Pengatur Data Amazon SageMaker adalah antarmuka visual tunggal yang mengurangi waktu yang diperlukan untuk menyiapkan data dan melakukan rekayasa fitur dari beberapa minggu menjadi beberapa menit dengan kemampuan untuk memilih dan membersihkan data, membuat fitur, dan mengotomatiskan persiapan data dalam alur kerja pembelajaran mesin (ML) tanpa menulis kode apa pun.
Mendukung SageMaker Data Wrangler Kepingan salju, sumber data populer bagi pengguna yang ingin melakukan ML. Kami meluncurkan koneksi langsung Snowflake dari SageMaker Data Wrangler untuk meningkatkan pengalaman pelanggan. Sebelum peluncuran fitur ini, administrator diharuskan menyiapkan integrasi penyimpanan awal untuk terhubung dengan Snowflake guna membuat fitur untuk ML di Data Wrangler. Ini termasuk penyediaan Layanan Penyimpanan Sederhana Amazon (Amazon S3) ember, Identitas AWS dan Manajemen Akses (IAM) izin akses, integrasi penyimpanan Snowflake untuk pengguna individual, dan mekanisme berkelanjutan untuk mengelola atau membersihkan salinan data di Amazon S3. Proses ini tidak dapat diskalakan untuk pelanggan dengan kontrol akses data yang ketat dan sejumlah besar pengguna.
Dalam postingan ini, kami menunjukkan bagaimana koneksi langsung Snowflake di SageMaker Data Wrangler menyederhanakan pengalaman administrator dan perjalanan ML ilmuwan data dari data ke wawasan bisnis.
Ikhtisar solusi
Dalam solusi ini, kami menggunakan SageMaker Data Wrangler untuk mempercepat persiapan data untuk ML dan Autopilot Amazon SageMaker untuk membuat, melatih, dan menyempurnakan model ML secara otomatis berdasarkan data Anda. Kedua layanan tersebut dirancang khusus untuk meningkatkan produktivitas dan mempersingkat waktu menjadi nilai bagi para praktisi ML. Kami juga mendemonstrasikan akses data yang disederhanakan dari SageMaker Data Wrangler ke Snowflake dengan koneksi langsung ke kueri dan membuat fitur untuk ML.
Lihat diagram di bawah untuk ikhtisar proses ML kode rendah dengan Snowflake, SageMaker Data Wrangler, dan SageMaker Autopilot.
Alur kerja meliputi langkah-langkah berikut:
- Arahkan ke SageMaker Data Wrangler untuk persiapan data dan tugas rekayasa fitur Anda.
- Siapkan koneksi Kepingan Salju dengan SageMaker Data Wrangler.
- Jelajahi tabel Snowflake Anda di SageMaker Data Wrangler, buat set data ML, dan lakukan rekayasa fitur.
- Latih dan uji model menggunakan SageMaker Data Wrangler dan SageMaker Autopilot.
- Muat model terbaik ke titik akhir inferensi real-time untuk prediksi.
- Gunakan notebook Python untuk menjalankan titik akhir inferensi real-time yang diluncurkan.
Prasyarat
Untuk posting ini, administrator memerlukan prasyarat berikut:
Ilmuwan data harus memiliki prasyarat berikut
Terakhir, Anda harus menyiapkan data Anda untuk Snowflake
- Kami menggunakan data transaksi kartu kredit dari Kaggle untuk membangun model ML untuk mendeteksi transaksi kartu kredit penipuan, sehingga pelanggan tidak dikenakan biaya untuk item yang tidak mereka beli. Dataset mencakup transaksi kartu kredit pada September 2013 yang dilakukan oleh pemegang kartu Eropa.
- Anda harus menggunakan Klien SnowSQL dan instal di mesin lokal Anda, sehingga Anda dapat menggunakannya untuk mengunggah kumpulan data ke tabel Kepingan Salju.
