Perusahaan memiliki akses terhadap data dalam jumlah besar, yang sebagian besar sulit ditemukan karena datanya tidak terstruktur. Pendekatan konvensional untuk menganalisis data tidak terstruktur gunakan pencocokan kata kunci atau sinonim. Mereka tidak menangkap seluruh konteks dokumen, sehingga kurang efektif dalam menangani data tidak terstruktur.
Sebaliknya, penggunaan penyematan teks Mesin belajar (ML) kemampuan untuk menangkap makna data tidak terstruktur. Penyematan dihasilkan oleh model bahasa representasional yang menerjemahkan teks menjadi vektor numerik dan menyandikan informasi kontekstual dalam dokumen. Hal ini memungkinkan aplikasi seperti pencarian semantik, Pengambilan Augmented Generation (RAG), pemodelan topik, dan klasifikasi teks.
Misalnya, dalam industri jasa keuangan, penerapannya mencakup mengekstraksi wawasan dari laporan pendapatan, mencari informasi dari laporan keuangan, dan menganalisis sentimen tentang saham dan pasar yang ditemukan dalam berita keuangan. Penyematan teks memungkinkan para profesional industri mengekstrak wawasan dari dokumen, meminimalkan kesalahan, dan meningkatkan kinerja mereka.
Dalam postingan ini, kami menampilkan aplikasi yang dapat mencari dan menanyakan berita keuangan dalam berbagai bahasa menggunakan Cohere Menanamkan dan Ubah peringkat model dengan Batuan Dasar Amazon.
Model penyematan multibahasa Cohere
Cohere adalah platform AI perusahaan terkemuka yang membangun model bahasa besar (LLM) kelas dunia dan solusi bertenaga LLM yang memungkinkan komputer mencari, menangkap makna, dan berkomunikasi dalam teks. Mereka memberikan kemudahan penggunaan dan keamanan yang kuat serta kontrol privasi.
Model penyematan multibahasa Cohere menghasilkan representasi vektor dokumen untuk lebih dari 100 bahasa dan tersedia di Amazon Bedrock. Hal ini memungkinkan pelanggan AWS untuk mengaksesnya sebagai API, sehingga menghilangkan kebutuhan untuk mengelola infrastruktur yang mendasarinya dan memastikan bahwa informasi sensitif tetap dikelola dan dilindungi dengan aman.
Model multibahasa mengelompokkan teks dengan makna serupa dengan menetapkan posisi yang berdekatan satu sama lain dalam ruang vektor semantik. Dengan model penyematan multibahasa, pengembang dapat memproses teks dalam berbagai bahasa tanpa perlu beralih antar model, seperti yang diilustrasikan pada gambar berikut. Hal ini membuat pemrosesan lebih efisien dan meningkatkan kinerja untuk aplikasi multibahasa.
Berikut adalah beberapa hal penting dari model penyematan Cohere:
- Fokus pada kualitas dokumen โ Model penyematan umum dilatih untuk mengukur kesamaan antar dokumen, namun model Cohere juga mengukur kualitas dokumen
- Pengambilan yang lebih baik untuk aplikasi RAG โ Aplikasi RAG memerlukan sistem pengambilan yang baik, yang mana model penyematan Cohere unggul dalam hal ini
- Kompresi data hemat biaya โ Cohere menggunakan metode pelatihan khusus yang sadar kompresi, sehingga menghasilkan penghematan biaya yang besar untuk database vektor Anda
Gunakan kasus untuk menyematkan teks
Penyematan teks mengubah data tidak terstruktur menjadi bentuk terstruktur. Hal ini memungkinkan Anda membandingkan, membedah, dan memperoleh wawasan secara objektif dari semua dokumen ini. Berikut adalah contoh kasus penggunaan yang dimungkinkan oleh model penyematan Cohere:
- Pencarian semantik โ Memungkinkan aplikasi pencarian yang canggih bila digabungkan dengan database vektor, dengan relevansi yang sangat baik berdasarkan makna frase pencarian
- Mesin pencari untuk sistem yang lebih besar โ Menemukan dan mengambil informasi paling relevan dari sumber data perusahaan yang terhubung untuk sistem RAG
- Klasifikasi teks โ Mendukung pengenalan niat, analisis sentimen, dan analisis dokumen tingkat lanjut
- Pemodelan topik โ Mengubah kumpulan dokumen menjadi kelompok berbeda untuk mengungkap topik dan tema yang muncul
Sistem pencarian yang ditingkatkan dengan Rerank
Di perusahaan yang sudah memiliki sistem pencarian kata kunci konvensional, bagaimana Anda memperkenalkan kemampuan pencarian semantik modern? Untuk sistem yang sudah lama menjadi bagian dari arsitektur informasi perusahaan, migrasi menyeluruh ke pendekatan berbasis embeddings, dalam banyak kasus, tidak mungkin dilakukan.
