Seri tiga bagian ini menunjukkan cara menggunakan jaringan saraf graf (GNN) dan Amazon Neptunus untuk menghasilkan rekomendasi film menggunakan Film IMDb dan Box Office Mojo/TV/OTT paket data yang dapat dilisensikan, yang menyediakan beragam metadata hiburan, termasuk lebih dari 1 miliar peringkat pengguna; kredit untuk lebih dari 11 juta pemain dan kru; 9 juta judul film, TV, dan hiburan; dan data pelaporan box office global dari lebih dari 60 negara. Banyak pelanggan media dan hiburan AWS melisensikan data IMDb melalui Pertukaran Data AWS untuk meningkatkan penemuan konten dan meningkatkan keterlibatan dan retensi pelanggan.
Diagram berikut mengilustrasikan arsitektur lengkap yang diimplementasikan sebagai bagian dari seri ini.
In bagian 1, kami membahas aplikasi GNN dan cara mengubah dan menyiapkan data IMDb kami menjadi grafik pengetahuan (KG). Kami mengunduh data dari AWS Data Exchange dan memprosesnya Lem AWS untuk menghasilkan file KG. File KG disimpan di Layanan Penyimpanan Sederhana Amazon (Amazon S3) lalu dimuat Amazon Neptunus.
In bagian 2, kami mendemonstrasikan cara menggunakan Amazon Neptunus ML (di Amazon SageMaker) untuk melatih KG dan membuat embeddings KG.
Dalam postingan ini, kami memandu Anda tentang cara menerapkan penyematan KG terlatih kami di Amazon S3 untuk kasus penggunaan pencarian di luar katalog menggunakan Layanan Pencarian Terbuka Amazon dan AWS Lambda. Anda juga menerapkan aplikasi web lokal untuk pengalaman pencarian interaktif. Semua sumber daya yang digunakan dalam posting ini dapat dibuat menggunakan satu Kit Pengembangan AWS Cloud (AWS CDK) perintah seperti yang dijelaskan nanti di pos.
Latar Belakang
Pernahkah Anda secara tidak sengaja mencari judul konten yang tidak tersedia di platform streaming video? Jika ya, Anda akan menemukan bahwa alih-alih menghadapi halaman hasil pencarian kosong, Anda akan menemukan daftar film dalam genre yang sama, dengan pemeran atau kru. Itu pengalaman pencarian di luar katalog!
Pencarian di luar katalog (OOC) adalah saat Anda memasukkan kueri penelusuran yang tidak memiliki kecocokan langsung dalam katalog. Peristiwa ini sering terjadi pada platform streaming video yang terus-menerus membeli berbagai konten dari berbagai vendor dan perusahaan produksi dalam waktu terbatas. Tidak adanya relevansi atau pemetaan dari katalog perusahaan streaming ke basis pengetahuan film dan pertunjukan yang besar dapat menghasilkan pengalaman pencarian yang tidak standar bagi pelanggan yang meminta konten OOC, sehingga menurunkan waktu interaksi dengan platform. Pemetaan ini dapat dilakukan dengan memetakan kueri OOC yang sering digunakan secara manual ke konten katalog atau dapat diotomatisasi menggunakan pembelajaran mesin (ML).
Dalam postingan ini, kami mengilustrasikan cara menangani OOC dengan memanfaatkan kekuatan kumpulan data IMDb (sumber utama metadata hiburan global) dan grafik pengetahuan.
Layanan OpenSearch adalah layanan terkelola penuh yang memudahkan Anda melakukan analitik log interaktif, pemantauan aplikasi waktu nyata, pencarian situs web, dan banyak lagi. OpenSearch adalah open source, pencarian terdistribusi, dan rangkaian analitik yang berasal dari Elasticsearch. Layanan OpenSearch menawarkan versi terbaru OpenSearch, dukungan untuk 19 versi Elasticsearch (versi 1.5 hingga 7.10), serta kemampuan visualisasi yang didukung oleh OpenSearch Dashboards dan Kibana (versi 1.5 hingga 7.10). Layanan OpenSearch saat ini memiliki puluhan ribu pelanggan aktif dengan ratusan ribu cluster di bawah manajemen yang memproses triliunan permintaan per bulan. Layanan OpenSearch menawarkan pencarian kNN, yang dapat meningkatkan pencarian dalam kasus penggunaan seperti rekomendasi produk, deteksi penipuan, dan gambar, video, dan beberapa skenario semantik tertentu seperti kemiripan dokumen dan kueri. Untuk informasi lebih lanjut tentang fungsi pencarian yang didukung pemahaman bahasa alami dari Layanan OpenSearch, lihat Membangun aplikasi pencarian yang didukung NLU dengan Amazon SageMaker dan fitur Amazon OpenSearch Service KNN.
