אמזון קנדרה הוא שירות חיפוש מדויק וחכם ביותר המאפשר למשתמשים לחפש נתונים לא מובנים ומובנים באמצעות עיבוד שפה טבעית (NLP) ואלגוריתמי חיפוש מתקדמים. עם Amazon Kendra, אתה יכול למצוא תשובות רלוונטיות לשאלות שלך במהירות, מבלי לנפות מסמכים. עם זאת, רק מתן אפשרות למשתמשי קצה לקבל את התשובות לשאילתותיהם אינו מספיק בעולם של היום. עלינו להבין כל הזמן את התנהגות החיפוש של משתמש הקצה, כגון מהן השאילתות המובילות לחודש, האם יש כל שאילתה חדשה ששאילתות הופיעו לאחרונה, איזה אחוז מהשאילתות קיבלו מענה מיידי ועוד.
למרות שקונסולת אמזון קנדרה מגיעה מצוידת בלוח מחוונים לניתוח, רבים מהלקוחות שלנו מעדיפים לבנות לוח מחוונים מותאם אישית. זה מאפשר לך ליצור תצוגות ומסננים ייחודיים, ומעניק לצוותי הניהול גישה ללוח מחוונים יעיל בלחיצה אחת ללא צורך להיכנס ל- קונסולת הניהול של AWS וחפש את לוח המחוונים המתאים. בנוסף, אתה יכול לשפר את הפונקציונליות של לוח המחוונים שלך על ידי הוספת לוגיקה של עיבוד מקדים, כגון קיבוץ שאילתות מובילות דומות. לדוגמה, ייתכן שתרצה לקבץ שאילתות דומות כגון "מה זה אמזון קנדרה" ו"מהי המטרה של אמזון קנדרה" יחד כדי שתוכל לנתח ביעילות את המדדים ולהשיג הבנה מעמיקה יותר של הנתונים. קיבוץ כזה של שאילתות דומות יכול להיעשות באמצעות המושג של דמיון סמנטי.
פוסט זה דן בפתרון מקצה לקצה ליישום מקרה שימוש זה, הכולל שימוש AWS למבדה לחלץ את המדדים המסוכמים מאמזון קנדרה, חישוב ציון הדמיון הסמנטי באמצעות a פנים מחבקות דגם מתארח ב-an אמזון SageMaker נקודת קצה ללא שרת לקבץ שאילתות דומות, ויצירת אמזון קוויקסייט לוח מחוונים כדי להציג את תובנות המשתמש ביעילות.
סקירת פתרונות
התרשים הבא ממחיש את ארכיטקטורת הפתרונות שלנו.
זרימת העבודה ברמה גבוהה היא כדלקמן:
- An אמזון EventBridge מתזמן מפעיל את פונקציות Lambda פעם בחודש כדי לחלץ את מדדי החיפוש של החודש שעבר מאמזון קנדרה.
- פונקציות Lambda מעלות את מדדי החיפוש ל- an שירות אחסון פשוט של אמזון (אמזון S3) דלי.
- פונקציות Lambda מקבצות שאילתות דומות בקובץ שהועלה על סמך ציון הדמיון הסמנטי לפי דגם Hugging Face המתארח בנקודת קצה של מסקנות של SageMaker.
- An דבק AWS הסורק יוצר או מעדכן את קטלוג נתוני הדבק של AWS מהקובץ שהועלה בדלי S3 עבור אמזונה אתנה השולחן.
- QuickSight משתמש במערך הנתונים של טבלת Athena כדי ליצור ניתוחים ולוחות מחוונים.
עבור פתרון זה, אנו פורסים את משאבי התשתית כדי ליצור את הניתוח ולוח המחוונים של QuickSight באמצעות AWS CloudFormation תבנית.
תנאים מוקדמים
השלם את השלבים המוקדמים הבאים:
- אם אתה משתמש בפעם הראשונה ב-QuickSight בחשבון AWS שלך, הירשם ל-QuickSight.
- קבל את מזהה האינדקס של Amazon Kendra שאתה רוצה להמחיש את מדדי החיפוש שלך מאמזון קנדרה. תצטרך להשתמש במנוע החיפוש לזמן מה (לדוגמה, כמה שבועות) כדי להיות מסוגל לחלץ כמות מספקת של נתונים לשימוש כדי לחלץ כמה תובנות.
