생성적 인공지능(생성 적 AI) 모델은 고품질 텍스트, 이미지 및 기타 콘텐츠를 생성하는 데 있어 인상적인 능력을 보여주었습니다. 그러나 이러한 모델의 잠재력을 최대한 활용하려면 방대한 양의 깨끗하고 구조화된 학습 데이터가 필요합니다. 대부분의 실제 데이터는 PDF와 같은 구조화되지 않은 형식으로 존재하므로 효과적으로 사용하려면 사전 처리가 필요합니다.
에 따르면 IDC, 비정형 데이터는 오늘날 전체 비즈니스 데이터의 80% 이상을 차지합니다. 여기에는 이메일, PDF, 스캔한 문서, 이미지, 오디오, 비디오 등과 같은 형식이 포함됩니다. 이 데이터는 귀중한 통찰력을 담고 있지만 구조화되지 않은 특성으로 인해 AI 알고리즘이 이를 해석하고 학습하기가 어렵습니다. 에 따르면 딜로이트의 2019년 설문조사, 단지 18%의 기업만이 구조화되지 않은 데이터를 활용할 수 있다고 보고했습니다.
AI 채택이 계속 가속화됨에 따라 구조화되지 않은 데이터를 소화하고 학습하기 위한 효율적인 메커니즘을 개발하는 것이 앞으로 더욱 중요해졌습니다. 여기에는 더 나은 전처리 도구, 준지도 학습 기술 및 자연어 처리의 발전이 포함될 수 있습니다. 비정형 데이터를 가장 효과적으로 사용하는 기업은 AI를 통해 상당한 경쟁 우위를 얻을 수 있습니다. 좋은 모델 성능을 위해서는 깨끗한 데이터가 중요합니다. 추출된 텍스트에는 여전히 많은 양의 횡설수설 및 상용구 텍스트(예: HTML 읽기)가 포함되어 있습니다. 인터넷에서 스크랩한 데이터에는 중복된 내용이 많이 포함되어 있는 경우가 많습니다. 소셜 미디어, 리뷰 또는 사용자 생성 콘텐츠의 데이터에는 독성이 있고 편향된 콘텐츠가 포함될 수도 있으므로 일부 전처리 단계를 사용하여 이러한 콘텐츠를 필터링해야 할 수도 있습니다. 품질이 낮은 콘텐츠나 봇이 생성한 텍스트가 많이 있을 수도 있으며, 이는 함께 제공되는 메타데이터를 사용하여 필터링할 수 있습니다(예: 낮은 고객 평가를 받은 고객 서비스 응답 필터링).
검색 증강 생성(Retrieval Augmented Generation)의 여러 단계에서 데이터 준비가 중요합니다(RAG) 모델. 지식 소스 문서는 효율적으로 색인화하고 검색할 수 있도록 텍스트 정리 및 의미 임베딩 생성과 같은 전처리가 필요합니다. 사용자의 자연어 쿼리에도 전처리가 필요하므로 벡터로 인코딩하여 문서 임베딩과 비교할 수 있습니다. 관련 컨텍스트를 검색한 후 기초 모델에 대한 최종 프롬프트를 생성하기 위해 사용자 쿼리에 연결되기 전에 잘라내기와 같은 추가 전처리가 필요할 수 있습니다. Amazon SageMaker 캔버스 이제 포괄적인 데이터 준비 기능을 지원합니다. Amazon SageMaker 데이터 랭글러. 이러한 통합을 통해 SageMaker Canvas는 고객에게 데이터를 준비하고, ML 및 기반 모델을 구축 및 사용하여 데이터에서 비즈니스 통찰력까지 시간을 단축할 수 있는 엔드투엔드 코드 없는 작업 공간을 제공합니다. 이제 50개 이상의 데이터 소스에서 데이터를 쉽게 검색 및 집계할 수 있으며, SageMaker Canvas의 시각적 인터페이스에서 300개 이상의 기본 제공 분석 및 변환을 사용하여 데이터를 탐색 및 준비할 수 있습니다.