Langkah-langkah berikut menunjukkan cara mempersiapkan dan memuat dataset ke dalam database Snowflake. Ini adalah pengaturan satu kali.
Tabel kepingan salju dan persiapan data
Selesaikan langkah-langkah berikut untuk penyiapan satu kali ini:
- Pertama, sebagai administrator, buat gudang virtual, pengguna, dan peran Snowflake, dan berikan akses ke pengguna lain seperti data scientist untuk membuat database dan data stage untuk kasus penggunaan ML mereka:
- Sebagai ilmuwan data, mari sekarang buat database dan impor transaksi kartu kredit ke database Snowflake untuk mengakses data dari SageMaker Data Wrangler. Untuk tujuan ilustrasi, kami membuat database Snowflake bernama
SF_FIN_TRANSACTION
: - Unduh file CSV dataset ke mesin lokal Anda dan buat stage untuk memuat data ke dalam tabel database. Perbarui jalur file untuk menunjuk ke lokasi set data yang diunduh sebelum menjalankan perintah PUT untuk mengimpor data ke tahap yang dibuat:
- Buat tabel bernama
credit_card_transactions
: - Impor data ke dalam tabel yang dibuat dari stage:
Siapkan koneksi SageMaker Data Wrangler dan Snowflake
Setelah menyiapkan dataset untuk digunakan dengan SageMaker Data Wrangler, mari kita buat koneksi Snowflake baru di SageMaker Data Wrangler untuk terhubung ke sf_fin_transaction
database di Snowflake dan kueri credit_card_transaction
meja:
- Pilih Kepingan salju di SageMaker Data Wrangler Koneksi .
- Berikan nama untuk mengidentifikasi koneksi Anda.
- Pilih metode autentikasi Anda untuk terhubung dengan database Snowflake:
- Jika menggunakan autentikasi dasar, berikan nama pengguna dan kata sandi yang dibagikan oleh administrator Snowflake Anda. Untuk posting ini, kami menggunakan autentikasi dasar untuk terhubung ke Snowflake menggunakan kredensial pengguna yang kami buat di langkah sebelumnya.
- Jika Anda menggunakan OAuth, berikan kredensial penyedia identitas Anda.
SageMaker Data Wrangler secara default mengkueri data Anda langsung dari Snowflake tanpa membuat salinan data apa pun di bucket S3. Peningkatan kegunaan baru SageMaker Data Wrangler menggunakan Apache Spark untuk diintegrasikan dengan Snowflake guna menyiapkan dan membuat set data dengan lancar untuk perjalanan ML Anda.
Sejauh ini, kami telah membuat database di Snowflake, mengimpor file CSV ke tabel Snowflake, membuat kredensial Snowflake, dan membuat konektor di SageMaker Data Wrangler untuk terhubung ke Snowflake. Untuk memvalidasi koneksi Snowflake yang dikonfigurasi, jalankan kueri berikut pada tabel Snowflake yang dibuat:
Perhatikan bahwa opsi integrasi penyimpanan yang diperlukan sebelumnya sekarang opsional di pengaturan lanjutan.
Jelajahi data Kepingan Salju
Setelah Anda memvalidasi hasil kueri, pilih impor untuk menyimpan hasil kueri sebagai kumpulan data. Kami menggunakan kumpulan data yang diekstraksi ini untuk analisis data eksplorasi dan rekayasa fitur.
Anda dapat memilih untuk mengambil sampel data dari Snowflake di SageMaker Data Wrangler UI. Opsi lainnya adalah mendownload data lengkap untuk kasus penggunaan pelatihan model ML Anda menggunakan tugas pemrosesan SageMaker Data Wrangler.
Lakukan analisis data eksplorasi di SageMaker Data Wrangler
Data dalam Data Wrangler perlu direkayasa sebelum dapat dilatih. Di bagian ini, kami mendemonstrasikan cara melakukan rekayasa fitur pada data dari Snowflake menggunakan kemampuan bawaan SageMaker Data Wrangler.