Ikhtisar solusi
Dalam posting ini, kami menyajikan solusi untuk menangani situasi OOC melalui pencarian embedding berbasis grafik pengetahuan menggunakan kemampuan pencarian k-nearest neighbor (kNN) dari Layanan OpenSearch. Layanan AWS utama yang digunakan untuk mengimplementasikan solusi ini adalah Layanan OpenSearch, SageMaker, Lambda, dan Amazon S3.
Beli bagian 1 dan bagian 2 dari seri ini untuk mempelajari selengkapnya tentang membuat grafik pengetahuan dan penyematan GNN menggunakan Amazon Neptune ML.
Solusi OOC kami mengasumsikan bahwa Anda memiliki gabungan KG yang diperoleh dengan menggabungkan perusahaan streaming KG dan IMDb KG. Ini dapat dilakukan melalui teknik pemrosesan teks sederhana yang mencocokkan judul beserta jenis judul (film, serial, dokumenter), pemeran, dan kru. Selain itu, grafik pengetahuan bersama ini harus dilatih untuk menghasilkan penyematan grafik pengetahuan melalui jalur pipa yang disebutkan di bagian 1 dan bagian 2. Diagram berikut mengilustrasikan tampilan gabungan KG yang disederhanakan.
Untuk mendemonstrasikan fungsionalitas pencarian OOC dengan contoh sederhana, kami membagi grafik pengetahuan IMDb menjadi katalog pelanggan dan katalog di luar pelanggan. Kami menandai judul yang berisi "Toy Story" sebagai sumber daya katalog di luar pelanggan dan grafik pengetahuan IMDb lainnya sebagai katalog pelanggan. Dalam skenario di mana katalog pelanggan tidak disempurnakan atau digabungkan dengan database eksternal, penelusuran untuk "cerita mainan" akan menghasilkan judul apa pun yang memiliki kata "mainan" atau "cerita" dalam metadatanya, dengan penelusuran teks OpenSearch. Jika katalog pelanggan dipetakan ke IMDb, akan lebih mudah untuk mengetahui bahwa kueri "cerita mainan" tidak ada di katalog dan bahwa kecocokan teratas di IMDb adalah "Toy Story", "Toy Story 2", "Toy Story 3”, “Toy Story 4”, dan “Charlie: Toy Story” dalam urutan penurunan relevansi dengan pencocokan teks. Untuk mendapatkan hasil dalam katalog untuk setiap kecocokan ini, kami dapat membuat lima film terdekat dalam kemiripan kNN berbasis katalog pelanggan (dari gabungan KG) melalui Layanan OpenSearch.
Pengalaman OOC tipikal mengikuti alur yang diilustrasikan pada gambar berikut.
Video berikut menampilkan hasil OOC lima teratas (jumlah klik) untuk kueri "toy story" dan kecocokan yang relevan di katalog pelanggan (jumlah rekomendasi).
Di sini, kueri dicocokkan dengan grafik pengetahuan menggunakan pencarian teks di Layanan OpenSearch. Kami kemudian memetakan penyematan teks yang cocok dengan judul katalog pelanggan menggunakan indeks kNN Layanan OpenSearch. Karena kueri pengguna tidak dapat langsung dipetakan ke entitas grafik pengetahuan, kami menggunakan pendekatan dua langkah untuk menemukan kesamaan kueri berbasis judul terlebih dahulu, lalu item yang mirip dengan judul menggunakan penyematan grafik pengetahuan. Di bagian berikut, kami menelusuri proses penyiapan klaster Layanan OpenSearch, membuat dan mengunggah indeks grafik pengetahuan, dan menerapkan solusi sebagai aplikasi web.
