חיזוי סוגי תקלות נפוצים במכונה היא קריטית בתעשיות הייצור. בהינתן סט של מאפיינים של מוצר שקשור לסוג נתון של כשל, אתה יכול לפתח מודל שיכול לחזות את סוג הכשל כאשר אתה מזין את התכונות הללו למודל למידת מכונה (ML). ML יכול לעזור עם תובנות, אבל עד עכשיו היית צריך מומחי ML כדי לבנות מודלים לחזות סוגי כשלים במכונה, שהיעדרם עלול לעכב כל פעולות מתקנות שעסקים צריכים לצורך יעילות או שיפור.
בפוסט זה, אנו מראים לכם כיצד אנליסטים עסקיים יכולים לבנות באמצעותו מודל חיזוי ML של כשל במכונה אמזון SageMaker Canvas. Canvas מספק לך ממשק חזותי של הצבע והקלקה המאפשר לך לבנות מודלים וליצור תחזיות ML מדויקות בעצמך - מבלי לדרוש ניסיון ב-ML או צורך לכתוב שורת קוד אחת.
סקירת פתרונות
נניח שאתה אנליסט עסקי המוקצה לצוות תחזוקה של ארגון ייצור גדול. צוות התחזוקה שלך ביקש ממך לסייע בחיזוי כשלים נפוצים. הם סיפקו לך מערך נתונים היסטורי המכיל מאפיינים הקשורים לסוג נתון של כשל ורוצים שתחזה איזה כשל יתרחש בעתיד. סוגי הכשלים כוללים No Failure, Overstrain ו-power Failures. סכימת הנתונים רשומה בטבלה הבאה.
שם עמודה | סוג מידע | תיאור |
UID | INT | מזהה ייחודי הנע בין 1-10,000 |
מזהה מוצר | STRING | מורכב מאות - L, M או H עבור נמוך, בינוני או גבוה - כגרסאות של איכות מוצר ומספר סידורי ספציפי לגרסה |
סוג | STRING | אות ראשונית המשויכת למזהה מוצר המורכבת מ-L, M או H בלבד |
טמפרטורת אוויר [K] | עֶשׂרוֹנִי | טמפרטורת האוויר המצוינת בקלווין |
טמפרטורת תהליך [K] | עֶשׂרוֹנִי | טמפרטורות מבוקרות במדויק כדי להבטיח איכות של סוג מסוים של מוצר המצוין בקלווין |
מהירות סיבוב [סל"ד] | עֶשׂרוֹנִי | מהירות סיבוב של עצם מסתובב סביב ציר היא מספר הסיבובים של האובייקט חלקי הזמן, המצוין כסיבובים לדקה |
מומנט [Nm] | עֶשׂרוֹנִי | כוח סיבוב מכונה דרך רדיוס, המבוטא במטר ניוטון |
בלאי כלים [דקה] | INT | בלאי הכלים מתבטא בדקות |
סוג כשל (יעד) | STRING | אין תקלה, תקלה בחשמל או תקלה במתח יתר |
לאחר זיהוי סוג הכשל, עסקים יכולים לנקוט בפעולות מתקנות. לשם כך, אתה משתמש בנתונים שיש לך בקובץ CSV, המכיל מאפיינים מסוימים של מוצר כפי שמתואר בטבלה. אתה משתמש ב-Canvas כדי לבצע את השלבים הבאים:
- ייבא את מערך התחזוקה.
- אימון ובנה את מודל תחזוקת המכונה החזוי.
- נתח את תוצאות המודל.
- בדוק תחזיות מול המודל.
תנאים מוקדמים
מנהל ענן עם חשבון AWS נדרשים הרשאות מתאימות כדי להשלים את התנאים המוקדמים הבאים:
- פרוס an אמזון SageMaker דומיין לקבלת הוראות, ראה נכלל ב-Amazon SageMaker Domain.
- הפעל את Canvas. להנחיות, ראה הגדרה וניהול של Amazon SageMaker Canvas (עבור מנהלי IT).
- הגדר מדיניות שיתוף משאבים חוצי מוצא (CORS) עבור Canvas. להנחיות, ראה תן למשתמשים שלך את היכולת להעלות קבצים מקומיים.
ייבא את מערך הנתונים
ראשית, הורד את מערך נתונים תחזוקה ועיין בקובץ כדי לוודא שכל הנתונים נמצאים שם.
