זה פוסט אורח מאת הון מדרגי, פינטק מוביל באירופה שמציע ניהול עושר דיגיטלי ופלטפורמת ברוקראז' עם תעריף אחיד למסחר.
כחברה בצמיחה מהירה, המטרות של Scalable Capital הן לא רק לבנות תשתית חדשנית, איתנה ואמינה, אלא גם לספק את החוויות הטובות ביותר עבור הלקוחות שלנו, במיוחד בכל הנוגע לשירותי לקוחות.
Scalable מקבל מאות פניות במייל מלקוחותינו על בסיס יומי. על ידי הטמעת מודל עיבוד שפה טבעית מודרנית (NLP), תהליך התגובה עוצב בצורה יעילה הרבה יותר, וזמן ההמתנה ללקוחות הצטמצם מאוד. מודל למידת מכונה (ML) מסווג בקשות חדשות של לקוחות נכנסות ברגע שהן מגיעות ומפנה אותן לתורים מוגדרים מראש, מה שמאפשר לסוכני ההצלחה הייעודיים של הלקוחות שלנו להתמקד בתוכן האימיילים בהתאם לכישוריהם ולספק תשובות מתאימות.
בפוסט זה, אנו מדגימים את היתרונות הטכניים של שימוש בשנאי Hugging Face שנפרסו עם אמזון SageMaker, כגון הדרכה וניסויים בקנה מידה, והגדלת הפרודוקטיביות והעלות-יעילות.
הצהרת בעיה
Scalable Capital הוא אחד מהפינטקים הצומחים ביותר באירופה. במטרה להפוך את ההשקעה לדמוקרטית, החברה מספקת ללקוחותיה גישה נוחה לשווקים הפיננסיים. לקוחות של Scalable יכולים להשתתף באופן פעיל בשוק באמצעות פלטפורמת המסחר ברוקראז' של החברה, או להשתמש ב-Scalable Wealth Management כדי להשקיע בצורה חכמה ואוטומטית. בשנת 2021, Scalable Capital חוותה גידול של פי עשרה מבסיס הלקוחות שלה, מעשרות אלפים למאות אלפים.
כדי לספק ללקוחותינו חווית משתמש ברמה הגבוהה ביותר (ועקבית) על פני מוצרים ושירות לקוחות, החברה חיפשה פתרונות אוטומטיים ליצירת יעילות לפתרון ניתן להרחבה תוך שמירה על מצוינות תפעולית. צוותי מדעי הנתונים ושירות הלקוחות של Scalable Capital זיהו שאחד מצווארי הבקבוק הגדולים ביותר בשירות הלקוחות שלנו היה מענה לפניות דוא"ל. באופן ספציפי, צוואר הבקבוק היה שלב הסיווג, שבו העובדים היו צריכים לקרוא ולתייג טקסטים של בקשות על בסיס יומי. לאחר שהמיילים נותבו לתורים המתאימים להם, המומחים המתאימים עבדו במהירות ופתרו את המקרים.
כדי לייעל את תהליך הסיווג הזה, צוות מדעי הנתונים ב-Scalable בנה ופרס מודל NLP ריבוי משימות תוך שימוש בארכיטקטורת שנאים מתקדמת, המבוססת על הכשרה מראש distilbert-base-german-cases דגם בהוצאת Hugging Face. distilbert-base-german-cases משתמש זיקוק ידע שיטה להכשיר מראש מודל ייצוג שפה לשימוש כללי קטן יותר ממודל הבסיס המקורי של BERT. הגרסה המזוקקת משיגה ביצועים דומים לגרסה המקורית, תוך שהיא קטנה ומהירה יותר. כדי להקל על תהליך מחזור החיים שלנו ב-ML, החלטנו לאמץ את SageMaker כדי לבנות, לפרוס, לשרת ולנטר את המודלים שלנו. בסעיף הבא, אנו מציגים את עיצוב ארכיטקטורת הפרויקט שלנו.
