SQL(구조적 쿼리 언어)은 데이터베이스와 메타데이터에 대한 이해가 필요한 복잡한 언어입니다. 오늘, 생성 적 AI SQL에 대한 지식이 없는 사람들도 활성화할 수 있습니다. 이 생성 AI 작업을 text-to-SQL이라고 하며, 자연어 처리(NLP)에서 SQL 쿼리를 생성하고 텍스트를 의미상 올바른 SQL로 변환합니다. 이 게시물의 솔루션은 자연어를 사용하여 데이터 경로를 단축하여 엔터프라이즈 분석 운영을 한 단계 더 발전시키는 것을 목표로 합니다.
LLM(대형 언어 모델)의 출현으로 NLP 기반 SQL 생성은 상당한 변화를 겪었습니다. 뛰어난 성능을 보여주는 LLM은 이제 자연어 설명에서 정확한 SQL 쿼리를 생성할 수 있습니다. 그러나 여전히 과제는 남아있습니다. 첫째, 인간의 언어는 본질적으로 모호하고 상황에 따라 달라지지만 SQL은 정확하고 수학적이며 구조적입니다. 이러한 차이로 인해 사용자 요구 사항이 생성된 SQL로 부정확하게 변환될 수 있습니다. 둘째, 데이터가 단일 대상에 저장되지 않는 경우가 많기 때문에 모든 데이터베이스에 대해 text-to-SQL 기능을 구축해야 할 수도 있습니다. 사용자가 NLP 기반 SQL을 생성할 수 있도록 하려면 모든 데이터베이스에 대한 기능을 다시 만들어야 할 수도 있습니다. 셋째, 데이터 레이크 및 웨어하우스와 같은 중앙 집중식 분석 솔루션의 채택이 확대되었음에도 불구하고 원하는 소스에 대한 SQL을 생성하는 데 필요한 다양한 테이블 이름과 기타 메타데이터로 인해 복잡성이 증가합니다. 따라서 포괄적이고 고품질의 메타데이터를 수집하는 것 역시 여전히 어려운 과제로 남아 있습니다. Text-to-SQL 모범 사례 및 디자인 패턴에 대해 자세히 알아보려면 다음을 참조하세요. 엔터프라이즈 데이터에서 가치 창출: Text2SQL 및 생성 AI 모범 사례.
우리의 솔루션은 다음을 사용하여 이러한 문제를 해결하는 것을 목표로 합니다. 아마존 기반암 및 AWS 분석 서비스. 우리는 사용 인류 클로드 v2.1 Amazon Bedrock에서 LLM으로 활동하고 있습니다. 문제를 해결하기 위해 우리의 솔루션은 먼저 데이터 소스의 메타데이터를 AWS Glue 데이터 카탈로그 생성된 SQL 쿼리의 정확성을 높이기 위해. 워크플로우에는 SQL 문제가 식별되는 경우 최종 평가 및 수정 루프도 포함됩니다. 아마존 아테나, 이는 SQL 엔진으로 다운스트림으로 사용됩니다. Athena에서는 또한 다양한 기능을 사용할 수 있습니다. 지원되는 엔드포인트 및 커넥터 대규모 데이터 소스 세트를 포괄합니다.
솔루션을 구축하는 단계를 거친 후 다양한 SQL 복잡성 수준을 갖춘 일부 테스트 시나리오의 결과를 제시합니다. 마지막으로 다양한 데이터 소스를 SQL 쿼리에 통합하는 것이 얼마나 간단한지 논의합니다.
솔루션 개요
우리 아키텍처에는 세 가지 중요한 구성 요소가 있습니다. 데이터베이스 메타데이터가 포함된 RAG(검색 증강 생성), 다단계 자체 수정 루프, SQL 엔진인 Athena입니다.
RAG 메서드를 사용하여 AWS Glue 메타스토어에서 테이블 설명과 스키마 설명(열)을 검색하여 요청이 올바른 테이블 및 데이터 세트와 관련되어 있는지 확인합니다. 우리 솔루션에서는 데모 목적으로 AWS Glue 데이터 카탈로그를 사용하여 RAG 프레임워크를 실행하는 개별 단계를 구축했습니다. 그러나 다음을 사용할 수도 있습니다. 지식 기반 Amazon Bedrock에서 RAG 솔루션을 신속하게 구축할 수 있습니다.