Titik akhir Rerank Cohere dirancang untuk menjembatani kesenjangan ini. Ini bertindak sebagai tahap kedua dari alur pencarian untuk memberikan peringkat dokumen yang relevan berdasarkan permintaan pengguna. Perusahaan dapat mempertahankan sistem kata kunci (atau bahkan semantik) yang ada untuk pengambilan tahap pertama dan meningkatkan kualitas hasil pencarian dengan titik akhir Rerank pada pemeringkatan tahap kedua.
Rerank memberikan opsi yang cepat dan mudah untuk meningkatkan hasil pencarian dengan memperkenalkan teknologi pencarian semantik ke dalam tumpukan pengguna dengan satu baris kode. Titik akhir juga dilengkapi dengan dukungan multibahasa. Gambar berikut mengilustrasikan alur kerja pengambilan dan pemeringkatan ulang.
Ikhtisar solusi
Analis keuangan perlu mencerna banyak konten, seperti publikasi keuangan dan media berita, agar tetap mendapat informasi. Menurut Asosiasi Profesional Keuangan (AFP), analis keuangan menghabiskan 75% waktunya untuk mengumpulkan data atau mengelola proses alih-alih menganalisis nilai tambah. Menemukan jawaban atas pertanyaan dari berbagai sumber dan dokumen merupakan pekerjaan yang menghabiskan banyak waktu dan membosankan. Model penyematan Cohere membantu analis dengan cepat menelusuri berbagai judul artikel dalam berbagai bahasa untuk menemukan dan memberi peringkat artikel yang paling relevan dengan kueri tertentu, sehingga menghemat banyak waktu dan tenaga.
Dalam contoh kasus penggunaan berikut, kami menunjukkan bagaimana model Cohere's Embed menelusuri dan melakukan kueri di seluruh berita keuangan dalam berbagai bahasa dalam satu saluran unik. Kemudian kami mendemonstrasikan bagaimana menambahkan Rerank ke pengambilan embeddings Anda (atau menambahkannya ke penelusuran leksikal lama) dapat lebih meningkatkan hasil.
Buku catatan pendukung tersedia di GitHub.
Diagram berikut menggambarkan alur kerja aplikasi.
Aktifkan akses model melalui Amazon Bedrock
Pengguna Amazon Bedrock perlu meminta akses ke model agar tersedia untuk digunakan. Untuk meminta akses ke model tambahan, pilih Akses model panel navigasi di Amazon Bedrock konsol. Untuk informasi lebih lanjut, lihat Akses model. Untuk panduan ini, Anda perlu meminta akses ke model Cohere Embed Multilingual.
Instal paket dan impor modul
Pertama, kita menginstal paket yang diperlukan dan mengimpor modul yang akan kita gunakan dalam contoh ini:
Impor dokumen
Kami menggunakan kumpulan data (MultiFIN) yang berisi daftar judul artikel dunia nyata yang mencakup 15 bahasa (Inggris, Turki, Denmark, Spanyol, Polandia, Yunani, Finlandia, Ibrani, Jepang, Hongaria, Norwegia, Rusia, Italia, Islandia, dan Swedia ). Ini adalah kumpulan data sumber terbuka yang dikurasi untuk pemrosesan bahasa alami finansial (NLP) dan tersedia di a Repositori GitHub.
