Gestore di dati di Amazon SageMaker è un'unica interfaccia visiva che riduce il tempo necessario per preparare i dati ed eseguire l'ingegnerizzazione delle funzionalità da settimane a minuti con la possibilità di selezionare e pulire i dati, creare funzionalità e automatizzare la preparazione dei dati nei flussi di lavoro di machine learning (ML) senza scrivere alcun codice.
SageMaker Data Wrangler supporta Fiocco di neve, un'origine dati popolare per gli utenti che desiderano eseguire ML. Lanciamo la connessione diretta Snowflake da SageMaker Data Wrangler per migliorare l'esperienza del cliente. Prima del lancio di questa funzionalità, gli amministratori dovevano configurare l'integrazione dello storage iniziale per connettersi con Snowflake per creare funzionalità per ML in Data Wrangler. Ciò include il provisioning Servizio di archiviazione semplice Amazon secchi (Amazon S3), Gestione dell'identità e dell'accesso di AWS (IAM) autorizzazioni di accesso, integrazione dello storage Snowflake per i singoli utenti e un meccanismo continuo per gestire o ripulire le copie dei dati in Amazon S3. Questo processo non è scalabile per i clienti con un rigoroso controllo dell'accesso ai dati e un numero elevato di utenti.
In questo post, mostriamo come la connessione diretta di Snowflake in SageMaker Data Wrangler semplifica l'esperienza dell'amministratore e il percorso di ML del data scientist dai dati alle informazioni aziendali.
Panoramica della soluzione
In questa soluzione, utilizziamo SageMaker Data Wrangler per velocizzare la preparazione dei dati per ML e Pilota automatico Amazon SageMaker per creare, addestrare e perfezionare automaticamente i modelli ML in base ai tuoi dati. Entrambi i servizi sono progettati specificamente per aumentare la produttività e ridurre il time-to-value per i professionisti del machine learning. Dimostriamo anche l'accesso semplificato ai dati da SageMaker Data Wrangler a Snowflake con connessione diretta per interrogare e creare funzionalità per ML.
Fare riferimento al diagramma seguente per una panoramica del processo di ML low-code con Snowflake, SageMaker Data Wrangler e SageMaker Autopilot.
Il flusso di lavoro include i seguenti passaggi:
- Passa a SageMaker Data Wrangler per le attività di preparazione dei dati e progettazione delle funzionalità.
- Imposta la connessione Snowflake con SageMaker Data Wrangler.
- Esplora le tue tabelle Snowflake in SageMaker Data Wrangler, crea un set di dati ML ed esegui la progettazione delle funzionalità.
- Addestra e testa i modelli utilizzando SageMaker Data Wrangler e SageMaker Autopilot.
- Carica il modello migliore in un endpoint di inferenza in tempo reale per le previsioni.
- Usa un notebook Python per richiamare l'endpoint di inferenza in tempo reale avviato.
Prerequisiti
Per questo posto, l'amministratore ha bisogno dei seguenti prerequisiti:
I data scientist dovrebbero avere i seguenti prerequisiti
Infine, dovresti preparare i tuoi dati per Snowflake
- Utilizziamo i dati delle transazioni con carta di credito da Kaggle per creare modelli ML per rilevare transazioni fraudolente con carta di credito, in modo che ai clienti non vengano addebitati gli articoli che non hanno acquistato. Il set di dati include le transazioni con carta di credito nel settembre 2013 effettuate da titolari di carta europei.
- Dovresti usare il file Cliente SnowSQL e installalo nel tuo computer locale, in modo da poterlo utilizzare per caricare il set di dati in una tabella Snowflake.
I passaggi seguenti mostrano come preparare e caricare il set di dati nel database Snowflake. Questa è una configurazione una tantum.
