"텍스트, 오디오, 소셜 미디어 및 기타 구조화되지 않은 소스에 잠겨 있는 데이터는 이를 사용하는 방법을 알아내는 기업에게 경쟁 우위가 될 수 있습니다."
같은 조직의 18%만이 딜로이트의 2019년 설문조사 비정형 데이터를 활용할 수 있다고 보고했습니다. 80%에서 90% 사이의 대부분의 데이터는 구조화되지 않은 데이터입니다. 이는 사용 방법을 알 수 있다면 기업에 경쟁 우위를 제공할 수 있는 잠재력을 가진 아직 개발되지 않은 큰 리소스입니다. 특히 데이터를 분류하거나 태그를 지정하거나 레이블을 지정하는 데 노력이 필요한 경우에는 이 데이터에서 통찰력을 찾는 것이 어려울 수 있습니다. 아마존 이해 이러한 상황에서는 사용자 정의 분류가 유용할 수 있습니다. 아마존 이해 머신러닝을 사용해 텍스트에서 귀중한 통찰력과 연관성을 찾아내는 자연어 처리(NLP) 서비스입니다.
문서 분류는 비즈니스 영역 전반에 걸쳐 상당한 이점을 제공합니다.
- 향상된 검색 및 검색 – 문서를 관련 주제나 카테고리로 분류함으로써 사용자가 필요한 문서를 훨씬 쉽게 검색하고 검색할 수 있습니다. 특정 카테고리 내에서 검색하여 결과 범위를 좁힐 수 있습니다.
- 지식 관리 – 체계적인 방식으로 문서를 분류하면 조직의 지식 기반을 구성하는 데 도움이 됩니다. 관련 정보를 더 쉽게 찾고 관련 콘텐츠 간의 연관성을 확인할 수 있습니다.
- 간소화된 워크플로 – 자동 문서 정렬은 송장 처리, 고객 지원 또는 규정 준수와 같은 많은 비즈니스 프로세스를 간소화하는 데 도움이 될 수 있습니다. 문서는 적절한 사람이나 작업 흐름에 자동으로 전달될 수 있습니다.
- 비용 및 시간 절약 – 수동 문서 분류는 지루하고 시간 소모적이며 비용이 많이 듭니다. AI 기술은 이 일상적인 작업을 대신하고 훨씬 저렴한 비용으로 짧은 시간에 수천 개의 문서를 분류할 수 있습니다.
- 통찰력 생성 – 문서 카테고리의 동향을 분석하면 유용한 비즈니스 통찰력을 얻을 수 있습니다. 예를 들어, 특정 제품 카테고리에서 고객 불만이 증가하면 해결해야 할 문제가 있음을 나타낼 수 있습니다.
- 거버넌스 및 정책 시행 – 문서 분류 규칙을 설정하면 조직의 정책 및 거버넌스 표준에 따라 문서가 올바르게 분류되도록 하는 데 도움이 됩니다. 이를 통해 더 나은 모니터링 및 감사가 가능해집니다.
- 개인화 된 경험 – 웹 사이트 콘텐츠와 같은 맥락에서 문서 분류를 통해 사용자의 탐색 행동에서 결정된 관심과 선호도에 따라 맞춤형 콘텐츠를 사용자에게 표시할 수 있습니다. 이를 통해 사용자 참여도를 높일 수 있습니다.
맞춤형 분류 기계 학습 모델 개발의 복잡성은 몇 가지 언급하자면 데이터 품질, 알고리즘, 확장성 및 도메인 지식과 같은 다양한 측면에 따라 달라집니다. 명확한 문제 정의, 깨끗하고 관련성 있는 데이터로 시작하여 모델 개발의 다양한 단계를 점진적으로 진행하는 것이 중요합니다. 그러나 기업에서는 Amazon Comprehend 사용자 지정 분류를 사용하여 고유한 기계 학습 모델을 생성하여 텍스트 문서를 카테고리 또는 태그로 자동 분류하고, 비즈니스별 요구 사항을 충족하고, 비즈니스 기술 및 문서 카테고리에 매핑할 수 있습니다. 사람이 태그를 지정하거나 분류하는 작업이 더 이상 필요하지 않으므로 기업에서는 많은 시간, 비용, 노동력을 절약할 수 있습니다. 우리는 전체 학습 파이프라인을 자동화하여 이 프로세스를 간단하게 만들었습니다.