Canvas מספק מספר מערכי נתונים לדוגמה באפליקציה שלך כדי לעזור לך להתחיל. למידע נוסף על מערכי הנתונים לדוגמה שסופקו על ידי SageMaker שתוכל להתנסות בהם, ראה השתמש במערכי נתונים לדוגמה. אם אתה משתמש במערך הנתונים לדוגמה (canvas-sample-maintenance.csv
) זמין בתוך Canvas, אינך צריך לייבא את מערך התחזוקה.
אתה יכול לייבא נתונים ממקורות נתונים שונים לתוך Canvas. אם אתה מתכנן להשתמש במערך נתונים משלך, בצע את השלבים ב ייבוא נתונים באמזון SageMaker Canvas.
עבור פוסט זה, אנו משתמשים במערך התחזוקה המלא שהורדנו.
- היכנס ל- קונסולת הניהול של AWS, באמצעות חשבון עם ההרשאות המתאימות לגישה ל-Canvas.
- היכנס לקונסולת Canvas.
- בחרו תבואו.
- בחרו העלה ובחר את
maintenance_dataset.csv
קובץ. - בחרו ייבא נתונים כדי להעלות אותו לקנבס.
תהליך הייבוא אורך כ-10 שניות (זה יכול להשתנות בהתאם לגודל מערך הנתונים). כשזה יושלם, תוכל לראות את מערך הנתונים נמצא בפנים Ready
מעמד.
לאחר שתאשר כי מערך הנתונים המיובא הוא ready
, אתה יכול ליצור את הדגם שלך.
בנה ואימון המודל
כדי ליצור ולהכשיר את המודל שלך, בצע את השלבים הבאים:
- בחרו מודל חדש, וספק שם לדגם שלך.
- בחרו צור.
- בחר
maintenance_dataset.csv
מערך נתונים ובחר בחר מערך נתונים.
בתצוגת המודל, אתה יכול לראות ארבע כרטיסיות, המתאימות לארבעת השלבים ליצירת מודל ולהשתמש בו כדי ליצור תחזיות: בחר, לִבנוֹת, לנתח, ו לחזות. - על בחר הכרטיסייה, בחר
maintenance_dataset.csv
מערך נתונים שהעלית בעבר ובחר בחר מערך נתונים.
מערך נתונים זה כולל 9 עמודות ו-10,000 שורות. קנבס עובר אוטומטית לשלב הבנייה. - בלשונית זו, בחר את עמודת היעד, במקרה שלנו סוג כשל.צוות התחזוקה הודיע לך שעמודה זו מציינת את סוג התקלות הנראות בדרך כלל על סמך נתונים היסטוריים מהמכונות הקיימות שלהם. זה מה שאתה רוצה לאמן את המודל שלך לחזות. Canvas מזהה אוטומטית שזהו א 3 קטגוריה בעיה (ידוע גם בשם סיווג רב-מעמדי). אם זוהה סוג הדגם השגוי, אתה יכול לשנות אותו ידנית עם שנה סוג אוֹפְּצִיָה.
יש לציין כי מערך נתונים זה אינו מאוזן מאוד ביחס למחלקה No Failure, אשר ניתן לראות על ידי צפייה בעמודה בשם סוג כשל. למרות ש-Canvas ויכולות ה-AutoML הבסיסיות יכולות להתמודד חלקית עם חוסר איזון במערך הנתונים, הדבר עלול לגרום לביצועים מוטים מסוימים. כשלב נוסף נוסף, עיין ב איזון הנתונים שלך ללמידת מכונה עם Amazon SageMaker Data Wrangler. בצע את השלבים בקישור המשותף, אתה יכול להפעיל סטודיו SageMaker של אמזון אפליקציה ממסוף SageMaker וייבא את מערך הנתונים הזה בתוכו רנגלר הנתונים של אמזון SageMaker והשתמש בטרנספורמציה של נתוני איזון, ואז החזר את מערך הנתונים המאוזן ל-Canvas והמשך בשלבים הבאים. אנו ממשיכים עם מערך הנתונים הלא מאוזן בפוסט זה כדי להראות כי Canvas יכול להתמודד גם עם מערכי נתונים לא מאוזנים.