Pertama, mari kita gunakan Data Quality and Insights Report
fitur dalam SageMaker Data Wrangler untuk menghasilkan laporan guna memverifikasi kualitas data secara otomatis dan mendeteksi ketidaknormalan pada data dari Snowflake.
Anda dapat menggunakan laporan untuk membantu Anda membersihkan dan memproses data Anda. Ini memberi Anda informasi seperti jumlah nilai yang hilang dan jumlah outlier. Jika Anda memiliki masalah dengan data Anda, seperti kebocoran target atau ketidakseimbangan, laporan wawasan dapat menyampaikan masalah tersebut kepada Anda. Untuk memahami detail laporan, lihat Percepat persiapan data dengan kualitas data dan wawasan di Amazon SageMaker Data Wrangler.
Setelah Anda memeriksa pencocokan tipe data yang diterapkan oleh SageMaker Data Wrangler, selesaikan langkah-langkah berikut:
- Pilih tanda plus di sebelah Tipe data Dan pilihlah Tambahkan analisis.
- Untuk Jenis analisis, pilih Kualitas Data dan Laporan Wawasan.
- Pilih membuat.
- Lihat detail Laporan Kualitas dan Wawasan Data untuk melihat peringatan prioritas tinggi.
Anda dapat memilih untuk mengatasi peringatan yang dilaporkan sebelum melanjutkan perjalanan ML Anda.
Kolom sasaran Class
diprediksi diklasifikasikan sebagai string. Pertama, mari terapkan transformasi untuk menghapus karakter kosong yang basi.
- Pilih Tambahkan langkah Dan pilihlah Memformat string.
- Dalam daftar transformasi, pilih Strip kiri dan kanan.
- Masukkan karakter yang akan dihapus dan pilih Add.
Selanjutnya, kami mengonversi kolom target Class
dari tipe data string ke Boolean karena transaksinya sah atau curang.
- Pilih Tambahkan langkah.
- Pilih Parsing kolom sebagai tipe.
- Untuk Kolom, pilih
Class
. - Untuk Dari, pilih Tali.
- Untuk Untuk, pilih Boolean.
- Pilih Add.
Setelah transformasi kolom target, kami mengurangi jumlah kolom fitur, karena ada lebih dari 30 fitur di dataset asli. Kami menggunakan Analisis Komponen Utama (PCA) untuk mengurangi dimensi berdasarkan kepentingan fitur. Untuk memahami lebih lanjut tentang PCA dan pengurangan dimensi, lihat Algoritma Analisis Komponen Utama (PCA)..
- Pilih Tambahkan langkah.
- Pilih Pengurangan Dimensi.
- Untuk Mengubah, pilih Analisis komponen utama.
- Untuk Kolom masukan, pilih semua kolom kecuali kolom target
Class
. - Pilih tanda plus di sebelah Aliran data Dan pilihlah Tambahkan analisis.
- Untuk Jenis analisis, pilih Model Cepat.
- Untuk Nama analisis, masukkan nama.
- Untuk label, pilih
Class
. - Pilih Run.
Berdasarkan hasil PCA, Anda dapat memutuskan fitur mana yang akan digunakan untuk membuat model. Pada tangkapan layar berikut, grafik menunjukkan fitur (atau dimensi) yang diurutkan berdasarkan kepentingan tertinggi hingga terendah untuk memprediksi kelas target, yang dalam dataset ini adalah apakah transaksi itu curang atau valid.
Anda dapat memilih untuk mengurangi jumlah fitur berdasarkan analisis ini, tetapi untuk posting ini, kami membiarkan default apa adanya.
Ini mengakhiri proses rekayasa fitur kami, meskipun Anda dapat memilih untuk menjalankan model cepat dan membuat Laporan Kualitas Data dan Wawasan lagi untuk memahami data sebelum melakukan pengoptimalan lebih lanjut.
