Persiapan data adalah langkah penting dalam setiap proyek berbasis data, dan memiliki alat yang tepat dapat sangat meningkatkan efisiensi operasional. Pengatur Data Amazon SageMaker mengurangi waktu yang diperlukan untuk menggabungkan dan menyiapkan data tabular dan gambar untuk machine learning (ML) dari hitungan minggu menjadi hitungan menit. Dengan SageMaker Data Wrangler, Anda dapat menyederhanakan proses persiapan data dan rekayasa fitur serta menyelesaikan setiap langkah alur kerja persiapan data, termasuk pemilihan data, pembersihan, eksplorasi, dan visualisasi dari satu antarmuka visual.
Dalam postingan ini, kami mengeksplorasi fitur terbaru SageMaker Data Wrangler yang dirancang khusus untuk meningkatkan pengalaman operasional. Kami mempelajari dukungan dari Layanan Penyimpanan Sederhana (Amazon S3) nyata file, artefak inferensi dalam aliran data interaktif, dan integrasi mulus dengan JSON (Notasi Objek JavaScript) format untuk inferensi, menyoroti bagaimana peningkatan ini membuat persiapan data menjadi lebih mudah dan lebih efisien.
Memperkenalkan fitur baru
Di bagian ini, kami membahas fitur baru SageMaker Data Wrangler untuk persiapan data yang optimal.
Dukungan file manifes S3 dengan SageMaker Autopilot untuk inferensi ML
SageMaker Data Wrangler mengaktifkan a persiapan data terpadu dan pelatihan model pengalaman dengan Autopilot Amazon SageMaker hanya dengan beberapa klik. Anda dapat menggunakan SageMaker Autopilot untuk secara otomatis melatih, menyetel, dan menerapkan model pada data yang telah Anda ubah dalam aliran data.
Pengalaman ini kini semakin disederhanakan dengan dukungan file manifes S3. File manifes S3 adalah file teks yang mencantumkan objek (file) yang disimpan dalam bucket S3. Jika dataset Anda yang diekspor di SageMaker Data Wrangler cukup besar dan dipecah menjadi beberapa file data bagian di Amazon S3, sekarang SageMaker Data Wrangler akan secara otomatis membuat file manifes di S3 yang mewakili semua file data ini. File manifes yang dihasilkan ini sekarang dapat digunakan dengan SageMaker Autopilot UI di SageMaker Data Wrangler untuk mengambil semua data yang dipartisi untuk pelatihan.
Sebelum peluncuran fitur ini, saat menggunakan model SageMaker Autopilot yang dilatih pada data yang disiapkan dari SageMaker Data Wrangler, Anda hanya dapat memilih satu file data, yang mungkin tidak mewakili seluruh kumpulan data, terutama jika kumpulan datanya sangat besar. Dengan pengalaman file manifes baru ini, Anda tidak terbatas pada subkumpulan kumpulan data Anda. Anda dapat membuat model ML dengan SageMaker Autopilot yang mewakili semua data Anda menggunakan file manifes dan menggunakannya untuk inferensi ML dan penerapan produksi. Fitur ini meningkatkan efisiensi operasional dengan menyederhanakan pelatihan model ML dengan SageMaker Autopilot dan menyederhanakan alur kerja pemrosesan data.
Menambahkan dukungan untuk alur inferensi dalam artefak yang dihasilkan
Pelanggan ingin mengambil transformasi data yang telah mereka terapkan ke data pelatihan model mereka, seperti one-hot encoding, PCA, dan menghitung nilai yang hilang, dan menerapkan transformasi data tersebut ke inferensi real-time atau inferensi batch dalam produksi. Untuk melakukannya, Anda harus memiliki artefak inferensi SageMaker Data Wrangler, yang digunakan oleh model SageMaker.
Sebelumnya, artefak inferensi hanya dapat dibuat dari UI saat mengekspor ke pelatihan SageMaker Autopilot atau mengekspor notebook pipeline inferensi. Ini tidak memberikan fleksibilitas jika Anda ingin mengambil alur SageMaker Data Wrangler di luar Studio Amazon SageMaker lingkungan. Sekarang, Anda dapat membuat artefak inferensi untuk file aliran apa pun yang kompatibel melalui tugas pemrosesan SageMaker Data Wrangler. Hal ini memungkinkan MLOps terprogram ujung-ke-ujung dengan alur SageMaker Data Wrangler untuk persona MLOps pertama kode, serta jalur tanpa kode yang intuitif untuk mendapatkan artefak inferensi dengan membuat tugas dari UI.
