חנות הפונקציות של אמזון SageMaker מספקת פתרון מקצה לקצה לאוטומטיות של הנדסת תכונות ללמידת מכונה (ML). עבור מקרי שימוש רבים ב-ML, נתונים גולמיים כמו קובצי יומן, קריאות חיישנים או רשומות עסקאות צריכים לעבור טרנספורמציה לתכונות משמעותיות המותאמות לאימון מודלים.
איכות התכונות היא קריטית כדי להבטיח מודל ML מדויק ביותר. המרת נתונים גולמיים לתכונות באמצעות צבירה, קידוד, נורמליזציה ופעולות אחרות נדרשת לעתים קרובות ויכולה לדרוש מאמץ משמעותי. המהנדסים חייבים לכתוב באופן ידני עיבוד מוקדם של נתונים ולוגיקת צבירה ב-Python או Spark עבור כל מקרה שימוש.
הרמה כבדה בלתי מובחנת זו היא מסורבלת, חוזרת על עצמה ונוטה לשגיאות. ה SageMaker Feature Store מעבד תכונות מפחית עומס זה על ידי הפיכת נתונים גולמיים אוטומטית לתכונות מצטברות המתאימות לאימון אצווה ML מודלים. זה מאפשר למהנדסים לספק פונקציות פשוטות לשינוי נתונים, ואז מטפל בהפעלתן בקנה מידה ב-Spark וניהול התשתית הבסיסית. זה מאפשר למדעני נתונים ומהנדסי נתונים להתמקד בלוגיקה של הנדסת תכונות ולא בפרטי יישום.
בפוסט זה, אנו מדגימים כיצד חברת מכירת רכב יכולה להשתמש במעבד התכונות כדי להפוך נתוני עסקאות מכירות גולמיים לתכונות בשלושה שלבים:
- ריצות מקומיות של טרנספורמציות נתונים.
- ריצה מרחוק בקנה מידה באמצעות Spark.
- תפעול באמצעות צינורות.
אנו מראים כיצד SageMaker Feature Store קולט את הנתונים הגולמיים, מפעיל טרנספורמציות תכונות מרחוק באמצעות Spark, וטוען את התכונות המצטברות המתקבלות לתוך קבוצת תכונות. לאחר מכן ניתן להשתמש בתכונות מהונדסות אלה כדי להכשיר דגמי ML.
במקרה השימוש הזה, אנו רואים כיצד SageMaker Feature Store עוזר להמיר את נתוני מכירות המכוניות הגולמיים לתכונות מובנות. תכונות אלה משמשות לאחר מכן כדי לקבל תובנות כמו:
- מחיר ממוצע ומקסימלי של מכוניות נפתחות אדומות משנת 2010
- דגמים עם הקילומטראז' הטוב ביותר לעומת המחיר
- מגמות מכירות של מכוניות חדשות לעומת משומשות לאורך השנים
- הבדלים ב-MSRP הממוצע בין מיקומים
אנו גם רואים כיצד צינורות ה-SageMaker Feature Store שומרים על עדכון הפיצ'רים כאשר נתונים חדשים מגיעים, ומאפשרים לחברה לקבל כל הזמן תובנות לאורך זמן.
סקירת פתרונות
אנו עובדים עם מערך הנתונים car_data.csv
, המכיל מפרטים כמו דגם, שנה, סטטוס, קילומטראז', מחיר ו-MSRP עבור מכוניות משומשות וחדשות שנמכרות על ידי החברה. צילום המסך הבא מציג דוגמה של מערך הנתונים.
מחברת הפתרון feature_processor.ipynb
מכיל את השלבים העיקריים הבאים, אותם אנו מסבירים בפוסט זה:
- צור שתי קבוצות תכונות: אחת נקראת
car-data
לרשומות מכירות מכוניות גולמיות ועוד אחת התקשרהcar-data-aggregated
לרשומות מכירות מכוניות מצטברות. - השתמש
@feature_processor
מעצב לטעינת נתונים לקבוצת תכונות המכונית-נתוני שירות אחסון פשוט של אמזון (אמזון S3). - הפעל את
@feature_processor code
מרחוק כיישום Spark לצבירה של הנתונים. - הפעל את מעבד התכונה באמצעות צינורות SageMaker ולוח הזמנים פועל.
- חקור את צינורות עיבוד התכונות ו יוּחֲסִין in סטודיו SageMaker של אמזון.
