בינה מלאכותית גנרטיבית (AI ייצורדגמי ) הפגינו יכולות מרשימות ביצירת טקסט, תמונות ותוכן אחר באיכות גבוהה. עם זאת, מודלים אלה דורשים כמויות אדירות של נתוני אימון נקיים ומובנים כדי למצות את מלוא הפוטנציאל שלהם. רוב הנתונים בעולם האמיתי קיימים בפורמטים לא מובנים כמו קובצי PDF, הדורשים עיבוד מקדים לפני שניתן יהיה להשתמש בהם ביעילות.
לפי IDC, נתונים לא מובנים מהווים יותר מ-80% מכל הנתונים העסקיים כיום. זה כולל פורמטים כמו דואר אלקטרוני, קובצי PDF, מסמכים סרוקים, תמונות, אודיו, וידאו ועוד. בעוד שהנתונים הללו מכילים תובנות חשובות, האופי הבלתי מובנה שלהם מקשה על אלגוריתמי AI לפרש וללמוד מהם. לפי א סקר 2019 של Deloitte, רק 18% מהעסקים דיווחו שהם יכולים לנצל נתונים לא מובנים.
ככל שהאימוץ של AI ממשיך להאיץ, פיתוח מנגנונים יעילים לעיכול ולמידה מנתונים לא מובנים הופך להיות קריטי עוד יותר בעתיד. זה יכול לכלול כלי עיבוד מקדים טובים יותר, טכניקות למידה בפיקוח למחצה, והתקדמות בעיבוד שפה טבעית. חברות שישתמשו בנתונים הלא מובנים שלהן בצורה היעילה ביותר יקבלו יתרונות תחרותיים משמעותיים מ-AI. נתונים נקיים חשובים לביצועי מודל טובים. טקסטים שחולצו עדיין מכילים כמויות גדולות של ג'יבריש וטקסט כתוביות (למשל, קרא HTML). נתונים מגורדים מהאינטרנט מכילים לעתים קרובות הרבה כפילויות. נתונים ממדיה חברתית, ביקורות או כל תוכן שנוצר על ידי משתמשים יכולים גם להכיל תוכן רעיל ומוטה, וייתכן שתצטרך לסנן אותם באמצעות כמה שלבי עיבוד מוקדם. יכול להיות גם הרבה תוכן באיכות נמוכה או טקסטים שנוצרו על ידי בוטים, אותם ניתן לסנן באמצעות מטא נתונים נלווים (לדוגמה, לסנן תגובות שירות לקוחות שקיבלו דירוג לקוחות נמוך).
הכנת נתונים חשובה במספר שלבים ב-Retrieval Augmented Generation (סְמַרטוּט) דגמים. מסמכי מקור הידע זקוקים לעיבוד מקדים, כמו ניקוי טקסט ויצירת הטמעות סמנטיות, כך שניתן לאינדקס ולאחזר אותם ביעילות. שאילתת השפה הטבעית של המשתמש דורשת גם עיבוד מקדים, כך שניתן לקודד אותה לוקטור ולהשוות להטמעות מסמכים. לאחר אחזור הקשרים רלוונטיים, ייתכן שהם יזדקקו לעיבוד מקדים נוסף, כמו חיתוך, לפני שיורשרו לשאילתה של המשתמש כדי ליצור את ההנחיה הסופית למודל הבסיס. אמזון SageMaker Canvas תומך כעת ביכולות הכנת נתונים מקיפות המופעלות על ידי רנגלר הנתונים של אמזון SageMaker. עם השילוב הזה, SageMaker Canvas מספקת ללקוחות סביבת עבודה ללא קוד מקצה לקצה כדי להכין נתונים, לבנות ולהשתמש במודלים של ML ובסיסים כדי להאיץ את הזמן מהנתונים לתובנות עסקיות. כעת אתה יכול לגלות ולצבור בקלות נתונים מיותר מ-50 מקורות נתונים, ולחקור ולהכין נתונים באמצעות למעלה מ-300 ניתוחים וטרנספורמציות מובנות בממשק החזותי של SageMaker Canvas.