Tabella dei fiocchi di neve e preparazione dei dati
Completa i seguenti passaggi per questa configurazione una tantum:
- Innanzitutto, in qualità di amministratore, crea un magazzino virtuale, un utente e un ruolo Snowflake e concedi l'accesso ad altri utenti come i data scientist per creare un database e mettere in scena i dati per i loro casi d'uso ML:
- In qualità di data scientist, ora creiamo un database e importiamo le transazioni della carta di credito nel database Snowflake per accedere ai dati da SageMaker Data Wrangler. A scopo illustrativo, creiamo un database Snowflake denominato
SF_FIN_TRANSACTION
: - Scarica il file CSV del set di dati sul tuo computer locale e crea una fase per caricare i dati nella tabella del database. Aggiorna il percorso del file in modo che punti alla posizione del set di dati scaricato prima di eseguire il comando PUT per importare i dati nella fase creata:
- Crea una tabella denominata
credit_card_transactions
: - Importa i dati nella tabella creata dallo stage:
Configurare la connessione SageMaker Data Wrangler e Snowflake
Dopo aver preparato il set di dati da utilizzare con SageMaker Data Wrangler, creiamo una nuova connessione Snowflake in SageMaker Data Wrangler per connetterci al sf_fin_transaction
database in Snowflake e interrogare il file credit_card_transaction
tabella:
- Scegli Fiocco di neve su SageMaker Data Wrangler Connessione .
- Fornisci un nome per identificare la tua connessione.
- Seleziona il tuo metodo di autenticazione per connetterti al database Snowflake:
- Se utilizzi l'autenticazione di base, fornisci il nome utente e la password condivisi dall'amministratore di Snowflake. Per questo post, utilizziamo l'autenticazione di base per connetterci a Snowflake utilizzando le credenziali utente che abbiamo creato nel passaggio precedente.
- Se utilizzi OAuth, fornisci le credenziali del tuo provider di identità.
Per impostazione predefinita, SageMaker Data Wrangler interroga i tuoi dati direttamente da Snowflake senza creare alcuna copia dei dati nei bucket S3. Il nuovo miglioramento dell'usabilità di SageMaker Data Wrangler utilizza Apache Spark per l'integrazione con Snowflake per preparare e creare senza problemi un set di dati per il tuo percorso ML.
Finora, abbiamo creato il database su Snowflake, importato il file CSV nella tabella Snowflake, creato le credenziali Snowflake e creato un connettore su SageMaker Data Wrangler per connettersi a Snowflake. Per convalidare la connessione Snowflake configurata, esegui la seguente query sulla tabella Snowflake creata:
Tieni presente che l'opzione di integrazione dell'archiviazione che prima era richiesta è ora facoltativa nelle impostazioni avanzate.
Esplora i dati di Snowflake
Dopo aver convalidato i risultati della query, scegli Importare per salvare i risultati della query come set di dati. Utilizziamo questo set di dati estratti per l'analisi esplorativa dei dati e l'ingegnerizzazione delle funzionalità.
Puoi scegliere di campionare i dati da Snowflake nell'interfaccia utente di SageMaker Data Wrangler. Un'altra opzione è scaricare i dati completi per i casi d'uso di addestramento del modello ML utilizzando i processi di elaborazione di SageMaker Data Wrangler.
Esegui l'analisi esplorativa dei dati in SageMaker Data Wrangler
I dati all'interno di Data Wrangler devono essere ingegnerizzati prima di poter essere addestrati. In questa sezione, dimostriamo come eseguire la progettazione delle funzionalità sui dati di Snowflake utilizzando le funzionalità integrate di SageMaker Data Wrangler.
Per prima cosa, usiamo il Data Quality and Insights Report
funzionalità all'interno di SageMaker Data Wrangler per generare report per verificare automaticamente la qualità dei dati e rilevare anomalie nei dati da Snowflake.
Puoi utilizzare il rapporto per aiutarti a pulire ed elaborare i tuoi dati. Fornisce informazioni come il numero di valori mancanti e il numero di valori anomali. Se riscontri problemi con i tuoi dati, ad esempio perdita di target o squilibrio, il rapporto approfondimenti può portare alla tua attenzione tali problemi. Per comprendere i dettagli del rapporto, fare riferimento a Accelera la preparazione dei dati con la qualità dei dati e le informazioni dettagliate in Amazon SageMaker Data Wrangler.
Dopo aver verificato la corrispondenza del tipo di dati applicata da SageMaker Data Wrangler, completa i seguenti passaggi:
- Scegli il segno più accanto a Tipi di dati e scegli Aggiungi analisi.
- Nel Tipo di analisiscegli Rapporto sulla qualità dei dati e sugli approfondimenti.
- Scegli Creare.
- Fare riferimento ai dettagli del report Data Quality and Insights per controllare gli avvisi ad alta priorità.
Puoi scegliere di risolvere gli avvisi segnalati prima di procedere con il tuo viaggio ML.