בחצי התחתון של הדף, אתה יכול להסתכל על חלק מהסטטיסטיקה של מערך הנתונים, כולל ערכים חסרים וחסרי התאמה, ערכים ייחודיים וערכים ממוצעים וחציוניים. אתה יכול גם להוריד חלק מהעמודות אם אינך רוצה להשתמש בהן עבור החיזוי פשוט על ידי ביטול הבחירה בהן.
אחרי שחקרתם את הקטע הזה, הגיע הזמן לאמן את המודל! לפני בניית מודל שלם, מומלץ לקבל מושג כללי על ביצועי המודל על ידי אימון מודל מהיר. מודל מהיר מאמן פחות שילובים של מודלים והיפרפרמטרים על מנת לתעדף מהירות על פני דיוק, במיוחד במקרים שבהם אתה רוצה להוכיח את הערך של אימון מודל ML למקרה השימוש שלך. שימו לב, אפשרות הבנייה המהירה אינה זמינה עבור דגמים גדולים מ-50,000 שורות. - בחרו בנייה מהירה.
עכשיו אתה מחכה בין 2-15 דקות. לאחר שתסיים, Canvas עובר אוטומטית ל- לנתח לשונית כדי להראות לך את התוצאות של אימון מהיר. הניתוח שבוצע באמצעות בנייה מהירה מעריך שהמודל שלך מסוגל לחזות את סוג הכשל הנכון (תוצאה) ב-99.2% מהמקרים. אתה עשוי לחוות ערכים מעט שונים. זה צפוי.
בואו נתמקד בכרטיסייה הראשונה, סקירה כללית. זו הכרטיסייה שמראה לך את השפעה על עמודה, או החשיבות המשוערת של כל עמודה בחיזוי עמודת היעד. בדוגמה זו, לעמודות מומנט [Nm] ומהירות סיבוב [סל"ד] יש את ההשפעה המשמעותית ביותר בחיזוי איזה סוג של כשל יתרחש.
הערכת ביצועי המודל
כשאתה עובר ל- מניה חלק מהניתוח שלך, תוכל לראות עלילה המייצגת את התפלגות הערכים החזויים שלנו ביחס לערכים בפועל. שימו לב שרוב הכשלים יהיו בקטגוריית ללא תקלות. למידע נוסף על האופן שבו Canvas משתמש בקווי בסיס של SHAP כדי להביא יכולת הסבר ל-ML, עיין ב הערכת הביצועים של הדגם שלך ב-Amazon SageMaker Canvas, בנוסף ל בסיסי SHAP להסבר.
Canvas מפצל את מערך הנתונים המקורי למערכות רכבת ואימות לפני האימון. הניקוד הוא תוצאה של Canvas שמפעיל את ערכת האימות מול המודל. זהו ממשק אינטראקטיבי שבו אתה יכול לבחור את סוג הכשל. אם אתה בוחר כשל במתח יתר בגרפיקה, אתה יכול לראות שהמודל מזהה את 84% מהזמן. זה מספיק טוב כדי לנקוט בפעולה - אולי תבקש ממפעיל או מהנדס לבדוק עוד. אתה יכול לבחור הפסקת חשמל בגרפיקה כדי לראות את הניקוד המתאים לפרשנות ופעולות נוספות.
ייתכן שתתעניין בסוגי כשל ועד כמה המודל מנבא סוגי כשל בהתבסס על סדרה של תשומות. כדי להסתכל מקרוב על התוצאות, בחר מדדים מתקדמים. זה מציג מטריצה המאפשרת לך לבחון מקרוב את התוצאות. ב-ML, זה מכונה א מטריצת בלבול.
ברירת המחדל של המטריצה הזו היא המחלקה הדומיננטית, No Failure. על כיתה בתפריט, תוכל לבחור להציג מדדים מתקדמים של שני סוגי הכשל האחרים של תקלות יתר וכשל במתח.