솔루션 개요
이 게시물에서는 PDF 문서 데이터 세트를 사용하여 작업합니다.아마존 기반암 사용자 가이드. 또한 RAG용 데이터 세트를 전처리하는 방법을 보여줍니다. 특히 데이터 세트의 콘텐츠에 대한 질문에 답하기 위해 데이터를 정리하고 RAG 아티팩트를 생성합니다. 다음 기계 학습(ML) 문제를 고려하십시오. 사용자가 LLM(대형 언어 모델) 질문: "Amazon Bedrock에서 모델을 필터링하고 검색하는 방법은 무엇입니까?" LLM은 교육 또는 미세 조정 단계에서 문서를 보지 못했기 때문에 질문에 답할 수 없으며 아마도 환각에 빠질 것입니다. 이 게시물의 목표는 PDF(예: RAG)에서 관련 텍스트 부분을 찾아 프롬프트에 첨부하여 LLM이 이 문서와 관련된 질문에 답할 수 있도록 하는 것입니다.
아래에서는 이러한 주요 전처리 단계를 모두 수행하는 방법을 보여줍니다. Amazon SageMaker 캔버스 (제공 Amazon SageMaker 데이터 랭글러):
- PDF 문서에서 텍스트 추출(Textract 제공)
- 민감한 정보 제거(Comprehend 제공)
- 텍스트를 조각으로 나눕니다.
- 각 조각에 대한 임베딩을 생성합니다(Bedrock 제공).
- 벡터 데이터베이스에 임베딩 업로드(OpenSearch 제공)
사전 조건
이 연습에서는 다음이 있어야합니다.
주의 사항: 지침에 따라 OpenSearch 서비스 도메인을 생성합니다. 여기에서 지금 확인해 보세요.. 단순화를 위해 세분화된 액세스 제어를 위해 마스터 사용자 이름과 비밀번호가 있는 옵션을 선택하겠습니다. 도메인이 생성되면 다음 매핑을 사용하여 벡터 인덱스를 생성하고 벡터 차원 1536은 Amazon Titan 임베딩과 일치합니다.
연습
데이터 흐름 구축
이 섹션에서는 PDF에서 텍스트와 메타데이터를 추출하고, 데이터를 정리 및 처리하고, Amazon Bedrock을 사용하여 임베딩을 생성하고, Amazon OpenSearch에서 데이터를 인덱싱하는 데이터 흐름을 구축하는 방법을 다룹니다.
SageMaker 캔버스 실행
SageMaker Canvas를 시작하려면 다음 단계를 완료하십시오.
- 아마존에서 SageMaker 콘솔선택한다. 도메인 탐색 창에서
- 도메인을 선택하세요.
- 시작 메뉴에서 다음을 선택합니다. 캔버스.
데이터 흐름 만들기
SageMaker Canvas에서 데이터 흐름을 생성하려면 다음 단계를 완료하십시오.
- SageMaker Canvas 홈 페이지에서 다음을 선택합니다. 데이터 랭글러.
- 왼쪽 메뉴에서 만들기 페이지 오른쪽에서 데이터 흐름 이름을 지정하고 만들기.
- 그러면 데이터 흐름 페이지가 나타납니다.
- 왼쪽 메뉴에서 데이터 가져 오기에서 표 형식 데이터를 선택합니다.
이제 Amazon S3 버킷에서 데이터를 가져오겠습니다.
- 왼쪽 메뉴에서 데이터 가져 오기 선택 표의 드롭 다운 목록에서
- 데이터 소스 선택 아마존 S3 드롭 다운 목록에서
- PDF 파일 위치가 있는 메타데이터 파일로 이동하여 파일을 선택합니다.
- 이제 메타데이터 파일이 데이터 준비 데이터 흐름에 로드되었으며, 데이터와 인덱스를 Amazon으로 변환하는 다음 단계를 추가할 수 있습니다. 오픈 검색. 이 경우 파일에는 Amazon S3 디렉터리의 각 파일 위치와 함께 다음과 같은 메타데이터가 있습니다.
새 변환을 추가하려면 다음 단계를 완료하십시오.
- 더하기 기호를 선택하고 변형 추가.
- 왼쪽 메뉴에서 단계 추가 선택하고 사용자 지정 변환.
- Pandas, PySpark, Python 사용자 정의 함수 및 SQL PySpark를 사용하여 사용자 지정 변환을 생성할 수 있습니다. 선택하다 파이썬(파이스파크) 이 사용 사례의 경우.