La colonna di destinazione Class
da prevedere è classificato come una stringa. Innanzitutto, applichiamo una trasformazione per rimuovere i caratteri vuoti obsoleti.
- Scegli Aggiungi passaggio e scegli Stringa di formato.
- Nell'elenco delle trasformazioni scegliere Striscia a destra ea sinistra.
- Inserisci i caratteri da rimuovere e scegli Aggiungi.
Successivamente, convertiamo la colonna di destinazione Class
dal tipo di dati stringa a Boolean perché la transazione è legittima o fraudolenta.
- Scegli Aggiungi passaggio.
- Scegli Analizza la colonna come tipo.
- Per Colonna, scegli
Class
. - Nel Dascegli Corda.
- Nel Ascegli Booleano.
- Scegli Aggiungi.
Dopo la trasformazione della colonna di destinazione, riduciamo il numero di colonne di funzionalità, poiché nel set di dati originale sono presenti oltre 30 funzionalità. Utilizziamo l'analisi dei componenti principali (PCA) per ridurre le dimensioni in base all'importanza delle funzionalità. Per saperne di più su PCA e riduzione della dimensionalità, fare riferimento a Algoritmo di analisi delle componenti principali (PCA)..
- Scegli Aggiungi passaggio.
- Scegli Riduzione dimensionale.
- Nel Trasformarescegli Analisi del componente principale.
- Nel Colonne di input, scegli tutte le colonne tranne la colonna di destinazione
Class
. - Scegli il segno più accanto a Flusso di dati e scegli Aggiungi analisi.
- Nel Tipo di analisiscegli Modello veloce.
- Nel Nome analisi, inserisci un nome.
- Nel Discograficascegli
Class
. - Scegli Correre.
Sulla base dei risultati PCA, puoi decidere quali funzionalità utilizzare per la creazione del modello. Nello screenshot seguente, il grafico mostra le funzionalità (o dimensioni) ordinate in base all'importanza dalla più alta alla più bassa per prevedere la classe di destinazione, che in questo set di dati indica se la transazione è fraudolenta o valida.
Puoi scegliere di ridurre il numero di funzioni in base a questa analisi, ma per questo post lasciamo invariate le impostazioni predefinite.
Questo conclude il nostro processo di progettazione delle funzionalità, anche se puoi scegliere di eseguire il modello rapido e creare nuovamente un rapporto sulla qualità dei dati e approfondimenti per comprendere i dati prima di eseguire ulteriori ottimizzazioni.
Esportare i dati e addestrare il modello
Nella fase successiva, utilizziamo SageMaker Autopilot per creare, addestrare e ottimizzare automaticamente i migliori modelli ML in base ai tuoi dati. Con SageMaker Autopilot, mantieni comunque il pieno controllo e la visibilità dei tuoi dati e del tuo modello.
Ora che abbiamo completato l'esplorazione e la progettazione delle funzionalità, addestriamo un modello sul set di dati ed esportiamo i dati per addestrare il modello ML utilizzando SageMaker Autopilot.
- Sulla Training scheda, scegliere Esporta e forma.
Possiamo monitorare l'avanzamento dell'esportazione mentre aspettiamo che venga completata.
Configuriamo SageMaker Autopilot per eseguire un processo di addestramento automatizzato specificando l'obiettivo che vogliamo prevedere e il tipo di problema. In questo caso, poiché stiamo addestrando il set di dati per prevedere se la transazione è fraudolenta o valida, utilizziamo la classificazione binaria.
- Inserisci un nome per il tuo esperimento, fornisci i dati sulla posizione S3 e scegli Avanti: Obiettivo e caratteristiche.
- Nel Targetscegli
Class
come la colonna da prevedere. - Scegli Avanti: Metodo di allenamento.
Consentiamo a SageMaker Autopilot di decidere il metodo di addestramento in base al set di dati.
- Nel Metodo di addestramento e algoritmi, selezionare Automatico.
Per ulteriori informazioni sulle modalità di addestramento supportate da SageMaker Autopilot, fare riferimento a Modalità di allenamento e algoritmo supporto.
- Scegli Avanti: distribuzione e impostazioni avanzate.
- Nel Opzione di distribuzionescegli Distribuisci automaticamente il modello migliore con le trasformazioni di Data Wrangler, che carica il modello migliore per l'inferenza al termine della sperimentazione.