Prasyarat
Untuk mengimplementasikan solusi ini, Anda harus memiliki file Akun AWS, keakraban dengan Layanan OpenSearch, SageMaker, Lambda, dan Formasi AWS Cloud, dan telah menyelesaikan langkah-langkah di bagian 1 dan bagian 2 dari seri ini.
Luncurkan sumber daya solusi
Diagram arsitektur berikut menunjukkan alur kerja di luar katalog.
Anda akan menggunakan AWS Cloud Development Kit (CDK) untuk menyediakan sumber daya yang diperlukan untuk aplikasi pencarian OOC. Kode untuk meluncurkan sumber daya ini melakukan operasi berikut:
- Membuat VPC untuk sumber daya.
- Membuat domain Layanan OpenSearch untuk aplikasi pencarian.
- Membuat fungsi Lambda untuk memproses dan memuat metadata film dan penyematan ke indeks Layanan OpenSearch (
**-ReadFromOpenSearchLambda-**
). - Membuat fungsi Lambda yang menerima kueri pengguna dari aplikasi web sebagai masukan dan mengembalikan judul yang relevan dari OpenSearch (
**-LoadDataIntoOpenSearchLambda-**
). - Membuat Gateway API yang menambahkan lapisan keamanan tambahan antara antarmuka pengguna aplikasi web dan Lambda.
Untuk memulai, selesaikan langkah-langkah berikut:
- Jalankan kode dan buku catatan dari bagian 1 dan bagian 2.
- Arahkan ke folder
part3-out-of-catalog
folder di repositori kode.
- Luncurkan AWS CDK dari terminal dengan perintah
bash launch_stack.sh
. - Berikan dua jalur file S3 yang dibuat di Bagian 2 sebagai input:
- Jalur S3 ke file CSV penyematan film.
- Jalur S3 ke file simpul film.
- Tunggu hingga skrip menyediakan semua sumber daya yang diperlukan dan selesai dijalankan.
- Salin URL API Gateway yang dicetak oleh skrip AWS CDK dan simpan. (Kami menggunakan ini untuk aplikasi Streamlit nanti).
Buat Domain Layanan OpenSearch
Untuk tujuan ilustrasi, Anda membuat domain pencarian di satu Availability Zone dalam instans r6g.large.search dalam VPC dan subnet yang aman. Perhatikan bahwa praktik terbaiknya adalah menyiapkan pada tiga Availability Zone dengan satu instans utama dan dua instans replika.
Buat indeks Layanan OpenSearch dan unggah data
Anda menggunakan fungsi Lambda (dibuat menggunakan perintah tumpukan peluncuran AWS CDK) untuk membuat indeks Layanan OpenSearch. Untuk memulai pembuatan indeks, selesaikan langkah-langkah berikut:
- Di konsol Lambda, buka file
LoadDataIntoOpenSearchLambda
Fungsi Lambda. - pada uji tab, pilih uji untuk membuat dan menyerap data ke dalam indeks Layanan OpenSearch.
Kode berikut untuk fungsi Lambda ini dapat ditemukan di part3-out-of-catalog/cdk/ooc/lambdas/LoadDataIntoOpenSearchLambda/lambda_handler.py
:
Fungsi melakukan tugas-tugas berikut:
- Memuat file simpul film IMDB KG yang berisi metadata film dan penyematan terkait dari jalur file S3 yang diteruskan ke file pembuatan tumpukan
launch_stack.sh
. - Menggabungkan dua file input untuk membuat kerangka data tunggal untuk pembuatan indeks.
- Menginisialisasi klien Layanan OpenSearch menggunakan pustaka Boto3 Python.
- Membuat dua indeks untuk teks (
ooc_text
) dan pencarian penyisipan kNN (ooc_knn
) dan mengunggah data secara massal dari kerangka data gabungan melaluiingest_data_into_ops
fungsi.
Proses penyerapan data ini memakan waktu 5–10 menit dan dapat dipantau melalui amazoncloudwatch log di Pemantauan tab fungsi Lambda.
Anda membuat dua indeks untuk mengaktifkan pencarian berbasis teks dan pencarian berbasis penyematan kNN. Pencarian teks memetakan kueri bentuk bebas yang dimasukkan pengguna ke judul film. Pencarian penyematan kNN menemukan k film yang paling dekat dengan kecocokan teks terbaik dari ruang laten KG untuk dikembalikan sebagai keluaran.