이 다중 시리즈 블로그 게시물의 첫 번째 부분에서는 확장 가능한 훈련 파이프라인을 생성하고 Comprehend Custom Classification 모델을 위한 훈련 데이터를 준비하는 방법을 알아봅니다. 몇 번의 클릭만으로 AWS 계정에 배포할 수 있는 사용자 지정 분류자 훈련 파이프라인을 소개합니다. 우리는 BBC 뉴스 데이터 세트를 사용하고 있으며 문서가 속한 클래스(예: 정치, 스포츠)를 식별하기 위해 분류기를 훈련할 것입니다. 파이프라인을 통해 조직은 매번 처음부터 시작할 필요 없이 변화에 신속하게 대응하고 새로운 모델을 교육할 수 있습니다. 요구 사항에 따라 여러 모델을 쉽게 확장하고 교육할 수 있습니다.
사전 조건
- 활성 AWS 계정(클릭 여기에서 지금 확인해 보세요. 새 AWS 계정을 생성하려면)
- Amazon Comprehend, Amazon S3, Amazon Lambda, Amazon Step Function, Amazon SNS 및 Amazon CloudFormation에 대한 액세스
- 다음 섹션에서 준비된 훈련 데이터(반구조 또는 텍스트)
- Python 및 기계 학습 전반에 대한 기본 지식
훈련 데이터 준비
이 솔루션은 다음 중 하나로 입력을 받을 수 있습니다. 텍스트 형식 (예: CSV) 또는 반구조화된 형식 (예: PDF).
텍스트 입력
아마존 이해 사용자 정의 분류는 다중 클래스와 다중 레이블의 두 가지 모드를 지원합니다.
다중 클래스 모드에서는 각 문서에 하나의 클래스만 할당할 수 있습니다. 훈련 데이터는 파일의 각 줄에 단일 클래스와 클래스를 보여주는 문서 텍스트가 포함된 XNUMX열 CSV 파일로 준비되어야 합니다.
다중 레이블 모드에서는 각 문서에 하나 이상의 클래스가 할당되어 있지만 더 많은 클래스를 가질 수도 있습니다. 훈련 데이터는 XNUMX열로 구성된 CSV 파일이어야 하며, 파일의 각 줄에는 하나 이상의 클래스와 훈련 문서의 텍스트가 포함되어 있습니다. 두 개 이상의 클래스는 각 클래스 사이에 구분 기호를 사용하여 표시해야 합니다.
훈련 모드 중 하나에 대해 CSV 파일에 헤더가 포함되어서는 안 됩니다.
반구조화된 입력
2023을 시작으로, 아마존 이해 이제 반구조화된 문서를 사용한 훈련 모델을 지원합니다. 반구조 입력을 위한 훈련 데이터는 레이블이 지정된 문서 세트로 구성되며, 이는 이미 액세스 권한이 있는 문서 저장소의 사전 식별된 문서일 수 있습니다. 다음은 학습에 필요한 주석 파일 CSV 데이터의 예입니다(샘플 데이터):
주석 CSV 파일에는 세 개의 열이 포함되어 있습니다. 첫 번째 열은 문서의 라벨을 포함하고, 두 번째 열은 문서 이름(예: 파일 이름)이며, 마지막 열은 주석에 포함하려는 문서의 페이지 번호입니다. 훈련 데이터 세트. 대부분의 경우 주석 CSV 파일이 다른 모든 문서와 동일한 폴더에 있는 경우 두 번째 열에 문서 이름만 지정하면 됩니다. 그러나 CSV 파일이 다른 위치에 있는 경우 두 번째 열에 위치에 대한 경로를 지정해야 합니다. path/to/prefix/document1.pdf
.
훈련 데이터를 준비하는 방법에 대한 자세한 내용은 다음을 참조하세요. 여기에서 지금 확인해 보세요..