- שיבט את GitHub ריפו כדי ליצור את תמונת המכולה:
- צור מרשם מיכל אלסטי של אמזון (Amazon ECR) מאגר ב-us-east-1 ודחוף את תמונת המכולה שנוצרה על ידי Dockerfile שהורד. להנחיות, עיין ב יצירת מאגר פרטי.
- הפעל את הפקודות הבאות בספריה של הסביבה המקומית שלך כדי ליצור ולדחוף את תמונת המכולה למאגר ה-ECR שיצרת:
פרוס את תבנית CloudFormation
השלם את השלבים הבאים כדי לפרוס את תבנית CloudFormation:
- הורד את תבנית CloudFormation kendrablog-sam-template.yml.
- במסוף AWS CloudFormation, צור מחסנית חדשה.
השתמש us-east-1
אזור לפריסה זו.
- העלה את התבנית ישירות או דרך דלי S3 המועדף עליך.
- בעד KendraIndex, הזן את מזהה האינדקס של Amazon Kendra מהדרישות המוקדמות.
- בעד מאגר LambdaECRR, היכנס למאגר ECR מהדרישות המוקדמות.
- בעד QSIdentityRegion, הזן את אזור הזהות של QuickSight. אזור הזהות מתיישר עם בחירת האזור שלך כאשר נרשמת למנוי QuickSight שלך.
- בעד QSUserDefaultPassward, הזן את סיסמת ברירת המחדל לשימוש עבור משתמש QuickSight שלך.
תתבקש לשנות סיסמה זו בעת הכניסה הראשונה למסוף QuickSight.
- בעד QSUserEmail, הזן את כתובת הדוא"ל לשימוש עבור משתמש QuickSight.
- בחרו הַבָּא.
- השאר הגדרות אחרות כברירת מחדל ובחר הַבָּא.
- בחר את תיבות הסימון של אישור ובחר צור ערימה.
כאשר הפריסה תושלם, אתה יכול לאשר את כל המשאבים שנוצרו על המחסנית משאבים בכרטיסיית AWS CloudFormation.
נעבור על כמה ממרכיבי המפתח של פתרון זה בסעיפים הבאים.
קבל תובנות מדדי חיפוש של Amazon Kendra
אנו יכולים לקבל את נתוני המדדים מאמזון קנדרה באמצעות ה GetSnapshots ממשק API. ישנם 10 מדדים לניתוח איזה מידע המשתמשים מחפשים: 5 מדדים כוללים נתוני מגמות כדי שנוכל לחפש דפוסים לאורך זמן, ו-5 מדדים משתמשים רק בתמונת מצב או בנתונים מצטברים. המדדים עם נתוני המגמה היומיים הם שיעור קליקים, שיעור קליקים אפס, שיעור תוצאות חיפוש אפס, שיעור מענה מיידי וסך השאילתות. המדדים עם נתונים מצטברים הם שאילתות מובילות, שאילתות מובילות עם אפס קליקים, שאילתות מובילות עם אפס תוצאות חיפוש, קליקים מובילים על מסמכים וסך המסמכים.
אנו משתמשים בפונקציות Lambda כדי לקבל את נתוני מדדי החיפוש מאמזון קנדרה. הפונקציות מחלצות את המדדים מאמזון קנדרה ומאחסנות אותם באמזון S3. אתה יכול למצוא את הפונקציות ב- GitHub ריפו.
צור נקודת קצה ללא שרת של SageMaker וארח מודל Hugging Face כדי לחשב דמיון סמנטי
לאחר חילוץ המדדים, השלב הבא הוא השלמת העיבוד המקדים עבור המדדים המצטברים. שלב העיבוד המקדים בודק את הדמיון הסמנטי בין טקסטי השאילתה ומקבץ אותם יחד כדי להציג את הספירות הכוללות של השאילתות הדומות. לדוגמה, אם יש שלוש שאילתות של "מה זה S3" ושתי שאילתות של "מהי המטרה של S3", זה יקבץ אותן יחד ויראה שיש חמש שאילתות של "מה זה S3" או "מהו המטרה של S3."