סקירת פתרונות
תשתית ה-ML של Scalable Capital מורכבת משני חשבונות AWS: האחד כסביבה לשלב הפיתוח והשני לשלב הייצור.
התרשים הבא מציג את זרימת העבודה עבור פרויקט סיווג הדוא"ל שלנו, אך ניתן גם להכליל לפרויקטים אחרים של מדעי הנתונים.
זרימת העבודה מורכבת מהרכיבים הבאים:
- ניסוי מודל - מדעני נתונים משתמשים סטודיו SageMaker של אמזון לבצע את השלבים הראשונים במחזור החיים של מדעי הנתונים: ניתוח נתונים חקרניים (EDA), ניקוי והכנת נתונים ובניית מודלים של אב טיפוס. כאשר שלב החקירה מסתיים, אנו פונים אל VSCode המתארח על ידי מחברת SageMaker ככלי הפיתוח המרוחק שלנו כדי להתאים ולהפיק את בסיס הקוד שלנו. כדי לחקור סוגים שונים של מודלים ותצורות מודלים, ובמקביל לעקוב אחר הניסויים שלנו, אנו משתמשים ב- SageMaker Training ו- SageMaker Experiments.
- בניית דגם – לאחר שהחלטנו על דגם למקרה השימוש בייצור שלנו, במקרה זה ריבוי משימות distilbert-base-german-cases דגם, מכוונן היטב מהדגם שהוכשר מראש מבית Hugging Face, אנו מתחייבים ודוחפים את הקוד שלנו לסניף פיתוח Github. אירוע המיזוג של Github מפעיל את צינור Jenkins CI שלנו, אשר בתורו מתחיל עבודת SageMaker Pipelines עם נתוני בדיקה. זה פועל כמבחן כדי לוודא שהקודים פועלים כצפוי. נקודת קצה לבדיקה נפרסת למטרות בדיקה.
- פריסת מודלים – לאחר שווידאתם שהכל פועל כמצופה, מדעני נתונים ממזגים את ענף הפיתוח לענף הראשי. אירוע המיזוג הזה מפעיל כעת עבודת SageMaker Pipelines באמצעות נתוני ייצור למטרות הדרכה. לאחר מכן, פריטי מודל מיוצרים ומאוחסנים בפלט שירות אחסון פשוט של אמזון (Amazon S3) דלי, וגרסת דגם חדשה נרשמה ברישום הדגמים של SageMaker. מדעני נתונים בוחנים את הביצועים של המודל החדש, ואז מאשרים אם הוא תואם את הציפיות. אירוע אישור הדגם נקלט על ידי אמזון EventBridge, אשר לאחר מכן פורס את המודל לנקודת קצה של SageMaker בסביבת הייצור.
- MLOps – מכיוון שנקודת הקצה של SageMaker היא פרטית ולא ניתן להגיע אליה באמצעות שירותים מחוץ ל-VPC, א AWS למבדה ופונקציה שער API של אמזון נקודת קצה ציבורית נדרשת כדי לתקשר עם CRM. בכל פעם שמגיעים אימיילים חדשים לתיבת הדואר הנכנס של CRM, CRM מפעיל את נקודת הקצה הציבורית של API Gateway, אשר בתורה מפעילה את פונקציית Lambda להפעיל את נקודת הקצה הפרטית של SageMaker. לאחר מכן, הפונקציה מעבירה את הסיווג בחזרה ל-CRM דרך נקודת הקצה הציבורית של API Gateway. כדי לעקוב אחר הביצועים של המודל הפרוס שלנו, אנו מיישמים לולאת משוב בין CRM לבין מדעני הנתונים כדי לעקוב אחר מדדי חיזוי מהמודל. על בסיס חודשי, CRM מעדכן את הנתונים ההיסטוריים המשמשים לניסויים ולהכשרת מודלים. אנו משתמשים תהליכי עבודה מנוהלים של אמזון עבור זרימת האוויר של אפאצ'י (Amazon MWAA) כמתזמן להסבה החודשית שלנו.