ב-ML, הדיוק של המודל מוגדר כמספר התחזיות הנכונות המחולקות על המספר הכולל של התחזיות. התיבות הכחולות מייצגות תחזיות נכונות שהמודל עשה מול תת-קבוצה של נתוני בדיקה שבה הייתה תוצאה ידועה. כאן אנו מתעניינים באיזה אחוז מהזמן המודל חזה סוג כשל מסוים במכונה (נניח אין כישלון) כאשר זה בעצם סוג הכשל הזה (אין כישלון). ב-ML, יחס המשמש למדידת זה הוא TP / (TP + FN). זה מכונה זוכר. במקרה ברירת המחדל, No Failure, היו 1,923 תחזיות נכונות מתוך 1,926 רשומות כוללות, מה שהוביל ל-99% זוכר. לחלופין, בכיתה של כישלון יתר, היו 32 מתוך 38, מה שמביא ל-84% זוכר. לבסוף, במחלקת הפסקת חשמל, היו 16 מתוך 19, מה שמביא ל-84% זוכר.
כעת, יש לך שתי אפשרויות:
- אתה יכול להשתמש במודל זה כדי להפעיל כמה תחזיות על ידי בחירה לחזות.
- אתה יכול ליצור גרסה חדשה של מודל זה כדי להתאמן עם מבנה סטנדרטי אוֹפְּצִיָה. זה ייקח הרבה יותר זמן - בערך 1-2 שעות - אבל מספק מודל חזק יותר מכיוון שהוא עובר סקירת AutoML מלאה של נתונים, אלגוריתמים ואיטרציות כוונון.
מכיוון שאתה מנסה לחזות כשלים, והמודל מנבא כשלים בצורה נכונה 84% מהזמן, אתה יכול להשתמש במודל בביטחון כדי לזהות כשלים אפשריים. אז, אתה יכול להמשיך לאפשרות 1. אם לא היית בטוח בעצמך, אז תוכל לבקש ממדען נתונים לסקור את המודלים שעשה Canvas ולהציע שיפורים פוטנציאליים דרך אפשרות 2.
צור תחזיות
כעת, כשהמודל מאומן, אתה יכול להתחיל לייצר תחזיות.
- בחרו לחזות בתחתית לנתח עמוד, או בחר את לחזות TAB.
- בחרו בחר מערך נתונים, ובחר את
maintenance_dataset.csv
קובץ. - בחרו צור תחזיות.
Canvas משתמש במערך הנתונים הזה כדי ליצור את התחזיות שלנו. למרות שבדרך כלל זה רעיון טוב לא להשתמש באותו מערך נתונים הן לאימון והן לבדיקות, אתה יכול להשתמש באותו מערך נתונים למען הפשטות במקרה זה. לחלופין, אתה יכול להסיר כמה רשומות ממערך הנתונים המקורי שלך שבהם אתה משתמש לאימון ולהשתמש ברשומות האלה בקובץ CSV ולהזין אותו לחיזוי האצווה כאן, כך שלא תשתמש באותו מערך נתונים לבדיקה שלאחר האימון.
לאחר מספר שניות, החיזוי הושלם. Canvas מחזיר חיזוי עבור כל שורת נתונים ואת ההסתברות שהחיזוי יהיה נכון. אתה יכול לבחור תצוגה מקדימה כדי להציג את התחזיות, או לבחור הורדה כדי להוריד קובץ CSV המכיל את הפלט המלא.
אתה יכול גם לבחור לנבא ערכים אחד אחד על ידי בחירה חיזוי בודד במקום חיזוי אצווה. Canvas מציג לך תצוגה שבה אתה יכול לספק את הערכים עבור כל תכונה באופן ידני וליצור חיזוי. זה אידיאלי עבור מצבים כמו תרחישי מה-אם, למשל: כיצד בלאי הכלי משפיע על סוג הכשל? מה אם טמפרטורת התהליך עולה או יורדת? מה אם מהירות הסיבוב משתנה?
מבנה סטנדרטי
השמיים מבנה סטנדרטי אפשרות בוחרת דיוק על פני מהירות. אם ברצונך לחלוק את חפצי המודל עם מדען הנתונים ומהנדסי ה-ML שלך, תוכל ליצור בנייה סטנדרטית בשלב הבא.
- בחרו הוסף גרסה
- בחר גרסה חדשה ובחר מבנה סטנדרטי.
- לאחר שתיצור מבנה סטנדרטי, תוכל לשתף את המודל עם מדעני נתונים ומהנדסי ML לצורך הערכה ואיטרציה נוספת.
לנקות את
כדי להימנע מהימצאות עתידית חיובי הפגישה, צא מ-Canvas.