כדי לחשב דמיון סמנטי, אנו משתמשים במודל מספריית המודלים של Hugging Face. Hugging Face היא פלטפורמת קוד פתוח פופולרית המספקת מגוון רחב של דגמי NLP, כולל שנאים, שעברו הכשרה במגוון משימות NLP. מודלים אלו יכולים להשתלב בקלות עם SageMaker ולנצל את אפשרויות ההדרכה והפריסה העשירות שלו. Hugging Face Deep Learning Containers (DLCs), שמגיעים ארוזים מראש עם הספריות הדרושות, מקלים על פריסת המודל ב- SageMaker עם מספר שורות קוד בלבד. במקרה השימוש שלנו, אנו מקבלים תחילה את ההטמעה הווקטורית באמצעות הדגם המאומן מראש של Hugging Face flax-sence-embeddings/all_datasets_v4_MiniLM-L6ולאחר מכן השתמש דמיון קוסינוס כדי לחשב את ציון הדמיון בין ההטבעות הווקטוריות.
כדי לקבל את הטבעה הווקטורית מדגם Hugging Face, אנו יוצרים א נקודת קצה ללא שרת ב- SageMaker. נקודות קצה ללא שרת עוזרות לחסוך בעלויות מכיוון שאתה משלם רק עבור משך הזמן שהמסק פועל. כדי ליצור נקודת קצה ללא שרת, תחילה עליך להגדיר את הקריאות המקסימליות במקביל עבור נקודת קצה בודדת, המכונה MaxConcurrency, ואת גודל הזיכרון. גדלי הזיכרון שאתה יכול לבחור הם 1024 MB, 2048 MB, 3072 MB, 4096 MB, 5120 MB או 6144 MB. SageMaker Serverless Inference מקצה אוטומטית משאבי מחשוב פרופורציונליים לזיכרון שתבחר.
עלינו גם לרפד את אחד הוקטורים באפסים כך שגודלם של שני הוקטורים יתאים זה לזה ונוכל לחשב את הדמיון הקוסינוס כמכפלת נקודות של שני הוקטורים. נוכל להגדיר סף לדמיון קוסינוס (לדוגמה, 0.6) ואם ציון הדמיון גבוה מהסף, נוכל לקבץ את השאילתות יחד. לאחר קיבוץ השאילתות, נוכל להבין טוב יותר את השאילתות המובילות. אנחנו שמים את כל ההיגיון הזה בפונקציית Lambda ופורסים את הפונקציה באמצעות תמונת מיכל. תמונת המכולה מכילה קודים להפעלת נקודות הקצה של SageMaker Serverless Inference, וספריות Python הכרחיות להפעלת פונקציית Lambda כגון NumPy, pandas ו-skit-learn. הקובץ הבא הוא דוגמה לפלט מפונקציית Lambda: HF_QUERIES_BY_COUNT.csv.
צור לוח מחוונים באמצעות QuickSight
לאחר שאספתם את המדדים ועבדתם מראש את המדדים המצטברים, תוכלו לדמיין את הנתונים כדי לקבל את התובנות העסקיות. עבור פתרון זה, אנו משתמשים ב-QuickSight עבור לוח המחוונים של הבינה העסקית (BI) וב-Athena כמקור הנתונים עבור QuickSight.
QuickSight הוא שירות BI ברמה ארגונית מנוהל במלואו שבו אתה יכול להשתמש כדי ליצור ניתוחים ולוחות מחוונים כדי לספק תובנות קלות להבנה. אתה יכול לבחור סוגים שונים של תרשימים וגרפים כדי לספק את התובנות העסקיות ביעילות באמצעות לוח המחוונים של QuickSight. QuickSight מתחבר לנתונים שלך ומשלב נתונים ממקורות רבים ושונים, כגון Amazon S3 ואתנה. לפתרון שלנו, אנו משתמשים באתנה כמקור הנתונים.
Athena הוא שירות שאילתות אינטראקטיבי המקל על ניתוח נתונים ישירות באמזון S3 באמצעות תקן SQL. אתה יכול להשתמש בשאילתות Athena כדי ליצור את התצוגות המותאמות אישית שלך מנתונים המאוחסנים בדלי S3 לפני שמציגים אותם עם QuickSight. פתרון זה משתמש בסורק AWS Glue כדי ליצור את קטלוג הנתונים של AWS Glue Data עבור טבלת Athena מהקבצים בדלי S3.
תבנית CloudFormation מפעילה את הסורק הראשון במהלך יצירת המשאב. צילום המסך הבא מציג את סכימת קטלוג הנתונים.
צילום המסך הבא מציג את דוגמת טבלת Athena שתראה לאחר הפריסה.