- השתמש בתכונות מצטברות כדי להכשיר מודל ML.
תנאים מוקדמים
כדי לעקוב אחר הדרכה זו, אתה צריך את הדברים הבאים:
עבור פוסט זה, אנו מתייחסים להלן מחברה, המדגים כיצד להתחיל עם Feature Processor באמצעות SageMaker Python SDK.
צור קבוצות תכונות
כדי ליצור את קבוצות התכונות, בצע את השלבים הבאים:
- צור הגדרה של קבוצת תכונות עבור
car-data
באופן הבא:
התכונות מתאימות לכל עמודה ב- car_data.csv
מערך נתונים (Model
, Year
, Status
, Mileage
, Price
, ו MSRP
).
- הוסף את מזהה הרשומה
id
וזמן האירועingest_time
לקבוצת התכונות:
- צור הגדרה של קבוצת תכונות עבור
car-data-aggregated
באופן הבא:
עבור קבוצת התכונות המצטברת, התכונות הן סטטוס שנת דגם, קילומטראז' ממוצע, קילומטראז' מקסימלי, מחיר ממוצע, מחיר מקסימלי, MSRP ממוצע, MSRP מקסימלי וזמן הטמעה. אנו מוסיפים את מזהה הרשומה model_year_status
וזמן האירוע ingest_time
לקבוצת תכונות זו.
- כעת, צור את
car-data
קבוצת תכונות:
- צור את
car-data-aggregated
קבוצת תכונות:
אתה יכול לנווט לאפשרות SageMaker Feature Store תחת נתונים בסטודיו SageMaker עמוד הבית תפריט כדי לראות את קבוצות התכונות.
השתמש ב-@feature_processor decorator כדי לטעון נתונים
בסעיף זה, אנו משנים באופן מקומי את נתוני הקלט הגולמיים (car_data.csv
) מאמזון S3 לתוך car-data
קבוצת תכונות באמצעות מעבד התכונות של מאגר התכונות. ריצה מקומית ראשונית זו מאפשרת לנו לפתח ולבצע איטרציה לפני ריצה מרחוק, וניתן לעשות זאת על דגימה של הנתונים אם תרצה לאיטרציה מהירה יותר.
עם @feature_processor
decorator, פונקציית הטרנספורמציה שלך פועלת בסביבת זמן ריצה של Spark שבה ארגומנטי הקלט שסופקו לפונקציה שלך וערך ההחזר שלה הם Spark DataFrames.
- התקן את SDK של מעבד תכונה מ SageMaker Python SDK והתוספות שלו באמצעות הפקודה הבאה:
מספר פרמטרי הקלט בפונקציית הטרנספורמציה שלך חייב להתאים למספר הכניסות שהוגדרו ב- @feature_processor
מְעַצֵב. במקרה זה, ה @feature_processor
למעצב יש car-data.csv
כקלט וה car-data
קבוצת תכונות כפלט, מה שמציין שזו פעולת אצווה עם target_store
as OfflineStore
:
- תגדיר את
transform()
פונקציה לשנות את הנתונים. פונקציה זו מבצעת את הפעולות הבאות:- המר את שמות העמודות לאותיות קטנות.
- הוסף את שעת האירוע ל-
ingest_time
עמודה. - הסר סימני פיסוק והחלף ערכים חסרים ב-NA.
- התקשר
transform()
פונקציה לאחסון הנתונים ב-car-data
קבוצת תכונות:
הפלט מראה שהנתונים נקלטו בהצלחה בקבוצת התכונות של נתוני רכב.
התפוקה של transform_df.show()
הפונקציה היא כדלקמן:
שינינו בהצלחה את נתוני הקלט והטמענו אותם ב- car-data
קבוצת תכונות.
הפעל את הקוד @feature_processor מרחוק
בסעיף זה, אנו מדגימים הפעלת קוד עיבוד התכונה מרחוק כיישום Spark באמצעות @remote
מעצב שתואר קודם לכן. אנו מפעילים את עיבוד הפיצ'רים מרחוק באמצעות Spark כדי להתאים למערכי נתונים גדולים. Spark מספקת עיבוד מבוזר באשכולות כדי לטפל בנתונים גדולים מדי עבור מכונה אחת. ה @remote
decorator מריץ את קוד Python המקומי כעבודת אימון של SageMaker בודדת או מרובת צמתים.
