“Data yang disimpan dalam bentuk teks, audio, media sosial, dan sumber tidak terstruktur lainnya dapat menjadi keunggulan kompetitif bagi perusahaan yang mengetahui cara menggunakannya”
Hanya 18% organisasi di a Survei 2019 oleh Deloitte dilaporkan mampu memanfaatkan data yang tidak terstruktur. Mayoritas data, antara 80% dan 90%, merupakan data tidak terstruktur. Ini adalah sumber daya besar yang belum dimanfaatkan yang berpotensi memberikan keunggulan kompetitif bagi bisnis jika mereka dapat mengetahui cara menggunakannya. Sulit untuk mendapatkan wawasan dari data ini, terutama jika diperlukan upaya untuk mengklasifikasikan, memberi tag, atau memberi label pada data tersebut. Amazon Comprehend klasifikasi khusus dapat berguna dalam situasi ini. Amazon Comprehend adalah layanan pemrosesan bahasa alami (NLP) yang menggunakan pembelajaran mesin untuk mengungkap wawasan dan koneksi berharga dalam teks.
Kategorisasi atau klasifikasi dokumen memiliki manfaat yang signifikan di seluruh domain bisnis –
- Peningkatan pencarian dan pengambilan – Dengan mengelompokkan dokumen ke dalam topik atau kategori yang relevan, pengguna lebih mudah mencari dan mengambil dokumen yang dibutuhkan. Mereka dapat mencari dalam kategori tertentu untuk mempersempit hasil.
- Manajemen pengetahuan – Mengkategorikan dokumen secara sistematis membantu mengatur basis pengetahuan organisasi. Ini memudahkan untuk menemukan informasi yang relevan dan melihat hubungan antara konten terkait.
- Alur kerja yang disederhanakan – Penyortiran dokumen otomatis dapat membantu menyederhanakan banyak proses bisnis seperti pemrosesan faktur, dukungan pelanggan, atau kepatuhan terhadap peraturan. Dokumen dapat secara otomatis dirutekan ke orang atau alur kerja yang tepat.
- Penghematan biaya dan waktu – Kategorisasi dokumen manual membosankan, memakan waktu, dan mahal. Teknik AI dapat mengambil alih tugas biasa ini dan mengkategorikan ribuan dokumen dalam waktu singkat dengan biaya yang jauh lebih rendah.
- Generasi wawasan – Menganalisis tren dalam kategori dokumen dapat memberikan wawasan bisnis yang berguna. Misalnya, peningkatan keluhan pelanggan pada suatu kategori produk dapat menandakan beberapa masalah yang perlu ditangani.
- Tata kelola dan penegakan kebijakan – Menyiapkan aturan kategorisasi dokumen membantu memastikan bahwa dokumen diklasifikasikan dengan benar sesuai dengan kebijakan dan standar tata kelola organisasi. Hal ini memungkinkan pemantauan dan audit yang lebih baik.
- Pengalaman yang dipersonalisasi – Dalam konteks seperti konten situs web, kategorisasi dokumen memungkinkan konten yang disesuaikan untuk ditampilkan kepada pengguna berdasarkan minat dan preferensi mereka sebagaimana ditentukan dari perilaku penelusuran mereka. Hal ini dapat meningkatkan keterlibatan pengguna.
Kompleksitas pengembangan model pembelajaran mesin klasifikasi yang dipesan lebih dahulu bervariasi tergantung pada berbagai aspek seperti kualitas data, algoritme, skalabilitas, dan pengetahuan domain, dan masih banyak lagi. Penting untuk memulai dengan definisi masalah yang jelas, data yang bersih dan relevan, dan secara bertahap mengerjakan berbagai tahapan pengembangan model. Namun, bisnis dapat membuat model pembelajaran mesin unik mereka sendiri menggunakan klasifikasi kustom Amazon Comprehend untuk secara otomatis mengklasifikasikan dokumen teks ke dalam kategori atau tag, untuk memenuhi persyaratan spesifik bisnis dan memetakan ke teknologi bisnis dan kategori dokumen. Karena penandaan atau kategorisasi manusia tidak lagi diperlukan, hal ini dapat menghemat banyak waktu, uang, dan tenaga bagi bisnis. Kami telah menyederhanakan proses ini dengan mengotomatiskan seluruh jalur pelatihan.