솔루션 개요
- 아마존 이해 훈련 파이프라인은 훈련 데이터(텍스트 입력용 .csv 파일 및 반구조 입력용 주석 .csv 파일)가 전용 Amazon Simple Storage Service(아마존 S3) 버킷.
- An AWS 람다 함수는 다음에 의해 호출됩니다. 아마존 S3 객체가 지정된 위치에 업로드될 때마다 트리거됩니다. 아마존 S3 위치에 따라 AWS Lambda 함수는 업로드된 객체의 소스 버킷 이름과 키 이름을 검색하여 교육에 전달합니다. 단계 기능 워크 플로우.
- 훈련 단계 함수에서 훈련 데이터 버킷 이름과 객체 키 이름을 입력 매개변수로 수신한 후 사용자 정의 모델 훈련 워크플로는 설명된 대로 일련의 람다 함수로 시작됩니다.
StartComprehendTraining
: 이 AWS Lambda 함수는ComprehendClassifier
입력 파일 유형(예: 텍스트 또는 반구조적)에 따라 개체를 지정한 다음 시작합니다. 아마존 이해 호출을 통한 사용자 정의 분류 학습 작업 create_document_classifier 교육 작업 Amazon 리소스 이름(ARN)을 반환하는 애플리케이션 프로그래밍 인터페이스(API). 그 후, 이 함수는 다음을 호출하여 훈련 작업의 상태를 확인합니다. explain_document_classifier API. 마지막으로 훈련 작업 ARN 및 작업 상태를 훈련 워크플로의 다음 단계에 대한 출력으로 반환합니다.GetTrainingJobStatus
: 이 AWS Lambda는 호출을 통해 15분마다 훈련 작업의 작업 상태를 확인합니다. explain_document_classifier API(훈련 작업 상태가 완료 또는 실패로 변경될 때까지)GenerateMultiClass
orGenerateMultiLabel
: 선택하면 예 스택을 시작할 때 성능 보고서를 위해 이 두 AWS Lambda 중 하나는 Amazon Comprehend 모델 출력에 따라 분석을 실행합니다. 이 결과는 클래스별 성능 분석을 생성하고 이를 아마존 S3.GenerateMultiClass
: 입력이 다음과 같은 경우 이 AWS Lambda가 호출됩니다. 멀티클래스 그리고 당신은 선택 예 성과보고용.GenerateMultiLabel
: 입력이 다음과 같은 경우 이 AWS Lambda가 호출됩니다. 다중 라벨 그리고 당신은 선택 예 성과보고용.
- 훈련이 성공적으로 완료되면 솔루션은 다음과 같은 출력을 생성합니다.
- 사용자 정의 분류 모델: 학습된 모델 ARN은 향후 추론 작업을 위해 계정에서 사용할 수 있습니다.
- 혼란 매트릭스 [옵션l]: 혼동 행렬(
confusion_matrix
.json) 사용자 정의 출력에서 사용할 수 있습니다. 아마존 S3 경로는 사용자 선택에 따라 달라집니다. - 아마존 단순 알림 서비스 알림 [옵션l]: 초기 사용자 선택에 따라 훈련 작업 상태에 대한 알림 이메일이 구독자에게 전송됩니다.
연습
솔루션 시작
파이프라인을 배포하려면 다음 단계를 완료하세요.
- 왼쪽 메뉴에서 발사 스택 버튼 :
- 다음 선택
- 사용 사례에 맞는 옵션으로 파이프라인 세부 정보를 지정합니다.
각 스택 세부정보에 대한 정보:
- 스택 이름(필수) – 이에 대해 지정한 이름 AWS 클라우드 포메이션 스택. 이름은 생성 중인 리전에서 고유해야 합니다.
- Q01ClassifierInputBucketName(필수) – 입력 데이터를 저장할 Amazon S3 버킷 이름입니다. 이름은 전역적으로 고유해야 하며 AWS CloudFormation 스택은 버킷이 시작되는 동안 버킷을 생성하는 데 도움이 됩니다.