- השתמש
@remote
מעצב יחד עם@feature_processor
מעצב באופן הבא:
השמיים spark_config
פרמטר מציין שזה מופעל כ-a Spark application
. מופע SparkConfig מגדיר את תצורת Spark ואת התלות.
- תגדיר את
aggregate()
פונקציה לאיסוף הנתונים באמצעות PySpark SQL ופונקציות מוגדרות על ידי משתמש (UDFs). פונקציה זו מבצעת את הפעולות הבאות:- לשרשר
model
,year
, וstatus
כדי ליצורmodel_year_status
. - קח את הממוצע של
price
כדי ליצורavg_price
. - קח את הערך המקסימלי של
price
כדי ליצורmax_price
. - קח את הממוצע של
mileage
כדי ליצורavg_mileage
. - קח את הערך המקסימלי של
mileage
כדי ליצורmax_mileage
. - קח את הממוצע של
msrp
כדי ליצורavg_msrp
. - קח את הערך המקסימלי של
msrp
כדי ליצורmax_msrp
. - לפי קבוצה
model_year_status
.
- לשרשר
- הפעל את
aggregate()
פונקציה, שיוצרת עבודת אימון של SageMaker להפעלת היישום Spark:
כתוצאה מכך, SageMaker יוצר עבודת הדרכה לאפליקציית Spark שהוגדרה קודם לכן. זה יצור סביבת זמן ריצה של Spark באמצעות sagemaker-spark-processing image
.
אנו משתמשים כאן במשרות SageMaker Training כדי להפעיל את אפליקציית עיבוד התכונות Spark שלנו. עם SageMaker Training, אתה יכול לצמצם את זמני האתחול לדקה אחת או פחות על ידי שימוש בבריכה חמה, שאינה זמינה ב- SageMaker Processing. זה הופך את SageMaker Training למוטב יותר עבור עבודות אצווה קצרות כמו עיבוד תכונות שבהן זמן ההפעלה חשוב.
- כדי להציג את הפרטים, במסוף SageMaker, בחר משרות הדרכה תחת הדרכה בחלונית הניווט, ולאחר מכן בחר את העבודה עם השם
aggregate-<timestamp>
.
התפוקה של לְקַבֵּץ() הפונקציה יוצרת קוד טלמטריה. בתוך הפלט, תראה את הנתונים המצטברים באופן הבא:
לאחר סיום עבודת ההדרכה, אתה אמור לראות את הפלט הבא:
הפעל את מעבד התכונה באמצעות צינורות SageMaker
בחלק זה, אנו מדגימים כיצד להפעיל את מעבד התכונה על ידי קידומו לצינור של SageMaker ותזמון ריצות.
- ראשית, העלה את ה transformation_code.py קובץ המכיל את הלוגיקה לעיבוד תכונה לאמזון S3:
- לאחר מכן, צור צינור מעבד תכונה car_data_pipeline באמצעות .to_pipeline() פוּנקצִיָה:
- כדי להפעיל את הצינור, השתמש בקוד הבא:
- באופן דומה, אתה יכול ליצור צינור עבור תכונות מצטברות בשם
car_data_aggregated_pipeline
ולהתחיל ריצה. - קבעו את לוח הזמנים
car_data_aggregated_pipeline
לרוץ כל 24 שעות:
בקטע הפלט, תראה את ה-ARN של הצינור ואת תפקיד ביצוע הצינור, ואת פרטי לוח הזמנים:
- כדי לקבל את כל הצינורות של מעבד התכונה בחשבון זה, השתמש ב-
list_pipelines()
פונקציה במעבד התכונה:
הפלט יהיה כדלקמן:
יצרנו בהצלחה צינורות של SageMaker Feature Processor.
חקור צינורות עיבוד תכונות ושושלת ML
ב-SageMaker Studio, השלם את השלבים הבאים:
- על קונסולת SageMaker Studio, על עמוד הבית בתפריט, בחר צינורות.
אתה אמור לראות שני צינורות שנוצרו: car-data-ingestion-pipeline
ו car-data-aggregated-ingestion-pipeline
.
- בחר את
car-data-ingestion-pipeline
.
זה מציג את פרטי הריצה על הוצאות להורג TAB.
- כדי להציג את קבוצת התכונות המאוכלסת על ידי הצינור, בחר חנות תכונות תחת נתונים ולבחור
car-data
.
תראה את שתי קבוצות התכונות שיצרנו בשלבים הקודמים.