Di bagian pertama postingan blog multi-seri ini, Anda akan mempelajari cara membuat pipeline pelatihan yang skalabel dan menyiapkan data pelatihan untuk Memahami model Klasifikasi Kustom. Kami akan memperkenalkan alur pelatihan pengklasifikasi khusus yang dapat diterapkan di akun AWS Anda dengan beberapa klik. Kami menggunakan kumpulan data berita BBC, dan akan melatih pengklasifikasi untuk mengidentifikasi kelas (misalnya politik, olahraga) yang termasuk dalam suatu dokumen. Pipeline ini akan memungkinkan organisasi Anda merespons perubahan dengan cepat dan melatih model baru tanpa harus memulai dari awal setiap saat. Anda dapat meningkatkan dan melatih beberapa model berdasarkan permintaan Anda dengan mudah.
Prasyarat
- Akun AWS yang aktif (Klik di sini untuk membuat akun AWS baru)
- Akses ke Amazon Comprehend, Amazon S3, Amazon Lambda, Amazon Step Function, Amazon SNS, dan Amazon CloudFormation
- Data pelatihan (semi-struktur atau teks) disiapkan di bagian berikut
- Pengetahuan dasar tentang Python dan Machine Learning secara umum
Siapkan data pelatihan
Solusi ini dapat menerima masukan juga format teks (mis. CSV) atau format semi terstruktur (mis. PDF).
Input teks
Amazon Comprehend klasifikasi khusus mendukung dua mode: kelas jamak dan multi-label.
Dalam mode kelas jamak, setiap dokumen dapat memiliki satu dan hanya satu kelas yang ditetapkan padanya. Data pelatihan harus disiapkan sebagai file CSV dua kolom dengan setiap baris file berisi satu kelas dan teks dokumen yang mendemonstrasikan kelas tersebut.
Contoh untuk Kumpulan data berita BBC:
Dalam mode multi-label, setiap dokumen memiliki setidaknya satu kelas yang ditetapkan padanya, tetapi dapat memiliki lebih banyak kelas. Data pelatihan harus dalam bentuk file CSV dua kolom, yang setiap baris file berisi satu atau lebih kelas dan teks dokumen pelatihan. Lebih dari satu kelas harus ditandai dengan menggunakan pembatas antara masing-masing kelas.
Tidak ada header yang boleh disertakan dalam file CSV untuk salah satu mode pelatihan.
Masukan semi terstruktur
Mulai tahun 2023, Amazon Comprehend sekarang mendukung model pelatihan menggunakan dokumen semi-terstruktur. Data pelatihan untuk input semi-struktur terdiri dari sekumpulan dokumen berlabel, yang dapat berupa dokumen yang telah diidentifikasi sebelumnya dari repositori dokumen yang sudah Anda akses. Berikut adalah contoh data CSV file anotasi yang diperlukan untuk pelatihan (Contoh data):
File CSV anotasi berisi tiga kolom: Kolom pertama berisi label dokumen, kolom kedua adalah nama dokumen (yaitu nama file), dan kolom terakhir adalah nomor halaman dokumen yang ingin Anda sertakan dalam file. kumpulan data pelatihan. Biasanya, jika file CSV anotasi terletak di folder yang sama dengan semua dokumen lainnya, Anda hanya perlu menentukan nama dokumen di kolom kedua. Namun, jika file CSV terletak di lokasi yang berbeda, Anda perlu menentukan jalur ke lokasi di kolom kedua, seperti path/to/prefix/document1.pdf
.
Untuk detailnya, cara mempersiapkan data pelatihan Anda, silakan merujuk ke di sini.
Ikhtisar solusi
- Amazon Comprehend alur pelatihan dimulai ketika data pelatihan (file .csv untuk input teks dan file .csv anotasi untuk input semi-struktur) diunggah ke Amazon Simple Storage Service khusus (Amazon S3) keranjang.