- 단계의 이름을 입력합니다. 예제 코드 조각에서 찾아보고 선택합니다. pdf에서 텍스트 추출. 코드 조각을 필요에 따라 변경하고 선택합니다. 추가.
- 다음을 활용하여 추출된 데이터에서 개인 식별 정보(PII) 데이터를 수정하는 단계를 추가해 보겠습니다. 아마존 이해. 선택 단계 추가 선택하고 사용자 지정 변환. 그리고 파이썬(PySpark).
예제 코드 조각에서 찾아보고 선택합니다. 마스크 PII. 코드 조각을 필요에 따라 변경하고 선택합니다. 추가.
- 다음 단계는 텍스트 콘텐츠를 청크하는 것입니다. 선택하다 단계 추가 선택하고 사용자 지정 변환. 그리고 파이썬(PySpark).
예제 코드 조각에서 찾아보고 선택합니다. 청크 텍스트. 코드 조각을 필요에 따라 변경하고 선택합니다. 추가.
- 다음을 사용하여 텍스트 콘텐츠를 벡터 임베딩으로 변환해 보겠습니다. 아마존 기반암 타이탄 임베딩 모델. 선택하다 단계 추가 선택하고 사용자 지정 변환. 그리고 파이썬(PySpark).
예제 코드 조각에서 찾아보고 선택합니다. Bedrock을 사용하여 텍스트 임베딩을 생성합니다. 코드 조각을 필요에 따라 변경하고 선택합니다. 추가.
- 이제 PDF 파일 콘텐츠에 벡터 임베딩을 사용할 수 있습니다. 계속해서 데이터를 Amazon OpenSearch로 인덱싱해 보겠습니다. 선택하다 단계 추가 선택하고 사용자 지정 변환. 그리고 파이썬(PySpark). 원하는 벡터 데이터베이스를 사용하려면 다음 코드를 자유롭게 다시 작성할 수 있습니다. 단순화를 위해 마스터 사용자 이름과 비밀번호를 사용하여 OpenSearch API에 액세스하고, 프로덕션 워크로드의 경우 조직 정책에 따라 옵션을 선택합니다.
마지막으로 생성된 데이터 흐름은 다음과 같습니다.
이 데이터 흐름을 사용하면 PDF 파일의 데이터가 Amazon OpenSearch에서 벡터 임베딩으로 읽고 색인화되었습니다. 이제 인덱싱된 데이터를 쿼리하고 Amazon S3 위치에 저장하는 쿼리가 포함된 파일을 생성할 차례입니다. 검색 데이터 흐름을 파일로 지정하고 Amazon S3 위치의 새 파일에 해당 결과가 포함된 파일을 출력하겠습니다.
프롬프트 준비하기
PDF에서 지식 베이스를 생성한 후 몇 가지 샘플 쿼리에 대한 지식 베이스를 검색하여 테스트할 수 있습니다. 각 쿼리는 다음과 같이 처리됩니다.
- 쿼리에 대한 임베딩 생성(Amazon Bedrock 제공)
- 가장 가까운 이웃 컨텍스트에 대한 쿼리 벡터 데이터베이스(Amazon OpenSearch 제공)
- 쿼리와 컨텍스트를 프롬프트에 결합합니다.
- 프롬프트로 LLM 쿼리(Amazon Bedrock 제공)
- SageMaker Canvas 홈 페이지에서 다음을 선택합니다. 데이터 준비.
- 왼쪽 메뉴에서 만들기 페이지 오른쪽에서 데이터 흐름 이름을 지정하고 만들기.
이제 사용자 질문을 로드한 다음 질문과 유사한 문서를 결합하여 프롬프트를 만들어 보겠습니다. 이 프롬프트는 사용자 질문에 대한 답변을 생성하기 위해 LLM에 제공됩니다.
- 사용자 질문이 포함된 csv 파일을 로드해 보겠습니다. 선택하다 데이터 가져 오기 선택 표의 드롭 다운 목록에서
- 데이터 소스, 선택 아마존 S3 드롭다운 목록에서 또는 사용자 쿼리가 포함된 파일을 업로드하도록 선택할 수 있습니다.