סיכום
בפוסט זה, הראינו כיצד אנליסט עסקי יכול ליצור מודל חיזוי מסוג כשל במכונה עם Canvas באמצעות נתוני תחזוקה. Canvas מאפשר לאנליסטים עסקיים כגון מהנדסי אמינות ליצור מודלים מדויקים של ML ולייצר תחזיות באמצעות ממשק ללא קוד, חזותי, הצבע והקליק. אנליסטים יכולים לקחת את זה לשלב הבא על ידי שיתוף המודלים שלהם עם עמיתים למדעני נתונים. מדעני נתונים יכולים להציג את מודל ה-Canvas ב-Studio, שם הם יכולים לחקור את הבחירות שעשו קנבס, לאמת את תוצאות המודל, ואפילו לקחת את המודל לייצור בכמה קליקים. זה יכול להאיץ את יצירת הערך המבוססת על ML ולעזור להגדיל תוצאות משופרות מהר יותר.
למידע נוסף על השימוש ב-Canvas, ראה בנה, שתף, פרוס: כיצד אנליסטים עסקיים ומדעני נתונים משיגים זמן הגעה מהיר יותר לשוק באמצעות ML ללא קוד ו-Amazon SageMaker Canvas. למידע נוסף על יצירת מודלים של ML עם פתרון ללא קוד, ראה הכריזה על אמזון SageMaker Canvas - יכולת למידת מכונה חזותית ללא קוד עבור אנליסטים עסקיים.
על הכותבים
ראג'קומאר סמפאטקומאר הוא מנהל חשבון טכני ראשי ב-AWS, המספק ללקוחות הדרכה על יישור טכנולוגיה עסקית ותומך בהמצאה מחדש של המודלים והתהליכים של תפעול הענן שלהם. הוא נלהב בענן ולמידת מכונה. Raj הוא גם מומחה למידת מכונה ועובד עם לקוחות AWS כדי לתכנן, לפרוס ולנהל את עומסי העבודה והארכיטקטורות של AWS שלהם.
טוואן אטקינס הוא ארכיטקט פתרונות בכיר עבור שירותי האינטרנט של אמזון. הוא אחראי לעבודה עם לקוחות חקלאות, קמעונאות וייצור כדי לזהות בעיות עסקיות ולעבוד לאחור כדי לזהות פתרונות טכניים ברי קיימא וניתנים להרחבה. Twann עוזר ללקוחות לתכנן ולהעביר עומסי עבודה קריטיים כבר יותר מ-10 שנים עם התמקדות לאחרונה בדמוקרטיזציה של אנליטיקה, בינה מלאכותית ולמידת מכונה עבור לקוחות ובוני המחר.
אומקר מוקדאם הוא ארכיטקטורת Edge Specialist Solution ב- Amazon Web Services. כיום הוא מתמקד בפתרונות המאפשרים ללקוחות מסחריים לתכנן, לבנות ולהתאים ביעילות את הצעות השירות של AWS Edge הכוללות אך לא רק AWS Snow Family.
- Coinsmart. בורסת הביטקוין והקריפטו הטובה באירופה.
- Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה חופשית.
- CryptoHawk. רדאר אלטקוין. ניסיון חינם.