Dalam kasus kami, kami telah membuat file CSV dengan data MultiFIN serta kolom dengan terjemahan. Kami tidak menggunakan kolom ini untuk memberi makan model; kami menggunakannya untuk membantu kami menindaklanjuti saat kami mencetak hasilnya bagi mereka yang tidak bisa berbahasa Denmark atau Spanyol. Kami menunjuk ke CSV itu untuk membuat kerangka data kami:
Pilih daftar dokumen yang akan ditanyakan
MultiFIN memiliki lebih dari 6,000 catatan dalam 15 bahasa berbeda. Untuk contoh kasus penggunaan kami, kami fokus pada tiga bahasa: Inggris, Spanyol, dan Denmark. Kami juga mengurutkan header berdasarkan panjangnya dan memilih yang terpanjang.
Karena kami memilih artikel yang terpanjang, kami memastikan panjangnya bukan karena urutan yang berulang. Kode berikut menunjukkan contoh kasusnya. Kami akan membersihkannya.
df['text'].iloc[2215]
Daftar dokumen kami didistribusikan dengan baik dalam tiga bahasa:
Berikut ini adalah header artikel terpanjang dalam dataset kami:
Sematkan dan indeks dokumen
Sekarang, kami ingin menyematkan dokumen kami dan menyimpan penyematannya. Penyematan adalah vektor sangat besar yang merangkum makna semantik dokumen kita. Secara khusus, kami menggunakan model embed-multilingual-v3.0 Cohere, yang membuat embeddings dengan 1,024 dimensi.
Saat kueri diteruskan, kami juga menyematkan kueri tersebut dan menggunakan pustaka hnswlib untuk menemukan tetangga terdekat.
Hanya diperlukan beberapa baris kode untuk membuat klien Cohere, menyematkan dokumen, dan membuat indeks pencarian. Kami juga memantau bahasa dan terjemahan dokumen untuk memperkaya tampilan hasilnya.
Membangun sistem pengambilan
Selanjutnya, kita membuat fungsi yang mengambil kueri sebagai masukan, menyematkannya, dan menemukan empat header yang lebih dekat hubungannya dengan kueri tersebut:
Kueri sistem pengambilan
Mari jelajahi apa yang dilakukan sistem kami dengan beberapa kueri berbeda. Kami mulai dengan bahasa Inggris:
Hasilnya adalah sebagai berikut:
Perhatikan hal berikut:
- Kami mengajukan pertanyaan terkait, namun sedikit berbeda, dan modelnya cukup bernuansa untuk menyajikan hasil paling relevan di bagian atas.
- Model kami tidak melakukan pencarian berbasis kata kunci, tetapi pencarian semantik. Meskipun kami menggunakan istilah seperti โilmu dataโ dan bukan โAIโ, model kami mampu memahami apa yang ditanyakan dan memberikan hasil paling relevan di urutan teratas.
Bagaimana dengan pertanyaan dalam bahasa Denmark? Mari kita lihat pertanyaan berikut:
Pada contoh sebelumnya, akronim bahasa Inggris โPP&Eโ berarti โproperti, pabrik, dan peralatanโ, dan model kami dapat menghubungkannya ke kueri kami.
Dalam kasus ini, semua hasil yang dikembalikan dalam bahasa Denmark, namun model dapat mengembalikan dokumen dalam bahasa selain kueri jika makna semantiknya lebih dekat. Kami memiliki fleksibilitas penuh, dan dengan beberapa baris kode, kami dapat menentukan apakah model hanya akan melihat dokumen dalam bahasa kueri, atau apakah model harus melihat semua dokumen.
Tingkatkan hasil dengan Cohere Rerank
Penyematan sangat kuat. Namun, sekarang kami akan melihat cara menyempurnakan hasil kami lebih jauh lagi dengan titik akhir Rerank Cohere, yang telah dilatih untuk menilai relevansi dokumen terhadap kueri.
Keuntungan lain dari Rerank adalah dapat bekerja di atas mesin pencari kata kunci lama. Anda tidak perlu mengubah ke database vektor atau membuat perubahan drastis pada infrastruktur Anda, dan ini hanya memerlukan beberapa baris kode. Pemeringkatan ulang tersedia di Amazon SageMaker.
Mari kita coba kueri baru. Kami menggunakan SageMaker kali ini:
Dalam kasus ini, penelusuran semantik dapat mengambil jawaban kami dan menampilkannya di hasil, tetapi tidak berada di urutan teratas. Namun, saat kami meneruskan kueri lagi ke titik akhir Rerank dengan daftar dokumen yang diambil, Rerank dapat menampilkan dokumen paling relevan di bagian atas.