הרשאת גישה למסדי הנתונים והטבלאות של AWS Glue מנוהלות על ידי תצורת אגם AWS. תבנית CloudFormation כבר צירפה את ההרשאות הדרושות של Lake Formation להרשאות שנוצרו AWS זהות וניהול גישה משתמש (IAM) עבור QuickSight. אם אתה רואה בעיות הרשאות עם מנהל IAM שלך, הענק לפחות את הרשאת SELECT לטבלאות AWS Glue למנהל IAM שלך ב-Lake Formation. אתה יכול למצוא את שם מסד הנתונים של AWS Glue ב- יציאות לשונית של ערימת CloudFormation. למידע נוסף, עיין ב הענקת הרשאות קטלוג נתונים באמצעות שיטת המשאב הנקרא.
השלמנו את שלב הכנת הנתונים. השלב האחרון הוא יצירת ניתוח ולוח מחוונים באמצעות QuickSight.
- היכנס למסוף QuickSight עם משתמש QuickSight שתבנית CloudFormation יצרה.
- בחלונית הניווט בחר מערכי נתונים.
- בחרו מערך נתונים.
- בחר אתנה כמקור הנתונים.
- הזן שם עבור שם מקור הנתונים ולבחור
kendrablog
ל קבוצת עבודה של אתנה. - בחרו צור מקור נתונים.
- בחרו
AWSDataCatalog
ל קָטָלוֹג וkendra-search-analytics-database
ל מסד נתונים, ובחר אחת מהטבלאות שבהן ברצונך להשתמש לניתוח. - בחרו בחר.
- בחר ייבא ל-SPICE לניתוח מהיר יותר ולבחור ערוך / תצוגה מקדימה של נתונים.
- לבחירה, בחר הוסף נתונים כדי להצטרף לנתונים נוספים.
- ניתן גם לשנות את סכימת הנתונים, כגון שם העמודה או סוג הנתונים, ולהצטרף למספר מערכי נתונים, במידת הצורך.
- בחרו פרסם והצג כדי לעבור ליצירת חזותיים.
- בחר את הסוג הוויזואלי שלך והגדר מידות כדי ליצור את הוויזואל שלך.
- באפשרותך להגדיר תכונות נוספות עבור התרשים באמצעות חלונית הניווט, כגון מסננים, פעולות וערכות נושא.
צילומי המסך הבאים מציגים דוגמה ללוח המחוונים של QuickSight לעיונך. "שאילתות חיפוש קבץ לפי שאילתות דומות" בצילום המסך מראה כיצד שאילתות החיפוש אוחדו באמצעות דמיון סמנטי.
לנקות את
מחק את משאבי QuickSight (לוח מחוונים, ניתוח ומערך נתונים) שיצרת ותשתית משאבי AWS CloudFormation כדי למנוע חיובים לא רצויים. אתה יכול למחוק את משאב התשתית ואת משתמש QuickSight שנוצרו על ידי המחסנית דרך מסוף AWS CloudFormation.
סיכום
פוסט זה הראה פתרון מקצה לקצה כדי לקבל תובנות עסקיות מאמזון קנדרה. הפתרון סיפק את המחסנית ללא שרת כדי לפרוס לוח מחוונים מותאם אישית עבור מדדי ניתוח חיפוש של Amazon Kendra באמצעות Lambda ו-QuickSight. פתרנו גם אתגרים נפוצים הקשורים לניתוח שאילתות דומות באמצעות מודל SageMaker Hugging Face. תוכל לשפר עוד יותר את לוח המחוונים על ידי הוספת תובנות נוספות כגון ביטויי המפתח או הישויות הנקובות בשאילתות באמצעות אמזון להתבונן והצגת אלה בלוח המחוונים. אנא נסה את הפתרון וספר לנו את המשוב שלך.
על הכותבים
Genta Watanabe הוא מנהל חשבונות טכניים בכיר בחברת Amazon Web Services. הוא מבלה את זמנו בעבודה עם לקוחות אסטרטגיים בתחום הרכב כדי לעזור להם להגיע למצוינות תפעולית. תחומי העניין שלו הם למידת מכונה ובינה מלאכותית. בזמנו הפנוי, ג'נטה נהנה לבלות עם משפחתו ולטייל.