סקירת פתרונות
בפוסט זה, אנו עובדים עם מערך נתונים של תיעוד PDF—סלע אמזון מדריך למשתמש. יתר על כן, אנו מראים כיצד לעבד מראש מערך נתונים עבור RAG. באופן ספציפי, אנו מנקים את הנתונים ויוצרים חפצי RAG כדי לענות על השאלות לגבי התוכן של מערך הנתונים. שקול את הבעיה הבאה של למידת מכונה (ML): המשתמש שואל שאלה של מודל שפה גדול (LLM): "כיצד לסנן ולחפש מודלים באמזון יסוד?". LLM לא ראה את התיעוד במהלך האימון או שלב הכוונון, ולכן לא יוכל לענות על השאלה וקרוב לוודאי ידהה. המטרה שלנו עם הפוסט הזה היא למצוא קטע טקסט רלוונטי מה-PDF (כלומר, RAG) ולצרפו להנחיה, ובכך לאפשר ל-LLM לענות על שאלות ספציפיות למסמך זה.
להלן, אנו מראים כיצד ניתן לבצע את כל שלבי העיבוד המקדים העיקריים הללו מ אמזון SageMaker Canvas (מונע ע"י רנגלר הנתונים של אמזון SageMaker):
- חילוץ טקסט ממסמך PDF (מופעל על ידי Textract)
- הסר מידע רגיש (מופעל על ידי Comprehend)
- חלק את הטקסט לחתיכות.
- צור הטבעות עבור כל חלק (מופעל על ידי Bedrock).
- העלה הטמעה למסד נתונים וקטור (מופעל על ידי OpenSearch)
תנאים מוקדמים
להדרכה זו, עליכם לקבל את הדברים הבאים:
הערות: צור דומיינים של OpenSearch Service לפי ההוראות כאן. למען הפשטות, בואו נבחר את האפשרות עם שם משתמש וסיסמה ראשי לבקרת גישה דקדקנית. לאחר יצירת הדומיין, צור אינדקס וקטור עם המיפויים הבאים, וממד וקטור 1536 מתיישר עם הטבעות של Amazon Titan:
Walkthrough
בנה זרימת נתונים
בסעיף זה, אנו מכסים כיצד אנו יכולים לבנות זרימת נתונים כדי לחלץ טקסט ומטא נתונים מקובצי PDF, לנקות ולעבד את הנתונים, ליצור הטבעות באמצעות Amazon Bedrock, ולהוסיף את הנתונים באמזון OpenSearch.
הפעל את SageMaker Canvas
כדי להפעיל את SageMaker Canvas, בצע את השלבים הבאים:
- על האמזונס קונסולת SageMaker, בחר תחומים בחלונית הניווט.
- בחר את הדומיין שלך.
- בתפריט ההשקה, בחר בד.
צור זרימת נתונים
השלם את השלבים הבאים כדי ליצור זרימת נתונים ב- SageMaker Canvas:
- בדף הבית של SageMaker Canvas, בחר רנגלר נתונים.
- בחרו צור בצד ימין של הדף, לאחר מכן תן שם לזרימת נתונים ובחר צור.
- זה ינחת בדף זרימת נתונים.
- בחרו ייבא נתונים, בחר נתונים טבלאיים.
עכשיו בואו לייבא את הנתונים מדלי אמזון S3:
- בחרו ייבא נתונים ובחר טבלאי מהרשימה הנפתחת.
- מקור מידע ובחר אמזון S3 מהרשימה הנפתחת.
- נווט אל קובץ המטא נתונים עם מיקומי קובץ PDF ובחר את הקובץ.
- כעת קובץ המטא נתונים נטען לזרימת הנתונים של הכנת הנתונים, ונוכל להמשיך ולהוסיף את השלבים הבאים כדי להפוך את הנתונים והאינדקס לאמזון Opensearch. במקרה זה לקובץ יש מטא נתונים הבאים, עם המיקום של כל קובץ בספריית Amazon S3.
כדי להוסיף טרנספורמציה חדשה, בצע את השלבים הבאים:
- בחר את סימן הפלוס ובחר הוסף טרנספורמציה.
- בחרו הוסף שלב ולבחור טרנספורמציה מותאמת אישית.
- אתה יכול ליצור טרנספורמציה מותאמת אישית באמצעות Pandas, PySpark, Python בהגדרת משתמש ו-SQL PySpark. בחר Python (PySpark) למקרה שימוש זה.
- הזן שם לשלב. מתוך קטעי הקוד לדוגמה, עיין ובחר לחלץ טקסט מ-pdf. בצע את השינויים הדרושים בקטע הקוד ובחר להוסיף.