Pertama, kita membuat klien dan titik akhir Rerank:
Saat kami meneruskan dokumen ke Rerank, model dapat memilih dokumen yang paling relevan secara akurat:
Kesimpulan
Postingan ini menyajikan panduan penggunaan model penyematan multibahasa Cohere di Amazon Bedrock dalam domain layanan keuangan. Secara khusus, kami mendemonstrasikan contoh aplikasi pencarian artikel keuangan multibahasa. Kami melihat bagaimana model penyematan memungkinkan penemuan informasi yang efisien dan akurat, sehingga meningkatkan produktivitas dan kualitas keluaran seorang analis.
Model penyematan multibahasa Cohere mendukung lebih dari 100 bahasa. Ini menghilangkan kerumitan dalam membangun aplikasi yang memerlukan pengerjaan dengan kumpulan dokumen dalam berbagai bahasa. Itu Kohere Sematkan model dilatih untuk memberikan hasil dalam aplikasi dunia nyata. Ini menangani data yang berisik sebagai masukan, beradaptasi dengan sistem RAG yang kompleks, dan memberikan efisiensi biaya dari metode pelatihan sadar kompresi.
Mulailah membangun dengan model penyematan multibahasa Cohere di Amazon Bedrock sekarang juga.
Tentang Penulis
James Yi adalah Arsitek Solusi Mitra AI/ML Senior di tim Teknologi COE Mitra Teknologi di Amazon Web Services. Dia bersemangat bekerja dengan pelanggan dan mitra perusahaan untuk merancang, menerapkan, dan menskalakan aplikasi AI/ML guna memperoleh nilai bisnis. Di luar pekerjaan, dia menikmati bermain sepak bola, jalan-jalan, dan menghabiskan waktu bersama keluarganya.
Gonzalo Betegon adalah Arsitek Solusi di Cohere, penyedia teknologi pemrosesan bahasa alami yang mutakhir. Dia membantu organisasi memenuhi kebutuhan bisnis mereka melalui penerapan model bahasa besar.
Meor Amer adalah Advokat Pengembang di Cohere, penyedia teknologi pemrosesan bahasa alami (NLP) yang mutakhir. Dia membantu pengembang membangun aplikasi mutakhir dengan Model Bahasa Besar (LLM) Cohere.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/build-financial-search-applications-using-the-amazon-bedrock-cohere-multilingual-embedding-model/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 000
- 1
- 10
- 100
- 11
- 13
- 15%
- 16
- 2030
- 22
- 29
- 33
- 7
- 8
- 80
- 9
- a
- Sanggup
- Tentang Kami
- mengakses
- Menurut
- Akun
- tepat
- akurat
- Mencapai
- di seluruh
- tindakan
- beradaptasi
- menambahkan
- Tambahan
- alamat
- maju
- Keuntungan
- pengacara
- AFP
- lagi
- terhadap
- AI
- Platform AI
- AI / ML
- Semua
- mengizinkan
- memungkinkan
- sepanjang
- sudah
- juga
- Amazon
- Amazon Web Services
- jumlah
- jumlah
- an
- analisis
- analis
- Analis
- menganalisis
- dan
- menjawab
- api
- Aplikasi
- aplikasi
- pendekatan
- pendekatan
- arsitektur
- ADALAH
- artikel
- artikel
- AS
- meminta
- At
- ditambah
- tersedia
- AWS
- berdasarkan
- karena
- menjadi
- makhluk
- Lebih baik
- antara
- Blok
- mendorong
- meningkatkan
- Brexit
- JEMBATAN
- membangun
- Bangunan
- membangun
- bisnis
- Pemimpin bisnis
- bisnis
- tapi
- by
- CAN
- kemampuan
- menangkap
- kasus
- kasus
- plafon
- CFO
- menantang
- tantangan
- perubahan
- Perubahan
- Pilih
- klasifikasi