- בחר את
car-data
קבוצת תכונות.
תראה את פרטי התכונות ב- תכונות TAB.
הצג ריצות צינור
כדי להציג את הרצפות הצינור, בצע את השלבים הבאים:
- על ביצוע צינורבכרטיסייה, בחר
car-data-ingestion-pipeline
.
זה יציג את כל הריצות.
- בחר אחד מהקישורים כדי לראות את פרטי הריצה.
- כדי להציג שושלת, בחר שושלת.
השושלת המלאה עבור car-data
מציג את מקור נתוני הקלט car_data.csv
וישויות במעלה הזרם. השושלת עבור car-data-aggregated
מציג את הקלט car-data
קבוצת תכונות.
- בחרו טען תכונות ולאחר מכן לבחור שאילת שושלת במעלה הזרם on
car-data
וcar-data-ingestion-pipeline
לראות את כל הישויות במעלה הזרם.
השושלת המלאה עבור car-data
קבוצת התכונות צריכה להיראות כמו צילום המסך הבא.
באופן דומה, השושלת עבור car-aggregated-data
קבוצת התכונות צריכה להיראות כמו צילום המסך הבא.
SageMaker Studio מספק סביבה אחת למעקב אחר צינורות מתוזמנים, הצגת ריצות, חקירת שושלת וצפייה בקוד עיבוד התכונה.
התכונות המצטברות כגון מחיר ממוצע, מחיר מקסימלי, קילומטראז' ממוצע ועוד ב- car-data-aggregated
קבוצת תכונות מספקת תובנות לגבי אופי הנתונים. אתה יכול גם להשתמש בתכונות אלה כמערך נתונים כדי לאמן מודל לחזות מחירי רכב, או לפעולות אחרות. עם זאת, הכשרת המודל אינה בטווח של פוסט זה, המתמקד בהדגמת היכולות של SageMaker Feature Store להנדסת תכונות.
לנקות את
אל תשכח לנקות את המשאבים שנוצרו כחלק מהפוסט הזה כדי להימנע מחיובים מתמשכים.
- השבת את הצינור המתוזמן דרך ה
fp.schedule()
שיטה עם הפרמטר state asDisabled
:
- מחק את שתי קבוצות התכונות:
הנתונים הנמצאים ב-S3 bucket ובחנות התכונות הלא מקוונת עלולים לגרור עלויות, לכן עליך למחוק אותם כדי להימנע מחיובים כלשהם.
- מחק את אובייקטי S3.
- מחק את הרשומות מחנות הפיצ'רים.
סיכום
בפוסט זה, הדגמנו כיצד חברת מכירת רכב השתמשה במעבד התכונות של SageMaker Feature Store כדי לקבל תובנות חשובות מנתוני המכירות הגולמיים שלה על ידי:
- הטמעה והמרת נתוני אצווה בקנה מידה באמצעות Spark
- הפעלת זרימות עבודה של הנדסת תכונות באמצעות צינורות SageMaker
- מתן מעקב שושלת וסביבה יחידה לניטור צינורות ולחקור תכונות
- הכנת תכונות מצטברות המותאמות לאימון מודלים של ML
על ידי ביצוע שלבים אלה, החברה הצליחה להפוך נתונים שלא היו שמישים בעבר לתכונות מובנות שניתן להשתמש בהן כדי להכשיר דגם לניבוי מחירי מכוניות. SageMaker Feature Store אפשרה להם להתמקד בהנדסת תכונות ולא בתשתית הבסיסית.
אנו מקווים שהפוסט הזה יעזור לך לפתוח תובנות ML יקרות ערך מהנתונים שלך באמצעות SageMaker Feature Store Feature Processor!
למידע נוסף על כך, עיין ב עיבוד תכונה והדוגמה של SageMaker על Amazon SageMaker Feature Store: מבוא למעבד תכונה.
על הכותבים
דאוואל שאה הוא אדריכל פתרונות בכיר ב-AWS, המתמחה בלמידת מכונה. עם התמקדות חזקה בעסקים מקוריים דיגיטליים, הוא מעצים ללקוחות למנף את AWS ולהניע את הצמיחה העסקית שלהם. בתור חובב ML, Dhaval מונע על ידי התשוקה שלו ליצור פתרונות משפיעים שמביאים לשינוי חיובי. בשעות הפנאי הוא מתמכר לאהבתו לטיולים ומוקיר רגעי איכות עם משפחתו.