Memperlancar persiapan data
JSON telah menjadi format yang diadopsi secara luas untuk pertukaran data dalam ekosistem data modern. Integrasi SageMaker Data Wrangler dengan format JSON memungkinkan Anda menangani data JSON dengan lancar untuk transformasi dan pembersihan. Dengan memberikan dukungan asli untuk JSON, SageMaker Data Wrangler menyederhanakan proses bekerja dengan data terstruktur dan semi-terstruktur, memungkinkan Anda mengekstrak wawasan berharga dan menyiapkan data secara efisien. SageMaker Data Wrangler kini mendukung format JSON untuk penerapan titik akhir inferensi real-time dan batch.
Ikhtisar solusi
Untuk kasus penggunaan kami, kami menggunakan sampel Kumpulan data ulasan pelanggan Amazon untuk menunjukkan bagaimana SageMaker Data Wrangler dapat menyederhanakan upaya operasional untuk membuat model ML baru menggunakan SageMaker Autopilot. Kumpulan data ulasan pelanggan Amazon berisi ulasan produk dan metadata dari Amazon, termasuk 142.8 juta ulasan dari Mei 1996 hingga Juli 2014.
Pada level tinggi, kami menggunakan SageMaker Data Wrangler untuk mengelola kumpulan data besar ini dan melakukan tindakan berikut:
- Kembangkan model ML di SageMaker Autopilot menggunakan semua kumpulan data, bukan hanya sampel.
- Buat pipeline inferensi real-time dengan artefak inferensi yang dibuat oleh SageMaker Data Wrangler, dan gunakan pemformatan JSON untuk input dan output.
Dukungan file manifes S3 dengan SageMaker Autopilot
Saat membuat eksperimen SageMaker Autopilot menggunakan SageMaker Data Wrangler, sebelumnya Anda hanya dapat menentukan satu file CSV atau Parquet. Kini Anda juga dapat menggunakan file manifes S3, yang memungkinkan Anda menggunakan data dalam jumlah besar untuk eksperimen SageMaker Autopilot. SageMaker Data Wrangler akan secara otomatis mempartisi file data input menjadi beberapa file yang lebih kecil dan menghasilkan manifes yang dapat digunakan dalam eksperimen SageMaker Autopilot untuk menarik semua data dari sesi interaktif, bukan hanya sampel kecil.
Selesaikan langkah-langkah berikut:
- Impor data ulasan pelanggan Amazon dari file CSV ke SageMaker Data Wrangler. Pastikan untuk menonaktifkan pengambilan sampel saat mengimpor data.
- Tentukan transformasi yang menormalkan data. Untuk contoh ini, hapus simbol dan ubah semuanya menjadi huruf kecil menggunakan transformasi bawaan SageMaker Data Wrangler.
- Pilih Model kereta untuk memulai pelatihan.
Untuk melatih model dengan SageMaker Autopilot, SageMaker secara otomatis mengekspor data ke bucket S3. Untuk kumpulan data besar seperti ini, secara otomatis akan memecah file menjadi file yang lebih kecil dan menghasilkan manifes yang menyertakan lokasi file yang lebih kecil.
- Pertama, pilih data input Anda.
Sebelumnya, SageMaker Data Wrangler tidak memiliki opsi untuk membuat file manifes untuk digunakan dengan SageMaker Autopilot. Hari ini, dengan dirilisnya dukungan file manifes, SageMaker Data Wrangler akan secara otomatis mengekspor file manifes ke Amazon S3, mengisi lokasi S3 dari pelatihan SageMaker Autopilot terlebih dahulu dengan file manifes lokasi S3, dan mengalihkan opsi file manifes ke Yes. Tidak ada pekerjaan yang diperlukan untuk membuat atau menggunakan file manifes.
- Konfigurasikan eksperimen Anda dengan memilih target untuk diprediksi oleh model.
- Selanjutnya, pilih metode pelatihan. Dalam hal ini, kami memilih Mobil dan biarkan SageMaker Autopilot memutuskan metode pelatihan terbaik berdasarkan ukuran dataset.
- Tentukan setelan penerapan.
- Terakhir, tinjau konfigurasi tugas dan kirim eksperimen SageMaker Autopilot untuk pelatihan. Saat SageMaker Autopilot menyelesaikan eksperimen, Anda dapat melihat hasil pelatihan dan menjelajahi model terbaik.