- membersihkan
- klien
- Penyelesaian
- rapat
- lebih dekat
- CO
- kode
- koleksi
- Kolom
- datang
- Perusahaan
- Perusahaan
- membandingkan
- lengkap
- kompleks
- kompleksitas
- komputer
- prihatin
- Terhubung
- terhubung
- Konten
- konteks
- kontekstual
- kontras
- kontrol
- konvensional
- Timeline
- Biaya
- penghematan biaya
- bisa
- sepasang
- ditambah
- penutup
- Covid-19
- membuat
- dibuat
- menciptakan
- kredit
- krisis
- kriteria
- dikuratori
- terbaru
- pelanggan
- canggih
- Keamanan cyber
- Denmark
- danske
- data
- ilmu data
- Basis Data
- de
- batas waktu
- berurusan
- dedicated
- itu
- menyampaikan
- memberikan hasil
- memberikan
- mendemonstrasikan
- menunjukkan
- menyebarkan
- penyebaran
- deposito
- memperoleh
- Mendesain
- dirancang
- Pengembang
- pengembang
- Pengembangan
- berbeda
- sulit
- intisari
- ukuran
- menemukan
- penemuan
- Display
- berbeda
- didistribusikan
- distribusi
- do
- dokumen
- dokumen
- tidak
- domain
- Dont
- turun
- mendorong
- dua
- e
- setiap
- Awal
- Pendapatan
- memudahkan
- kemudahan penggunaan
- ekonomi
- Efektif
- efisien
- usaha
- el
- menghilangkan
- lain
- menanamkan
- embedding
- muncul
- emisi
- Karyawan
- aktif
- memungkinkan
- akhir
- Titik akhir
- interaksi
- Mesin
- Inggris
- besar sekali
- cukup
- memperkaya
- memastikan
- Memastikan
- Enterprise
- perusahaan
- Lingkungan Hidup
- peralatan
- kesalahan
- ESG
- menetapkan
- Bahkan
- contoh
- unggul
- ada
- berpengalaman
- menyelidiki
- ekstrak
- Air terjun
- keluarga
- FAST
- layak
- beberapa
- Angka
- File
- keuangan
- keuangan berita
- jasa keuangan
- Menemukan
- temuan
- menemukan
- Finlandia
- lima
- keluwesan
- aliran
- Fokus
- mengikuti
- berikut
- berikut
- Untuk
- bentuk
- ditemukan
- empat
- Tenggat waktu
- dari
- penuh
- fungsi
- lebih lanjut
- celah
- GAS
- pertemuan
- PDB
- dihasilkan
- menghasilkan
- Aksi
- Ekonomi global
- Go
- Anda
- akan
- baik
- Yunani
- Grup
- membimbing
- Menangani
- Memiliki
- he
- header
- Headlines
- Ibrani
- membantu
- membantu
- highlight
- -nya
- Memukul
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- HTML
- HTTPS
- Hongaria
- i
- if
- menggambarkan
- mengimplementasikan
- mengimpor
- memperbaiki
- meningkatkan
- meningkatkan
- in
- memasukkan
- Meningkatkan
- indeks
- industri
- Info
- informasi
- informasi
- Infrastruktur
- memasukkan
- input
- wawasan
- install
- sebagai gantinya
- mengintegrasikan
- integrasi
- maksud
- ke
- memperkenalkan
- memperkenalkan
- IP
- IT
- Italia
- NYA
- Januari
- Jepang
- Jobs
- jpg
- hanya
- Menjaga
- pemandangan
- BAHASA
- bahasa
- Bahasa
- besar
- lebih besar
- terbesar
- LAS
- Terakhir
- Terbaru
- pemimpin
- terkemuka
- penyewaan
- Warisan
- Legislatif
- usulan legislatif
- Panjang
- kurang
- Perpustakaan
- 'like'
- baris
- baris
- Daftar
- Daftar
- Pinjaman
- Panjang
- lama
- melihat
- itu
- Lot
- Utama
- membuat
- MEMBUAT
- Membuat
- pria
- mengelola
- berhasil
- pengelolaan
- banyak
- peta
- March
- Pasar
- nilai pasar
- pasar
- besar-besaran
- sesuai
- makna
- makna
- mengukur
- ukuran
- Media
- Pelajari
- pertemuan
- mer
- metode