- Inserisci un nome per il tuo endpoint.
- Nel Seleziona il tipo di problema di apprendimento automaticoscegli Classificazione binaria.
- Nel Metrica dell'obiezionescegli F1.
- Scegli Successivo: Rivedi e crea.
- Scegli Crea esperimento.
Questo avvia un lavoro SageMaker Autopilot che crea un set di lavori di addestramento che utilizza combinazioni di iperparametri per ottimizzare la metrica obiettivo.
Attendi che SageMaker Autopilot finisca di creare i modelli e valutare il miglior modello ML.
Avvia un endpoint di inferenza in tempo reale per testare il modello migliore
SageMaker Autopilot esegue esperimenti per determinare il modello migliore in grado di classificare le transazioni con carta di credito come legittime o fraudolente.
Quando SageMaker Autopilot completa l'esperimento, possiamo visualizzare i risultati dell'addestramento con le metriche di valutazione ed esplorare il modello migliore dalla pagina di descrizione del lavoro di SageMaker Autopilot.
- Seleziona il modello migliore e scegli Distribuisci modello.
Utilizziamo un endpoint di inferenza in tempo reale per testare il miglior modello creato tramite SageMaker Autopilot.
- Seleziona Fai previsioni in tempo reale.
Quando l'endpoint è disponibile, possiamo passare il payload e ottenere i risultati dell'inferenza.
Avviamo un notebook Python per usare l'endpoint di inferenza.
- Nella console di SageMaker Studio, scegli l'icona della cartella nel riquadro di navigazione e scegli Crea quaderno.
- Utilizza il seguente codice Python per richiamare l'endpoint di inferenza in tempo reale distribuito:
L'output mostra il risultato come false
, il che implica che i dati delle funzionalità di esempio non sono fraudolenti.
ripulire
Per assicurarti di non dover sostenere addebiti dopo aver completato questo tutorial, chiudere l'applicazione SageMaker Data Wrangler ed arrestare l'istanza notebook utilizzato per eseguire l'inferenza. Dovresti anche eliminare l'endpoint di inferenza creato utilizzando SageMaker Autopilot per evitare addebiti aggiuntivi.
Conclusione
In questo post, abbiamo dimostrato come portare i tuoi dati direttamente da Snowflake senza creare copie intermedie nel processo. Puoi campionare o caricare il tuo set di dati completo su SageMaker Data Wrangler direttamente da Snowflake. È quindi possibile esplorare i dati, pulirli ed eseguire funzionalità ingegneristiche utilizzando l'interfaccia visiva di SageMaker Data Wrangler.
Abbiamo anche evidenziato come puoi facilmente addestrare e mettere a punto un modello con SageMaker Autopilot direttamente dall'interfaccia utente di SageMaker Data Wrangler. Con l'integrazione di SageMaker Data Wrangler e SageMaker Autopilot, possiamo creare rapidamente un modello dopo aver completato la progettazione delle funzionalità, senza scrivere alcun codice. Quindi abbiamo fatto riferimento al miglior modello di SageMaker Autopilot per eseguire inferenze utilizzando un endpoint in tempo reale.
Prova oggi la nuova integrazione diretta di Snowflake con SageMaker Data Wrangler per creare facilmente modelli ML con i tuoi dati utilizzando SageMaker.
Circa gli autori
Hariharan Suresh è Senior Solutions Architect presso AWS. È appassionato di database, machine learning e progettazione di soluzioni innovative. Prima di entrare in AWS, Hariharan è stato architetto di prodotti, specialista dell'implementazione di core banking e sviluppatore e ha lavorato con organizzazioni BFSI per oltre 11 anni. Al di fuori della tecnologia, ama il parapendio e il ciclismo.
Aparajithan Vaidyanathan è Principal Enterprise Solutions Architect presso AWS. Supporta i clienti aziendali nella migrazione e nella modernizzazione dei loro carichi di lavoro sul cloud AWS. È un Cloud Architect con oltre 23 anni di esperienza nella progettazione e nello sviluppo di sistemi software aziendali, su larga scala e distribuiti. È specializzato in Machine Learning e Data Analytics con particolare attenzione al dominio Data and Feature Engineering. È un aspirante maratoneta e i suoi hobby includono l'escursionismo, la bicicletta e passare il tempo con sua moglie e due ragazzi.