- 데이터를 벡터 임베딩으로 변환하는 사용자 지정 변환을 추가한 다음 Amazon OpenSearch에서 관련 임베딩을 검색한 후 지식 베이스의 쿼리 및 컨텍스트와 함께 Amazon Bedrock에 프롬프트를 보냅니다. 쿼리에 대한 임베딩을 생성하려면 동일한 예제 코드 조각을 사용할 수 있습니다. Bedrock을 사용하여 텍스트 임베딩 생성 위의 7단계에서 언급했습니다.
Amazon OpenSearch API를 호출하여 생성된 벡터 임베딩에 대한 관련 문서를 검색해 보겠습니다. Python(PySpark)을 사용하여 사용자 지정 변환을 추가합니다.
쿼리 응답을 위해 Amazon Bedrock API를 호출하고 Amazon OpenSearch 기술 자료의 문서를 전달하는 사용자 지정 변환을 추가해 보겠습니다. 예제 코드 조각에서 찾아보고 선택합니다. 컨텍스트를 사용하여 Bedrock을 쿼리합니다. 코드 조각을 필요에 따라 변경하고 선택합니다. 추가.
RAG 기반의 질의 응답 데이터 흐름을 요약하면 다음과 같습니다.
ML 실무자는 기능 엔지니어링 코드를 작성하고, 이를 초기 데이터세트에 적용하고, 엔지니어링된 데이터세트에서 모델을 훈련하고, 모델 정확도를 평가하는 데 많은 시간을 보냅니다. 이 작업의 실험적 특성을 고려하면 가장 작은 프로젝트라도 여러 번의 반복이 필요합니다. 동일한 기능 엔지니어링 코드가 반복해서 실행되는 경우가 많아 동일한 작업을 반복하는 데 시간과 컴퓨팅 리소스가 낭비됩니다. 대규모 조직에서는 서로 다른 팀이 동일한 작업을 실행하거나 이전 작업에 대한 지식이 없어 중복된 기능 엔지니어링 코드를 작성하는 경우가 많기 때문에 이로 인해 생산성이 훨씬 더 많이 손실될 수 있습니다. 기능 재처리를 방지하기 위해 데이터 흐름을 Amazon으로 내보냅니다. SageMaker 파이프라인. 다음을 선택하십시오. 쿼리 오른쪽에 + 버튼이 있습니다. 데이터 흐름 내보내기를 선택하고 SageMaker 파이프라인 실행 (Jupyter 노트북을 통해)
청소
향후 요금이 발생하지 않도록 하려면 이 게시물을 팔로우하는 동안 생성한 리소스를 삭제하거나 종료하세요. 인용하다 Amazon SageMaker 캔버스에서 로그아웃 자세한 내용은.
결론
이 게시물에서는 LLM용 데이터를 준비하는 데이터 전문가의 역할을 가정하여 Amazon SageMaker Canvas의 엔드투엔드 기능을 보여주었습니다. 대화형 데이터 준비를 통해 데이터를 신속하게 정리, 변환 및 분석하여 정보 기능을 엔지니어링할 수 있었습니다. 코딩 복잡성을 제거함으로써 SageMaker Canvas는 빠른 반복을 통해 고품질 교육 데이터 세트를 생성할 수 있었습니다. 이러한 가속화된 워크플로우는 비즈니스에 영향을 미칠 수 있는 고성능 기계 학습 모델을 구축, 교육 및 배포하는 데 직접적으로 이어졌습니다. 포괄적인 데이터 준비와 데이터에서 통찰력에 이르는 통합 경험을 통해 SageMaker Canvas는 사용자가 ML 결과를 개선할 수 있도록 지원합니다.
탐색을 통해 더 많은 정보를 얻을 수 있도록 권장합니다. Amazon SageMaker 데이터 랭글러, Amazon SageMaker 캔버스, 아마존 타이탄 모델, 아마존 기반암및 Amazon 오픈서치 서비스 이 게시물에 제공된 샘플 구현과 귀하의 비즈니스와 관련된 데이터 세트를 사용하여 솔루션을 구축합니다. 질문이나 제안사항이 있으시면 댓글을 남겨주세요.