- An AWS Lambda fungsi dipanggil oleh Amazon S3 memicu sedemikian rupa sehingga setiap kali suatu objek diunggah ke ditentukan Amazon S3 lokasi, fungsi AWS Lambda mengambil nama bucket sumber dan nama kunci objek yang diunggah dan meneruskannya ke pelatihan fungsi langkah alur kerja.
- Dalam fungsi langkah pelatihan, setelah menerima nama keranjang data pelatihan dan nama kunci objek sebagai parameter input, alur kerja pelatihan model kustom dimulai sebagai serangkaian fungsi lambda seperti yang dijelaskan:
StartComprehendTraining
: Fungsi AWS Lambda ini mendefinisikan aComprehendClassifier
objek tergantung pada jenis file input (yaitu, teks atau semi-terstruktur) dan kemudian memulai sebuah Amazon Comprehend tugas pelatihan klasifikasi khusus dengan menelepon buat_dokumen_pengklasifikasi Interaksi Pemrograman Aplikasi (API), yang mengembalikan Job pelatihan Amazon Resource Names (ARN) . Selanjutnya, fungsi ini memeriksa status pekerjaan pelatihan dengan memanggil deskripsikan_dokumen_pengklasifikasi API. Terakhir, ia mengembalikan ARN Pekerjaan pelatihan dan status pekerjaan, sebagai output ke tahap alur kerja pelatihan berikutnya.GetTrainingJobStatus
: AWS Lambda ini memeriksa status pekerjaan pelatihan setiap 15 menit, dengan menelepon deskripsikan_dokumen_pengklasifikasi API, hingga status tugas pelatihan berubah menjadi Selesai atau Gagal.GenerateMultiClass
orGenerateMultiLabel
: Jika Anda memilih iya nih untuk laporan kinerja saat meluncurkan tumpukan, salah satu dari dua AWS Lambdas ini akan menjalankan analisis sesuai dengan output model Amazon Comprehend Anda, yang menghasilkan analisis kinerja per kelas dan menyimpannya ke Amazon S3.GenerateMultiClass
: AWS Lambda ini akan dipanggil jika masukan Anda adalah MultiKelas dan kamu memilih iya nih untuk laporan kinerja.GenerateMultiLabel
: AWS Lambda ini akan dipanggil jika masukan Anda adalah MultiLabel dan kamu memilih iya nih untuk laporan kinerja.
- Setelah pelatihan berhasil dilakukan, solusinya menghasilkan keluaran berikut:
- Model Klasifikasi Khusus: Model ARN yang terlatih akan tersedia di akun Anda untuk pekerjaan inferensi di masa mendatang.
- Matriks Kebingungan [Opsil]: Matriks konfusi (
confusion_matrix
.json) akan tersedia dalam output yang ditentukan pengguna Amazon S3 jalur, tergantung pada pilihan pengguna. - Layanan Pemberitahuan Sederhana Amazon pemberitahuan [Opsil]: Email pemberitahuan akan dikirim tentang status pekerjaan pelatihan kepada pelanggan, tergantung pada pilihan pengguna awal.
Walkthrough
Meluncurkan solusi
Untuk men-deploy pipeline Anda, selesaikan langkah-langkah berikut:
- Pilih Luncurkan Stack Tombol:
- Pilih Berikutnya
- Tentukan detail alur dengan opsi yang sesuai dengan kasus penggunaan Anda:
Informasi untuk setiap detail tumpukan:
- Nama tumpukan (Wajib) – nama yang Anda tentukan untuk ini Formasi AWS Cloud tumpukan. Nama tersebut harus unik di Wilayah tempat Anda membuatnya.
- Q01ClassifierInputBucketName (Diperlukan) – Nama bucket Amazon S3 untuk menyimpan data input Anda. Itu harus berupa nama yang unik secara global dan tumpukan AWS CloudFormation membantu Anda membuat bucket saat diluncurkan.
- Q02ClassifierOutputBucketName (Diperlukan) – Nama bucket Amazon S3 untuk menyimpan output dari Amazon Comprehend dan pipeline. Itu juga harus menjadi nama yang unik secara global.