- Q02ClassifierOutputBucketName(필수) – Amazon Comprehend 및 파이프라인의 출력을 저장하기 위한 Amazon S3 버킷 이름입니다. 또한 전역적으로 고유한 이름이어야 합니다.
- Q03입력형식 – 드롭다운 선택에서 선택할 수 있습니다. 본문 (훈련 데이터가 csv 파일인 경우) 또는 반구조 (훈련 데이터가 반구조인 경우[예: PDF 파일]) 데이터 입력 형식을 기반으로 합니다.
- Q04언어 – 지원되는 목록에서 문서의 언어를 선택하는 드롭다운 선택. 입력 형식이 반구조형인 경우 현재 영어만 지원됩니다.
- Q05멀티클래스 – 드롭다운 선택, 선택 예 입력이 MultiClass 모드인 경우. 그렇지 않으면 다음을 선택하세요. 아니.
- Q06레이블구분자 – Q05MultiClass 답변이 다음인 경우에만 필요합니다. 아니. 이 구분 기호는 교육 데이터에서 각 클래스를 구분하는 데 사용됩니다.
- Q07검증 데이터 세트 – 드롭다운 선택에서 답변을 다음으로 변경합니다. 예 자신의 테스트 데이터로 훈련된 분류기의 성능을 테스트하려는 경우.
- Q08S3검증 경로 – Q07ValidationDataset 답변이 다음인 경우에만 필요합니다. 예.
- Q09실적보고서 – 드롭다운 선택, 선택 예 모델 교육 후 클래스 수준 성과 보고서를 생성하려는 경우 보고서는 Q02ClassifierOutputBucketName에 지정된 출력 버킷에 저장됩니다.
- Q10이메일 알림 – 드롭다운 선택. 선택하다 예 모델이 훈련된 후 알림을 받고 싶다면.
- Q11이메일ID – 성과보고서 알림을 받을 수 있는 유효한 이메일 주소를 입력하세요. 교육이 완료되면 알림을 받으려면 AWS CloudFormation 스택이 시작된 후 이메일에서 구독을 확인해야 합니다.
- Amazon 구성 스택 옵션 섹션에서 선택적 태그, 권한 및 기타 고급 설정을 추가합니다.
- 왼쪽 메뉴에서 다음 보기
- 스택 세부 정보를 검토하고 동의함을 선택합니다. AWS 클라우드 포메이션 AWS를 만들 수도 있다 IAM 자원.
- 왼쪽 메뉴에서 문의하기. 그러면 AWS 계정에서 파이프라인 배포가 시작됩니다.
- 스택이 성공적으로 배포되면 파이프라인 사용을 시작할 수 있습니다. 만들기
/training-data
입력을 위해 지정된 Amazon S3 위치 아래 폴더입니다. 메모: 아마존 S3 다른 암호화 옵션을 지정하지 않는 한 각 새 객체에 대해 서버 측 암호화(SSE-S3)가 자동으로 적용됩니다. 참조하시기 바랍니다 Amazon S3의 데이터 보호 데이터 보호 및 암호화에 대한 자세한 내용은 아마존 S3.
- 교육 데이터를 폴더에 업로드합니다. (훈련 데이터가 반구조인 경우 .csv 형식 레이블 정보를 업로드하기 전에 모든 PDF 파일을 업로드하십시오.)
이제 끝났습니다! 파이프라인을 성공적으로 배포했으며 배포된 단계 함수에서 파이프라인 상태를 확인할 수 있습니다. (Amazon Comprehend 사용자 지정 분류 패널에 훈련된 모델이 있습니다).
내부의 모델과 버전을 선택하는 경우 아마존 이해 콘솔을 사용하면 방금 훈련한 모델에 대한 자세한 내용을 볼 수 있습니다. 여기에는 Q05MultiClass 옵션에 해당하는 선택한 모드, 레이블 수, 훈련 데이터 내의 훈련 및 테스트 문서 수가 포함됩니다. 아래에서 전반적인 성능을 확인할 수도 있습니다. 다만, 클래스별 세부적인 성능을 확인하고 싶다면 배포된 파이프라인에서 생성된 Performance Report를 참고하시기 바랍니다.