저자에 관하여
아자이 고빈다람 AWS의 선임 솔루션 아키텍트입니다. 그는 AI/ML을 사용하여 복잡한 비즈니스 문제를 해결하는 전략적 고객과 협력합니다. 그의 경험은 보통 규모에서 대규모 AI/ML 애플리케이션 배포에 대한 기술 방향 및 설계 지원을 제공하는 데 있습니다. 그의 지식은 애플리케이션 아키텍처에서 빅 데이터, 분석 및 기계 학습에 이르기까지 다양합니다. 쉬는 동안 음악을 들으며 야외 활동을 하고 사랑하는 사람들과 시간을 보내는 것을 즐긴다.
니키타 이브킨 기계 학습 및 데이터 정리 알고리즘에 관심이 있는 Amazon SageMaker Data Wrangler의 선임 응용 과학자입니다.
- 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/simplify-data-prep-for-gen-ai-with-amazon-sagemaker-data-wrangler/
- :있다
- :이다
- :아니
- 100
- 14
- 20
- 25
- 28
- 50
- 7
- 8
- 804
- a
- 할 수 있는
- 소개
- 위의
- 가속
- 가속 된
- ACCESS
- 에 따르면
- 계정
- 더하다
- 추가
- 양자
- 발전하다
- 이점
- 장점
- 후
- 다시
- 골재
- 앞으로
- AI
- AI / ML
- 알고리즘
- 정렬
- All
- 수
- 또한
- 아마존
- 아마존 세이지 메이커
- Amazon SageMaker 데이터 랭글러
- Amazon Web Services
- 금액
- an
- 복수
- 분석
- 분석하는
- 및
- 답변
- 어떤
- API를
- 어플리케이션
- 적용된
- 적용
- 아키텍처
- 있군요
- 인조의
- 인공 지능
- AS
- 원조
- At
- 붙이다
- 오디오
- 증강 된
- 가능
- 피하기
- AWS
- 기지
- 기반으로
- BE
- 때문에
- 된다
- 된
- 전에
- 존재
- 더 나은
- 치우친
- 큰
- 빅 데이터
- 빌드
- 건물
- 내장
- 사업
- 사업
- 단추
- by
- 전화
- CAN
- 캔버스
- 기능
- 케이스
- 원인
- 변경
- 요금
- 왼쪽 메뉴에서
- 황어 무리
- 청소관련
- 암호
- 코딩
- 결합
- 본문
- 기업
- 비교
- 경쟁력
- 완전한
- 복잡한
- 복잡성
- 이해하다
- 포괄적 인
- 계산
- 고려
- 콘솔에서
- 포함하는
- 이 포함되어 있습니다
- 함유량
- 내용
- 문맥
- 문맥
- 계속
- 제어
- 변하게 하다
- 동
- 수
- 엄호
- 만들
- 만든
- 임계
- 관습
- 고객
- 고객 센터
- 고객
- 데이터
- 데이터 준비
- 데이터베이스
- 데이터 세트
- 딜로이트
- 시연
- 배치
- 배포
- 디자인
- 세부설명
- 개발
- 다른
- 어려운
- 외형 치수
- 방향
- 직접
- 발견
- do
- 문서
- 선적 서류 비치
- 서류
- 도메인
- 도메인
- 아래 (down)
- ...동안
- e
- 마다
- 용이하게
- 효과적으로
- 효율적인
- 효율적으로
- 이메일
- 임베딩
- 힘을 실어
- 사용 가능
- 가능
- 격려
- 끝으로 종료
- 기사
- 조작 된
- 엔지니어링
- 평가
- 조차
- 예
- 존재
- 경험
- 체험
- 실험
- 탐험
- 탐색
- 수출
- 추출물
- 특색
- 특징
- 를
- Fields
- 입양 부모로서의 귀하의 적합성을 결정하기 위해 미국 이민국에
- 필터링
- 최후의
- Find
- 흐름
- 다음에
- 수행원
- 다음
- 럭셔리
- 포브스
- Foundation
- 기초
- 무료
- 에
- 가득 찬
- 기능
- 추가
- 미래
- 이득
- 생성
- 생성
- 생성
- 세대
- 생성적인
- 제너레이티브 AI
- 얻을
- 주기
- 주어진
- 글로벌
- Go
- 골
- 좋은
- 큰
- 있다
- he
- 헤더
- 높은 품질의
- 그의
- 보유
- 홈
- 방법
- How To
- 그러나
- HTML
- HTTPS
- i
- 같은
- if
- 형상
- 영향
- 이행
- import
- 중대한
- 인상
- 개선
- in
- 포함
- 색인
- 색인
- 정보
- 유익한 정보
- 처음에는
- 통찰력
- 명령
- 완성
- 인텔리전스
- 대화형
- 이해
- 인터페이스
- 인터넷
- 으로
- 감다
- IT
- 되풀이
- 반복
- 그
- 작업
- JPG
- JSON
- 지식
- 땅
- 언어
- 넓은
- 대규모
- 시작
- 오퍼
- 배우다
- 배우기
- 휴가
- 지도
- 레버리지
- 거짓
- 처럼
- 명부
- 청취
- LLM
- 하중
- 위치
- 위치
- 오프
- 롯
- 사랑
- 낮은
- 기계
- 기계 학습
- 본관
- 확인
- 제작
- 마스크
- 거대한
- 석사
- XNUMX월..