אביג'יט קליטה הוא אוונגליסט בכיר בינה מלאכותית/ML בשירותי האינטרנט של אמזון. הוא מבלה את זמנו בעבודה עם שותפים במגזר הציבורי באסיה פסיפיק, ומאפשר להם את עומסי העבודה של AI/ML שלהם. יש לו שנים רבות של ניסיון בניתוח נתונים, בינה מלאכותית ולמידת מכונה בתחומים שונים כגון רכב, ייצור מוליכים למחצה ושירותים פיננסיים. תחומי העניין שלו הם למידת מכונה ובינה מלאכותית, במיוחד NLP וראייה ממוחשבת. בזמנו הפנוי, אבהיג'יט נהנה לבלות עם משפחתו, לרכוב על אופניים ולשחק עם האוגר הקטן שלו.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoAiStream. Web3 Data Intelligence. הידע מוגבר. גישה כאן.
- הטבעת העתיד עם אדריאן אשלי. גישה כאן.
- קנה ומכירה של מניות בחברות PRE-IPO עם PREIPO®. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/get-insights-on-your-users-search-behavior-from-amazon-kendra-using-an-ml-powered-serverless-stack/
- :יש ל
- :הוא
- :לֹא
- $ למעלה
- 1
- 10
- 100
- 202
- 320
- 60
- 7
- 8
- a
- יכול
- גישה
- חֶשְׁבּוֹן
- מדויק
- להשיג
- לרוחב
- פעולות
- מוסיף
- תוספת
- נוסף
- כתובת
- מתקדם
- יתרון
- לאחר
- AI
- AI / ML
- אלגוריתמים
- מיישר
- תעשיות
- מאפשר
- כְּבָר
- גם
- אמזון בעברית
- אמזון קנדרה
- אמזון שירותי אינטרנט
- כמות
- an
- מנתח
- אנליזה
- ניתוח
- לנתח
- ניתוח
- ו
- תשתיות
- לענות
- תשובות
- כל
- API
- נראה
- מתאים
- ארכיטקטורה
- ARE
- אזורים
- מלאכותי
- בינה מלאכותית
- AS
- אסיה
- אסיה פסיפיק
- At
- רכב
- לְהִמָנַע
- AWS
- AWS CloudFormation
- דבק AWS
- מבוסס
- BE
- כי
- היה
- לפני
- מוטב
- בֵּין
- תיבות
- לִבנוֹת
- עסקים
- מודיעין עסקי
- by
- לחשב
- חישוב
- CAN
- יכול לקבל
- מקרה
- קטלוג
- האתגרים
- שינוי
- חיובים
- תרשים
- תרשימים
- לבדוק
- בדיקות
- בחרו
- קליק
- לקוחות
- קוד
- טור
- COM
- משלב
- מגיע
- Common
- להשלים
- השלמת
- רכיבים
- לחשב
- המחשב
- ראייה ממוחשבת
- מושג
- במקביל
- לאשר
- מתחבר
- קונסול
- תמיד
- מכולה
- מכולות
- מכיל
- עלות
- יכול
- הסורק
- לִיצוֹר
- נוצר
- יוצר
- יוצרים
- יצירה
- מנהג
- לקוחות
- יומי
- לוח מחוונים
- נתונים
- ניתוח נתונים
- הכנת נתונים
- מסד נתונים
- מאגרי מידע
- מערכי נתונים
- עמוק
- למידה עמוקה
- עמוק יותר
- בְּרִירַת מֶחדָל
- למסור
- לפרוס
- פריסה
- אחר
- ממדים
- ישירות
- לְהַצִיג
- מציג
- סַוָר
- מסמכים
- עשה
- נקודה
- בְּמַהֲלָך
- כל אחד
- בקלות
- קל
- יעילות
- אמייל
- הטבעה
- מאפשר
- מה שמאפשר
- מקצה לקצה
- נקודת קצה
- מנוע
- להגביר את
- מספיק
- זן
- כיתה ארגונית
- ישויות
- סביבה
- מְצוּיָד
- במיוחד
- מַטִיף
- דוגמה
- אקסלנס
- ניסיון
- תמצית
- פָּנִים
- משפחה
- תכונות
- מָשׁוֹב
- מעטים
- שלח
- קבצים
- מסננים
- כספי
- שירותים פיננסיים
- ראשון
- הבא
- כדלקמן
- בעד
- התהוות
- החל מ-
- לגמרי
- פונקציה
- פונקציונלי
- פונקציות
- נוסף
- לְהַשִׂיג
- נוצר
- לקבל
- להעניק
- מענקים
- גרפים
- קְבוּצָה
- קבוצה
- יש
- he
- לעזור
- ברמה גבוהה
- מאוד
- שֶׁלוֹ
- המארח
- אירח
- איך
- אולם
- HTML
- http
- HTTPS
- ID
- זהות
- if
- מדגים
- תמונה
- ליישם
- in
- לכלול
- כולל
- כולל
- מדד
- מידע
- תשתית
- תובנות
- מיידי
- הוראות
- משולב
- מוֹדִיעִין
- אינטליגנטי
- אינטראקטיבי
- אינטרס
- בעיות
- IT
- שֶׁלָה
- להצטרף
- רק
- מפתח
- לדעת
- ידוע
- אגם
- שפה
- אחרון
- האחרון
- למידה
- הכי פחות
- לתת
- ספריות
- סִפְרִיָה
- קווים
- קְצָת
- מקומי
- היכנס
- הגיון
- התחבר
- נראה
- מכונה
- למידת מכונה
- לעשות
- עושה
- הצליח
- ניהול
- מנהל
- ייצור
- רב
- מקסימום
- מאי..