Tim Canzone è un Software Development Engineer presso AWS SageMaker, con oltre 10 anni di esperienza come sviluppatore di software, consulente e leader tecnologico, ha dimostrato la capacità di fornire prodotti scalabili e affidabili e risolvere problemi complessi. Nel tempo libero ama la natura, la corsa all'aperto, le escursioni e così via.
BoscoAlbuquerque è Sr. Partner Solutions Architect presso AWS e ha oltre 20 anni di esperienza nella collaborazione con prodotti di database e analisi di fornitori di database aziendali e fornitori di servizi cloud. Ha aiutato grandi aziende tecnologiche a progettare soluzioni di analisi dei dati e ha guidato team di ingegneri nella progettazione e implementazione di piattaforme di analisi dei dati e prodotti di dati.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
- PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
- PlatoneESG. Automobilistico/VE, Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
- BlockOffset. Modernizzare la proprietà della compensazione ambientale. Accedi qui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/accelerate-time-to-business-insights-with-the-amazon-sagemaker-data-wrangler-direct-connection-to-snowflake/
- :ha
- :È
- :non
- $ SU
- 1
- 10
- 100
- 11
- 12
- 14
- 15%
- 20
- 20 anni
- 2013
- 27
- 30
- 40
- 500
- 7
- 9
- a
- capacità
- WRI
- accelerare
- accesso
- Il mio account
- aggiuntivo
- amministratori
- Avanzate
- Dopo shavasana, sedersi in silenzio; saluti;
- ancora
- AI / ML
- Tutti
- consentire
- anche
- Sebbene il
- Amazon
- Amazon Sage Maker
- Gestore di dati di Amazon SageMaker
- Amazon Web Services
- quantità
- an
- .
- analitica
- ed
- Un altro
- in qualsiasi
- Apache
- api
- applicato
- APPLICA
- SONO
- AS
- aspirante
- At
- attenzione
- Autenticazione
- automatizzare
- Automatizzata
- automaticamente
- disponibile
- AWS
- Settore bancario
- basato
- basic
- BE
- perché
- prima
- sotto
- MIGLIORE
- BFSI
- stile di vita
- entrambi
- portare
- costruire
- Costruzione
- incassato
- affari
- ma
- by
- Materiale
- funzionalità
- catturare
- carta
- Custodie
- casi
- caratteri
- carico
- oneri
- dai un'occhiata
- Scegli
- classe
- classificazione
- classificato
- classificare
- cliente
- Cloud
- codice
- Colonna
- colonne
- combinazioni
- Aziende
- completamento di una
- Completato
- Completa
- completando
- complesso
- componente
- configurato
- Connettiti
- veloce
- consolle
- consulente
- continua
- di controllo
- convertire
- Nucleo
- Banca centrale
- creare
- creato
- crea
- Creazione
- Credenziali
- credito
- carta di credito
- cliente
- esperienza del cliente
- Clienti
- dati
- l'accesso ai dati
- analisi dei dati
- Dati Analytics
- Preparazione dei dati
- scienziato di dati
- Banca Dati
- banche dati
- decide
- Predefinito
- defaults
- consegnare
- dimostrare
- dimostrato
- schierare
- schierato
- deployment
- descrizione
- Design
- progettato
- progettazione
- dettagli
- Determinare
- Costruttori
- in via di sviluppo
- Mercato
- dimensioni
- dirette
- direttamente
- distribuito
- dominio
- Dont
- giù
- scaricare
- facilmente
- o
- endpoint
- ingegnere
- Ingegneria
- entrare
- Impresa
- eccetera
- europeo
- valutazione
- Tranne
- esiste
- esperienza
- esperimento
- esperimenti
- esplorazione
- Analisi dei dati esplorativi
- esplora
- export
- lontano
- caratteristica
- Caratteristiche
- Grazie
- Compila il
- finanziario
- finire
- Nome
- galleggiante
- Focus
- i seguenti
- Nel
- formato
- fraudolenti
- da
- pieno
- ulteriormente
- generare
- ottenere
- dà
- concedere
- grafico
- Avere
- he
- Aiuto
- aiutato
- massimo
- Evidenziato
- il suo
- Come
- Tutorial
- HTML
- http
- HTTPS
- ICON
- identificare
- Identità
- if
- squilibrio
- implementazione
- Implementazione
- importare
- importanza
- importazione
- importazioni
- competenze
- in
- includere
- inclusi
- Aumento
- individuale
- informazioni
- inizialmente
- creativi e originali
- intuizioni
- install
- integrare
- integrazione
- Interfaccia
- interno
- ai miglioramenti
- sicurezza
- IT
- elementi
- Lavoro
- Offerte di lavoro
- accoppiamento
- viaggio
- jpg
- json
- grandi
- larga scala
- lanciare
- lanciato
- leader
- apprendimento
- Lasciare
- Guidato
- a sinistra
- legittimo
- lasciare
- Biblioteca
- LIMITE
- Lista
- caricare
- carichi
- locale
- località
- minore
- macchina
- machine learning
- fatto
- mantenere
- make
- gestire
- Maratona
- corrispondenza
- Maggio..