- בואו נוסיף שלב לביטול נתוני מידע אישי מזהה (PII) מהנתונים שחולצו על ידי מינוף אמזון להתבונן. בחר הוסף שלב ולבחור טרנספורמציה מותאמת אישית. ובחר Python (PySpark).
מתוך קטעי הקוד לדוגמה, עיין ובחר מסיכה PII. בצע את השינויים הדרושים בקטע הקוד ובחר הוסף.
- השלב הבא הוא לחתוך את תוכן הטקסט. בחר הוסף שלב ולבחור טרנספורמציה מותאמת אישית. ובחר Python (PySpark).
מתוך קטעי הקוד לדוגמה, עיין ובחר חתיכת טקסט. בצע את השינויים הדרושים בקטע הקוד ובחר הוסף.
- בואו נמיר את תוכן הטקסט להטבעות וקטוריות באמצעות ה סלע אמזון דגם Titan Embeddings. בחר הוסף שלב ולבחור טרנספורמציה מותאמת אישית. ובחר Python (PySpark).
מתוך קטעי הקוד לדוגמה, עיין ובחר צור הטבעת טקסט עם Bedrock. בצע את השינויים הדרושים בקטע הקוד ובחר הוסף.
- כעת יש לנו הטמעות וקטוריות זמינות עבור תוכן קובץ ה-PDF. בוא נמשיך ונוסיף את הנתונים לאינדקס של Amazon OpenSearch. בחר הוסף שלב ולבחור טרנספורמציה מותאמת אישית. ובחר Python (PySpark). אתה חופשי לשכתב את הקוד הבא כדי להשתמש במסד הנתונים הוקטור המועדף עליך. לשם הפשטות, אנו משתמשים בשם משתמש ראשי וסיסמה כדי לגשת לממשקי API של OpenSearch, עבור עומסי עבודה של ייצור בחר אפשרות בהתאם למדיניות הארגון שלך.
לבסוף, זרימת הנתונים שנוצרה תהיה כדלקמן:
עם זרימת נתונים זו, הנתונים מקובץ ה-PDF נקראו והוספו לאינדקס עם הטבעות וקטוריות באמזון OpenSearch. עכשיו הגיע הזמן ליצור קובץ עם שאילתות לשאילתה של הנתונים שנוספו לאינדקס ולשמור אותם במיקום של Amazon S3. אנו נכוון את זרימת נתוני החיפוש שלנו לקובץ ונוציא קובץ עם תוצאות מתאימות בקובץ חדש במיקום של Amazon S3.
הכנת הנחיה
לאחר שניצור בסיס ידע מתוך ה-PDF שלנו, נוכל לבדוק אותו על ידי חיפוש במאגר הידע עבור כמה שאילתות לדוגמה. נעבד כל שאילתה באופן הבא:
- צור הטמעה עבור השאילתה (מופעל על ידי Amazon Bedrock)
- מסד נתונים וקטורי שאילתות עבור הקשר השכן הקרוב (מופעל על ידי Amazon OpenSearch)
- שלב את השאילתה וההקשר לתוך ההנחיה.
- שאילתה LLM עם הנחיה (מופעל על ידי Amazon Bedrock)
- בדף הבית של SageMaker Canvas, בחר הכנת נתונים.
- בחרו צור בצד ימין של הדף, לאחר מכן תן שם לזרימת נתונים ובחר צור.
כעת נטען את שאלות המשתמש ולאחר מכן ניצור הנחיה על ידי שילוב השאלה והמסמכים הדומים. הנחיה זו מסופקת ל-LLM לצורך יצירת תשובה לשאלת המשתמש.
- בואו נטען קובץ csv עם שאלות משתמש. בחר ייבוא נתונים ובחר טבלאי מהרשימה הנפתחת.
- מקור מידע, ובחר אמזון S3 מהרשימה הנפתחת. לחלופין, אתה יכול לבחור להעלות קובץ עם שאילתות משתמשים.
- בואו נוסיף טרנספורמציה מותאמת אישית כדי להמיר את הנתונים להטמעות וקטוריות, ולאחר מכן חיפוש הטמעות קשורות מאמזון OpenSearch, לפני שליחת הנחיה לאמזון Bedrock עם השאילתה וההקשר ממאגר הידע. כדי ליצור הטבעות עבור השאילתה, אתה יכול להשתמש באותו קטע קוד לדוגמה צור הטבעת טקסט עם Bedrock שהוזכר בשלב מס' 7 לעיל.
