Gegevensvoorbereiding is een cruciale stap in elk gegevensgestuurd project en het hebben van de juiste tools kan de operationele efficiëntie aanzienlijk verbeteren. Amazon SageMaker-gegevens Wrangler verkort de tijd die nodig is om tabel- en beeldgegevens voor machine learning (ML) samen te voegen en voor te bereiden van weken naar minuten. Met SageMaker Data Wrangler kunt u het proces van gegevensvoorbereiding en functie-engineering vereenvoudigen en elke stap van de gegevensvoorbereidingsworkflow voltooien, inclusief gegevensselectie, opschoning, verkenning en visualisatie vanuit een enkele visuele interface.
In dit bericht verkennen we de nieuwste functies van SageMaker Data Wrangler die specifiek zijn ontworpen om de operationele ervaring te verbeteren. We verdiepen ons in de ondersteuning van Eenvoudige opslagservice (Amazone S3) manifesteren bestanden, gevolgtrekkingsartefacten in een interactieve gegevensstroom en de naadloze integratie met JSON (JavaScript-objectnotatie) formaat voor inferentie, waarbij wordt benadrukt hoe deze verbeteringen de gegevensvoorbereiding eenvoudiger en efficiënter maken.
Introductie van nieuwe functies
In deze sectie bespreken we de nieuwe functies van de SageMaker Data Wrangler voor optimale gegevensvoorbereiding.
Ondersteuning voor S3-manifestbestanden met SageMaker Autopilot voor ML-inferentie
SageMaker Data Wrangler maakt een uniforme gegevensvoorbereiding en modeltraining ervaring met Amazon SageMaker-stuurautomaat in slechts een paar klikken. U kunt SageMaker Autopilot gebruiken om automatisch modellen te trainen, af te stemmen en te implementeren op basis van de gegevens die u in uw gegevensstroom hebt getransformeerd.
Deze ervaring is nu verder vereenvoudigd met ondersteuning voor S3-manifestbestanden. Een S3-manifestbestand is een tekstbestand met een lijst van de objecten (bestanden) die zijn opgeslagen in een S3-bucket. Als uw geëxporteerde dataset in SageMaker Data Wrangler behoorlijk groot is en opgesplitst in meerdelige databestanden in Amazon S3, zal SageMaker Data Wrangler nu automatisch een manifestbestand in S3 maken dat al deze databestanden vertegenwoordigt. Dit gegenereerde manifestbestand kan nu worden gebruikt met de gebruikersinterface van SageMaker Autopilot in SageMaker Data Wrangler om alle gepartitioneerde gegevens op te halen voor training.
Voordat deze functie werd gelanceerd, kon u bij het gebruik van SageMaker Autopilot-modellen die zijn getraind op voorbereide gegevens van SageMaker Data Wrangler slechts één gegevensbestand kiezen, dat mogelijk niet de volledige gegevensset vertegenwoordigt, vooral als de gegevensset erg groot is. Met deze nieuwe ervaring met manifestbestanden bent u niet beperkt tot een subset van uw dataset. U kunt een ML-model bouwen met SageMaker Autopilot die al uw gegevens vertegenwoordigt met behulp van het manifestbestand en dat gebruiken voor uw ML-inferentie en productie-implementatie. Deze functie verbetert de operationele efficiëntie door het vereenvoudigen van het trainen van ML-modellen met SageMaker Autopilot en het stroomlijnen van workflows voor gegevensverwerking.
Ondersteuning toegevoegd voor inferentiestroom in gegenereerde artefacten
Klanten willen de datatransformaties die ze hebben toegepast op hun modeltrainingsdata, zoals one-hot codering, PCA, en impute ontbrekende waarden, gebruiken en die datatransformaties toepassen op real-time inferentie of batchinferentie in productie. Om dit te doen, moet u een SageMaker Data Wrangler-inferentie-artefact hebben, dat wordt gebruikt door een SageMaker-model.
Voorheen konden inferentie-artefacten alleen worden gegenereerd vanuit de gebruikersinterface bij het exporteren naar SageMaker Autopilot-training of het exporteren van een inferentiepijplijn-notebook. Dit bood geen flexibiliteit als u uw SageMaker Data Wrangler-stromen buiten de Amazon SageMaker Studio omgeving. U kunt nu een gevolgtrekkingsartefact genereren voor elk compatibel stroombestand via een SageMaker Data Wrangler-verwerkingstaak. Dit maakt programmatische, end-to-end MLOps mogelijk met SageMaker Data Wrangler-flows voor code-first MLOps-persona's, evenals een intuïtief pad zonder code om een gevolgtrekkingsartefact te verkrijgen door een taak te maken vanuit de gebruikersinterface.