다단계 구성요소를 통해 LLM은 생성된 SQL 쿼리를 정확하게 수정할 수 있습니다. 여기서 생성된 SQL은 구문 오류에 대해 전송됩니다. 생성된 SQL에서 보다 정확하고 효과적인 수정을 위해 Athena 오류 메시지를 사용하여 LLM에 대한 프롬프트를 강화합니다.
피드백처럼 Athena에서 가끔 오는 오류 메시지를 고려할 수 있습니다. 오류 수정 단계의 비용 영향은 제공된 가치에 비해 무시할 수 있습니다. 이러한 수정 단계를 지도 강화 학습 예시로 포함하여 LLM을 미세 조정할 수도 있습니다. 그러나 단순화를 위해 이 게시물에서는 이 흐름을 다루지 않았습니다.
생성적 AI 솔루션에는 자연스럽게 부정확성이 발생할 위험이 항상 내재되어 있습니다. Athena 오류 메시지가 이러한 위험을 완화하는 데 매우 효과적이더라도 인간의 피드백이나 미세 조정을 위한 예제 쿼리와 같은 더 많은 제어 및 보기를 추가하여 이러한 위험을 더욱 최소화할 수 있습니다.
Athena는 SQL 쿼리를 수정할 수 있을 뿐만 아니라 스포크가 여러 데이터 소스인 허브 역할을 하기 때문에 전반적인 문제를 단순화합니다. 액세스 관리, SQL 구문 등은 모두 Athena를 통해 처리됩니다.
다음 다이어그램은 솔루션 아키텍처를 보여줍니다.
프로세스 흐름에는 다음 단계가 포함됩니다.
- AWS Glue 데이터 카탈로그 생성 AWS Glue 크롤러 사용 (또는 다른 방법).
- 사용법 - Amazon Bedrock의 Titan-Text-Embeddings 모델, 메타데이터를 임베딩으로 변환하고 이를 Amazon OpenSearch 서버리스 벡터 저장소, 이는 RAG 프레임워크에서 지식 기반으로 사용됩니다.
이 단계에서는 프로세스가 자연어로 쿼리를 받을 준비가 되었습니다. 해당되는 경우 7~9단계는 수정 루프를 나타냅니다.
- 사용자는 자연어로 쿼리를 입력합니다. 모든 웹 애플리케이션을 사용하여 채팅 UI를 제공할 수 있습니다. 따라서 우리는 게시물에서 UI 세부 사항을 다루지 않았습니다.
- 솔루션은 다음을 통해 RAG 프레임워크를 적용합니다. 유사성 검색, 벡터 데이터베이스의 메타데이터에서 추가 컨텍스트를 추가합니다. 이 테이블은 올바른 테이블, 데이터베이스 및 속성을 찾는 데 사용됩니다.
- 쿼리는 컨텍스트와 병합되어 다음으로 전송됩니다. 인류 클로드 v2.1 아마존 베드락에서.
- 모델은 생성된 SQL 쿼리를 가져오고 Athena에 연결하여 구문을 검증합니다.
- Athena가 구문이 잘못되었다는 오류 메시지를 제공하는 경우 모델은 Athena 응답의 오류 텍스트를 사용합니다.
- 새 프롬프트에는 Athena의 응답이 추가됩니다.
- 모델은 수정된 SQL을 생성하고 프로세스를 계속합니다. 이 반복은 여러 번 수행될 수 있습니다.
- 마지막으로 Athena를 사용하여 SQL을 실행하고 출력을 생성합니다. 여기서 출력은 사용자에게 표시됩니다. 아키텍처 단순성을 위해 이 단계는 표시하지 않았습니다.
사전 조건
이 게시물의 경우 다음 전제 조건을 완료해야 합니다.
- 이 AWS 계정.
- 설치 전에, AWS 명령 줄 인터페이스 (AWS CLI).
- 설정 Python용 SDK(Boto3).
- AWS Glue 데이터 카탈로그 생성 AWS Glue 크롤러 사용 (또는 다른 방법).