נינאד ג'ושי הוא ארכיטקט פתרונות בכיר ב-AWS, שעוזר ללקוחות AWS גלובליים לעצב פתרונות מאובטחים, ניתנים להרחבה וחסכוניים בענן כדי לפתור את האתגרים העסקיים המורכבים שלהם בעולם האמיתי. עבודתו בתחום למידת מכונה (ML) מכסה מגוון רחב של מקרי שימוש ב-AI/ML, עם התמקדות עיקרית ב-ML מקצה לקצה, עיבוד שפה טבעית וראייה ממוחשבת. לפני הצטרפותה ל-AWS, נינאד עבדה כמפתחת תוכנה במשך 12+ שנים. מחוץ למאמצים המקצועיים שלו, נינאד נהנה לשחק שח ולחקור הימורים שונים.
- 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/unlock-ml-insights-using-the-amazon-sagemaker-feature-store-feature-processor/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 1
- 10
- 100
- 11
- 116
- 12
- 13
- 14
- 15%
- 16
- 20
- 24
- 26%
- 40
- 7
- 8
- 9
- a
- יכול
- חֶשְׁבּוֹן
- מדויק
- לרוחב
- פעולות
- להוסיף
- לְקַבֵּץ
- - צבירה
- AI / ML
- תעשיות
- מאפשר
- לאורך
- גם
- אמזון בעברית
- אמזון SageMaker
- אמזון שירותי אינטרנט
- an
- ו
- אחר
- כל
- בקשה
- ARE
- טיעונים
- AS
- At
- אוטומטי
- באופן אוטומטי
- זמין
- מְמוּצָע
- לְהִמָנַע
- AWS
- בסיסי
- BE
- לפני
- הטוב ביותר
- מוטב
- גָדוֹל
- שניהם
- להביא
- ניטל
- עסקים
- עסקים
- by
- נקרא
- CAN
- יכולות
- מכונית
- מכוניות
- מקרה
- מקרים
- האתגרים
- שינוי
- חיובים
- שחמט
- בחרו
- ענן
- קוד
- טור
- עמודות
- מגיע
- חברה
- להשלים
- מורכב
- המחשב
- ראייה ממוחשבת
- תְצוּרָה
- מוגדר
- קונסול
- מכיל
- תמיד
- להמיר
- עלות
- עלויות
- יכול
- מכסה
- לִיצוֹר
- נוצר
- יוצר
- יוצרים
- קריטי
- מסורבל
- מנהג
- לקוחות
- נתונים
- מערכי נתונים
- מוגדר
- הגדרה
- להפגין
- מופגן
- מדגים
- הפגנה
- תלות
- מְתוּאָר
- תיאור
- עיצוב
- רצוי
- פרטים
- לפתח
- מפתח
- אחר
- דיגיטלי
- נכה
- מציג
- מופץ
- עשה
- נהיגה
- מונע
- כל אחד
- מוקדם יותר
- אפקטיבי
- מאמץ
- מעצים
- מופעל
- מאפשר
- מה שמאפשר
- מקצה לקצה
- מאמצים
- הנדסה
- מהנדסים
- לְהַבטִיחַ
- נלהב
- ישויות
- סביבה
- אירוע
- כל
- דוגמה
- לבצע
- הוצאת להורג
- יציאה
- להסביר
- לחקור
- היכרות
- משפחה
- מהר יותר
- מאפיין
- תכונות
- שלח
- קבצים
- להתמקד
- מתמקד
- לעקוב
- הבא
- כדלקמן
- בעד
- שברירי
- החל מ-
- מלא
- פונקציה
- פונקציות
- לְהַשִׂיג
- מייצר
- לקבל
- גלוֹבָּלִי
- קְבוּצָה
- קבוצה
- צמיחה
- לטפל
- מטפל
- יש
- he
- כותרות
- כבד
- הרמת כבד
- עזרה
- עוזר
- כאן
- הדגשה
- מאוד
- שֶׁלוֹ
- עמוד הבית
- לקוות
- שעות
- איך
- איך
- אולם
- HTML
- HTTPS
- ID
- מזהה
- if
- תמונה
- בר - השפעה
- הפעלה
- לייבא
- חשוב
- in
- כולל
- מצביע על
- מידע
- מידע
- תשתית
- בתחילה
- קלט
- תשומות