Gegevensvoorbereiding stroomlijnen
JSON is een algemeen geaccepteerd formaat geworden voor gegevensuitwisseling in moderne gegevensecosystemen. Dankzij de integratie van SageMaker Data Wrangler met het JSON-formaat kunt u JSON-gegevens naadloos verwerken voor transformatie en opschoning. Door native ondersteuning voor JSON te bieden, vereenvoudigt SageMaker Data Wrangler het proces van het werken met gestructureerde en semi-gestructureerde gegevens, waardoor u waardevolle inzichten kunt extraheren en gegevens efficiënt kunt voorbereiden. SageMaker Data Wrangler ondersteunt nu het JSON-formaat voor zowel batch- als real-time inferentie-eindpuntimplementatie.
Overzicht oplossingen
Voor onze use case gebruiken we het voorbeeld Dataset klantrecensies van Amazon om te laten zien hoe SageMaker Data Wrangler de operationele inspanning kan vereenvoudigen om een nieuw ML-model te bouwen met behulp van SageMaker Autopilot. De dataset met klantrecensies van Amazon bevat productrecensies en metadata van Amazon, waaronder 142.8 miljoen recensies van mei 1996 tot juli 2014.
Op hoog niveau gebruiken we SageMaker Data Wrangler om deze grote dataset te beheren en de volgende acties uit te voeren:
- Ontwikkel een ML-model in SageMaker Autopilot met behulp van de hele dataset, niet alleen een voorbeeld.
- Bouw een real-time inferentiepijplijn met het inferentie-artefact gegenereerd door SageMaker Data Wrangler en gebruik JSON-opmaak voor invoer en uitvoer.
Ondersteuning voor S3-manifestbestanden met SageMaker Autopilot
Bij het maken van een SageMaker Autopilot-experiment met behulp van SageMaker Data Wrangler kon u voorheen slechts één CSV- of Parquet-bestand opgeven. U kunt nu ook een S3-manifestbestand gebruiken, zodat u grote hoeveelheden gegevens kunt gebruiken voor SageMaker Autopilot-experimenten. SageMaker Data Wrangler verdeelt invoergegevensbestanden automatisch in verschillende kleinere bestanden en genereert een manifest dat kan worden gebruikt in een SageMaker Autopilot-experiment om alle gegevens uit de interactieve sessie binnen te halen, niet slechts een kleine steekproef.
Voer de volgende stappen uit:
- Importeer de klantrecensiegegevens van Amazon vanuit een CSV-bestand in SageMaker Data Wrangler. Zorg ervoor dat u steekproeven uitschakelt bij het importeren van de gegevens.
- Geef de transformaties op die de gegevens normaliseren. Verwijder voor dit voorbeeld symbolen en transformeer alles in kleine letters met behulp van de ingebouwde transformaties van SageMaker Data Wrangler.
- Kies Trein model om te beginnen met trainen.
Om een model te trainen met SageMaker Autopilot, exporteert SageMaker automatisch gegevens naar een S3-bucket. Voor grote datasets zoals deze, wordt het bestand automatisch opgesplitst in kleinere bestanden en wordt een manifest gegenereerd met de locatie van de kleinere bestanden.
- Selecteer eerst uw invoergegevens.
Eerder had SageMaker Data Wrangler geen optie om een manifestbestand te genereren voor gebruik met SageMaker Autopilot. Vandaag, met de release van ondersteuning voor manifestbestanden, exporteert SageMaker Data Wrangler automatisch een manifestbestand naar Amazon S3, vult de S3-locatie van de SageMaker Autopilot-training vooraf in met de manifestbestand S3-locatie en schakelt de manifestbestandoptie naar Ja. Er is geen werk nodig om het manifestbestand te genereren of te gebruiken.
- Configureer uw experiment door het doel te selecteren dat het model moet voorspellen.
- Selecteer vervolgens een trainingsmethode. In dit geval selecteren we automobiel en laat SageMaker Autopilot de beste trainingsmethode bepalen op basis van de grootte van de dataset.
- Geef de implementatie-instellingen op.
- Bekijk ten slotte de taakconfiguratie en dien het SageMaker Autopilot-experiment in voor training. Wanneer SageMaker Autopilot het experiment voltooit, kunt u de trainingsresultaten bekijken en het beste model verkennen.
Dankzij ondersteuning voor manifestbestanden kunt u uw volledige dataset gebruiken voor het SageMaker Autopilot-experiment, niet alleen een subset van uw gegevens.
Zie voor meer informatie over het gebruik van SageMaker Autopilot met SageMaker Data Wrangler Uniforme gegevensvoorbereiding en modeltraining met Amazon SageMaker Data Wrangler en Amazon SageMaker Autopilot.
Genereer gevolgtrekkingsartefacten van SageMaker Processing-taken
Laten we nu eens kijken hoe we gevolgtrekkingsartefacten kunnen genereren via zowel de SageMaker Data Wrangler UI als SageMaker Data Wrangler-notebooks.
