פוסט זה נכתב בשיתוף עם דייב גואל, מנכ"ל RallyPoint. במילותיו שלו, "נקודת כינוס היא רשת חברתית ומקצועית מקוונת לחיילים משוחררים, חברי שירות, בני משפחה, מטפלים ותומכים אזרחיים אחרים של הכוחות המזוינים של ארה"ב. עם שני מיליון חברים בפלטפורמה, החברה מספקת מקום נוח לאוכלוסיה ראויה זו להתחבר זה לזה ותוכניות שנועדו לתמוך בהם".
כל המשרתים - ואלו התומכים בהם - מתמודדים לעתים קרובות עם מגוון אתגרים תעסוקתיים כאשר איש שירות חוזר לחיים האזרחיים. RallyPoint זיהתה את תקופת המעבר לקריירה אזרחית כהזדמנות מרכזית לשיפור איכות החיים של אוכלוסייה זו על ידי יצירת המלצות עבודה אוטומטיות ומשכנעות. עם זאת, הצוות השתמש באופן היסטורי בשיטת איסוף מבוססת כללים כדי להמליץ על משרות לאורך חווית המשתמש שלו, אשר אינה מאפשרת לחברים לקבל המלצות לעבודה מותאמות אישית לניסיון, מומחיות ותחומי עניין האישיים שלהם.
"כדי לשפר את החוויה הזו עבור חבריה, אנחנו ב-RallyPoint רצינו לחקור כיצד למידת מכונה (ML) יכולה לעזור. אנחנו לא רוצים שאנשי השירות שלנו, הוותיקים והאהובים שלהם יבזבזו זמן בחיפוש אחר מסלול קריירה אזרחי מספק כשהם מחליטים לעזוב את הצבא. זה צריך להיות תהליך קל. אנחנו רוצים שהחברים שלנו יספרו לנו על החוויות הצבאיות שלהם, כל בית ספר שהם למדו והעדפותיהם האישיות. לאחר מכן, על ידי מינוף מה שאנחנו יודעים ממיליוני החברים הצבאיים והוותיקים שלנו, יש להעלות בקלות משרות פתוחות רלוונטיות במקום לחפש בעמל רב. השירות החינמי הזה לחברים שלנו צפוי גם להניב הכנסה של לפחות שבעה ספרות ממעסיקים המחפשים את הכישרון הצבאי והותיק הנכון, מה שיאפשר לנו לבנות עוד יכולות חינמיות עבור החברים שלנו".
פוסט זה בבלוג מסכם כיצד מעבדת פתרונות למידת מכונה של אמזון (MLSL) שיתפה פעולה עם RallyPoint כדי להביא לשיפור של 35% בהמלצות קריירה מותאמות אישית ועלייה של פי 66 בכיסוי, בין היתר שיפורים עבור חברי RallyPoint מהיישום הנוכחי מבוסס הכללים.
"MLSL עזר ל-RallyPoint להציל ולשפר את חיי הקהילה הצבאית של ארה"ב. בר המזל לעבוד על מספר רב של פרויקטים מורכבים ובעלי השפעה עם MLSL כדי לתמוך באוכלוסיות הראויות ביותר, RallyPoint האיצה את הצמיחה במספר מדדי ליבה ארגוניים בתהליך. הכישרון, התרבות וההתמקדות הגבוהה של MLSL בסיוע למימוש תוצאות מדידות ומשכנעות מהשקעות למידת מכונה אפשרו לנו להפחית את הסיכון להתאבדות, לשפר את מעבר הקריירה ולהאיץ קשרים חשובים עבור חברי השירות שלנו, הוותיקים ומשפחותיהם."
הסעיפים הבאים מכסים את האתגרים העסקיים והטכניים, את הגישה שננקטו על ידי צוותי AWS ו-RallyPoint, ואת הביצועים של פתרון מיושם הממנף אמזון להתאים אישית.
Amazon Personalize מקלה על מפתחים לבנות יישומים המסוגלים לספק מגוון רחב של חוויות התאמה אישית, כולל המלצות מוצר ספציפיות, דירוג מחדש של מוצרים מותאם אישית ושיווק ישיר מותאם אישית. Amazon Personalize הוא שירות ML מנוהל במלואו החורג ממערכות המלצות נוקשות ומבוססות כללים סטטיים על ידי הדרכה, כוונון ופריסה של מודלים מותאמים אישית של ML כדי לספק המלצות מותאמות אישית ללקוחות בכל תעשיות כמו קמעונאות ומדיה ובידור.