בואו נפעיל את ה-API של Amazon OpenSearch כדי לחפש מסמכים רלוונטיים עבור ההטבעות הווקטוריות שנוצרו. הוסף טרנספורמציה מותאמת אישית עם Python (PySpark).
בואו נוסיף טרנספורמציה מותאמת אישית כדי לקרוא ל-Amazon Bedrock API לתגובה לשאילתה, תוך העברת המסמכים מבסיס הידע של Amazon OpenSearch. מתוך קטעי הקוד לדוגמה, עיין ובחר שאילתה בבסיס סלע עם הקשר. בצע את השינויים הדרושים בקטע הקוד ובחר הוסף.
לסיכום, זרימת נתונים מבוססת RAG היא כדלקמן:
מתרגלי ML מבלים זמן רב ביצירת קוד הנדסי תכונה, יישומו על מערכי הנתונים הראשוניים שלהם, אימון מודלים על מערכי הנתונים המהונדסים והערכת דיוק המודל. בהתחשב באופי הניסיוני של עבודה זו, אפילו הפרויקט הקטן ביותר מוביל לאיטרציות מרובות. אותו קוד הנדסי תכונה מופעל פעמים רבות שוב ושוב, מבזבז זמן ומשאבי מחשוב על חזרה על אותן פעולות. בארגונים גדולים, זה יכול לגרום לאובדן פרודוקטיביות גדול עוד יותר מכיוון שצוותים שונים מריצים לרוב עבודות זהות או אפילו כותבים קוד הנדסי תכונות משוכפל מכיוון שאין להם ידע על עבודה קודמת. כדי להימנע מעיבוד מחדש של תכונות, אנו נייצא את זרימת הנתונים שלנו לאמזון צינור SageMaker. בואו לבחור את כפתור + מימין לשאילתה. בחר לייצא זרימת נתונים ובחר הפעל את SageMaker Pipeline (דרך מחברת Jupyter).
ניקיון
כדי להימנע מחיובים עתידיים, מחק או כבה את המשאבים שיצרת תוך כדי מעקב אחר פוסט זה. מתייחס יציאה מאמזון SageMaker Canvas לקבלת פרטים נוספים.
סיכום
בפוסט זה, הראינו לכם כיצד יכולות הקצה לקצה של Amazon SageMaker Canvas על ידי נטילת התפקיד של איש מקצוע בתחום הנתונים שמכין נתונים ללימודי LLM. הכנת הנתונים האינטראקטיביים אפשרה ניקוי, שינוי וניתוח מהיר של הנתונים כדי להנדס תכונות אינפורמטיביות. על ידי הסרת מורכבויות קידוד, SageMaker Canvas אפשרה איטרציה מהירה ליצירת מערך הדרכה איכותי. זרימת עבודה מואצת זו הובילה ישירות לבנייה, הדרכה ופריסה של מודל למידת מכונה ביצועית להשפעה עסקית. עם הכנת הנתונים המקיפה שלה והניסיון המאוחד שלה ממידע ועד תובנות, SageMaker Canvas מעצימה את המשתמשים לשפר את תוצאות ה-ML שלהם.
אנו ממליצים לך ללמוד עוד על ידי חקר רנגלר הנתונים של אמזון SageMaker, אמזון SageMaker Canvas, אמזון טיטאן מודלים, סלע אמזון, ואמזון שירות OpenSearch כדי לבנות פתרון באמצעות היישום לדוגמה המופיע בפוסט זה ומערך נתונים רלוונטי לעסק שלך. אם יש לך שאלות או הצעות, אנא השאר תגובה.
על הכותבים
אג'אי גובינדראם הוא אדריכל פתרונות בכיר ב-AWS. הוא עובד עם לקוחות אסטרטגיים המשתמשים ב-AI/ML כדי לפתור בעיות עסקיות מורכבות. הניסיון שלו טמון במתן הכוונה טכנית כמו גם סיוע בתכנון לפריסות של יישומי AI/ML צנועות עד בקנה מידה גדול. הידע שלו נע מארכיטקטורת יישומים ועד ביג דאטה, אנליטיקה ולמידת מכונה. הוא נהנה להאזין למוזיקה בזמן מנוחה, להתנסות בחיק הטבע ולבלות עם יקיריו.
ניקיטה איבקין הוא מדען יישומי בכיר באמזון SageMaker Data Wrangler עם תחומי עניין בלמידת מכונה ואלגוריתמים לניקוי נתונים.