Ekspor data dan latih model
Pada langkah berikutnya, kami menggunakan SageMaker Autopilot untuk membuat, melatih, dan menyesuaikan model ML terbaik secara otomatis berdasarkan data Anda. Dengan SageMaker Autopilot, Anda tetap mempertahankan kontrol penuh dan visibilitas data dan model Anda.
Setelah menyelesaikan eksplorasi dan rekayasa fitur, mari latih model pada set data dan ekspor data untuk melatih model ML menggunakan SageMaker Autopilot.
- pada Pelatihan tab, pilih Ekspor dan kereta api.
Kami dapat memantau kemajuan ekspor sambil menunggu hingga selesai.
Mari konfigurasikan SageMaker Autopilot untuk menjalankan tugas pelatihan otomatis dengan menentukan target yang ingin diprediksi dan jenis masalahnya. Dalam hal ini, karena kami melatih kumpulan data untuk memprediksi apakah transaksi itu curang atau valid, kami menggunakan klasifikasi biner.
- Masukkan nama untuk eksperimen Anda, berikan data lokasi S3, dan pilih Berikutnya: Target dan fitur.
- Untuk target, pilih
Class
sebagai kolom untuk memprediksi. - Pilih Berikutnya: Metode pelatihan.
Izinkan SageMaker Autopilot memutuskan metode pelatihan berdasarkan kumpulan data.
- Untuk Metode pelatihan dan algoritma, pilih Mobil.
Untuk memahami lebih lanjut tentang mode pelatihan yang didukung oleh SageMaker Autopilot, lihat Mode dan algoritme pelatihan Dukungan.
- Pilih Berikutnya: Penerapan dan pengaturan lanjutan.
- Untuk Opsi penyebaran, pilih Terapkan otomatis model terbaik dengan transformasi dari Data Wrangler, yang memuat model terbaik untuk inferensi setelah eksperimen selesai.
- Masukkan nama untuk titik akhir Anda.
- Untuk Pilih jenis masalah pembelajaran mesin, pilih Klasifikasi biner.
- Untuk Metrik keberatan, pilih F1.
- Pilih Berikutnya: Tinjau dan buat.
- Pilih Buat eksperimen.
Ini memulai tugas SageMaker Autopilot yang membuat serangkaian tugas pelatihan yang menggunakan kombinasi hyperparameter untuk mengoptimalkan metrik objektif.
Tunggu hingga SageMaker Autopilot selesai membuat model dan mengevaluasi model ML terbaik.
Luncurkan titik akhir inferensi real-time untuk menguji model terbaik
SageMaker Autopilot menjalankan eksperimen untuk menentukan model terbaik yang dapat mengklasifikasikan transaksi kartu kredit sebagai sah atau curang.
Saat SageMaker Autopilot menyelesaikan eksperimen, kita dapat melihat hasil pelatihan dengan metrik evaluasi dan menjelajahi model terbaik dari halaman deskripsi pekerjaan SageMaker Autopilot.
- Pilih model terbaik dan pilih Terapkan model.
Kami menggunakan titik akhir inferensi real-time untuk menguji model terbaik yang dibuat melalui SageMaker Autopilot.
- Pilih Membuat prediksi waktu nyata.
Saat titik akhir tersedia, kami dapat meneruskan muatan dan mendapatkan hasil inferensi.
Mari luncurkan notebook Python untuk menggunakan titik akhir inferensi.
- Di konsol SageMaker Studio, pilih ikon folder di panel navigasi dan pilih Buat buku catatan.
- Gunakan kode Python berikut untuk memanggil endpoint inferensi real-time yang diterapkan:
Output menunjukkan hasil sebagai false
, yang menyiratkan data fitur sampel tidak curang.