- Q03Format Masukan – Pilihan dropdown, Anda dapat memilih teks (jika data pelatihan Anda adalah file csv) atau semi-struktur (jika data pelatihan Anda berbentuk semi-struktur [misalnya, file PDF]) berdasarkan format input data Anda.
- Q04Bahasa – Pilihan dropdown, memilih bahasa dokumen dari daftar yang didukung. Harap diperhatikan, saat ini hanya bahasa Inggris yang didukung jika format input Anda semi-terstruktur.
- Q05MultiKelas – Pilihan tarik-turun, pilih iya nih jika input Anda adalah mode MultiClass. Jika tidak, pilih tidak.
- Q06Pembatas Label – Hanya diperlukan jika jawaban Q05MultiClass Anda adalah tidak. Pembatas ini digunakan dalam data pelatihan Anda untuk memisahkan setiap kelas.
- Q07ValidasiDataset – Pilihan dropdown, ubah jawabannya menjadi iya nih jika Anda ingin menguji kinerja pengklasifikasi terlatih dengan data pengujian Anda sendiri.
- Q08S3ValidationPath – Hanya diperlukan jika jawaban Q07ValidationDataset Anda adalah iya nih.
- Q09Laporan Kinerja – Pilihan tarik-turun, pilih iya nih jika Anda ingin membuat laporan kinerja tingkat kelas pasca pelatihan model. Laporan akan disimpan di keranjang keluaran yang Anda tentukan di Q02ClassifierOutputBucketName.
- Q10Pemberitahuan Email – Pilihan tarik-turun. Pilih iya nih jika Anda ingin menerima pemberitahuan setelah model dilatih.
- Q11ID Email – Masukkan alamat email yang valid untuk menerima pemberitahuan laporan kinerja. Harap diperhatikan, Anda harus mengonfirmasi langganan dari email Anda setelah tumpukan AWS CloudFormation diluncurkan, sebelum Anda dapat menerima pemberitahuan saat pelatihan selesai.
- Di bagian Amazon Configure stack options, tambahkan tag opsional, izin, dan pengaturan lanjutan lainnya.
- Pilih Selanjutnya
- Tinjau detail tumpukan dan pilih Saya mengakuinya Formasi AWS Cloud mungkin membuat AWS IAM sumber daya
- Pilih Kirim. Ini memulai penerapan pipa di akun AWS Anda.
- Setelah tumpukan berhasil disebarkan, barulah Anda dapat mulai menggunakan alur. Membuat
/training-data
folder di bawah lokasi Amazon S3 yang Anda tentukan untuk input. Catatan: Amazon S3 secara otomatis menerapkan enkripsi sisi server (SSE-S3) untuk setiap objek baru kecuali Anda menentukan opsi enkripsi yang berbeda. Silakan lihat Perlindungan data di Amazon S3 untuk detail lebih lanjut tentang perlindungan data dan enkripsi di Amazon S3.
- Unggah data pelatihan Anda ke folder. (Jika data pelatihan bersifat semi-terstruktur, unggah semua file PDF sebelum mengunggah informasi label format .csv).
Kamu sudah selesai! Anda telah berhasil menerapkan alur dan Anda dapat memeriksa status alur di fungsi langkah yang diterapkan. (Anda akan memiliki model terlatih di panel klasifikasi kustom Amazon Comprehend Anda).
Jika Anda memilih model dan versinya di dalamnya Amazon Comprehend Console, maka kini Anda dapat melihat lebih detail tentang model yang baru saja Anda latih. Ini mencakup Mode yang Anda pilih, yang sesuai dengan opsi Q05MultiClass, jumlah label, dan jumlah dokumen pelatihan dan pengujian di dalam data pelatihan Anda. Anda juga dapat memeriksa kinerja keseluruhan di bawah; namun, jika Anda ingin memeriksa performa mendetail untuk setiap kelas, silakan merujuk ke Laporan Performa yang dihasilkan oleh pipeline yang diterapkan.