- מקור: https://aws.amazon.com/blogs/machine-learning/predict-types-of-machine-failures-with-no-code-machine-learning-using-amazon-sagemaker-canvas/
- "
- 000
- 10
- 100
- 9
- a
- יכולת
- אודות
- להאיץ
- גישה
- חֶשְׁבּוֹן
- מדויק
- להשיג
- פעולה
- פעולות
- נוסף
- מנהל
- מנהלים
- מתקדם
- נגד
- חקלאות
- אלגוריתמים
- תעשיות
- מאפשר
- למרות
- אמזון בעברית
- אמזון שירותי אינטרנט
- לנתח
- אנליזה
- מנתח
- ניתוח
- בְּכָל מָקוֹם
- האפליקציה
- בקשה
- מתאים
- בערך
- ארכיטקטורה
- סביב
- מלאכותי
- בינה מלאכותית
- בינה מלאכותית ולמידה מכונה
- שהוקצה
- המשויך
- תכונות
- באופן אוטומטי
- זמין
- AWS
- צִיר
- כי
- לפני
- להיות
- גדול
- גבול
- להביא
- לִבנוֹת
- בִּניָן
- עסקים
- עסקים
- בד
- יכולות
- מקרה
- מקרים
- קטגוריה
- מסוים
- שינוי
- בחירות
- בחרו
- בכיתה
- קרוב יותר
- ענן
- קוד
- עמיתים
- טור
- שילובים
- מסחרי
- Common
- להשלים
- בטוח
- קונסול
- מכיל
- להמשיך
- יכול
- לִיצוֹר
- יוצרים
- יצירה
- קריטי
- כיום
- לקוחות
- נתונים
- מדען נתונים
- עיכוב
- תלוי
- לפרוס
- עיצוב
- זוהה
- לפתח
- DID
- אחר
- מציג
- הפצה
- תחום
- להורדה
- ירידה
- כל אחד
- אדג '
- יעילות
- מאפשר
- מהנדס
- מהנדסים
- במיוחד
- מוערך
- הערכות
- להעריך
- הערכה
- דוגמה
- קיימים
- צפוי
- ניסיון
- לְנַסוֹת
- מומחים
- לחקור
- ביטא
- כשלון
- משפחה
- מהר יותר
- מאפיין
- ראשון
- להתמקד
- מתמקד
- לעקוב
- הבא
- החל מ-
- מלא
- נוסף
- עתיד
- כללי
- בדרך כלל
- ליצור
- יצירת
- טוב
- לטפל
- יש
- לעזור
- עזרה
- כאן
- מאוד
- היסטורי
- איך
- HTTPS
- רעיון
- אידאל
- לזהות
- פְּגִיעָה
- חשיבות
- משופר
- השבחה
- לכלול
- כולל
- כולל
- תעשיות
- מידע
- הודעה
- תובנות
- מוֹדִיעִין
- אינטראקטיבי
- מעוניין
- מִמְשָׁק
- פענוח
- IT
- ידוע
- גָדוֹל
- לשגר
- לִלמוֹד
- למידה
- רמה
- מוגבל
- קו
- קשר
- ברשימה
- מקומי
- נראה
- מכונה
- למידת מכונה
- מכונה
- עשוי
- תחזוקה
- לעשות
- לנהל
- ניהול
- מנהל
- ניהול
- באופן ידני
- ייצור
- מַטרִיצָה
- למדוד
- בינוני
- מדדים
- ML
- מודל
- מודלים
- יותר
- רוב
- המהלך
- הבא
- ציין
- מספר
- הַצָעָה
- הצעות
- מבצע
- מפעיל
- אפשרות
- אפשרויות
- להזמין
- ארגון
- מְקוֹרִי
- אחר
- מקיף
- שֶׁלוֹ
- מסוים
- לוהט
- אחוזים
- ביצועים
- הופעות
- שלב
- מדיניות
- אפשרי
- פוטנציאל
- כּוֹחַ
- תרגול
- לחזות
- נבואה
- התחזיות
- מנהל
- בעיה
- בעיות
- תהליך
- תהליכים
- המוצר
- איכות המוצר
- הפקה
- לספק
- ובלבד
- מספק
- מתן
- איכות
- מָהִיר
- טִוּוּחַ
- לאחרונה
- רשום
- לייצג
- המייצג
- נדרש
- משאב
- אחראי
- תוצאות
- קמעוני
- החזרות
- סקירה
- הפעלה
- ריצה
- אותו
- להרחבה
- סולם
- מַדְעָן
- מדענים
- מניה
- שניות
- סידורי
- סדרה
- שרות
- שירותים
- סט
- כמה
- שיתוף
- משותף
- שיתוף
- לְהַצִיג
- משמעותי
- יחיד
- מידה
- שלג
- So
- מוצק
- פִּתָרוֹן
- פתרונות
- כמה
- מומחה
- מְהִירוּת
- פיצולים
- תֶקֶן
- התחלה
- החל
- סטטיסטיקה
- מצב
- סטודיו
- מסייע
- יעד
- נבחרת
- טכני
- מבחן
- בדיקות
- השמיים
- דרך
- קָשׁוּר
- זמן
- מחר
- כלי
- לקראת
- הדרכה
- רכבות
- טרנספורמציה
- סוגים
- בדרך כלל
- ייחודי
- להשתמש
- משתמשים
- אימות
- ערך
- גרסה
- לצפיה
- לחכות
- אינטרנט
- שירותי אינטרנט
- מה
- בתוך
- עובד
- עובד
- היה
- שנים