- 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. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/simplify-data-prep-for-gen-ai-with-amazon-sagemaker-data-wrangler/
- :יש ל
- :הוא
- :לֹא
- 100
- 14
- 20
- 25
- 28
- 50
- 7
- 8
- 804
- a
- יכול
- אודות
- מֵעַל
- להאיץ
- מוּאָץ
- גישה
- פי
- חשבונות
- דיוק
- להוסיף
- נוסף
- אימוץ
- התקדמות
- יתרון
- יתרונות
- לאחר
- שוב
- לְקַבֵּץ
- קדימה
- AI
- AI / ML
- אלגוריתמים
- מיישר
- תעשיות
- מותר
- גם
- אמזון בעברית
- אמזון SageMaker
- רנגלר הנתונים של אמזון SageMaker
- אמזון שירותי אינטרנט
- כמויות
- an
- מנתח
- ניתוח
- ניתוח
- ו
- לענות
- כל
- API
- בקשה
- יישומית
- מריחה
- ארכיטקטורה
- ARE
- מלאכותי
- בינה מלאכותית
- AS
- סיוע
- At
- לצרף
- אודיו
- מוגבר
- זמין
- לְהִמָנַע
- AWS
- בסיס
- מבוסס
- BE
- כי
- הופך להיות
- היה
- לפני
- להיות
- מוטב
- מְשׁוּחָד
- גָדוֹל
- נתונים גדולים
- לִבנוֹת
- בִּניָן
- מובנה
- עסקים
- עסקים
- לַחְצָן
- by
- שיחה
- CAN
- בד
- יכולות
- מקרה
- לגרום
- שינויים
- חיובים
- בחרו
- לְנַקוֹת
- ניקוי
- קוד
- סִמוּל
- שילוב
- הערה
- חברות
- לעומת
- תחרותי
- להשלים
- מורכב
- מורכבות
- לִהַבִין
- מַקִיף
- לחשב
- לשקול
- קונסול
- להכיל
- מכיל
- תוכן
- תוכן
- הקשר
- הקשרים
- ממשיך
- לִשְׁלוֹט
- להמיר
- תוֹאֵם
- יכול
- לכסות
- לִיצוֹר
- נוצר
- קריטי
- מנהג
- לקוח
- שירות לקוחות
- לקוחות
- נתונים
- הכנת נתונים
- מסד נתונים
- מערכי נתונים
- דלויט
- מופגן
- פריסה
- פריסות
- עיצוב
- פרטים
- מתפתח
- אחר
- קשה
- מֵמַד
- כיוון
- ישירות
- לגלות
- do
- מסמך
- תיעוד
- מסמכים
- תחום
- תחומים
- מטה
- בְּמַהֲלָך
- e
- כל אחד
- בקלות
- יעילות
- יעיל
- יעילות
- מיילים
- הטבעה
- מעצים
- מופעל
- מה שמאפשר
- לעודד
- מקצה לקצה
- מהנדס
- מהונדס
- הנדסה
- הערכה
- אֲפִילוּ
- דוגמה
- קיים
- ניסיון
- התנסות
- ניסיוני
- לחקור
- היכרות
- יצוא
- תמצית
- מאפיין
- תכונות
- מעטים
- שדות
- שלח
- לסנן
- סופי
- תזרים
- בעקבות
- הבא
- כדלקמן
- בעד
- פורבס
- קרן
- יסודות
- חופשי
- החל מ-
- מלא
- פונקציות
- נוסף
- עתיד
- לְהַשִׂיג
- ליצור
- נוצר
- יצירת
- דור
- גנרטטיבית
- AI Generative
- לקבל
- לתת
- נתן
- גלוֹבָּלִי
- Go
- מטרה
- טוב
- יותר
- יש
- he
- כותרות
- באיכות גבוהה
- שֶׁלוֹ
- מחזיק
- עמוד הבית
- איך
- איך
- אולם
- HTML
- HTTPS
- i
- זהה
- if
- תמונות
- פְּגִיעָה
- הפעלה
- לייבא
- חשוב
- מרשים
- לשפר
- in
- כולל
- מדד
- -
- מידע
- אִינפוֹרמָטִיבִי
- בתחילה
- תובנות
- הוראות
- השתלבות
- מוֹדִיעִין
- אינטראקטיבי
- אינטרסים
- מִמְשָׁק
- אינטרנט
- אל תוך
- לערב
- IT
- איטרציה
- איטרציות
- שֶׁלָה
- מקומות תעסוקה
- jpg
- ג'סון
- ידע
- מדינה
- שפה
- גָדוֹל
- בקנה מידה גדול
- לשגר
- מוביל
- לִלמוֹד
- למידה
- יציאה
- הוביל
- מינוף
- שקרים
- כמו
- רשימה
- האזנה
- LLM
- לִטעוֹן
- מיקום
- מקומות
- את
- מגרש
- אהבתי
- נמוך
- מכונה
- למידת מכונה
- ראשי
- לעשות
- עושה
- מסכה
- מסיבי
- אב
- מאי..