- זכרון
- מדדים
- מודל
- מודלים
- לשנות
- חוֹדֶשׁ
- יותר
- המהלך
- מספר
- שם
- שם
- טבעי
- עיבוד שפה טבעית
- ניווט
- הכרחי
- צורך
- נחוץ
- צורך
- חדש
- הבא
- NLP
- קהות
- of
- on
- פעם
- ONE
- רק
- קוד פתוח
- מבצעי
- אפשרויות
- or
- אחר
- שלנו
- הַחוּצָה
- תפוקה
- יותר
- פסיפיק
- נתיב
- דובי פנדה
- זגוגית
- שותפים
- סיסמה
- דפוסי
- תשלום
- אחוזים
- רשות
- הרשאות
- ביטויים
- פלטפורמה
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- משחק
- אנא
- פופולרי
- הודעה
- לְהַעֲדִיף
- מועדף
- תנאים מוקדמים
- מנהל
- פְּרָטִי
- תהליך
- המוצר
- ובלבד
- מספק
- ציבורי
- מטרה
- דחוף
- גם
- פיתון
- שאילתות
- שאלות
- מהר
- מהירות
- רכס
- ציון
- קיבלו
- לאחרונה
- באזור
- רלוונטי
- מאגר
- משאב
- משאבים
- תוצאות
- עשיר
- הפעלה
- בעל חכמים
- SageMaker Inference
- שמור
- סקיקיט-לימוד
- ציון
- צילומי מסך
- חיפוש
- מנוע חיפוש
- חיפוש
- סעיפים
- מגזר
- לִרְאוֹת
- מבחר
- סמיקונדקטור
- לחצני מצוקה לפנסיונרים
- ללא שרת
- שרות
- שירותים
- סט
- הגדרות
- לְהַצִיג
- הראה
- הופעות
- סִימָן
- חָתוּם
- דומה
- פָּשׁוּט
- יחיד
- מידה
- גדל
- תמונת בזק
- So
- פִּתָרוֹן
- כמה
- מָקוֹר
- מקורות
- הוצאה
- תבלין
- לערום
- תֶקֶן
- שלב
- צעדים
- אחסון
- חנות
- מאוחסן
- אסטרטגי
- זִרמִי
- מובנה
- מִנוּיים
- כזה
- מספיק
- שולחן
- תָג
- לקחת
- משימות
- צוותי
- טכני
- תבנית
- מֵאֲשֶׁר
- זֶה
- השמיים
- שֶׁלָהֶם
- אותם
- אז
- שם.
- אלה
- זֶה
- אלה
- שְׁלוֹשָׁה
- סף
- דרך
- זמן
- ל
- של היום
- יַחַד
- חלק עליון
- סה"כ
- מְאוּמָן
- הדרכה
- רוֹבּוֹטרִיקִים
- נסיעה
- מְגַמָה
- מגמות
- לנסות
- שתיים
- סוג
- סוגים
- להבין
- הבנה
- ייחודי
- לא רצוי
- עדכונים
- נטען
- us
- להשתמש
- במקרה להשתמש
- משתמש
- משתמשים
- באמצעות
- מגוון
- שונים
- אנכיות
- באמצעות
- נופים
- חזון
- חזותיים
- רוצה
- היה
- we
- אינטרנט
- שירותי אינטרנט
- שבועות
- מה
- מתי
- אשר
- בזמן
- רָחָב
- טווח רחב
- יצטרך
- עם
- לְלֹא
- עובד
- עוֹלָם
- שנים
- אתה
- זפירנט
- אפס