בסעיפים הבאים, אנו מפרקים את שלבי הכנת הנתונים, ניסוי המודל ופריסת המודל בפירוט רב יותר.
הכנת נתונים
Scalable Capital משתמש בכלי CRM לניהול ואחסון נתוני דואר אלקטרוני. תוכן הדוא"ל הרלוונטי מורכב מהנושא, הגוף והבנקים האפוטרופוסים. ישנן שלוש תוויות להקצות לכל אימייל: מאיזה תחום עסק מגיע האימייל, איזה תור מתאים והנושא הספציפי של המייל.
לפני שנתחיל להכשיר מודלים של NLP, אנו מוודאים שנתוני הקלט נקיים והתוויות מוקצות בהתאם למצופה.
כדי לאחזר תוכן שאילתה נקי מלקוחות הניתנים להרחבה, אנו מסירים מהאימייל הגולמי נתוני דוא"ל וטקסט וסמלים נוספים, כגון חתימות דוא"ל, רשמים, ציטוטים של הודעות קודמות ברשתות הדוא"ל, סמלי CSS וכו'. אחרת, הדגמים המאומנים העתידיים שלנו עלולים לחוות ביצועים גרועים.
תוויות למיילים מתפתחות עם הזמן כאשר צוותי שירות לקוחות ניתנים להרחבה מוסיפים תוויות חדשות ומשכללים או מסירים את הקיימים כדי להתאים לצרכים העסקיים. כדי לוודא שהתוויות לנתוני ההדרכה וכן הסיווגים הצפויים לחיזוי מעודכנים, צוות מדע הנתונים פועל בשיתוף פעולה הדוק עם צוות שירות הלקוחות על מנת להבטיח את נכונות התוויות.
ניסוי מודל
אנו מתחילים את הניסוי שלנו עם המאומנים הזמינים distilbert-base-german-cases דגם בהוצאת Hugging Face. מכיוון שהמודל שהוכשר מראש הוא מודל ייצוג שפה למטרות כלליות, אנו יכולים להתאים את הארכיטקטורה לביצוע משימות ספציפיות במורד הזרם - כגון סיווג ומענה לשאלות - על ידי הצמדת ראשים מתאימים לרשת העצבית. במקרה השימוש שלנו, המשימה במורד הזרם בה אנו מעוניינים היא סיווג רצף. מבלי לשנות את ה ארכיטקטורה קיימת, אנו מחליטים לכוונן שלושה דגמים נפרדים שהוכשרו מראש עבור כל אחת מהקטגוריות הנדרשות שלנו. עם ה SageMaker מחבק פנים מיכלי למידה עמוקים (DLCs), התחלת וניהול ניסויי NLP נעשים פשוטים עם מיכלי Hugging Face ו- SageMaker Experiments API.
להלן קטע קוד של train.py
:
הקוד הבא הוא מעריך החיבוקים:
כדי לאמת את הדגמים המכוונים, אנו משתמשים ב- ציון F1 בשל האופי הבלתי מאוזן של מערך הדוא"ל שלנו, אלא גם כדי לחשב מדדים אחרים כגון דיוק, דיוק וזיכרונות. כדי שממשק ה-API של SageMaker Experiments ירשום את המדדים של עבודת ההדרכה, עלינו לרשום תחילה את המדדים למסוף המקומי של עבודת ההדרכה, אשר נאספים על ידי אמזון CloudWatch. לאחר מכן אנו מגדירים את הפורמט הרגולרי הנכון כדי ללכוד את יומני CloudWatch. הגדרות המדדים כוללות את שם המדדים ואימות ביטוי רגולרי לחילוץ המדדים מעבודת ההדרכה:
כחלק מאיטרציית ההדרכה עבור מודל המסווגים, אנו משתמשים במטריצת בלבול ובדוח סיווג כדי להעריך את התוצאה. האיור הבא מציג את מטריצת הבלבול עבור חיזוי קו עסק.