- 사용법 - Amazon Bedrock의 Titan-Text-Embeddings 모델, 메타데이터를 임베딩으로 변환하고 이를 OpenSearch Serverless에 저장합니다. 벡터 저장소.
솔루션 구현
다음을 사용할 수 있습니다. 주피터 노트, 이 섹션에 제공된 모든 코드 조각이 포함되어 있어 솔루션을 빌드할 수 있습니다. 우리는 사용하는 것이 좋습니다 아마존 세이지 메이커 스튜디오 Python 3(데이터 과학) 커널이 포함된 ml.t3.medium 인스턴스로 이 노트북을 엽니다. 지침은 다음을 참조하세요. 기계 학습 모델 훈련. 솔루션을 설정하려면 다음 단계를 완료하세요.
- RAG 프레임워크용 OpenSearch 서비스에서 기술 자료를 생성합니다.
- 프롬프트 작성(
final_question
) 사용자 입력을 자연어(user_query
), 벡터 저장소의 관련 메타데이터(vector_search_match
) 및 지침(details
): - LLM(Claude v2)에 대해 Amazon Bedrock을 호출하고 SQL 쿼리를 생성하라는 메시지를 표시합니다. 다음 코드에서는 자체 수정 단계를 설명하기 위해 여러 번 시도합니다.x
- 생성된 SQL 쿼리에 문제가 있는 경우(
{sqlgenerated}
) Athena 응답에서 ({syntaxcheckmsg}
), 새 프롬프트(prompt
)가 응답을 기반으로 생성되고 모델은 새 SQL 생성을 다시 시도합니다. - SQL이 생성된 후 Athena 클라이언트가 호출되어 출력을 실행하고 생성합니다.
솔루션 테스트
이 섹션에서는 다양한 예제 시나리오로 솔루션을 실행하여 다양한 수준의 SQL 쿼리를 테스트합니다.
text-to-SQL을 테스트하기 위해 두 가지를 사용합니다. IMDB에서 제공되는 데이터 세트. IMDb 데이터의 하위 집합은 개인 및 비상업적 용도로 사용할 수 있습니다. 데이터 세트를 다운로드하여 저장할 수 있습니다. 아마존 단순 스토리지 서비스 (아마존 S3). 다음 Spark SQL 조각을 사용하여 AWS Glue에서 테이블을 생성할 수 있습니다. 이 예에서는 다음을 사용합니다. title_ratings
및 title
:
Amazon S3에 데이터를 저장하고 AWS Glue에 메타데이터를 저장합니다.
이 시나리오에서는 데이터 세트가 S3 버킷에 저장됩니다. Athena에는 Amazon S3를 쿼리할 수 있는 데이터 소스로 사용할 수 있는 S3 커넥터가 있습니다..
첫 번째 쿼리에서는 "저는 이 기능을 처음 사용합니다."라는 입력을 제공합니다. imdb 스키마의 모든 테이블과 열을 볼 수 있도록 도와주실 수 있나요?”
다음은 생성된 쿼리입니다.
다음 스크린샷과 코드는 출력을 보여줍니다.
두 번째 쿼리에서는 "평가가 9.5 이상인 미국 지역의 모든 제목과 세부 정보를 보여주세요."라고 묻습니다.
다음은 생성된 쿼리입니다.
응답은 다음과 같습니다.
세 번째 쿼리에는 “Great Response! 이제 미국 지역이 아닌 등급이 7.5 이상인 원본 유형 타이틀을 모두 보여주세요.”
다음 쿼리가 생성됩니다.
우리는 다음과 같은 결과를 얻습니다.