Berkat dukungan untuk file manifes, Anda dapat menggunakan seluruh kumpulan data Anda untuk eksperimen SageMaker Autopilot, bukan hanya subkumpulan data Anda.
Untuk informasi selengkapnya tentang cara menggunakan SageMaker Autopilot dengan SageMaker Data Wrangler, lihat Persiapan data terpadu dan pelatihan model dengan Amazon SageMaker Data Wrangler dan Amazon SageMaker Autopilot.
Menghasilkan artefak inferensi dari tugas Pemrosesan SageMaker
Sekarang, mari kita lihat cara membuat artefak inferensi melalui UI SageMaker Data Wrangler dan notebook SageMaker Data Wrangler.
UI Pengatur Data SageMaker
Untuk kasus penggunaan kami, kami ingin memproses data kami melalui UI dan kemudian menggunakan data yang dihasilkan untuk melatih dan menerapkan model melalui konsol SageMaker. Selesaikan langkah-langkah berikut:
- Buka aliran data yang Anda buat di bagian sebelumnya.
- Pilih tanda tambah di sebelah transformasi terakhir, pilih Tambahkan tujuan, dan pilih Amazon S3. Di sinilah data yang diproses akan disimpan.
- Pilih Ciptakan pekerjaan.
- Pilih Menghasilkan artefak inferensi di bagian Parameter inferensi untuk menghasilkan artefak inferensi.
- Untuk Nama artefak inferensi, masukkan nama artefak inferensi Anda (dengan .tar.gz sebagai ekstensi file).
- Untuk simpul keluaran Inferensi, masukkan simpul tujuan yang sesuai dengan transformasi yang diterapkan pada data pelatihan Anda.
- Pilih Konfigurasikan pekerjaan.
- Bawah Konfigurasi pekerjaan, masukkan jalur untuk Alur lokasi file S3. Sebuah folder bernama
data_wrangler_flows
akan dibuat di bawah lokasi ini, dan artefak inferensi akan diunggah ke folder ini. Untuk mengubah lokasi unggahan, tetapkan lokasi S3 yang berbeda. - Biarkan default untuk semua opsi lain dan pilih membuat untuk membuat pekerjaan pemrosesan.
Pekerjaan pemrosesan akan membuat atarball (.tar.gz)
berisi file aliran data yang dimodifikasi dengan bagian inferensi yang baru ditambahkan yang memungkinkan Anda menggunakannya untuk inferensi. Anda memerlukan pengidentifikasi sumber daya seragam (URI) S3 dari artefak inferensi untuk memberikan artefak ke model SageMaker saat menerapkan solusi inferensi Anda. URI akan dalam bentuk{Flow file S3 location}/data_wrangler_flows/{inference artifact name}.tar.gz
. - Jika Anda tidak mencatat nilai ini sebelumnya, Anda dapat memilih tautan ke tugas pemrosesan untuk menemukan detail yang relevan. Dalam contoh kami, URI adalah
s3://sagemaker-us-east-1-43257985977/data_wrangler_flows/example-2023-05-30T12-20-18.tar.gz.
- Salin nilai dari Memproses gambar; kita membutuhkan URI ini saat membuat model kita juga.
- Kita sekarang dapat menggunakan URI ini untuk membuat model SageMaker di konsol SageMaker, yang nantinya dapat kita terapkan ke titik akhir atau tugas transformasi batch.
- Bawah Pengaturan modelยธ masukkan nama model dan tentukan peran IAM Anda.
- Untuk Opsi masukan wadah, pilih Berikan artefak model dan lokasi gambar inferensi.
- Untuk Lokasi gambar kode inferensi, masukkan URI gambar pemrosesan.
- Untuk Lokasi artefak model, masukkan URI artefak inferensi.
- Selain itu, jika data Anda memiliki kolom target yang akan diprediksi oleh model ML terlatih, tentukan nama kolom tersebut di bawah Variabel lingkungan, dengan
INFERENCE_TARGET_COLUMN_NAME
as kunci dan nama kolom sebagai Nilai. - Selesaikan pembuatan model Anda dengan memilih Buat model.
Kami sekarang memiliki model yang dapat kami terapkan ke titik akhir atau tugas transformasi batch.