צילום המסך הבא מציג דוגמה לדוח הסיווג עבור חיזוי קו עסק.
כאיטרציה הבאה של הניסוי שלנו, ננצל למידה מרובה משימות כדי לשפר את המודל שלנו. למידה מרובה משימות היא צורת אימון שבה מודל לומד לפתור משימות מרובות בו זמנית, מכיוון שהמידע המשותף בין משימות יכול לשפר את יעילות הלמידה. על ידי הצמדת שני ראשי סיווג נוספים לארכיטקטורת הדיסטילברט המקורית, אנו יכולים לבצע כוונון עדין מרובה משימות, אשר משיג מדדים סבירים עבור צוות שירות הלקוחות שלנו.
פריסת מודלים
במקרה השימוש שלנו, מסווג הדוא"ל אמור להיות פרוס לנקודת קצה, שאליה צינור ה-CRM שלנו יכול לשלוח אצווה של מיילים לא מסווגים ולקבל תחזיות בחזרה. מכיוון שיש לנו היגיון אחר - כמו ניקוי נתוני קלט וחיזוי ריבוי משימות - בנוסף להסקת המודל של Hugging Face, עלינו לכתוב סקריפט מסקנות מותאם אישית המתאים ל- תקן SageMaker.
להלן קטע קוד של inference.py
:
כשהכל מוכן ומוכן, אנו משתמשים ב-SageMaker Pipelines כדי לנהל את צינור ההדרכה שלנו ולצרף אותו לתשתית שלנו כדי להשלים את הגדרת ה-MLOps שלנו.
כדי לפקח על הביצועים של המודל הפרוס, אנו בונים לולאת משוב כדי לאפשר ל-CRM לספק לנו את הסטטוס של מיילים מסווגים כאשר תיקים נסגרים. בהתבסס על מידע זה, אנו מבצעים התאמות לשיפור המודל הפרוס.
סיכום
בפוסט זה, שיתפנו כיצד SageMaker מאפשרת לצוות מדעי הנתונים ב-Scalable לנהל את מחזור החיים של פרויקט מדעי הנתונים ביעילות, כלומר פרויקט סיווג הדוא"ל. מחזור החיים מתחיל בשלב הראשוני של ניתוח וחקירה של נתונים עם SageMaker Studio; עובר לניסויים ופריסה של מודלים עם הדרכה, מסקנות ו-DLC של SageMaker; ומשלים עם צינור הדרכה עם SageMaker Pipelines המשולב עם שירותי AWS אחרים. הודות לתשתית זו, אנו מסוגלים לחזור ולפרוס מודלים חדשים בצורה יעילה יותר, ולכן מסוגלים לשפר תהליכים קיימים בתוך Scalable כמו גם את חוויות הלקוחות שלנו.
למידע נוסף על Hugging Face ו- SageMaker, עיין במשאבים הבאים:
על הכותבים
ד"ר סנדרה שמיד הוא ראש מחלקת ניתוח נתונים ב-Scalable GmbH. היא אחראית על גישות מונעות נתונים ועל מקרי שימוש בחברה יחד עם הצוותים שלה. המיקוד העיקרי שלה הוא למצוא את השילוב הטוב ביותר של מודלים של למידת מכונה ומדעי נתונים ויעדים עסקיים כדי להשיג כמה שיותר ערך עסקי ויעילות מהנתונים.
הוי דאנג מדען נתונים ב-Scalable GmbH. תחומי האחריות שלו כוללים ניתוח נתונים, בנייה ופריסה של מודלים של למידת מכונה, כמו גם פיתוח ותחזוקה של תשתית עבור צוות מדעי הנתונים. בזמנו הפנוי, הוא נהנה לקרוא, לטייל, לטפס על צוקים ולהישאר מעודכן בפיתוחי למידת מכונה האחרונים.