אתגרים עסקיים וטכניים
אתגרים עסקיים מרובים היוו השראה לשותפות זו. הרלוונטי ביותר היה שיעור הקליקים על 10 המשרות המומלצות המובילות באתר RallyPoint. RallyPoint ניתחה את מעורבות המשתמשים בפלטפורמה שלהם וגילתה שהם צריכים להגדיל את מספר המשרות הרלוונטיות שהמשתמשים לוחצים עליהן. הרעיון הוא שככל שעבודה מומלצת רלוונטית יותר, כך גדל הסיכוי שהחברים יגישו מועמדות לאותן משרות, מה שיוביל לשיפור בתוצאות התעסוקה.
האתגר הבא היה להגביר את המעורבות של החברים בשירותי העבודה המוצעים באתר. RallyPoint מציעה הזדמנות לאנשים "לבנות את המותג שלך ולערב את הקהילה הצבאית, לפרסם את המוצרים והשירותים שלך, להפעיל קמפיינים שיווקיים לגיוס, לפרסם משרות ולחפש כישרונות ותיקים." הם שוב זיהו הזדמנות ליישם את AWS Personalize כדי לעזור ליותר אנשים לעבור לחיים אזרחיים, וביקשו לשפר את מספרי ההמרה של קליק ללקוח, מה שיוביל לתוצאות טובות יותר עבור הלקוחות הישירים של RallyPoint.
מנקודת מבט טכנית, כמו בעיות רבות של מערכת ממליצים מסורתיים, דלילות הנתונים וזנב ארוך היו אתגר להתגבר עליו. קבוצת הדגימה של נתונים לא מזוהים, שכבר שותפו בפומבי, כללה אלפי פרופילי משתמש אנונימיים, עם יותר מחמישים נקודות מטא-נתונים של משתמשים, אך לרבים מהם היה מידע מטה-נתונים/פרופיל חסר או לא עקבי. כדי להתמודד עם זה, הצוות מינף את פונקציונליות המלצת ההתחלה הקרה של Amazon Personalize עבור משתמשים רלוונטיים.
סקירת פתרונות
כדי לפתור את הבעיה, MLSL שיתף פעולה עם RallyPoint כדי לבנות צינור מותאם אישית של Amazon Personalize עבור RallyPoint. חלק מהשירותים שבהם נעשה שימוש כוללים שירות אחסון פשוט של אמזון (אמזון S3), מופעי מחברת אמזון SageMaker, ו-Amazon Personalize. התרשים הבא ממחיש את ארכיטקטורת הפתרון.
הנתונים הגולמיים האנונימיים ששימשו לפתרון כללו היסטוריה של אינטראקציות עם פרסומי משרות יחד עם מטא נתונים על פרופילי משתמשים ותפקידים. זה נשמר ב-S3. צוות MLSL השתמש ב-Amazon SageMaker Notebook Instances כדי להכין נתונים כקלט ל-Amazon Personalize. שלב זה כלל עיבוד מקדים של נתונים, הנדסת תכונות ויצירת קבוצות נתונים וסכימות הנדרשות עבור Amazon Personalize. למידע נוסף עיין ב יצירת קבוצת נתונים מותאמת אישית.
השלב הבא היה יצירת פתרון ב-Amazon Personalize. פתרון מתייחס לשילוב של מתכון של Amazon Personalize, פרמטרים מותאמים אישית וגרסת פתרון אחת או יותר. למידע נוסף עיין ב יצירת פתרון. הצוות השתמש ב- מתכון להתאמה אישית למשתמש להפקת המלצות עבודה ספציפיות למשתמש עבור משתמשים בערכת אימות. הפלטים של Amazon Personalize, כולל המלצות העבודה ומדדי הביצועים, מאוחסנים בדלי של Amazon S3 לניתוח נוסף.
בשלב האחרון, הצוות השתמש במופע מחברת כדי להכין את המלצות הפלט להערכה חיצונית על ידי כותבים אנושיים, כמתואר ב- שימוש במומחי דומיין סָעִיף.