자체 수정 SQL 생성
이 시나리오는 구문 문제가 있는 SQL 쿼리를 시뮬레이션합니다. 여기서 생성된 SQL은 Athena의 응답을 기반으로 자체 수정됩니다. 다음 답변에서 Athena는 다음과 같이 말했습니다. COLUMN_NOT_FOUND
오류가 발생했다고 언급했습니다. table_description
해결할 수 없습니다:
다른 데이터 소스와 함께 솔루션 사용
다른 데이터 원본과 함께 솔루션을 사용하기 위해 Athena가 작업을 처리합니다. 이를 위해 Athena는 다음을 사용합니다. 데이터 소스 커넥터 와 함께 사용할 수 있는 연합 쿼리. 커넥터를 Athena 쿼리 엔진의 확장으로 간주할 수 있습니다. 다음과 같은 데이터 소스에 대해 사전 구축된 Athena 데이터 소스 커넥터가 존재합니다. Amazon CloudWatch 로그, 아마존 DynamoDB, Amazon DocumentDB(MongoDB 호환성 포함)및 Amazon 관계형 데이터베이스 서비스 (Amazon RDS) 및 Apache 2.0 라이선스에 따른 MySQL, PostgreSQL과 같은 JDBC 호환 관계형 데이터 소스입니다. 데이터 원본에 대한 연결을 설정한 후 이전 코드 베이스를 사용하여 솔루션을 확장할 수 있습니다. 자세한 내용은 다음을 참조하세요. Amazon Athena의 새로운 통합 쿼리로 모든 데이터 소스를 쿼리하세요..
정리
리소스를 정리하려면 다음을 수행하십시오. S3 버킷 정리 데이터가 상주하는 곳. 애플리케이션이 Amazon Bedrock을 호출하지 않는 한 비용이 발생하지 않습니다. 인프라 관리 모범 사례를 위해 이 데모에서 생성된 리소스를 삭제하는 것이 좋습니다.
결론
이 게시물에서는 NLP를 사용하여 Athena에서 지원하는 다양한 리소스로 복잡한 SQL 쿼리를 생성할 수 있는 솔루션을 제시했습니다. 또한 다운스트림 프로세스의 오류 메시지를 기반으로 하는 다단계 평가 루프를 통해 생성된 SQL 쿼리의 정확성을 높였습니다. 또한 AWS Glue 데이터 카탈로그의 메타데이터를 사용하여 RAG 프레임워크를 통해 쿼리에서 요청된 테이블 이름을 고려했습니다. 그런 다음 쿼리 복잡성 수준이 다양한 다양한 현실적인 시나리오에서 솔루션을 테스트했습니다. 마지막으로 Athena에서 지원하는 다양한 데이터 소스에 이 솔루션을 적용하는 방법에 대해 논의했습니다.
Amazon Bedrock은 이 솔루션의 중심에 있습니다. Amazon Bedrock은 다양한 생성 AI 애플리케이션을 구축하는 데 도움이 될 수 있습니다. Amazon Bedrock을 시작하려면 다음의 빠른 시작을 따르는 것이 좋습니다. GitHub 레포 생성적 AI 애플리케이션 구축에 익숙해지세요. 당신은 또한 시도할 수 있습니다 지식 기반 Amazon Bedrock에서 이러한 RAG 솔루션을 신속하게 구축할 수 있습니다.
저자에 관하여
산지브 판다 Amazon의 데이터 및 ML 엔지니어입니다. AI/ML, 데이터 과학 및 빅 데이터에 대한 배경 지식을 바탕으로 Sanjeeb은 복잡한 기술 문제를 해결하고 Amazon에서 비즈니스를 관리하는 글로벌 3P 판매자를 위한 전략적 목표를 달성하는 혁신적인 데이터 및 ML 솔루션을 설계하고 개발합니다. Amazon에서 데이터 및 ML 엔지니어로 일하는 것 외에 Sanjeeb Panda는 열렬한 미식가이자 음악 애호가입니다.