Notebook SageMaker Data Wrangler
Untuk pendekatan pertama-kode untuk menghasilkan artefak inferensi dari pekerjaan pemrosesan, kita dapat menemukan kode contoh dengan memilih Ekspor ke pada menu node dan memilih salah satunya Amazon S3, Pipa SageMaker, atau Pipeline Inferensi SageMaker. Kami memilih Pipeline Inferensi SageMaker dalam contoh ini.
Di notebook ini, ada bagian berjudul Buat Prosesor (ini identik di notebook SageMaker Pipelines, tetapi di notebook Amazon S3, kode yang setara akan berada di bawah Konfigurasi Pekerjaan bagian). Di bagian bawah bagian ini adalah konfigurasi untuk artefak inferensi kami yang disebut inference_params
. Ini berisi informasi yang sama yang kita lihat di UI, yaitu nama artefak inferensi dan node keluaran inferensi. Nilai-nilai ini akan diisi sebelumnya tetapi dapat dimodifikasi. Ada juga parameter yang disebut use_inference_params
, yang perlu diatur ke True
untuk menggunakan konfigurasi ini dalam tugas pemrosesan.
Lebih jauh ke bawah adalah bagian berjudul Tentukan Langkah-Langkah Pipeline, Di mana inference_params
konfigurasi ditambahkan ke daftar argumen tugas dan diteruskan ke definisi untuk langkah pemrosesan Wrangler Data SageMaker. Di notebook Amazon S3, job_arguments
didefinisikan segera setelah Konfigurasi Pekerjaan bagian.
Dengan konfigurasi sederhana ini, tugas pemrosesan yang dibuat oleh notebook ini akan menghasilkan artefak inferensi di lokasi S3 yang sama dengan file flow kami (didefinisikan sebelumnya di notebook kami). Kita dapat menentukan lokasi S3 ini secara terprogram dan menggunakan artefak ini untuk membuat model SageMaker menggunakan SDK Python SageMaker, yang didemonstrasikan dalam notebook SageMaker Inference Pipeline.
Pendekatan yang sama dapat diterapkan pada kode Python apa pun yang membuat tugas pemrosesan SageMaker Data Wrangler.
Dukungan format file JSON untuk input dan output selama inferensi
Sangat umum bagi situs web dan aplikasi untuk menggunakan JSON sebagai permintaan/respons untuk API sehingga informasinya mudah diurai oleh bahasa pemrograman yang berbeda.
Sebelumnya, setelah Anda memiliki model terlatih, Anda hanya dapat berinteraksi dengannya melalui CSV sebagai format input dalam pipeline inferensi SageMaker Data Wrangler. Saat ini, Anda dapat menggunakan JSON sebagai format masukan dan keluaran, memberikan lebih banyak fleksibilitas saat berinteraksi dengan wadah inferensi SageMaker Data Wrangler.
Untuk mulai menggunakan JSON untuk input dan output di notebook pipeline inferensi, selesaikan langkah-langkah berikut:
- Tentukan muatan.
Untuk setiap muatan, model mengharapkan instance bernama kunci. Nilainya adalah daftar objek, masing-masing menjadi titik datanya sendiri. Objek memerlukan kunci yang disebut fitur, dan nilainya harus berupa fitur dari satu titik data yang dimaksudkan untuk dikirimkan ke model. Beberapa poin data dapat dikirimkan dalam satu permintaan, hingga ukuran total 6 MB per permintaan.
Lihat kode berikut:
- Tentukan
ContentType
asapplication/json
. - Berikan data ke model dan terima inferensi dalam format JSON.
Lihat Format Data Umum untuk Inferensi untuk contoh input dan output contoh JSON.
Membersihkan
Saat Anda selesai menggunakan SageMaker Data Wrangler, kami menyarankan Anda untuk mematikan instans yang dijalankannya untuk menghindari biaya tambahan. Untuk petunjuk tentang cara mematikan aplikasi SageMaker Data Wrangler dan instans terkait, lihat Matikan Data Wrangler.
Kesimpulan
Fitur baru SageMaker Data Wrangler, termasuk dukungan untuk file manifes S3, kemampuan inferensi, dan integrasi format JSON, mengubah pengalaman operasional persiapan data. Penyempurnaan ini menyederhanakan impor data, mengotomatiskan transformasi data, dan menyederhanakan bekerja dengan data JSON. Dengan fitur ini, Anda dapat meningkatkan efisiensi operasional, mengurangi upaya manual, dan mengekstrak wawasan berharga dari data Anda dengan mudah. Rangkullah kekuatan fitur baru SageMaker Data Wrangler dan buka potensi penuh alur kerja persiapan data Anda.