서비스 할당량
귀하의 AWS 계정에는 다음에 대한 기본 할당량이 있습니다. 아마존 이해 및 AmazonTextract, 입력이 반구조 형식인 경우. 서비스 할당량을 보려면 다음을 참조하세요. 여기에서 지금 확인해 보세요. for 아마존 이해 및 여기에서 지금 확인해 보세요. for AmazonTextract.
정리
지속적인 요금이 발생하지 않도록 하려면 완료되면 이 솔루션의 일부로 생성한 리소스를 삭제하십시오.
- 에 아마존 S3 콘솔에서 입력 및 출력 데이터용으로 생성한 버킷 내부의 콘텐츠를 수동으로 삭제하세요.
- 에 AWS 클라우드 포메이션 콘솔, 선택 스택 탐색 창에서
- 메인 스택을 선택하고 ..
그러면 배포된 스택이 자동으로 삭제됩니다.
결론
이 게시물에서는 확장 가능한 훈련 파이프라인의 개념을 보여주었습니다. 아마존 이해 사용자 정의 분류 모델을 제공하고 새로운 모델을 효율적으로 교육하기 위한 자동화된 솔루션을 제공합니다. 그만큼 AWS 클라우드 포메이션 제공된 템플릿을 사용하면 수요 규모에 맞춰 자신만의 텍스트 분류 모델을 쉽게 만들 수 있습니다. 이 솔루션은 최근 발표된 Euclid 기능을 채택하고 텍스트 또는 반구조적 형식의 입력을 허용합니다.
이제 독자 여러분이 이러한 도구를 테스트해 보시기 바랍니다. 에 대한 자세한 내용을 확인할 수 있습니다. 훈련 데이터 준비 이해 맞춤 분류 기준. 직접 사용해 보고 모델 훈련 프로세스를 어떻게 간소화하고 효율성을 높일 수 있는지 직접 알아보세요. 피드백을 공유해주세요!
저자에 관하여
산딥 싱 AWS Professional Services의 수석 데이터 과학자입니다. 그는 최첨단 AI/ML 기반 솔루션을 개발하여 고객이 비즈니스 목표를 혁신하고 달성하도록 돕는 데 열정을 쏟고 있습니다. 그는 현재 Generative AI, LLM, 프롬프트 엔지니어링 및 기업 전반의 기계 학습 확장에 주력하고 있습니다. 그는 최신 AI 발전을 통해 고객을 위한 가치를 창출합니다.
장옌얀 AWS Professional Services의 에너지 전달 팀의 수석 데이터 과학자입니다. 그녀는 고객이 AI/ML 지식을 통해 실제 문제를 해결하도록 돕는 데 열정을 쏟고 있습니다. 최근 그녀는 Generative AI와 LLM의 잠재력을 탐구하는 데 주력하고 있습니다. 직장 밖에서 그녀는 여행, 운동, 새로운 것을 탐구하는 것을 좋아합니다.
릭 탈룩다르 Amazon Comprehend Service 팀의 수석 설계자입니다. 그는 AWS 고객과 협력하여 그들이 대규모로 기계 학습을 채택하도록 돕습니다. 업무 외에는 독서와 사진 촬영을 즐깁니다.
- 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. 자동차 / EV, 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
- PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
- 차트프라임. ChartPrime으로 트레이딩 게임을 향상시키십시오. 여기에서 액세스하십시오.