- בתוך
- תובנה
- תובנות
- להתקין
- למשל
- אל תוך
- IT
- איטרציה
- שֶׁלָה
- עבודה
- מקומות תעסוקה
- הצטרפות
- jpg
- שמור
- שפה
- גָדוֹל
- למידה
- פחות
- מאפשר לי
- תנופה
- רמה
- כמו
- יוּחֲסִין
- קישורים
- רשימה
- לִטעוֹן
- המון
- מקומי
- באופן מקומי
- היכנס
- הגיון
- נראה
- נראה כמו
- אהבה
- מכונה
- למידת מכונה
- ראשי
- עושה
- ניהול
- באופן ידני
- רב
- להתאים
- מקסימום
- מקסימום
- mdx
- משמעותי
- תפריט
- שיטה
- דקה
- חסר
- ML
- מודל
- מודלים
- רגעים
- צג
- יותר
- צריך
- שם
- שמות
- יליד
- טבעי
- עיבוד שפה טבעית
- טבע
- נווט
- ניווט
- צורך
- נחוץ
- חדש
- צומת
- מחברה
- מספר
- of
- לא מחובר
- לעתים קרובות
- on
- ONE
- מתמשך
- רק
- מבצע
- תפעול
- אופטימיזציה
- אפשרות
- or
- אחר
- שלנו
- הַחוּצָה
- תפוקה
- בחוץ
- יותר
- שֶׁלוֹ
- זגוגית
- פרמטר
- פרמטרים
- חלק
- תשוקה
- לְבַצֵעַ
- מבצע
- צינור
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- משחק
- מְאוּכלָס
- חיובי
- הודעה
- pr
- לחזות
- קודם
- קוֹדֶם
- מחיר
- מחירים
- יְסוֹדִי
- קודם
- תהליך
- מעבד
- מקצועי
- קידום
- לספק
- ובלבד
- מספק
- פיתון
- איכות
- רכס
- במקום
- חי
- עולם אמיתי
- שיא
- רשום
- Red
- להפחית
- מפחית
- להתייחס
- להסיר
- חוזר על עצמו
- להחליף
- לדרוש
- משאבים
- תוצאה
- וכתוצאה מכך
- לַחֲזוֹר
- תפקיד
- הפעלה
- ריצה
- פועל
- s
- בעל חכמים
- SALE
- מכירות
- להרחבה
- סולם
- לוח זמנים
- מתוכנן
- תזמון
- מדענים
- היקף
- Sdk
- sdn
- שניות
- סעיף
- לבטח
- לִרְאוֹת
- לחצני מצוקה לפנסיונרים
- שירותים
- קצר
- צריך
- לְהַצִיג
- הופעות
- משמעותי
- פָּשׁוּט
- יחיד
- סביבה בודדת
- So
- תוכנה
- נמכרים
- פִּתָרוֹן
- פתרונות
- לפתור
- מָקוֹר
- לעורר
- מתמחה
- מפרטים
- מפורט
- ספורט
- התחלה
- החל
- סטארט - אפ
- מדינה
- מצב
- צעדים
- אחסון
- חנות
- אחסן את הנתונים
- מחרוזת
- חזק
- מובנה
- סטודיו
- להגיש
- כתוצאה מכך
- מוצלח
- בהצלחה
- כזה
- מַתְאִים
- שולחן
- מֵאֲשֶׁר
- זֶה
- השמיים
- המדינה
- שֶׁלָהֶם
- אותם
- אז
- אלה
- זֶה
- שְׁלוֹשָׁה
- זמן
- פִּי
- ל
- גַם
- חלק עליון
- לעקוב
- מעקב
- רכבת
- הדרכה
- עסקה
- לשנות
- טרנספורמציה
- טרנספורמציות
- טרנספורמציה
- הפיכה
- נסיעות
- מגמות
- הדרכה
- שתיים
- סוג
- סוגים
- ui
- תחת
- בְּסִיסִי
- לפתוח
- מְעוּדכָּן
- us
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- באמצעות
- בעל ערך
- ערך
- ערכים
- שונים
- כלי רכב
- באמצעות
- לצפיה
- חזון
- vs
- חם
- היה
- we
- אינטרנט
- שירותי אינטרנט
- אשר
- רָחָב
- טווח רחב
- יצטרך
- עם
- תיק עבודות
- עבד
- זרימות עבודה
- לכתוב
- שנה
- שנים
- אתה
- זפירנט