- מנגנוני
- מדיה
- תפריט
- meta
- מידע נוסף
- ML
- מודל
- מודלים
- צנוע
- יותר
- רוב
- מספר
- כלי נגינה
- שם
- טבעי
- עיבוד שפה טבעית
- טבע
- ניווט
- הכרחי
- צורך
- חדש
- הבא
- לא
- מחברה
- עַכשָׁיו
- of
- לעתים קרובות
- on
- פעם
- יחידות
- רק
- תפעול
- אפשרות
- or
- ארגון
- ארגונים
- אחר
- שלנו
- הַחוּצָה
- תוצאות
- בחוץ
- תפוקה
- יותר
- עמוד
- דובי פנדה
- זגוגית
- חולף
- סיסמה
- ביצועים
- אישי
- לבחור
- לְחַבֵּר
- חתיכות
- צינור
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- אנא
- ועוד
- נקודה
- מדיניות
- הודעה
- פוטנציאל
- מופעל
- מועדף
- הכנה
- להכין
- העריכה
- קודם
- כנראה
- בעיה
- בעיות
- להמשיך
- תהליך
- תהליך
- הפקה
- פִּריוֹן
- מקצועי
- פּרוֹיֶקט
- נכסים
- ובלבד
- מספק
- מתן
- פיתון
- שאילתות
- שאלה
- שאלות
- מהירות
- טווחים
- מהיר
- דירוגים
- לְהַגִיעַ
- חומר עיוני
- עולם אמיתי
- קיבלו
- להתייחס
- קָשׁוּר
- רלוונטי
- הסרת
- דווח
- בקשות
- לדרוש
- דורש
- משאבים
- תגובה
- תגובות
- מנוחה
- תוצאות
- לַחֲזוֹר
- חוות דעת של לקוחותינו
- תקין
- תפקיד
- הפעלה
- בעל חכמים
- אותו
- שמור
- מַדְעָן
- חיפוש
- חיפוש
- סעיף
- לראות
- בחר
- שליחה
- לחצני מצוקה לפנסיונרים
- רגיש
- שרות
- שירותים
- הגדרות
- צריך
- לְהַצִיג
- הראה
- לסגור
- כבה
- צד
- סִימָן
- משמעותי
- דומה
- פשטות
- לפשט
- מידה
- קטע
- So
- חֶברָתִי
- מדיה חברתית
- פִּתָרוֹן
- פתרונות
- לפתור
- כמה
- מָקוֹר
- מקורות
- ספציפי
- במיוחד
- לבלות
- הוצאה
- התמחות
- שלבים
- שלב
- צעדים
- עוד
- אסטרטגי
- מובנה
- סיכום
- תומך
- סֶקֶר
- לקחת
- צוותי
- טכני
- טכניקות
- מבחן
- טֶקסט
- זֶה
- השמיים
- העתיד
- שֶׁלָהֶם
- אותם
- אז
- שם.
- אלה
- הֵם
- זֶה
- כָּך
- זמן
- עֲנָק
- ל
- היום
- כלים
- הדרכה
- לשנות
- טרנספורמציה
- טרנספורמציות
- הפיכה
- נָכוֹן
- גְמִימָה
- סוג
- סוגים
- מאוחד
- us
- להשתמש
- מְשׁוּמָשׁ
- משתמש
- משתמשים
- באמצעות
- בעל ערך
- באמצעות
- וִידֵאוֹ
- חזותי
- בהדרכה
- we
- אינטרנט
- שירותי אינטרנט
- טוֹב
- אשר
- בזמן
- מי
- יצטרך
- עם
- תיק עבודות
- זרימת עבודה
- עובד
- היה
- לכתוב
- אתה
- זפירנט