Untuk memulai SageMaker Data Wrangler, lihat informasi terbaru di Halaman produk SageMaker Data Wrangler.
Tentang penulis
Munish Dabra adalah Arsitek Solusi Utama di Amazon Web Services (AWS). Area fokusnya saat ini adalah AI/ML dan Observability. Dia memiliki latar belakang yang kuat dalam merancang dan membangun sistem terdistribusi yang dapat diskalakan. Dia senang membantu pelanggan berinovasi dan mengubah bisnis mereka di AWS. LinkedIn: /mdabra
Patrick Lin adalah Insinyur Pengembangan Perangkat Lunak dengan Amazon SageMaker Data Wrangler. Dia berkomitmen untuk menjadikan Amazon SageMaker Data Wrangler sebagai alat persiapan data nomor satu untuk alur kerja ML yang diproduksi. Di luar pekerjaan, Anda dapat menemukannya membaca, mendengarkan musik, mengobrol dengan teman-teman, dan melayani di gerejanya.
- 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. Otomotif / EV, Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- BlockOffset. Modernisasi Kepemilikan Offset Lingkungan. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/optimize-data-preparation-with-new-features-in-aws-sagemaker-data-wrangler/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 100
- 1996
- 2014
- 7
- 8
- 9
- a
- tindakan
- menambahkan
- Tambahan
- Selain itu
- diadopsi
- Setelah
- AI / ML
- Semua
- Membiarkan
- memungkinkan
- juga
- Amazon
- Amazon SageMaker
- Autopilot Amazon SageMaker
- Pengatur Data Amazon SageMaker
- Amazon Web Services
- Layanan Web Amazon (AWS)
- jumlah
- an
- dan
- Apa pun
- Lebah
- aplikasi
- aplikasi
- terapan
- Mendaftar
- pendekatan
- ADALAH
- daerah
- argumen
- AS
- terkait
- At
- mengotomatisasikan
- secara otomatis
- menghindari
- AWS
- latar belakang
- berdasarkan
- BE
- menjadi
- makhluk
- TERBAIK
- Besar
- kedua
- Bawah
- Istirahat
- membangun
- Bangunan
- built-in
- bisnis
- tapi
- by
- bernama
- CAN
- kemampuan
- kasus
- perubahan
- beban
- memeriksa
- Pilih
- memilih
- gereja
- Pembersihan
- kode
- Kolom
- berkomitmen
- Umum
- cocok
- lengkap
- Selesaikan
- konfigurasi
- konsul
- dikonsumsi
- Wadah
- mengandung
- percakapan
- Sesuai
- bisa
- membuat
- dibuat
- menciptakan
- membuat
- kritis
- terbaru
- pelanggan
- pelanggan
- data
- Pertukaran data
- titik data
- Persiapan data
- pengolahan data
- Data-driven
- kumpulan data
- hari
- memutuskan
- default
- didefinisikan
- definisi
- menggali
- menunjukkan
- menyebarkan
- penggelaran
- penyebaran
- dirancang
- merancang
- tujuan
- rincian
- Menentukan
- Pengembangan
- berbeda
- membahas
- didistribusikan
- sistem terdistribusi
- do
- turun
- selama
- setiap
- Terdahulu
- memudahkan
- mudah
- Mudah
- Ekosistem
- efisiensi
- efisien
- efisien
- usaha
- antara
- merangkul
- memungkinkan
- memungkinkan
- ujung ke ujung
- Titik akhir
- insinyur
- Teknik
- mempertinggi
- Perangkat tambahan
- Meningkatkan
- Enter
- Seluruh
- Lingkungan Hidup
- Setara
- terutama
- pERNAH
- Setiap
- setiap hari
- segala sesuatu
- contoh
- contoh
- Pasar Valas
- mengharapkan
- pengalaman
- eksperimen
- eksperimen
- eksplorasi
- menyelidiki
- ekspor
- ekspor
- perpanjangan
- ekstrak
- Fitur
- Fitur
- beberapa
- File
- File
- Menemukan
- keluwesan
- aliran
- Mengalir
- Fokus
- mengikuti
- berikut
- Untuk
- bentuk
- format
- teman
- dari
- penuh
- lebih lanjut
- menghasilkan
- dihasilkan
- mendapatkan
- sangat
- memiliki
- menangani
- Memiliki
- memiliki
- he
- membantu
- High
- menyoroti
- dia
- -nya
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- HTTPS
- i
- identik
- identifier
- if
- gambar
- segera
- mengimpor
- pengimporan
- memperbaiki
- in
- termasuk
- Termasuk
- informasi
- berinovasi
- memasukkan
- wawasan
- contoh
- instruksi
- integrasi
- dimaksudkan
- berinteraksi
- berinteraksi
- interaktif
- Antarmuka
- ke
- intuitif
- IT
- NYA
- JavaScript
- Pekerjaan
- jpg
- json
- Juli
- hanya
- kunci
- Bahasa
- besar
- Terakhir
- kemudian
- Terbaru
- jalankan
- pengetahuan
- membiarkan
- Tingkat
- 'like'
- Terbatas
- LINK
- Daftar
- Listening
- daftar
- tempat
- melihat
- mesin
- Mesin belajar
- membuat
- Membuat
- mengelola
- panduan
- Mungkin..
