt
- e
- minden
- könnyen
- hatékonyan
- hatékony
- eredményesen
- e-mailek
- beágyazás
- felhatalmazza
- engedélyezve
- lehetővé téve
- ösztönzése
- végtől végig
- mérnök
- manipulált
- Mérnöki
- értékelő
- Még
- példa
- létezik
- tapasztalat
- tapasztal
- kísérleti
- feltárása
- Feltárása
- export
- kivonat
- Funkció
- Jellemzők
- kevés
- Fields
- filé
- szűrő
- utolsó
- Találjon
- áramlási
- követ
- következő
- következik
- A
- Forbes
- Alapítvány
- Alapok
- Ingyenes
- ból ből
- Tele
- funkciók
- további
- jövő
- Nyereség
- generál
- generált
- generáló
- generáció
- nemző
- Generatív AI
- kap
- Ad
- adott
- Globális
- Go
- cél
- jó
- nagyobb
- Legyen
- he
- fejlécek
- jó minőségű
- övé
- tart
- Kezdőlap
- Hogyan
- How To
- azonban
- HTML
- HTTPS
- i
- identiques
- if
- képek
- Hatás
- végrehajtás
- importál
- fontos
- hatásos
- javul
- in
- magában foglalja a
- index
- indexelt
- információ
- tájékoztató
- kezdetben
- meglátások
- utasítás
- integráció
- Intelligencia
- interaktív
- érdekek
- Felület
- Internet
- bele
- vonja
- IT
- ismétlés
- iterációk
- ITS
- Állások
- jpg
- json
- tudás
- Telek
- nyelv
- nagy
- nagyarányú
- indít
- vezetékek
- TANUL
- tanulás
- Szabadság
- Led
- erőfölény
- fekszik
- mint
- Lista
- Kihallgatás
- LLM
- kiszámításának
- elhelyezkedés
- helyszínek
- le
- Sok
- szeretett
- Elő/Utó
- gép
- gépi tanulás
- Fő
- csinál
- KÉSZÍT
- maszk
- tömeges
- mester
- Lehet..
- mechanizmusok
- Média
- Menü
- meta
- Metaadatok
- ML
- modell
- modellek
- szerény
- több
- a legtöbb
- többszörös
- zene
- név
- Természetes
- Természetes nyelvi feldolgozás
- Természet
- Navigáció
- elengedhetetlen
- Szükség
- Új
- következő
- nem
- jegyzetfüzet
- Most
- of
- gyakran
- on
- egyszer
- azok
- csak
- Művelet
- opció
- or
- szervezet
- szervezetek
- Más
- mi
- ki
- eredmények
- szabadban
- teljesítmény
- felett
- oldal
- pandák
- üvegtábla
- Múló
- Jelszó
- teljesítmény
- személyes
- vedd
- darab
- darabok
- csővezeték
- Plató
- Platón adatintelligencia
- PlatoData
- kérem
- plusz
- pont
- Politikák
- állás
- potenciális
- powered
- előnyben részesített
- előkészítés
- Készít
- előkészítése
- Előzetes
- valószínűleg
- Probléma
- problémák
- folytassa
- folyamat
- feldolgozás
- Termelés
- termelékenység
- szakmai
- program
- ingatlanait
- feltéve,
- biztosít
- amely
- Piton
- lekérdezések
- kérdés
- Kérdések
- gyorsan
- tartományok
- gyors
- értékelés
- el
- Olvass
- való Világ
- kapott
- utal
- összefüggő
- eltávolítása
- Számolt
- kéri
- szükség
- megköveteli,
- Tudástár
- válasz
- válaszok
- pihenő
- Eredmények
- visszatérés
- Vélemények
- jobb
- Szerep
- futás
- sagemaker
- azonos
- Megtakarítás
- Tudós
- Keresés
- keres
- Rész
- látott
- válasszuk
- elküldés
- idősebb
- érzékeny
- szolgáltatás
- Szolgáltatások
- beállítások
- kellene
- előadás
- kimutatta,
- becsuk
- Állítsa le
- oldal
- <p></p>
- jelentős
- hasonló
- egyszerűség
- egyszerűsítése
- Méret
- töredék
- So
- Közösség
- Közösségi média
- megoldások
- Megoldások
- SOLVE
- néhány
- forrás
- Források
- különleges
- kifejezetten
- költ
- Költési
- Színpad
- állapota
- Lépés
- Lépései
- Még mindig
- Stratégiai
- szerkesztett
- ÖSSZEFOGLALÓ
- Támogatja
- Felmérés
- Vesz
- csapat
- Műszaki
- technikák
- teszt
- szöveg
- hogy
- A
- A jövő
- azok
- Őket
- akkor
- Ott.
- Ezek
- ők
- ezt
- Így
- idő
- titán-
- nak nek
- Ma
- szerszámok
- Képzések
- Átalakítás
- Átalakítás
- transzformációk
- transzformáló
- igaz
- csonkítás
- típus
- típusok
- egységes
- us
- használ
- használt
- használó
- Felhasználók
- segítségével
- Értékes
- keresztül
- videó
- vizuális
- végigjátszás
- we
- háló
- webes szolgáltatások
- JÓL
- ami
- míg
- WHO
- lesz
- val vel
- Munka
- munkafolyamat
- művek
- lenne
- ír
- te
- A te
- zephyrnet