הערכת התוצאות של Amazon Personalize
ניתן להעריך את הביצועים של גרסת פתרון Amazon Personalize באמצעות מדדים לא מקוונים, מדדים מקוונים, ו בדיקת A / B. מדדים לא מקוונים מאפשרים לך לראות את ההשפעות של שינוי הפרמטרים והאלגוריתמים המשמשים לאימון המודלים שלך, מחושבים על פי נתונים היסטוריים. מדדים מקוונים הם התוצאות האמפיריות שנצפו באינטראקציות של המשתמש שלך עם המלצות בזמן אמת המסופקות בסביבה חיה (כגון שיעור קליקים). בדיקת A/B היא שיטה מקוונת להשוואת הביצועים של מספר גרסאות פתרונות לפתרון ברירת מחדל. משתמשים מוקצים באופן אקראי לקבוצת הבקרה (ברירת המחדל) או לאחת מקבוצות הטיפול (הבדיקה). משתמשי קבוצת הביקורת מקבלים המלצות מפתרון ברירת המחדל (בסיס), בעוד שכל אחת מקבוצות הטיפול מקיימת אינטראקציה עם גרסת פתרון שונה. מבחני מובהקות סטטיסטית משמשים כדי להשוות את מדדי הביצועים (כגון שיעור קליקים או זמן אחזור) ומדדים עסקיים (כגון הכנסות) לזה של פתרון ברירת המחדל.
Amazon Personalize מודדת מדדים לא מקוונים במהלך אימון גרסת פתרון. הצוות השתמש במדדים לא מקוונים כגון ממוצע הדדי דירוג (MRR), רווח מצטבר מנורמל (NCDG@k), Precision@k וכיסוי. להגדרות של כל המדדים הלא מקוונים הזמינים, עיין ב הגדרות מטריות.
למרות שאמזון פרסונליז מספקת רשימה נרחבת של מדדים לא מקוונים שבהם הצוות יכול להשתמש כדי למדוד באופן אובייקטיבי את הביצועים של פתרונות במהלך ההדרכה, מדדים מקוונים ובדיקות A/B מומלצות כדי לעקוב ולאמת את ביצועי המודל. אזהרה אחת לבדיקות אלו היא שהם דורשים מהמשתמשים ליצור אינטראקציה עם המלצות אמזון פרסונליז בזמן אמת. מכיוון שמודל RallyPoint Amazon Personalize לא נפרס לפני פרסום זה, לצוות לא היו תוצאות לדווח עבור בדיקות אלו.
שימוש במומחי דומיין
בדיקת A/B היא השיטה המועדפת לניתוח האיכות של מערכת המלצות, עם זאת, שימוש במומחי תחום להערת המלצות הוא מבשר בר-קיימא. מכיוון שבדיקות מקוונות לא היו אופציה, כדי לבדוק את תקינות ההמלצות, הצוות ביקש ממומחי תחום ב-RallyPoint לציין את ההמלצות שנוצרו על ידי המודלים ולספור את מספר משרות העבודה שהמומחים הסכימו שיש להמליץ עליהן (בהתחשב במידע של משתמש ו ציין העדפות) בתור מספר המלצות "נכונות".. מדד זה שימש להשוואת גרסאות פתרונות. א פתרון פופולריות (הקריטריונים המבוססים על כללים הנוכחיים) שימשו כבסיס שכלל המלצה על חמשת משרות העבודה הפופולריות ביותר לכל משתמש. יתר על כן, פתרון עם הגדרות ברירת מחדל שימש בשם מודל בסיסי אחר שנקרא פתרון הבסיס של Amazon Personalize.
תוצאות
השימוש במודל בעל הביצועים הטובים ביותר הביא לשיפור של 35% במספר ההמלצות ה"נכונות" בהשוואה לפתרון הבסיס של Amazon Personalize ולשיפור של 54% ביחס לפתרון הפופולריות. הצוות יכול גם להשיג שיפור של פי 66 בכיסוי, שיפור פי 30 ב-MRR ושיפור פי 2 בדייקנות@10 בהשוואה לפתרון הפופולריות. בנוסף לפתרון הפופולריות, הצוות ראה עלייה של עד פי 2 ב-MRR וב-precision@10 בהשוואה לפתרון הבסיס של Amazon Personalize.