Membersihkan
Untuk memastikan Anda tidak dikenai biaya setelah menyelesaikan tutorial ini, matikan aplikasi SageMaker Data Wrangler dan matikan instance notebook digunakan untuk melakukan inferensi. Kamu juga harus menghapus titik akhir inferensi Anda buat menggunakan SageMaker Autopilot untuk mencegah biaya tambahan.
Kesimpulan
Dalam posting ini, kami mendemonstrasikan cara membawa data Anda dari Snowflake secara langsung tanpa membuat salinan perantara apa pun dalam prosesnya. Anda dapat mengambil sampel atau memuat kumpulan data lengkap Anda ke SageMaker Data Wrangler langsung dari Snowflake. Anda kemudian dapat menjelajahi data, membersihkan data, dan menampilkan rekayasa menggunakan antarmuka visual SageMaker Data Wrangler.
Kami juga menyoroti bagaimana Anda dapat dengan mudah melatih dan menyetel model dengan SageMaker Autopilot langsung dari antarmuka pengguna SageMaker Data Wrangler. Dengan integrasi SageMaker Data Wrangler dan SageMaker Autopilot, kami dapat dengan cepat membuat model setelah menyelesaikan rekayasa fitur, tanpa menulis kode apa pun. Kemudian kami mereferensikan model terbaik SageMaker Autopilot untuk menjalankan inferensi menggunakan titik akhir real-time.
Cobalah integrasi langsung Snowflake baru dengan SageMaker Data Wrangler hari ini untuk membangun model ML dengan data Anda dengan mudah menggunakan SageMaker.
Tentang penulis
Hariharan Suresh adalah Arsitek Solusi Senior di AWS. Dia sangat tertarik dengan database, pembelajaran mesin, dan merancang solusi inovatif. Sebelum bergabung dengan AWS, Hariharan adalah seorang arsitek produk, spesialis implementasi perbankan inti, dan pengembang, serta bekerja dengan organisasi BFSI selama lebih dari 11 tahun. Di luar teknologi, ia menikmati paralayang dan bersepeda.
Aparajithan Vaidyanathan adalah Arsitek Solusi Perusahaan Utama di AWS. Dia mendukung pelanggan perusahaan bermigrasi dan memodernisasi beban kerja mereka di cloud AWS. Dia adalah Arsitek Cloud dengan pengalaman lebih dari 23 tahun dalam merancang dan mengembangkan sistem perangkat lunak perusahaan berskala besar dan terdistribusi. Dia berspesialisasi dalam Pembelajaran Mesin & Analisis Data dengan fokus pada domain Rekayasa Data dan Fitur. Dia adalah pelari maraton yang bercita-cita tinggi dan hobinya meliputi hiking, bersepeda, dan menghabiskan waktu bersama istri dan dua putranya.
Lagu Tim adalah Insinyur Pengembangan Perangkat Lunak di AWS SageMaker, dengan pengalaman lebih dari 10 tahun sebagai pengembang perangkat lunak, konsultan, dan pemimpin teknologi, dia telah menunjukkan kemampuan untuk memberikan produk yang dapat diskalakan dan andal serta memecahkan masalah yang kompleks. Di waktu luangnya, ia menikmati alam, lari di luar ruangan, hiking, dan lain-lain.
Bosco Alburquerque adalah Sr. Partner Solutions Architect di AWS dan memiliki pengalaman lebih dari 20 tahun dalam bekerja dengan produk database dan analitik dari vendor database perusahaan dan penyedia cloud. Dia telah membantu perusahaan teknologi besar merancang solusi analitik data dan telah memimpin tim teknik dalam merancang dan mengimplementasikan platform analitik data dan produk data.