Kuota layanan
Akun AWS Anda memiliki kuota default Amazon Comprehend dan AmazonTekstrak, jika input dalam format semi-struktur. Untuk melihat kuota layanan, silakan lihat di sini untuk Amazon Comprehend dan di sini untuk AmazonTekstrak.
Membersihkan
Untuk menghindari timbulnya tagihan berkelanjutan, hapus sumber daya yang Anda buat sebagai bagian dari solusi ini setelah selesai.
- pada Amazon S3 konsol, hapus secara manual konten di dalam keranjang yang Anda buat untuk data input dan output.
- pada Formasi AWS Cloud konsol, pilih Tumpukan di panel navigasi.
- Pilih tumpukan utama dan pilih Delete.
Ini secara otomatis menghapus tumpukan yang disebarkan.
- Anda terlatih Amazon Comprehend model klasifikasi khusus akan tetap ada di akun Anda. Jika Anda tidak membutuhkannya lagi, masuk Amazon Comprehend konsol, hapus model yang dibuat.
Kesimpulan
Dalam postingan ini, kami menunjukkan kepada Anda konsep pipeline pelatihan yang dapat diskalakan Amazon Comprehend model klasifikasi khusus dan memberikan solusi otomatis untuk melatih model baru secara efisien. Itu Formasi AWS Cloud Templat yang disediakan memungkinkan Anda membuat model klasifikasi teks Anda sendiri dengan mudah, memenuhi skala permintaan. Solusinya mengadopsi fitur Euclid yang baru-baru ini diumumkan dan menerima masukan dalam format teks atau semi-terstruktur.
Sekarang, kami mendorong Anda, pembaca kami, untuk menguji alat ini. Anda dapat menemukan rincian lebih lanjut tentang persiapan data pelatihan dan mengerti metrik pengklasifikasi khusus. Cobalah dan lihat langsung bagaimana ini dapat menyederhanakan proses pelatihan model Anda dan meningkatkan efisiensi. Silakan bagikan tanggapan Anda kepada kami!
Tentang Penulis
Sandeep Singh adalah Ilmuwan Data Senior dengan Layanan Profesional AWS. Dia bersemangat membantu pelanggan berinovasi dan mencapai tujuan bisnis mereka dengan mengembangkan solusi canggih yang didukung AI/ML. Saat ini dia fokus pada AI Generatif, LLM, rekayasa cepat, dan penskalaan Pembelajaran Mesin di seluruh perusahaan. Dia menghadirkan kemajuan AI terkini untuk menciptakan nilai bagi pelanggan.
Yan Yan Zhang adalah Ilmuwan Data Senior di tim Pengiriman Energi dengan Layanan Profesional AWS. Dia bersemangat membantu pelanggan memecahkan masalah nyata dengan pengetahuan AI/ML. Baru-baru ini, fokusnya adalah mengeksplorasi potensi AI Generatif dan LLM. Di luar pekerjaan, dia suka bepergian, berolahraga, dan menjelajahi hal-hal baru.
Wrick Talukdar adalah Arsitek Senior di tim Amazon Comprehend Service. Dia bekerja dengan pelanggan AWS untuk membantu mereka mengadopsi pembelajaran mesin dalam skala besar. Di luar pekerjaan, ia senang membaca dan fotografi.
- 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.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- ChartPrime. Tingkatkan Game Trading Anda dengan ChartPrime. Akses Di Sini.