Menyebarkan solusi sebagai aplikasi web lokal
Sekarang setelah Anda memiliki pencarian teks dan indeks kNN yang berfungsi di OpenSearch Service, Anda siap membangun aplikasi web yang didukung ML.
Kami menggunakan streamlit
Paket Python untuk membuat ilustrasi front-end untuk aplikasi ini. Itu IMDb-Knowledge-Graph-Blog/part3-out-of-catalog/run_imdb_demo.py
File python di kami GitHub repo memiliki kode yang diperlukan untuk meluncurkan aplikasi web lokal untuk menjelajahi kemampuan ini.
Untuk menjalankan kode, selesaikan langkah-langkah berikut:
- Instal
streamlit
danaws_requests_auth
Paket Python di lingkungan Python virtual lokal Anda melalui perintah berikut di terminal Anda:
- Ganti placeholder untuk URL API Gateway dalam kode berikut dengan yang dibuat oleh AWS CDK:
api = '<ENTER URL OF THE API GATEWAY HERE>/opensearch-lambda?q={query_text}&numMovies={num_movies}&numRecs={num_recs}'
- Luncurkan aplikasi web dengan perintah
streamlit run run_imdb_demo.py
dari terminal Anda.
Skrip ini meluncurkan aplikasi web Streamlit yang dapat diakses di browser web Anda. URL aplikasi web dapat diambil dari keluaran skrip, seperti yang ditunjukkan pada tangkapan layar berikut.
Aplikasi menerima string pencarian baru, jumlah klik, dan jumlah rekomendasi. Jumlah klik sesuai dengan berapa banyak judul OOC yang cocok yang harus kami ambil dari katalog eksternal (IMDb). Jumlah rekomendasi sesuai dengan berapa banyak tetangga terdekat yang harus kami ambil dari katalog pelanggan berdasarkan pencarian penyematan kNN. Lihat kode berikut:
Input ini (kueri, jumlah klik, dan rekomendasi) diteruskan ke **-ReadFromOpenSearchLambda-**
Fungsi Lambda dibuat oleh AWS CDK melalui permintaan API Gateway. Ini dilakukan dalam fungsi berikut:
Hasil keluaran fungsi Lambda dari Layanan OpenSearch diteruskan ke API Gateway dan ditampilkan di aplikasi Streamlit.
Membersihkan
Anda dapat menghapus semua sumber daya yang dibuat oleh AWS CDK melalui perintah npx cdk destroy –app “python3 appy.py” --all
dalam contoh yang sama (di dalam cdk
folder) yang digunakan untuk meluncurkan tumpukan (lihat tangkapan layar berikut).
Kesimpulan
Dalam postingan ini, kami menunjukkan kepada Anda cara membuat solusi untuk pencarian OOC menggunakan teks dan pencarian berbasis kNN menggunakan SageMaker dan Layanan OpenSearch. Anda menggunakan penyematan model grafik pengetahuan khusus untuk menemukan tetangga terdekat di katalog Anda dengan judul IMDb. Anda sekarang dapat, misalnya, mencari "The Rings of Power", serial fantasi yang dikembangkan oleh Amazon Prime Video, di platform streaming lain dan beralasan bagaimana mereka dapat mengoptimalkan hasil pencarian.
Untuk informasi lebih lanjut tentang contoh kode di posting ini, lihat GitHub repo. Untuk mempelajari lebih lanjut tentang berkolaborasi dengan Amazon ML Solutions Lab untuk membangun aplikasi ML canggih serupa, lihat Lab Solusi Pembelajaran Mesin Amazon. Untuk informasi selengkapnya tentang melisensikan kumpulan data IMDb, kunjungi pengembang.imdb.com.
Tentang Penulis
Divya Bhargavi adalah Ilmuwan Data dan Pimpinan Vertikal Media dan Hiburan di Amazon ML Solutions Lab, tempat dia memecahkan masalah bisnis bernilai tinggi bagi pelanggan AWS menggunakan Pembelajaran Mesin. Dia mengerjakan pemahaman gambar/video, sistem rekomendasi grafik pengetahuan, kasus penggunaan iklan prediktif.
Rele Gaurav adalah Ilmuwan Data di Amazon ML Solution Lab, di mana dia bekerja dengan pelanggan AWS di berbagai vertikal berbeda untuk mempercepat penggunaan pembelajaran mesin dan layanan AWS Cloud mereka untuk memecahkan tantangan bisnis mereka.