<br> סיכום
RallyPoint זיהתה הזדמנות לשרת טוב יותר את הלקוחות שלהם עם המלצות קריירה מותאמות אישית יותר. הם התחילו את מסע ההתאמה האישית של המשתמשים מתוך מחשבה על אובססיה של לקוחות, תוך שיתוף פעולה עם מעבדת הפתרונות ללמידה מכונה. ל-RallyPoint יש כעת הזדמנות לתת למשתמשים שלהם המלצות קריירה יקרות יותר, באמצעות פתרון זה. שילוב מערכת המלצות משופרת זו באתר האינטרנט שלהם יביא לכך שמשתמשי RallyPoint יראו יותר משרות רלוונטיות בפיד הקריירה שלהם, יקל על הדרך לקריירה מספקת יותר ואיכות חיים משופרת לחבריהם.
השתמש אמזון להתאים אישית כדי לספק חוויה אישית עבור המשתמשים שלך היום! אם תרצה לשתף פעולה עם מומחים כדי להביא פתרונות ML לארגון שלך, צור קשר עם מעבדת פתרונות אמזון ML.
משאבים נוספים
למידע נוסף על התאמה אישית של אמזון, עיין בדברים הבאים:
על הכותבים
דייב גואל הוא יוצא צבא ומנכ"ל RallyPoint. דייב הוא בוגר ווסט פוינט ובית הספר לריינג'רים של צבא ארה"ב, שירת בעיראק כמנהיג כיתת טנקים, ולימד כעוזר פרופסור בתוכנית ROTC של המכון הטכנולוגי של מסצ'וסטס. RallyPoint היא חברת הטכנולוגיה השלישית שדייב היה מנכ"ל עבורה.
מתיו רודס הוא מדען נתונים שעובד ב- Amazon ML Solutions Lab. הוא מתמחה בבניית צינורות למידת מכונה הכוללים מושגים כמו עיבוד שפה טבעית וראייה ממוחשבת.
אמין טאגארדון הוא מדען יישומי ב- Amazon ML Solutions Lab. יש לו רקע נרחב במדעי המחשב ולמידת מכונה. בפרט, ההתמקדות של אמין הייתה בלמידה ובחיזוי עמוקים, שיטות הסבר חיזוי, זיהוי סחיפה של מודלים, מודלים יצירתיים הסתברותיים ויישומים של AI בתחום הבריאות.
יאש שאה הוא מנהל מדע ב- Amazon ML Solutions Lab. הוא וצוות המדענים היישומיים שלו ומהנדסי למידת מכונה עובדים על מגוון מקרי שימוש של למידת מכונה מתחומי הבריאות, הספורט, הרכב והייצור.
ואמשי קרישנה אנבוטאלה הוא Sr. Applied AI Specialist Architect ב-AWS. הוא עובד עם לקוחות ממגזרים שונים כדי להאיץ יוזמות נתונים, ניתוחים ולמידת מכונה בעלי השפעה גבוהה. הוא נלהב ממערכות המלצות, NLP ותחומי ראייה ממוחשבת ב-AI ו-ML. מחוץ לעבודה, ואמשי הוא חובב RC, בונה ציוד RC (מטוסים, מכוניות ומזל"טים), וגם נהנה מגינון.
גרג טולמי הוא מנהל חשבונות בצוות השותפים של ISV במגזר הציבורי של AWS. גרג תומך בפורטפוליו של שותפי ISV במגזר הציבורי של AWS כדי לעזור להם לצמוח ולהבשיל את האימוץ שלהם של שירותי AWS תוך מיקסום היתרונות של רשת השותפים של AWS.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה כאן.