- BlockOffsets. 환경 오프셋 소유권 현대화. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/build-a-classification-pipeline-with-amazon-comprehend-custom-classification-part-i/
- :있다
- :이다
- $UP
- 1
- 100
- 11
- 15%
- 2023
- 24
- 26%
- 7
- 9
- a
- 할 수 있는
- 소개
- 수락
- ACCESS
- 에 따르면
- 계정
- 달성
- 인정
- 가로질러
- 활동적인
- 더하다
- 주소
- 해결 된
- 채택
- 많은
- 발전
- 이점
- 후
- AI
- AI / ML
- 연산
- All
- 수
- 이미
- 또한
- 아마존
- 아마존 이해
- Amazon Web Services
- an
- 분석
- 분석하는
- 및
- 발표
- 답변
- 더 이상
- API를
- 어플리케이션
- 적용하다
- 있군요
- AS
- 측면
- 할당 된
- At
- 오디오
- 감사
- 자동화
- Automatic
- 자동적으로
- 자동화
- 가능
- 피하기
- 떨어져
- AWS
- AWS 클라우드 포메이션
- AWS 람다
- AWS 전문 서비스
- 기지
- 기반으로
- BBC
- BE
- 된
- 전에
- 행동
- 존재
- 속
- 이하
- 혜택
- 주문품
- 더 나은
- 사이에
- 큰
- 블로그
- 돋보이게
- 검색
- 빌드
- 사업
- 사업
- 비자 면제 프로그램에 해당하는 국가의 시민권을 가지고 있지만
- 단추
- by
- 라는
- 부름
- CAN
- 케이스
- 가지 경우
- 카테고리
- 분류
- 범주
- 이전 단계로 돌아가기
- 변경
- 요금
- 검사
- 확인하는 것이 좋다.
- 왼쪽 메뉴에서
- 선택
- 수업
- 수업
- 분류
- 분류 한
- 분류
- 선명한
- 클릭
- 수집
- 단
- 열
- 경쟁력
- 불만
- 완전한
- 진행완료
- 복잡성
- compliance
- 이해하다
- 구성
- 개념
- 확인하기
- 혼동
- 연결
- 콘솔에서
- 이 포함되어 있습니다
- 함유량
- 내용
- 문맥
- 대응
- 비용
- 수
- 만들
- 가치 창출
- 만든
- 만들기
- 현재
- 관습
- 고객
- 고객센터
- 고객
- 데이터
- 데이터 보호
- 데이터 과학자
- 전용
- 태만
- 한정된
- 정의
- 정의
- 배달
- 딜로이트
- 수요
- 보여줍니다
- 의존
- 배포
- 배포
- 전개
- 기술 된
- 세부 묘사
- 상세한
- 세부설명
- 결정된
- 개발
- 개발
- 다른
- 어려운
- 문서
- 서류
- 달러
- 도메인
- 도메인
- 한
- 말라
- 아래 (down)
- e
- 마다
- 쉽게
- 용이하게
- Edge
- 효율성
- 효율적으로
- 자연스럽게
- 노력
- 중
- 이메일
- 가능
- 격려
- 암호화
- 에너지
- 약혼
- 엔지니어링
- 영어
- 강화
- 확인
- 엔터 버튼
- 기업
- 필수
- 유럽
- 모든
- 예
- 비싼
- 탐색
- 실패한
- 특색
- 피드백
- 를
- 그림
- 입양 부모로서의 귀하의 적합성을 결정하기 위해 미국 이민국에
- 파일
- 최종적으로
- Find
- 기업
- 먼저,
- 입어 보기
- 초점
- 집중
- 수행원
- 럭셔리
- 체재
- 에
- 기능
- 기능
- 미래
- 생성
- 생성
- 생성
- 생성적인
- 제너레이티브 AI
- 주기
- 세계적으로
- 통치
- 점차적으로
- 있다
- 데
- he
- 도움
- 도움이
- 도움이
- 그녀의
- 방법
- How To
- 그러나
- HTML
- HTTPS
- 사람의
- i
- 확인
- if
- in
- 포함
- 포함
- 포함
- 증가
- 표시된
- 정보
- 처음에는
- 시작
- 받아 들여 쓰다
- 입력
- 입력
- 내부
- 통찰력
- 이해
- 으로
- 소개
- 호출
- 문제
- IT
- 그
- 일
- JPG
- JSON
- 다만
- 키
- 지식
- 라벨
- 레이블
- 노동
- 언어
- 넓은
- 성
- 시작
- 진수
- 배우다
- 배우기
- 가장 작은
- 처럼
- 라인
- 명부
- LLM
- 위치한
- 위치
- 고정
- 이상
- 롯
- loves
- 절감
- 기계
- 기계 학습
- 만든
- 본관
- 과반수
- 제작
- 조작
- 수동으로
- .