- BlockOffset. Modernisasi Kepemilikan Offset Lingkungan. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/build-a-classification-pipeline-with-amazon-comprehend-custom-classification-part-i/
- :memiliki
- :adalah
- $NAIK
- 1
- 100
- 11
- 15%
- 2023
- 24
- 26%
- 7
- 9
- a
- Sanggup
- Tentang Kami
- Menerima
- mengakses
- Menurut
- Akun
- Mencapai
- mengakui
- di seluruh
- aktif
- menambahkan
- alamat
- dialamatkan
- mengambil
- maju
- kemajuan
- Keuntungan
- Setelah
- AI
- AI / ML
- algoritma
- Semua
- memungkinkan
- sudah
- juga
- Amazon
- Amazon Comprehend
- Amazon Web Services
- an
- analisis
- menganalisis
- dan
- mengumumkan
- menjawab
- lagi
- api
- Aplikasi
- berlaku
- ADALAH
- AS
- aspek
- ditugaskan
- At
- audio
- audit
- Otomatis
- secara otomatis
- secara otomatis
- mengotomatisasi
- tersedia
- menghindari
- jauh
- AWS
- Formasi AWS Cloud
- AWS Lambda
- Layanan Profesional AWS
- mendasarkan
- berdasarkan
- bbc
- BE
- menjadi
- sebelum
- laku
- makhluk
- milik
- di bawah
- Manfaat
- dipesan lebih dahulu
- Lebih baik
- antara
- Besar
- Blog
- Membawa
- Browsing
- membangun
- bisnis
- bisnis
- tapi
- tombol
- by
- bernama
- panggilan
- CAN
- kasus
- kasus
- kategori
- mengkategorikan
- Kategori
- perubahan
- Perubahan
- beban
- memeriksa
- Cek
- Pilih
- memilih
- kelas
- kelas-kelas
- klasifikasi
- tergolong
- Klasifikasi
- jelas
- Klik
- mengumpulkan
- Kolom
- Kolom
- kompetitif
- keluhan
- lengkap
- Lengkap
- kompleksitas
- pemenuhan
- memahami
- Terdiri dari
- konsep
- Memastikan
- kebingungan
- Koneksi
- konsul
- mengandung
- Konten
- isi
- Konteks
- berkorespondensi
- Biaya
- bisa
- membuat
- Ciptakan Nilai
- dibuat
- membuat
- Sekarang
- adat
- pelanggan
- Customer Support
- pelanggan
- data
- perlindungan data
- ilmuwan data
- dedicated
- Default
- didefinisikan
- Mendefinisikan
- definisi
- pengiriman
- deloitte
- Permintaan
- menunjukkan
- Tergantung
- menyebarkan
- dikerahkan
- penyebaran
- dijelaskan
- rinci
- terperinci
- rincian
- ditentukan
- berkembang
- Pengembangan
- berbeda
- sulit
- dokumen
- dokumen
- Dolar
- domain
- domain
- dilakukan
- Dont
- turun
- e
- setiap
- mudah
- mudah
- Tepi
- efisiensi
- efisien
- mudah
- upaya
- antara
- aktif
- mendorong
- enkripsi
- energi
- interaksi
- Teknik
- Inggris
- mempertinggi
- memastikan
- Enter
- perusahaan
- penting
- Eropa
- Setiap
- contoh
- mahal
- Menjelajahi
- Gagal
- Fitur
- umpan balik
- beberapa
- Angka
- File
- File
- Akhirnya
- Menemukan
- perusahaan
- Pertama
- sesuai
- Fokus
- terfokus
- berikut
- Untuk
- format
- dari
- fungsi
- fungsi
- masa depan
- menghasilkan
- dihasilkan
- menghasilkan
- generatif
- AI generatif
- Memberikan
- Secara global
- pemerintahan
- bertahap
- Memiliki
- memiliki
- he
- membantu
- membantu
- membantu
- dia
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- HTML
- HTTPS
- manusia
- i
- mengenali
- if
- in
- memasukkan
- termasuk
- termasuk
- Meningkatkan
- menunjukkan
- informasi
- mulanya
- Inisiat
- berinovasi
- memasukkan
- input
- dalam
- wawasan
- kepentingan
- ke
- memperkenalkan
- dipanggil
- masalah
- IT
- NYA
- Pekerjaan
- jpg
- json
- hanya
- kunci
- pengetahuan
- label
- Label
- tenaga kerja
- bahasa
- besar
- Terakhir
- diluncurkan
- peluncuran
- BELAJAR
- pengetahuan
- paling sedikit
- 'like'
- baris
- Daftar
- LLM
- terletak
- tempat
- terkunci
- lagi
- Lot
- mencintai
- menurunkan
- mesin
- Mesin belajar
- terbuat
- Utama
- Mayoritas
- MEMBUAT
- panduan
- manual
- banyak
- peta
- Matriks
- Mungkin..