- הטבעת העתיד עם אדריאן אשלי. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/how-rallypoint-and-aws-are-personalizing-job-recommendations-to-help-military-veterans-and-service-providers-transition-back-into-civilian-life-using-amazon-personalize/
- :יש ל
- :הוא
- :לֹא
- $ למעלה
- 10
- 100
- 35%
- 7
- a
- אודות
- להאיץ
- מוּאָץ
- חֶשְׁבּוֹן
- להשיג
- לרוחב
- תוספת
- אימוץ
- לפרסם
- נגד
- AI
- אלגוריתמים
- תעשיות
- מאפשר
- לאורך
- כְּבָר
- גם
- אמזון בעברית
- אמזון להתאים אישית
- אמזון SageMaker
- בין היתר
- an
- אנליזה
- ניתוח
- ניתוח
- ו
- אחר
- כל
- יישומים
- יישומית
- יישום AI
- החל
- מריחה
- גישה
- ארכיטקטורה
- ARE
- אזורים
- חמוש
- צָבָא
- מערך
- AS
- שהוקצה
- עוזר
- At
- אוטומטי
- רכב
- זמין
- AWS
- בחזרה
- רקע
- Baseline
- BE
- כי
- היה
- החל
- הטבות
- הטוב ביותר
- מוטב
- מעבר
- בלוג
- מותג
- להביא
- לִבנוֹת
- בִּניָן
- עסקים
- אבל
- by
- מחושב
- נקרא
- קמפיינים
- CAN
- יכולות
- מסוגל
- קריירה
- קריירות
- מכוניות
- מקרים
- מנכ"ל
- לאתגר
- האתגרים
- לשתף פעולה
- שיתף פעולה
- שילוב
- נוח
- קהילה
- חברה
- לְהַשְׁווֹת
- לעומת
- השוואה
- משכנע
- מורכב
- המחשב
- מדעי מחשב
- ראייה ממוחשבת
- מושגים
- לְחַבֵּר
- חיבורי
- לבנות
- צור קשר
- לִשְׁלוֹט
- המרה
- ליבה
- יכול
- לכסות
- כיסוי
- לִיצוֹר
- יוצרים
- הקריטריונים
- תַרְבּוּת
- אוצרות
- נוֹכְחִי
- מנהג
- לקוח
- לקוחות
- אישית
- נתונים
- מדען נתונים
- דייב
- להחליט
- עמוק
- למידה עמוקה
- בְּרִירַת מֶחדָל
- למסור
- אספקה
- פרס
- פריסה
- מְתוּאָר
- מעוצב
- איתור
- מפתחים
- אחר
- ישיר
- מוזל
- גילה
- לא
- תחום
- לא
- נהיגה
- מזל"ט
- בְּמַהֲלָך
- כל אחד
- בקלות
- הקלה
- תופעות
- או
- מעסיקים
- תעסוקה
- מופעל
- לעסוק
- התעסקות
- הנדסה
- מהנדסים
- בידור
- נלהב
- סביבה
- ציוד
- העריך
- הערכה
- כל
- צפוי
- ניסיון
- חוויות
- מומחיות
- מומחים
- הסבר
- לחקור
- נרחב
- חיצוני
- פָּנִים
- משפחות
- משפחה
- בני משפחה
- מאפיין
- דמויות
- סופי
- להתמקד
- הבא
- בעד
- כוחות
- בַּר מַזָל
- חופשי
- החל מ-
- לגמרי
- פונקציונלי
- נוסף
- לְהַשִׂיג
- ליצור
- נוצר
- גנרטטיבית
- לקבל
- לתת
- נתן
- Goes
- בוגר
- קְבוּצָה
- קבוצה
- לגדול
- צמיחה
- יש
- he
- בריאות
- לעזור
- עזר
- גָבוֹהַ
- גבוה יותר
- מאוד
- היסטורי
- הסטורי
- היסטוריה
- איך
- אולם
- HTML
- http
- HTTPS
- בן אנוש
- רעיון
- מזוהה
- בר - השפעה
- הפעלה
- יושם
- חשוב
- לשפר
- משופר
- השבחה
- שיפורים
- in
- לכלול
- כלול
- כולל
- שילוב
- להגדיל
- הצביע
- בנפרד
- תעשיות
- מידע
- יוזמות
- קלט
- השראה
- למשל
- במקום
- מכון
- אינטראקציה
- יחסי גומלין
- אינטרסים
- אל תוך
- השקעות
- לערב
- עיראק
- IT
- שֶׁלָה
- עבודה
- מקומות תעסוקה
- מסע
- jpg
- לדעת
- מעבדה
- שפה