- 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/accelerate-time-to-business-insights-with-the-amazon-sagemaker-data-wrangler-direct-connection-to-snowflake/
- :memiliki
- :adalah
- :bukan
- $NAIK
- 1
- 10
- 100
- 11
- 12
- 14
- 15%
- 20
- 20 tahun
- 2013
- 27
- 30
- 40
- 500
- 7
- 9
- a
- kemampuan
- Tentang Kami
- mempercepat
- mengakses
- Akun
- Tambahan
- administrator
- maju
- Setelah
- lagi
- AI / ML
- Semua
- mengizinkan
- juga
- Meskipun
- Amazon
- Amazon SageMaker
- Pengatur Data Amazon SageMaker
- Amazon Web Services
- jumlah
- an
- analisis
- analisis
- dan
- Lain
- Apa pun
- Apache
- api
- terapan
- Mendaftar
- ADALAH
- AS
- bercita-cita tinggi
- At
- perhatian
- Otentikasi
- mengotomatisasikan
- Otomatis
- secara otomatis
- tersedia
- AWS
- Perbankan
- berdasarkan
- dasar
- BE
- karena
- sebelum
- di bawah
- TERBAIK
- BFSI
- tubuh
- kedua
- membawa
- membangun
- Bangunan
- built-in
- bisnis
- tapi
- by
- CAN
- kemampuan
- menangkap
- kartu
- kasus
- kasus
- karakter
- dibebankan
- beban
- memeriksa
- Pilih
- kelas
- klasifikasi
- tergolong
- Klasifikasi
- klien
- awan
- kode
- Kolom
- Kolom
- kombinasi
- Perusahaan
- lengkap
- Lengkap
- Selesaikan
- menyelesaikan
- kompleks
- komponen
- dikonfigurasi
- Terhubung
- koneksi
- konsul
- konsultan
- terus
- kontrol
- mengubah
- Core
- Perbankan Inti
- membuat
- dibuat
- menciptakan
- membuat
- Surat kepercayaan
- kredit
- kartu kredit
- pelanggan
- pengalaman pelanggan
- pelanggan
- data
- akses data
- analisis data
- Data Analytics
- Persiapan data
- ilmuwan data
- Basis Data
- database
- memutuskan
- Default
- default
- menyampaikan
- mendemonstrasikan
- menunjukkan
- menyebarkan
- dikerahkan
- penyebaran
- deskripsi
- Mendesain
- dirancang
- merancang
- rincian
- Menentukan
- Pengembang
- berkembang
- Pengembangan
- ukuran
- langsung
- langsung
- didistribusikan
- domain
- Dont
- turun
- Download
- mudah
- antara
- Titik akhir
- insinyur
- Teknik
- Enter
- Enterprise
- dll
- Eropa
- evaluasi
- Kecuali
- ada
- pengalaman
- eksperimen
- eksperimen
- eksplorasi
- Analisis Data Eksplorasi
- menyelidiki
- ekspor
- jauh
- Fitur
- Fitur
- Menampilkan
- File
- keuangan
- menyelesaikan
- Pertama
- Mengapung
- Fokus
- berikut
- Untuk
- format
- curang
- dari
- penuh
- lebih lanjut
- menghasilkan
- mendapatkan
- memberikan
- memberikan
- grafik
- Memiliki
- he
- membantu
- membantu
- paling tinggi
- Disorot
- -nya
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- http
- HTTPS
- ICON
- mengenali
- identitas
- if
- ketidakseimbangan
- implementasi
- mengimplementasikan
- mengimpor
- pentingnya
- pengimporan
- impor
- memperbaiki
- in
- memasukkan
- termasuk
- Meningkatkan
- sendiri-sendiri
- informasi
- mulanya
- inovatif
- wawasan
- install
- mengintegrasikan
- integrasi
- Antarmuka
- intern
- ke
- masalah
- IT
- item
- Pekerjaan
- Jobs
- bergabung
- perjalanan
- jpg
- json
- besar
- besar-besaran
- jalankan
- diluncurkan
- pemimpin
- pengetahuan
- Meninggalkan
- Dipimpin
- meninggalkan
- sah
- membiarkan
- Perpustakaan
- MEMBATASI
- Daftar
- memuat
- beban
- lokal
- tempat
- terendah
- mesin
- Mesin belajar
- terbuat
- memelihara
- membuat
- mengelola
- Maraton
- sesuai
- Mungkin..