מיה צ'אנג הוא אדריכל פתרונות ML מומחה עבור שירותי האינטרנט של אמזון. היא עובדת עם לקוחות ב-EMEA ומשתפת שיטות עבודה מומלצות להפעלת עומסי עבודה של AI/ML בענן עם הרקע שלה במתמטיקה יישומית, מדעי המחשב ו-AI/ML. היא מתמקדת בעומסי עבודה ספציפיים ל-NLP, וחולקת את ניסיונה כדוברת ועידה ומחברת ספרים. בזמנה הפנוי היא נהנית מיוגה, משחקי קופסא ומבשלת קפה.
מוריץ גרטלר הוא מנהל חשבונות במגזר דיגיטלי Native Businesses ב-AWS. הוא מתמקד בלקוחות בתחום ה-FinTech ותומך בהם בהאצת החדשנות באמצעות תשתית ענן מאובטחת וניתנת להרחבה.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
- PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
- PlatoESG. רכב / רכבים חשמליים, פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
- ChartPrime. הרם את משחק המסחר שלך עם ChartPrime. גישה כאן.
- BlockOffsets. מודרניזציה של בעלות על קיזוז סביבתי. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/accelerate-client-success-management-through-email-classification-with-hugging-face-on-amazon-sagemaker/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 1
- 100
- 13
- 15%
- 17
- 2021
- 26%
- 32
- 500
- 7
- a
- יכול
- אודות
- מֵעַל
- להאיץ
- מאיצה
- לְקַבֵּל
- גישה
- להתאים
- פי
- חֶשְׁבּוֹן
- חשבונות
- דיוק
- משיגה
- לרוחב
- באופן פעיל
- מעשים
- להסתגל
- להוסיף
- תוספת
- התאמות
- לְאַמֵץ
- יתרון
- לאחר
- לאחר מכן
- סוכנים
- AI / ML
- המטרה
- מאפשר
- גם
- אמזון בעברית
- אמזון SageMaker
- אמזון שירותי אינטרנט
- בין
- an
- אנליזה
- ניתוח
- ו
- כל
- אַפָּשׁ
- API
- יישומית
- גישות
- מתאים
- הסכמה
- לאשר
- ארכיטקטורה
- ARE
- טיעונים
- AS
- שהוקצה
- At
- לצרף
- מחבר
- אוטומטי
- זמין
- AWS
- בחזרה
- רקע
- בנקים
- בסיס
- מבוסס
- בסיס
- BE
- כי
- היה
- להיות
- הטבות
- הטוב ביותר
- שיטות עבודה מומלצות
- בֵּין
- לוּחַ
- משחקי לוח
- גוּף
- ספר
- סניף
- לשבור
- תיווך
- לִבנוֹת
- בִּניָן
- נבנה
- עסקים
- עסקים
- אבל
- by
- CAN
- הון
- של הון
- ללכוד
- נתפס
- לשאת
- מקרה
- מקרים
- קטגוריות
- שרשראות
- מיון
- מְסוּוָג
- ניקוי
- לקוחות
- לקוחות
- טיפוס
- סְגוֹר
- סגור
- ענן
- תשתית ענן
- קוד
- בסיס קוד
- קודים
- קָפֶה
- שיתוף פעולה
- שילוב
- מגיע
- לבצע
- להעביר
- חברה
- של החברה
- השוואה
- להשלים
- הושלם