- meccanismo
- metodo
- metrico
- Metrica
- migrare
- Minuti
- mancante
- ML
- modello
- modelli
- modernizzare
- modalità di
- Monitorare
- Scopri di più
- Nome
- Detto
- Natura
- Navigazione
- esigenze
- New
- GENERAZIONE
- taccuino
- adesso
- numero
- OAuth
- oggetto
- obiettivo
- of
- on
- in corso
- OTTIMIZZA
- Opzione
- or
- minimo
- organizzazioni
- i
- OS
- Altro
- nostro
- su
- produzione
- al di fuori
- ancora
- panoramica
- pagina
- vetro
- partner
- passare
- appassionato
- Password
- sentiero
- Eseguire
- esecuzione
- permessi
- Piattaforme
- Platone
- Platone Data Intelligence
- PlatoneDati
- più
- punto
- Popolare
- Post
- predire
- previsto
- Previsioni
- preparazione
- Preparare
- prerequisiti
- prevenire
- precedente
- Direttore
- Stampa
- Precedente
- Problema
- problemi
- processi
- lavorazione
- Prodotto
- della produttività
- Prodotti
- Progressi
- fornire
- fornitore
- fornitori
- la percezione
- Acquista
- fini
- metti
- Python
- qualità
- query
- Presto
- rapidamente
- tempo reale
- ridurre
- riduce
- riduzione
- affidabile
- rimuovere
- sostituire
- rapporto
- Segnalati
- Report
- richiesta
- necessario
- risposta
- colpevole
- Risultati
- recensioni
- equitazione
- Ruolo
- Correre
- corridore
- running
- s
- sagemaker
- Risparmi
- scalabile
- Scienziato
- scienziati
- senza soluzione di continuità
- Sezione
- inviare
- anziano
- Settembre
- Servizi
- set
- impostazioni
- flessibile.
- condiviso
- dovrebbero
- mostrare attraverso le sue creazioni
- Spettacoli
- segno
- Un'espansione
- semplificata
- singolo
- So
- Software
- lo sviluppo del software
- soluzione
- Soluzioni
- RISOLVERE
- canzone
- Fonte
- Scintilla
- specialista
- specializzata
- in particolare
- velocità
- Spendere
- Stage
- inizio
- step
- Passi
- Ancora
- conservazione
- Tornare al suo account
- Strict
- Corda
- studio
- inviare
- di successo
- Con successo
- tale
- supporto
- supportato
- supporti
- SISTEMI DI TRATTAMENTO
- tavolo
- Target
- task
- le squadre
- Tech
- Tecnologia
- società tecnologiche
- test
- che
- Il
- Il grafo
- loro
- poi
- Là.
- di
- questo
- quelli
- Attraverso
- tempo
- a
- oggi
- Treni
- allenato
- Training
- delle transazioni
- Le transazioni
- Trasformazione
- trasforma
- vero
- lezione
- seconda
- Digitare
- ui
- capire
- Aggiornanento
- us
- usabilità
- uso
- utilizzato
- Utente
- Interfaccia utente
- utenti
- usa
- utilizzando
- v1
- CONVALIDARE
- APPREZZIAMO
- Valori
- fornitori
- verificare
- Visualizza
- virtuale
- visibilità
- aspettare
- volere
- Prima
- we
- sito web
- servizi web
- Settimane
- sono stati
- se
- quale
- while
- OMS
- moglie
- con
- entro
- senza
- Lavora
- lavorato
- flusso di lavoro
- flussi di lavoro
- lavoro
- scrittura
- anni
- Tu
- Trasferimento da aeroporto a Sharm
- zefiro