- חֶבִיוֹן
- מנהיג
- מוביל
- למידה
- יציאה
- מנופים
- מינוף
- החיים
- כמו
- רשימה
- לחיות
- חי
- ארוך
- אהבתי
- מכונה
- למידת מכונה
- גדול
- עושה
- הצליח
- מנהל
- ייצור
- רב
- שיווק
- מסצ'וסטס
- המכון הטכנולוגי של מסצ'וסטס
- בוגר
- למדוד
- אמצעים
- מדיה
- להרשם/להתחבר
- מידע נוסף
- שיטה
- שיטות
- מטרי
- מדדים
- צבאי
- מִילִיוֹן
- מיליונים
- אכפת לי
- חסר
- ML
- מודל
- מודלים
- יותר
- יתר על כן
- רוב
- הכי פופולארי
- מספר
- טבעי
- עיבוד שפה טבעית
- נחוץ
- רשת
- הבא
- NLP
- מחברה
- עַכשָׁיו
- מספר
- מספרים
- of
- מוצע
- המיוחדות שלנו
- לא מחובר
- on
- ONE
- באינטרנט
- לפתוח
- הזדמנות
- אפשרות
- or
- ארגון
- אִרְגוּנִי
- אחר
- שלנו
- תפוקה
- בחוץ
- יותר
- להתגבר על
- שֶׁלוֹ
- פרמטרים
- מסוים
- שותף
- רשת שותפים
- שותף
- שותפות
- שותפים
- שותפות
- לוהט
- נתיב
- אֲנָשִׁים
- ביצועים
- ביצוע
- תקופה
- אישי
- התאמה אישית
- אישית
- אישית
- פרספקטיבה
- צינור
- מקום
- פלטפורמה
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- נקודה
- נקודות
- פופולרי
- פופולריות
- אוכלוסייה
- אוכלוסיות
- תיק עבודות
- עמדות
- הודעה
- מבשר
- נבואה
- העדפות
- מועדף
- להכין
- קודם
- בעיה
- בעיות
- תהליך
- תהליך
- המוצר
- מוצרים
- מקצועי
- פרופסור
- פרופילים
- תָכְנִית
- תוכניות
- פרויקטים
- לספק
- ובלבד
- ספקים
- מספק
- ציבורי
- פרסום
- בפומבי
- איכות
- רכס
- ציון
- חי
- ממשי
- זמן אמת
- מימוש
- לקבל
- מתכון
- מוכר
- להמליץ
- המלצה
- המלצות
- מוּמלָץ
- ממליץ
- גיוס
- להפחית
- מתייחס
- רלוונטי
- לדווח
- לדרוש
- נדרש
- תוצאה
- תוצאות
- קמעוני
- הכנסה
- נוקשה
- הסיכון
- איתנות
- הפעלה
- בעל חכמים
- שמור
- בית ספר
- בתי ספר
- מדע
- מַדְעָן
- מדענים
- חיפוש
- חיפוש
- סעיף
- סעיפים
- מגזר
- מגזרים
- ראות
- מחפשים
- לשרת
- שרות
- ספקי שירות
- שירותים
- סט
- הגדרות
- שבע
- משותף
- צריך
- משמעות
- פָּשׁוּט
- since
- אתר
- חֶברָתִי
- פִּתָרוֹן
- פתרונות
- לפתור
- כמה
- מומחה
- מתמחה
- ספציפי
- מְהִירוּת
- ספורט
- התחלה
- סטטיסטי
- שלב
- אחסון
- מאוחסן
- כזה
- תמיכה
- תומכים
- תומך
- מערכת
- מערכות
- כִּשָׁרוֹן
- טנק
- נבחרת
- צוותי
- טכני
- טכנולוגיה
- לספר
- מבחן
- בדיקות
- בדיקות
- מֵאֲשֶׁר
- זֶה
- השמיים
- שֶׁלָהֶם
- אותם
- אלה
- הֵם
- שְׁלִישִׁי
- זֶה
- אלה
- אלפים
- דרך
- בכל
- זמן
- ל
- חלק עליון
- 10 למעלה
- לעקוב
- מסורתי
- רכבת
- הדרכה
- מַעֲבָר
- מעברים
- טיפול
- us
- צבא ארה"ב
- צבא ארה"ב
- להשתמש
- מְשׁוּמָשׁ
- משתמש
- חוויית משתמש
- משתמשים
- באמצעות
- לְאַמֵת
- אימות
- בעל ערך
- מגוון
- גרסה
- ותיק
- ותיק
- בַּר חַיִים
- לצפיה
- חזון
- רציתי
- היה
- לבזבז
- we
- אתר
- מערב
- מה
- אשר
- בזמן
- מי
- רָחָב
- יצטרך
- עם
- בתוך
- מילים
- תיק עבודות
- עובד
- עובד
- אתה
- זפירנט