Matius Rhodes adalah Ilmuwan Data yang bekerja di Lab Solusi Amazon ML. Dia berspesialisasi dalam membangun saluran Pembelajaran Mesin yang melibatkan konsep seperti Pemrosesan Bahasa Alami dan Visi Komputer.
Karan Sindwani adalah Ilmuwan Data di Amazon ML Solutions Lab, tempat dia membangun dan menerapkan model pembelajaran mendalam. Dia berspesialisasi dalam bidang visi komputer. Di waktu luangnya, dia menikmati hiking.
Soji Adeshina adalah Ilmuwan Terapan di AWS tempat dia mengembangkan model berbasis jaringan saraf grafik untuk pembelajaran mesin pada tugas grafik dengan aplikasi untuk penipuan & penyalahgunaan, grafik pengetahuan, sistem pemberi rekomendasi, dan ilmu kehidupan. Di waktu luangnya, ia senang membaca dan memasak.
Vidya Sagar Ravipati adalah seorang Manajer di Amazon ML Solutions Lab, tempat dia memanfaatkan pengalamannya yang luas dalam sistem terdistribusi berskala besar dan hasratnya terhadap pembelajaran mesin untuk membantu pelanggan AWS di berbagai vertikal industri mempercepat adopsi AI dan cloud mereka.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/power-recommendations-and-search-using-an-imdb-knowledge-graph-part-3/
- 1
- 10
- 100
- 11
- 116
- 7
- 9
- a
- Tentang Kami
- penyalahgunaan
- mempercepat
- Menerima
- diakses
- di seluruh
- aktif
- Tambahan
- Selain itu
- Menambahkan
- Adopsi
- pengiklanan
- AI
- Semua
- Amazon
- Lab Solusi Amazon ML
- Amazon Neptunus
- Amazon Neptunus ML
- Layanan Pencarian Terbuka Amazon
- Amazon SageMaker
- analisis
- dan
- api
- aplikasi
- Aplikasi
- aplikasi
- terapan
- Mendaftar
- pendekatan
- arsitektur
- DAERAH
- terkait
- Otomatis
- tersedianya
- tersedia
- AWS
- Pertukaran Data AWS
- berdasarkan
- karena
- TERBAIK
- antara
- Milyar
- Kotak
- Film laris
- Browser
- membangun
- Bangunan
- membangun
- bisnis
- kemampuan
- kasus
- katalog
- tantangan
- Pilih
- klien
- awan
- adopsi cloud
- layanan cloud
- Kelompok
- kode
- berkolaborasi
- bergabung
- Perusahaan
- perusahaan
- Perusahaan
- lengkap
- Lengkap
- komputer
- Visi Komputer
- konsep
- konsul
- terus-menerus
- mengandung
- Konten
- berkorespondensi
- bisa
- negara
- membuat
- dibuat
- membuat
- penciptaan
- Kredit
- terbaru
- Sekarang
- adat
- pelanggan
- Keterlibatan pelanggan
- pelanggan
- data
- Pertukaran data
- ilmuwan data
- database
- kumpulan data
- mendalam
- belajar mendalam
- mendemonstrasikan
- menunjukkan
- menyebarkan
- penggelaran
- menyebarkan
- Berasal
- dijelaskan
- menghancurkan
- Deteksi
- dikembangkan
- Pengembangan
- mengembangkan
- berbeda
- langsung
- langsung
- penemuan
- dibahas
- didistribusikan
- sistem terdistribusi
- dokumen
- dokumenter
- Tidak
- domain
- setiap
- mudah
- aktif
- interaksi
- ditingkatkan
- Enter
- Masuk
- Menghibur
- entitas
- Lingkungan Hidup
- Acara
- pERNAH
- contoh
- Pasar Valas
- pengalaman
- menyelidiki
- luar
- tambahan
- menghadapi
- Keakraban
- FANTASI
- Angka
- File
- File
- Menemukan
- menemukan
- Pertama
- aliran
- berikut
- berikut
- ditemukan
- penipuan
- deteksi penipuan
- sering
- sering
- dari
- sepenuhnya
- fungsi
- fungsionalitas