- migrasi
- ML
- mode
- model
- pemodelan
- model
- modern
- Modul
- lebih
- lebih efisien
- paling
- banyak
- beberapa
- nama
- Alam
- Pengolahan Bahasa alami
- Navigasi
- perlu
- Perlu
- kebutuhan
- tetangga
- New
- berita
- berikutnya
- nLP
- tidak
- Norwegia
- buku catatan
- sekarang
- banyak sekali
- NY
- BARU
- NYT
- secara obyektif
- of
- on
- ONE
- yang
- hanya
- serangan gencar
- Buka
- open source
- pilihan
- or
- urutan
- organisasi
- asli
- OS
- Lainnya
- kami
- keluaran
- di luar
- lebih
- paket
- paket
- panda
- pane
- bagian
- tertentu
- pasangan
- rekan
- lulus
- Lulus
- bergairah
- pembayaran
- Daftar gaji
- untuk
- Melakukan
- prestasi
- memilih
- memilih
- pipa saluran
- rencana
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- bermain
- podcast
- Titik
- semir
- posisi
- Pos
- potensi
- kuat
- mendahului
- menyajikan
- disajikan
- Utama
- Mencetak
- pribadi
- proses
- pengolahan
- produktifitas
- profesional
- Kemajuan
- milik
- usul
- terlindung
- memberikan
- pemberi
- menyediakan
- publikasi
- tujuan
- PWC
- kualitas
- query
- pertanyaan
- Pertanyaan
- segera
- R
- menaikkan
- peringkat
- Peringkat
- RE
- siap
- dunia nyata
- pengakuan
- arsip
- menurunkan
- referensi
- memperhalus
- Pembaruan
- wilayah
- terkait
- relevansi
- relevan
- tinggal
- sisa
- menghapus
- buka kembali
- ulang
- menggantikan
- Pelaporan
- laporan
- permintaan
- membutuhkan
- mengakibatkan
- dihasilkan
- Hasil
- menahan
- kembali
- kembali
- Rusia
- s
- pembuat bijak
- penghematan
- Tabungan
- melihat
- Skala
- Ilmu
- skor
- Pencarian
- mesin pencari
- pencarian
- mencari
- SEC
- Kedua
- aman
- keamanan
- melihat
- terpilih
- senior
- peka
- sentimen
- Layanan
- Sidang
- pemegang saham
- harus
- menampilkan
- Pertunjukkan
- mirip
- tunggal
- Situs
- sedikit berbeda
- Perlahan
- Sepak bola
- Solusi
- beberapa
- sumber
- sumber
- Space
- Spanyol
- berbicara
- khusus
- menghabiskan
- Pengeluaran
- tumpukan
- Staf
- Tahap
- standar
- berdiri
- awal
- Mulai
- Laporan
- tinggal
- saham
- pasar saham
- Saham
- menyimpan
- mudah
- Penyelarasan
- kuat
- tersusun
- besar
- seperti itu
- mendukung
- Didukung
- pendukung
- Mendukung
- Permukaan
- Survei
- Keberlanjutan
- berkelanjutan
- Pembangunan berkelanjutan
- Swedia
- Beralih
- Sinonim
- sistem
- sistem
- Dibutuhkan
- target
- pajak
- tim
- tech
- Teknologi
- istilah
- teks
- Klasifikasi Teks
- dari
- bahwa
- Grafik
- mereka
- Mereka
- kemudian
- Sana.
- dengan demikian
- Ini
- mereka
- ini
- itu
- tiga
- Melalui
- waktu
- judul
- untuk
- hari ini
- puncak
- tema
- Topik
- jalur
- terlatih
- Pelatihan
- menterjemahkan
- Terjemahan
- Perjalanan
- mencoba
- Turki
- MENGHIDUPKAN
- ternyata
- khas
- UN
- menemukan
- pokok
- memahami
- unik
- URL
- us
- menggunakan
- gunakan case
- Pengguna
- kegunaan
- menggunakan
- nilai
- variasi
- sangat
- walkthrough
- ingin
- adalah
- Gelombang
- Cara..
- we
- jaringan
- layanan web
- BAIK
- Apa
- ketika
- apakah
- yang
- SIAPA
- akan
- dengan
- tanpa
- Kerja
- alur kerja
- kerja
- dunia
- kelas dunia
- tahun
- namun
- Kamu
- Anda
- zephyrnet.dll