- רכיבים
- לחשב
- המחשב
- מדעי מחשב
- כנס
- בלבול
- עִקבִי
- מורכב
- קונסול
- מכולות
- תוכן
- תוכן
- לתקן
- CRM
- CSS
- אַפּוֹטרוֹפּוֹס
- מנהג
- לקוח
- לקוחות
- יומי
- נתונים
- ניתוח נתונים
- ניתוח נתונים
- הכנת נתונים
- מדע נתונים
- מדען נתונים
- נתונים מונחים
- תַאֲרִיך
- להחליט
- החליט
- מוקדש
- עמוק
- למידה עמוקה
- בְּרִירַת מֶחדָל
- לְהַגדִיר
- מוגדר
- הגדרות
- דמוקרטיזציה
- להפגין
- לפרוס
- פרס
- פריסה
- פריסה
- פורס
- עיצוב
- פרט
- לפתח
- מתפתח
- צעצועי התפתחות
- התפתחויות
- אחר
- דיגיטלי
- ניהול עושר דיגיטלי
- מטה
- ראוי
- כל אחד
- קל
- יעילות
- יעילות
- אחר
- אמייל
- מיילים
- EMEA
- עובדים
- לאפשר
- נקודת קצה
- מאורס
- לְהַבטִיחַ
- סביבה
- תקופה
- במיוחד
- אירופה
- להעריך
- הערכה
- אירוע
- הכל
- להתפתח
- לִבחוֹן
- דוגמה
- אקסלנס
- מנהלים
- קיימים
- תוחלת
- הציפיות
- צפוי
- ניסיון
- מנוסה
- חוויות
- לְנַסוֹת
- ניסויים
- חקירה
- ניתוח נתונים חקרני
- לחקור
- נוסף
- f1
- פָּנִים
- לְהַקֵל
- מקל
- אופנה
- מהר יותר
- המהיר ביותר
- הצמיחה המהירה ביותר
- מָשׁוֹב
- תרשים
- כספי
- מציאת
- fintech
- פינצ'ים
- ראשון
- צעדים ראשונים
- דירה
- להתמקד
- מתמקד
- הבא
- בעד
- טופס
- פוּרמָט
- חופשי
- החל מ-
- פונקציה
- עתיד
- לְהַשִׂיג
- משחקים
- שער כניסה
- מטרה כללית
- ליצור
- לקבל
- GitHub
- GmBH
- שערים
- גדל
- אוֹרֵחַ
- פוסט אורח
- היה
- יש
- he
- ראש
- ראשי
- לה
- שֶׁלוֹ
- היסטורי
- אירח
- איך
- HTML
- http
- HTTPS
- מאות
- מזוהה
- if
- ליישם
- יישום
- לשפר
- in
- לכלול
- נכנס
- להגדיל
- גדל
- מידע
- תשתית
- בתחילה
- חדשנות
- חדשני
- קלט
- פניות
- חקירה
- משולב
- אינטליגנטי
- מעוניין
- אל תוך
- מבוא
- להשקיע
- השקעה
- מעורר
- IT
- איטרציה
- שֶׁלָה
- עבודה
- ג'סון
- שמור
- מפתח
- תווית
- תוויות
- שפה
- הגדול ביותר
- האחרון
- מוביל
- לִלמוֹד
- למידה
- מעגל החיים
- קו
- לִטעוֹן
- מקומי
- היכנס
- מחובר
- הסתכלות
- את
- מכונה
- למידת מכונה
- עשוי
- שמירה
- לעשות
- עשייה
- לנהל
- הצליח
- ניהול
- ניהול
- שוק
- שוקי
- מתימטיקה
- מַטרִיצָה
- למזג
- אירוע מיזוג
- הודעות
- שיטה
- מטרי
- מדדים
- יכול
- ML
- MLOps
- מודל
- מודלים
- מודרני
- צג
- אחת לחודש
- יותר
- מהלכים
- הרבה
- מספר
- שם
- כלומר
- יליד
- טבעי
- עיבוד שפה טבעית
- טבע
- צורך
- צרכי
- רשת
- עצבי