- fungsi
- fungsi
- pintu gerbang
- menghasilkan
- mendapatkan
- Aksi
- grafik
- grafik
- menangani
- header
- membantu
- Memukul
- Hits
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- HTTPS
- Ratusan
- gambar
- melaksanakan
- diimplementasikan
- memperbaiki
- in
- Termasuk
- Meningkatkan
- indeks
- indeks
- Indeks
- industri
- informasi
- memasukkan
- install
- contoh
- sebagai gantinya
- interaksi
- interaktif
- Antarmuka
- melibatkan
- IT
- item
- kunci
- pengetahuan
- Pengetahuan Grafik
- laboratorium
- bahasa
- besar
- besar-besaran
- Terbaru
- jalankan
- meluncurkan
- lapisan
- memimpin
- BELAJAR
- pengetahuan
- memanfaatkan
- Perpustakaan
- Lisensi
- Perizinan
- Hidup
- Biologi
- Terbatas
- Daftar
- memuat
- lokal
- mesin
- Mesin belajar
- MEMBUAT
- berhasil
- pengelolaan
- manajer
- manual
- banyak
- peta
- pemetaan
- Peta
- tanda
- Cocok
- sesuai
- Media
- Anggota
- tersebut
- penggabungan
- Metadata
- juta
- menit
- ML
- model
- model
- dipantau
- pemantauan
- Bulan
- lebih
- film
- bioskop
- beberapa
- Alam
- Pengolahan Bahasa alami
- tetangga
- Neptunus
- berbasis jaringan
- jaringan
- jaringan saraf
- New
- simpul
- jumlah
- diperoleh
- Penawaran
- Office
- ONE
- Buka
- open source
- Operasi
- dioptimalkan
- urutan
- OS
- Lainnya
- paket
- bagian
- Lulus
- gairah
- path
- Melakukan
- melakukan
- placeholder
- Platform
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- silahkan
- Pos
- kekuasaan
- didukung
- praktek
- perdana menteri
- Mempersiapkan
- menyajikan
- primer
- Perdana
- cetakan
- masalah
- proses
- Diproses
- pengolahan
- Produk
- Produksi
- menyediakan
- ketentuan
- membeli
- tujuan
- Ular sanca
- jarak
- peringkat
- Bacaan
- siap
- real-time
- alasan
- Rekomendasi
- rekomendasi
- relevansi
- relevan
- menjawab
- Pelaporan
- gudang
- permintaan
- permintaan
- wajib
- sumber
- Sumber
- tanggapan
- ISTIRAHAT
- mengakibatkan
- Hasil
- penyimpanan
- kembali
- Pengembalian
- Run
- berjalan
- pembuat bijak
- sama
- Save
- skenario
- ILMU PENGETAHUAN
- ilmuwan
- Pencarian
- bagian
- aman
- keamanan
- Seri
- layanan
- Layanan
- set
- pengaturan
- pengaturan
- harus
- ditunjukkan
- Pertunjukkan
- mirip
- kesamaan
- Sederhana
- disederhanakan
- tunggal
- situasi
- larutan
- Solusi
- MEMECAHKAN
- Memecahkan
- beberapa
- sumber
- Space
- spesialisasi
- tertentu
- membagi
- tumpukan
- awal
- mulai
- state-of-the-art
- Tangga
- penyimpanan
- tersimpan
- Cerita
- Streaming
- subnet
- seperti itu
- rangkaian
- mendukung
- sistem
- Mengambil
- Dibutuhkan
- tugas
- teknik
- terminal
- Grafik
- Daerah
- sendi
- mereka
- dengan demikian
- ribuan
- tiga
- Melalui
- waktu
- Judul
- judul
- untuk
- puncak
- Pelatihan VE
- terlatih
- Mengubah
- triliunan
- tv
- khas
- bawah
- pemahaman
- Mengunggah
- URL
- menggunakan
- Pengguna
- User Interface
- Memanfaatkan
- variasi
- Luas
- vendor
- vertikal
- Video
- View
- maya
- penglihatan
- visualisasi
- jaringan
- aplikasi web
- web browser
- Situs Web
- yang
- lebar
- Rentang luas
- akan
- dalam
- Word
- kata
- kerja
- bekerja
- akan
- Kamu
- Anda
- zephyrnet.dll
- zona