- mekanisme
- metode
- metrik
- Metrik
- bermigrasi
- menit
- hilang
- ML
- model
- model
- memodernisasi
- mode
- Memantau
- lebih
- nama
- Bernama
- Alam
- Navigasi
- kebutuhan
- New
- berikutnya
- buku catatan
- sekarang
- jumlah
- sumpah
- obyek
- tujuan
- of
- on
- terus-menerus
- Optimize
- pilihan
- or
- urutan
- organisasi
- asli
- OS
- Lainnya
- kami
- di luar
- keluaran
- di luar
- lebih
- ikhtisar
- halaman
- pane
- pasangan
- lulus
- bergairah
- Kata Sandi
- path
- Melakukan
- melakukan
- Izin
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- plus
- Titik
- Populer
- Pos
- meramalkan
- diprediksi
- Prediksi
- persiapan
- Mempersiapkan
- prasyarat
- mencegah
- sebelumnya
- Utama
- Mencetak
- Sebelumnya
- Masalah
- masalah
- proses
- pengolahan
- Produk
- produktifitas
- Produk
- Kemajuan
- memberikan
- pemberi
- penyedia
- publik
- membeli
- tujuan
- menempatkan
- Ular sanca
- kualitas
- query
- Cepat
- segera
- real-time
- menurunkan
- mengurangi
- pengurangan
- dapat diandalkan
- menghapus
- menggantikan
- melaporkan
- Dilaporkan
- laporan
- permintaan
- wajib
- tanggapan
- mengakibatkan
- Hasil
- ulasan
- naik
- Peran
- Run
- pelari
- berjalan
- s
- pembuat bijak
- Save
- terukur
- ilmuwan
- ilmuwan
- mulus
- Bagian
- mengirim
- senior
- September
- Layanan
- set
- pengaturan
- penyiapan
- berbagi
- harus
- Menunjukkan
- Pertunjukkan
- menandatangani
- Sederhana
- disederhanakan
- tunggal
- So
- Perangkat lunak
- pengembangan perangkat lunak
- larutan
- Solusi
- MEMECAHKAN
- lagu
- sumber
- percikan
- spesialis
- spesialisasi
- Secara khusus
- kecepatan
- Pengeluaran
- Tahap
- dimulai
- Langkah
- Tangga
- Masih
- penyimpanan
- menyimpan
- Ketat
- Tali
- studio
- menyerahkan
- sukses
- berhasil
- seperti itu
- mendukung
- Didukung
- Mendukung
- sistem
- tabel
- target
- tugas
- tim
- tech
- Teknologi
- perusahaan teknologi
- uji
- bahwa
- Grafik
- Grafik
- mereka
- kemudian
- Sana.
- mereka
- ini
- itu
- Melalui
- waktu
- untuk
- hari ini
- Pelatihan VE
- terlatih
- Pelatihan
- .
- Transaksi
- Transformasi
- transformasi
- benar
- tutorial
- dua
- mengetik
- ui
- memahami
- Memperbarui
- us
- kegunaan
- menggunakan
- bekas
- Pengguna
- User Interface
- Pengguna
- kegunaan
- menggunakan
- v1
- MENGESAHKAN
- nilai
- Nilai - Nilai
- vendor
- memeriksa
- View
- maya
- jarak penglihatan
- menunggu
- ingin
- adalah
- we
- jaringan
- layanan web
- minggu
- adalah
- apakah
- yang
- sementara
- SIAPA
- istri
- dengan
- dalam
- tanpa
- Kerja
- bekerja
- alur kerja
- Alur kerja
- kerja
- penulisan
- tahun
- Kamu
- Anda
- zephyrnet.dll