- 지도
- 매트릭스
- XNUMX월..
- 미디어
- 소개
- 수도
- 회의록
- 모드
- 모델
- 모델
- 모드
- 돈
- 모니터링
- 배우기
- 가장
- 산
- 많은
- 여러
- 절대로 필요한 것
- name
- 이름
- 폭이 좁은
- 카테고리
- 필요한
- 필요
- 필요
- 신제품
- news
- 다음 것
- nlp
- 아니
- 공고
- 지금
- 번호
- 대상
- 목표
- of
- on
- ONE
- 지속적으로
- 만
- 선택권
- 옵션
- or
- 조직
- 조직
- 기타
- 그렇지 않으면
- 우리의
- 아웃
- 출력
- 외부
- 위에
- 전체
- 자신의
- 페이지
- 빵
- 패널
- 매개 변수
- 부품
- 특별히
- 패스
- 열렬한
- 통로
- 사람들
- 용
- 성능
- 권한
- 사진술
- 관로
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 부디
- 정책
- 정책
- 정치
- 가능한
- 게시하다
- 가능성
- powered
- 환경 설정
- Prepare
- 준비
- 문제
- 문제
- 방법
- 프로세스
- 처리
- 프로덕트
- 링크를
- 프로그램 작성
- 보호
- 제공
- 제공
- 제공
- Python
- 품질
- 빠르게
- 독자들
- 읽기
- 현실
- 받다
- 전수
- 최근
- 최근에
- 참조
- 지방
- 규정하는
- 규제 준수
- 관련
- 관련된
- 남아
- 신고
- 보고
- 저장소
- 필수
- 요구조건 니즈
- 의지
- 제품 자료
- 응답
- 결과
- 반품
- 연락해주세요
- 규칙
- 달리기
- 같은
- 찜하기
- 저장
- 확장성
- 확장성
- 규모
- 저울
- 스케일링
- 과학자
- 할퀴다
- 검색
- 둘째
- 섹션
- 참조
- 선택
- 연장자
- 전송
- 별도의
- 연속
- 서비스
- 서비스
- 세트
- 설정
- 설정
- 공유
- 그녀
- 짧은
- 영상을
- 보여
- 표시
- 상당한
- 의미하다
- 단순, 간단, 편리
- 단일
- 사태
- 사회적
- 소셜 미디어
- 해결책
- 솔루션
- 풀다
- 일부
- 출처
- 지우면 좋을거같음 . SM
- 구체적인
- 지정
- 스포츠
- 스택
- 단계
- 단계
- 기준
- 스타트
- 시작
- 최첨단
- Status
- 단계
- 단계
- 저장
- 저장
- 유선
- 가입자
- 신청
- 그후
- 성공적으로
- 이러한
- SUPPORT
- 지원
- 지원
- 설문조사
- TAG
- 맞춤형
- 받아
- 태스크
- 팀
- 기술
- 기법
- Technology
- 이 템플릿
- test
- 본문
- 텍스트 분류
- 보다
- 그
- XNUMXD덴탈의
- 소스
- 그들의
- 그들
- 그때
- Bowman의
- 그들
- 일
- 이
- 수천
- 세
- 을 통하여
- 시간
- 시간이 많이 걸리는
- 에
- 검색을
- 이상의 주제
- Train
- 훈련 된
- 트레이닝
- 여행
- 트렌드
- 트리거
- 시도
- 두
- 유형
- 폭로하다
- 아래에
- 이해
- 유일한
- 미개척
- 까지
- 업로드
- 업로드
- us
- 사용
- 유스 케이스
- 익숙한
- 사용자
- 사용자
- 사용
- 사용
- 가치 있는
- 가치
- 종류
- 버전
- 관측
- 필요
- 방법..
- we
- 웹
- 웹 서비스
- 웹 사이트
- 언제
- 어느
- 동안
- 모든
- 의지
- 과
- 이내
- 없이
- 작업
- 워크플로우
- 워크 플로우
- 일하는
- 운동
- 일
- 자신의
- 너의
- 제퍼 넷
- 지퍼