- 메커니즘
- 미디어
- 메뉴
- 메타
- 메타 데이터
- ML
- 모델
- 모델
- 겸손한
- 배우기
- 가장
- 여러
- 음악
- name
- 자연의
- 자연 언어 처리
- 자연
- 카테고리
- 필요한
- 필요
- 신제품
- 다음 것
- 아니
- 수첩
- 지금
- of
- 자주
- on
- 일단
- 사람
- 만
- 행정부
- 선택권
- or
- 조직
- 조직
- 기타
- 우리의
- 아웃
- 결과
- 야외에서
- 출력
- 위에
- 페이지
- 팬더
- 빵
- 통과
- 비밀번호
- 성능
- 확인
- 선택
- 조각
- 개
- 관로
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 부디
- ...을 더한
- 포인트 적립
- 정책
- 게시하다
- 가능성
- powered
- 선호하는
- 준비
- Prepare
- 준비
- 이전에
- 아마
- 문제
- 문제
- 진행
- 방법
- 처리
- 생산
- 생산력
- 링크를
- 프로젝트
- 속성
- 제공
- 제공
- 제공
- Python
- 쿼리
- 문제
- 문의
- 빨리
- 범위
- 빠른
- 평가
- 도달
- 읽기
- 현실 세계
- 접수
- 참조
- 관련
- 관련된
- 제거
- 보고
- 요청
- 필요
- 필요
- 제품 자료
- 응답
- 응답
- 휴식
- 결과
- return
- 리뷰
- 연락해주세요
- 직위별
- 달리기
- 현자
- 같은
- 찜하기
- 과학자
- 검색
- 수색
- 섹션
- 본
- 고르다
- 전송
- 연장자
- 민감한
- 서비스
- 서비스
- 설정
- 영상을
- 표시
- 보여
- 폐쇄
- 종료
- 측면
- 기호
- 상당한
- 비슷한
- 간단
- 단순화
- 크기
- 단편
- So
- 사회적
- 소셜 미디어
- 해결책
- 솔루션
- 풀다
- 일부
- 출처
- 지우면 좋을거같음 . SM
- 구체적인
- 구체적으로
- 지출
- 지출
- 단계
- 단계
- 단계
- 단계
- 아직도
- 전략의
- 구조화
- 개요
- 지원
- 설문조사
- 받아
- 팀
- 테크니컬
- 기법
- test
- 본문
- 그
- XNUMXD덴탈의
- 미래
- 그들의
- 그들
- 그때
- 그곳에.
- Bowman의
- 그들
- 이
- 그러므로
- 시간
- 타이탄
- 에
- 오늘
- 검색을
- 트레이닝
- 변환
- 변환
- 변환
- 변화
- 참된
- 잘림
- 유형
- 유형
- 통일
- us
- 사용
- 익숙한
- 사용자
- 사용자
- 사용
- 가치 있는
- 를 통해
- Video
- 시각
- 연습
- we
- 웹
- 웹 서비스
- 잘
- 어느
- 동안
- 누구
- 의지
- 과
- 작업
- 워크플로우
- 일
- 겠지
- 쓰다
- 자신의
- 너의
- 제퍼 넷