부락 고즐루클루 매사추세츠주 보스턴에 위치한 수석 AI/ML 전문가 솔루션 설계자입니다. 그는 전략적 고객이 AWS 기술, 특히 Generative AI 솔루션을 채택하여 비즈니스 목표를 달성하도록 돕습니다. Burak은 METU에서 항공우주 공학 박사 학위를 취득했고, 시스템 공학 석사 학위를 취득했으며, 매사추세츠주 케임브리지에 있는 MIT에서 시스템 역학 박사후 과정을 취득했습니다. Burak은 여전히 MIT의 연구 제휴사입니다. Burak은 요가와 명상에 열정적입니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
- PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
- PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/build-a-robust-text-to-sql-solution-generating-complex-queries-self-correcting-and-querying-diverse-data-sources/
- :있다
- :이다
- :아니
- :어디
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- 14
- 16
- 20
- 2024
- 22
- 23
- 29
- 30
- 32
- 39
- 50
- 500
- 521
- 7
- 8
- 9
- a
- 소개
- 위의
- ACCESS
- 정확한
- 달성
- 더하다
- 또한
- 주소
- 추가
- 채택
- 양자
- 항공우주
- 제휴
- 후
- 다시
- AI
- AI / ML
- 목표
- 정렬
- All
- 수
- 또한
- 대안
- 항상
- am
- 아마존
- 아마존 RDS
- Amazon Web Services
- an
- 분석
- 및
- 답변
- 인류
- 어떤
- 아파치
- 응용할 수 있는
- 어플리케이션
- 어플리케이션
- 적용하다
- 신청
- 건축
- 아키텍처
- 있군요
- AS
- 문의
- At
- 애틀랜타
- 시도
- 시도
- 속성
- 증강 된
- 허가
- 가능
- AWS
- AWS 접착제
- 배경
- 기지
- 기반으로
- BE
- 때문에
- 이하
- BEST
- 모범 사례
- 큰
- 빅 데이터
- 블록
- 보스턴
- 가져
- 빌드
- 건물
- 내장
- 사업
- 사업
- 비자 면제 프로그램에 해당하는 국가의 시민권을 가지고 있지만
- by
- 라는
- 캠브리지
- CAN
- 능력
- 수
- 한
- 케이스
- 목록
- 센터
- 중앙
- 도전
- 과제
- 잡담
- 체크
- 확인
- 황어 무리
- 클리
- 클라이언트
- 암호
- 코드베이스
- 수집
- 단
- 열
- 결합
- 제공
- 오는
- 비교
- 비교
- 호환성
- 완전한
- 복잡한
- 복잡성
- 구성 요소
- 구성 요소들
- 포괄적 인
- 연결
- 커넥트
- 고려
- 문맥
- 계속
- 컨트롤
- 매출 상승
- 변하게 하다
- 수정
- 수정
- 수정
- 비용
- 계산
- 엄호
- 만들
- 만든
- 생성
- 임계
- 고객
- 데이터
- 데이터 과학
- 데이터베이스
- 데이터베이스
- 데이터 세트
- 날짜
- 날짜 시간
- 전달
- 시연하는
- 디자인
- 디자인 패턴
- 원하는
- 무례
- 세부설명
- 개발
- 도표
- DID
- 다른
- 토론
- 논의 된
- 몇몇의
- do
- 문서
- 서류
- 다운로드
- ...동안
- 역학
- 유효한
- 그렇지 않으면
- 출현
- 가능
- 사용 가능
- 엔진
- 기사
- 엔지니어링
- 높이다
- 확인
- 엔터 버튼
- Enterprise
- 들어갑니다
- 매니아
- 오류
- 오류
- 평가
- 조차
- 모든
- 예
- 예
- 해외 투자자를 위한 맞춤형
- 실행
- 있다
- 현존하는
- 설명
- 확장
- 확장자
- 여분의
- 실패한
- 그릇된
- 특징
- 피드백
- 최후의
- 최종적으로
- 발견
- 먼저,
- 흐름
- 따라
- 수행원
- 다음
- 럭셔리
- 뼈대
- 에
- 추가
- 갭
- 했다
- 생성
- 생성
- 생성
- 생성
- 세대
- 생성적인
- 제너레이티브 AI
- 얻을
- 가져옵니다
- 글로벌
- 목표
- 있어
- 처리
- 있다
- 데
- he
- 도움
- 도움이
- 여기에서 지금 확인해 보세요.
- 높은 품질의
- 고도로
- 그의
- 방법
- How To
- 그러나
- HTML
- HTTP
- HTTPS
- 허브
- 사람의
- i
- 확인
- if
- 설명하다
- 설명하다
- 의미
- 중대한
- in
- 부정확 한
- 포함
- 포함
- 통합
- 통합
- 부정 확한
- 증가
- 증가
- 색인
- 개인
- 정보
- 정보
- 인프라
- 고유의
- 본질적으로
- 처음에는
- 안의
- 혁신적인
- 입력
- 예
- 명령
- 으로
- 호출
- 호출
- 발행물
- 문제
- IT
- 되풀이
- 일
- 어울리다
- JPG
- 지식
- 호수
- 언어
- 넓은
- 큰
- 배우다
- 배우기
- 레벨
- 레벨
- 특허
- 처럼
- 제한
- 라인
- LLM
- 위치한
- 애정
- 기계
- 기계 학습
- 확인
- 제작
- 구축
- 관리
- .