- רשת עצבית
- חדש
- הבא
- NLP
- מחברה
- עַכשָׁיו
- מספר
- of
- המיוחדות שלנו
- on
- ONE
- יחידות
- רק
- מבצעי
- or
- להזמין
- מְקוֹרִי
- אחר
- אַחֶרֶת
- שלנו
- הַחוּצָה
- תפוקה
- בחוץ
- יותר
- חלק
- להשתתף
- לְבַצֵעַ
- ביצועים
- שלב
- הרים
- צינור
- פלטפורמה
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- אפשרי
- הודעה
- פרקטיקות
- דיוק
- נבואה
- התחזיות
- הכנה
- קודם
- יְסוֹדִי
- פְּרָטִי
- תהליך
- תהליכים
- תהליך
- מיוצר
- הפקה
- פִּריוֹן
- מוצרים
- פּרוֹיֶקט
- פרויקטים
- תָקִין
- אב טיפוס
- לספק
- מספק
- ציבורי
- לאור
- למטרות
- דחוף
- שאלה
- מהירות
- ציטוטים
- להעלות
- ציון
- חי
- הגיע
- חומר עיוני
- קריאה
- מוכן
- סביר
- מקבל
- רשום
- מופחת
- להתייחס
- לחדד
- regex
- הירשם
- רישום
- רלוונטי
- אָמִין
- מרחוק
- להסיר
- לדווח
- נציגות
- לבקש
- בקשות
- נדרש
- נפתרה
- משאבים
- אלה
- להגיב
- תגובה
- תגובות
- אחריות
- אחראי
- תוצאה
- לַחֲזוֹר
- חָסוֹן
- סלע
- ריצה
- בעל חכמים
- צינורות SageMaker
- אותו
- להרחבה
- סולם
- מדע
- מַדְעָן
- מדענים
- תסריט
- סעיף
- סעיפים
- לבטח
- קטע
- לשלוח
- נפרד
- רצף
- לשרת
- שרות
- שירותים
- התקנה
- מְעוּצָב
- משותף
- שיתופים
- היא
- הופעות
- חתימות
- פָּשׁוּט
- בו זמנית
- מיומנויות
- קטן יותר
- קטע
- So
- פִּתָרוֹן
- פתרונות
- לפתור
- בקרוב
- מֶרחָב
- רַמקוֹל
- מומחה
- מומחים
- ספציפי
- במיוחד
- התמחות
- התחלה
- החל
- התחלות
- מדינה-of-the-art
- מצב
- להישאר
- שלב
- צעדים
- אחסון
- מאוחסן
- אחסון
- לייעל
- סטודיו
- נושא
- הצלחה
- כזה
- תומך
- בטוח
- לקחת
- המשימות
- משימות
- נבחרת
- צוותי
- טכני
- עשרות
- מבחן
- בדיקות
- טֶקסט
- מֵאֲשֶׁר
- תודה
- זֶה
- השמיים
- שֶׁלָהֶם
- אותם
- אז
- שם.
- לכן
- הֵם
- זֶה
- אלפים
- שְׁלוֹשָׁה
- דרך
- זמן
- ל
- יַחַד
- כלי
- נושא
- לפיד
- לעקוב
- מסחר
- פלטפורמת מסחר
- רכבת
- מְאוּמָן
- הדרכה
- שנאי
- רוֹבּוֹטרִיקִים
- בצורה אדירה
- תור
- שתיים
- סוג
- סוגים
- עדכונים
- us
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- משתמש
- חוויית משתמש
- שימושים
- באמצעות
- לְאַמֵת
- אימות
- ערך
- גרסה
- הַמתָנָה
- היה
- we
- עושר
- ניהול עושר
- אינטרנט
- שירותי אינטרנט
- טוֹב
- היו
- מתי
- בכל פעם
- אשר
- בזמן
- עם
- בתוך
- לְלֹא
- זרימת עבודה
- זרימות עבודה
- עובד
- לכתוב
- יוגה
- זפירנט