- menu
- Metadata
- metode
- mungkin
- juta
- menit
- hilang
- ML
- MLOps
- model
- model
- modern
- dimodifikasi
- lebih
- lebih efisien
- beberapa
- musik
- harus
- nama
- Bernama
- yaitu
- asli
- perlu
- Perlu
- kebutuhan
- New
- Fitur Baru
- baru saja
- berikutnya
- tidak
- simpul
- buku catatan
- sekarang
- jumlah
- obyek
- objek
- of
- on
- ONE
- hanya
- operasional
- optimal
- Optimize
- pilihan
- Opsi
- or
- Lainnya
- kami
- di luar
- keluaran
- di luar
- sendiri
- parameter
- parameter
- Lulus
- path
- untuk
- Melakukan
- memilih
- pipa saluran
- plato
- Kecerdasan Data Plato
- Data Plato
- plus
- Titik
- poin
- Pos
- potensi
- kekuasaan
- meramalkan
- diprediksi
- persiapan
- Mempersiapkan
- siap
- cukup
- sebelumnya
- Utama
- proses
- Diproses
- pengolahan
- Produk
- Ulasan produk
- Produksi
- terprogram
- Pemrograman
- bahasa pemrograman
- proyek
- memberikan
- menyediakan
- Ular sanca
- Bacaan
- real-time
- menerima
- sarankan
- menurunkan
- mengurangi
- melepaskan
- relevan
- menghapus
- mewakili
- mewakili
- permintaan
- membutuhkan
- sumber
- dihasilkan
- Hasil
- ulasan
- Review
- benar
- Peran
- berjalan
- s
- pembuat bijak
- Inferensi SageMaker
- Pipa SageMaker
- sama
- melihat
- terukur
- mulus
- mulus
- Bagian
- melihat
- memilih
- seleksi
- Layanan
- porsi
- Sidang
- set
- pengaturan
- beberapa
- harus
- Menunjukkan
- menutup
- menandatangani
- Sederhana
- disederhanakan
- menyederhanakan
- menyederhanakan
- tunggal
- Ukuran
- kecil
- lebih kecil
- So
- Perangkat lunak
- pengembangan perangkat lunak
- larutan
- Solusi
- ketegangan
- Secara khusus
- membagi
- awal
- mulai
- Langkah
- Tangga
- penyimpanan
- tersimpan
- mempersingkat
- pelurusan
- kuat
- tersusun
- menyerahkan
- disampaikan
- seperti itu
- mendukung
- Mendukung
- yakin
- sistem
- Mengambil
- Dibutuhkan
- target
- bahwa
- Grafik
- informasi
- mereka
- kemudian
- Sana.
- Ini
- ini
- itu
- Melalui
- waktu
- berjudul
- untuk
- hari ini
- terlalu
- alat
- alat
- Total
- Pelatihan VE
- terlatih
- Pelatihan
- Mengubah
- Transformasi
- transformasi
- berubah
- transformasi
- Dua kali
- ui
- bawah
- membuka kunci
- upload
- menggunakan
- gunakan case
- bekas
- menggunakan
- Berharga
- nilai
- Nilai - Nilai
- sangat
- melalui
- View
- visualisasi
- ingin
- ingin
- we
- jaringan
- layanan web
- situs web
- minggu
- BAIK
- ketika
- yang
- sangat
- akan
- dengan
- Kerja
- alur kerja
- Alur kerja
- kerja
- Kamu
- Anda
- zephyrnet.dll