- Media
- Pelajari
- mungkin
- menit
- mode
- model
- model
- mode
- uang
- pemantauan
- lebih
- paling
- Gunung
- banyak
- beberapa
- harus
- nama
- nama
- sempit
- Navigasi
- perlu
- Perlu
- dibutuhkan
- New
- berita
- berikutnya
- nLP
- tidak
- pemberitahuan
- sekarang
- jumlah
- obyek
- target
- of
- on
- ONE
- terus-menerus
- hanya
- pilihan
- Opsi
- or
- organisasi
- organisasi
- Lainnya
- jika tidak
- kami
- di luar
- keluaran
- di luar
- lebih
- secara keseluruhan
- sendiri
- halaman
- pane
- panel
- parameter
- bagian
- khususnya
- lulus
- bergairah
- path
- Konsultan Ahli
- untuk
- prestasi
- Izin
- fotografi
- pipa saluran
- plato
- Kecerdasan Data Plato
- Data Plato
- silahkan
- Kebijakan
- kebijaksanaan
- politik
- mungkin
- Pos
- potensi
- didukung
- preferensi
- Mempersiapkan
- siap
- Masalah
- masalah
- proses
- proses
- pengolahan
- Produk
- profesional
- Pemrograman
- perlindungan
- memberikan
- disediakan
- menyediakan
- Ular sanca
- kualitas
- cepat
- pembaca
- Bacaan
- nyata
- menerima
- menerima
- baru
- baru-baru ini
- lihat
- wilayah
- regulator
- Kepatuhan terhadap Regulasi
- terkait
- relevan
- tinggal
- melaporkan
- Dilaporkan
- gudang
- wajib
- Persyaratan
- sumber
- Sumber
- Menanggapi
- Hasil
- Pengembalian
- benar
- aturan
- Run
- sama
- Save
- disimpan
- Skalabilitas
- terukur
- Skala
- sisik
- skala
- ilmuwan
- menggaruk
- Pencarian
- Kedua
- Bagian
- melihat
- seleksi
- senior
- mengirim
- terpisah
- Seri
- layanan
- Layanan
- set
- pengaturan
- pengaturan
- Share
- dia
- Pendek
- harus
- menunjukkan
- ditunjukkan
- penting
- menandakan
- Sederhana
- tunggal
- situasi
- Sosial
- media sosial
- larutan
- Solusi
- MEMECAHKAN
- beberapa
- sumber
- sumber
- tertentu
- ditentukan
- Olahraga
- tumpukan
- Tahap
- magang
- standar
- awal
- dimulai
- state-of-the-art
- Status
- Langkah
- Tangga
- penyimpanan
- menyimpan
- mempersingkat
- pelanggan
- berlangganan
- Kemudian
- berhasil
- seperti itu
- mendukung
- Didukung
- Mendukung
- Survei
- MENANDAI
- disesuaikan
- Mengambil
- tugas
- tim
- tech
- teknik
- Teknologi
- Template
- uji
- teks
- Klasifikasi Teks
- dari
- bahwa
- Grafik
- Sumber
- mereka
- Mereka
- kemudian
- Ini
- mereka
- hal
- ini
- ribuan
- tiga
- Melalui
- waktu
- membuang-buang waktu
- untuk
- alat
- Topik
- Pelatihan VE
- terlatih
- Pelatihan
- Perjalanan
- Tren
- memicu
- mencoba
- dua
- mengetik
- menemukan
- bawah
- memahami
- unik
- belum dimanfaatkan
- sampai
- upload
- Mengunggah
- us
- menggunakan
- gunakan case
- bekas
- Pengguna
- Pengguna
- kegunaan
- menggunakan
- Berharga
- nilai
- variasi
- versi
- View
- ingin
- Cara..
- we
- jaringan
- layanan web
- Situs Web
- ketika
- yang
- sementara
- seluruh
- akan
- dengan
- dalam
- tanpa
- Kerja
- alur kerja
- Alur kerja
- kerja
- berolahraga
- bekerja
- Kamu
- Anda
- zephyrnet.dll
- Zip