- 수학의
- XNUMX월..
- me
- 명상
- 매질
- 말하는
- 언급하다
- 메시지
- 메시지
- 메타 데이터
- 방법
- 수도
- 최소화
- MIT
- 완화
- ML
- 모델
- 모델
- MongoDB의
- 배우기
- MS
- 여러
- 다수
- 음악
- MySQL은
- name
- 이름
- 자연의
- 자연 언어 처리
- 필요
- 요구
- 신제품
- 다음 것
- nlp
- 비상업적
- 수첩
- 지금
- 번호
- 목표
- of
- 자주
- on
- 만
- 열 수
- 행정부
- or
- 주문
- 실물
- 기타
- 우리의
- 출력
- 외부
- 전체
- 합격
- 열렬한
- 통로
- 패턴
- 사람들
- 성능
- 수행
- 확인
- 박사 학위
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 부디
- 게시하다
- Postgresql
- 사례
- 선행
- 정확한
- 전제 조건
- 제시
- 제시
- 교장
- 문제
- 방법
- 프로세스
- 처리
- 프롬프트
- 제공
- 제공
- 제공
- 목적
- Python
- 쿼리
- 질문
- 문제
- 빠른
- 빨리
- 인용 부호
- 조각
- 평가
- 평가
- 읽기
- 준비
- 현실적인
- 받다
- 접수
- 권하다
- 참조
- 지방
- 관련
- 관련된
- 남아
- 유적
- 대표
- 의뢰
- 필수
- 요구조건 니즈
- 필요
- 연구
- 거주
- 해결
- 해결
- 제품 자료
- 점
- 응답
- 결과
- 결과
- 검색
- return
- 연락해주세요
- 상승하다
- 위험
- 위험
- 강력한
- 열
- 달리기
- 현자
- 술
- 같은
- 본
- 대본
- 시나리오
- 과학
- 수색
- 둘째
- 섹션
- 참조
- 고르다
- 본인
- 판매자
- 전송
- 서버리스
- 봉사하다
- 서비스
- 서비스
- 세트
- 영상을
- 표시
- 보여주는
- 표시
- 측면
- 상당한
- 단순, 간단, 편리
- 간단
- 단순화하다
- 단일
- 단편
- 해결책
- 솔루션
- 풀다
- 일부
- 출처
- 지우면 좋을거같음 . SM
- 불꽃
- 전문가
- 구체적으로
- 단계
- 스타트
- 시작
- 주 정부
- 성명서
- Status
- 단계
- 단계
- 아직도
- 저장
- 저장
- 저장
- 똑 바른
- 전략의
- 끈
- 구조화
- 이러한
- 지원
- 확인
- 구문
- SYS
- 체계
- 시스템은
- 테이블
- 받아
- 목표
- 태스크
- 테크니컬
- 기술
- test
- 테스트
- 본문
- 보다
- 그
- XNUMXD덴탈의
- 허브
- 그들의
- 그들
- 그때
- 그곳에.
- 따라서
- Bowman의
- 제삼
- 이
- 그
- 세
- 을 통하여
- 시대
- Title
- 제목들
- 에
- 오늘
- 변환
- 시도
- 두
- 유형
- 유형
- ui
- 아래에
- 겪다
- 이해
- ...을 제외하면
- 업데이트
- 업데이트
- us
- 사용
- 익숙한
- 사용자
- 사용자
- 사용
- 사용
- 유효 기간
- 가치
- 종류
- 여러
- 변화
- 를 통해
- 보기
- 깨워
- 걷다
- 방법..
- we
- 웹
- 웹 응용 프로그램
- 웹 서비스
- 이므로
- 어느
- 동안
- 누구의
- 의지
- 과
- 이내
- 없이
- 작업
- 워크플로우
- 쓰다
- 쓰기
- X
- 요가
- 자신의
- 너의
- 당신 자신
- 제퍼 넷