SageMaker Data Wrangler-gebruikersinterface
Voor onze use case willen we onze gegevens verwerken via de gebruikersinterface en vervolgens de resulterende gegevens gebruiken om een model te trainen en te implementeren via de SageMaker-console. Voer de volgende stappen uit:
- Open de gegevensstroom die u in de voorgaande sectie hebt gemaakt.
- Kies het plusteken naast de laatste transformatie, kies Bestemming toevoegenen kies Amazon S3. Hier worden de verwerkte gegevens opgeslagen.
- Kies Baan creëren.
- kies Genereer gevolgtrekkingsartefacten in de sectie Afleidingsparameters om een gevolgtrekkingsartefact te genereren.
- Voer bij Naam van inferentie-artefact de naam in van uw inferentie-artefact (met .tar.gz als de bestandsextensie).
- Voer voor Inferentie-uitvoerknooppunt het bestemmingsknooppunt in dat overeenkomt met de transformaties die zijn toegepast op uw trainingsgegevens.
- Kies Taak configureren.
- Onder Taak configuratie, voer een pad in voor Stroombestand S3 locatie. Een map genaamd
data_wrangler_flows
wordt op deze locatie gemaakt en het gevolgtrekkingsartefact wordt naar deze map geüpload. Stel een andere S3-locatie in om de uploadlocatie te wijzigen. - Laat de standaardwaarden voor alle andere opties staan en kies creëren om de verwerkingstaak te maken.
De verwerkingstaak maakt eentarball (.tar.gz)
met een gewijzigd gegevensstroombestand met een nieuw toegevoegde inferentiesectie waarmee u deze kunt gebruiken voor inferentie. U hebt de S3 Uniform Resource Identifier (URI) van het gevolgtrekkingsartefact nodig om het artefact aan een SageMaker-model te leveren wanneer u uw gevolgtrekkingsoplossing implementeert. De URI staat in het formulier{Flow file S3 location}/data_wrangler_flows/{inference artifact name}.tar.gz
. - Als u deze waarden niet eerder hebt genoteerd, kunt u de link naar de verwerkingstaak kiezen om de relevante details te vinden. In ons voorbeeld is de URI
s3://sagemaker-us-east-1-43257985977/data_wrangler_flows/example-2023-05-30T12-20-18.tar.gz.
- Kopieer de waarde van Afbeelding verwerken; we hebben deze URI ook nodig bij het maken van ons model.
- We kunnen deze URI nu gebruiken om een SageMaker-model te maken op de SageMaker-console, dat we later kunnen implementeren in een eindpunt- of batchtransformatietaak.
- Onder Modelinstellingen¸ voer een modelnaam in en specificeer uw IAM-rol.
- Voor Opties voor containerinvoerselecteer Zorg voor modelartefacten en de locatie van de gevolgtrekkingsafbeelding.
- Voor Locatie van afbeelding van inferentiecode, voer de verwerkingsbeeld-URI in.
- Voor Locatie van modelartefacten, voer de URI van het gevolgtrekkingsartefact in.
- Als uw gegevens bovendien een doelkolom hebben die wordt voorspeld door een getraind ML-model, geeft u de naam van die kolom op onder Omgevingsvariabelenmet
INFERENCE_TARGET_COLUMN_NAME
as sleutel en de kolomnaam als Waarde. - Voltooi het maken van uw model door te kiezen Maak een model.
We hebben nu een model dat we kunnen inzetten voor een endpoint- of batchtransformatietaak.
SageMaker Data Wrangler-notebooks
Voor een code-eerst-benadering om het gevolgtrekkingsartefact uit een verwerkingstaak te genereren, kunnen we de voorbeeldcode vinden door te kiezen Exporteren naar in het knooppuntmenu en kies een van beide Amazon S3, SageMaker-pijpleidingenof SageMaker Inferentiepijplijn. We kiezen SageMaker Inferentiepijplijn in dit voorbeeld.
In dit notitieboek is er een sectie met de titel Verwerker maken (dit is identiek in de SageMaker Pipelines-notebook, maar in de Amazon S3-notebook staat de equivalente code onder de Taakconfiguraties sectie). Onderaan deze sectie staat een configuratie voor ons gevolgtrekkingsartefact genaamd inference_params
. Het bevat dezelfde informatie die we in de gebruikersinterface hebben gezien, namelijk de naam van het inferentie-artefact en het inferentie-uitvoerknooppunt. Deze waarden worden vooraf ingevuld, maar kunnen worden gewijzigd. Er is ook een parameter genaamd use_inference_params
, die moet worden ingesteld True
om deze configuratie in de verwerkingstaak te gebruiken.
Verderop is een sectie met de titel Definieer pijplijnstappenWanneer de inference_params
configuratie wordt toegevoegd aan een lijst met taakargumenten en doorgegeven aan de definitie voor een SageMaker Data Wrangler-verwerkingsstap. In de Amazon S3-notebook, job_arguments
wordt direct na de gedefinieerd Taakconfiguraties pagina.
Met deze eenvoudige configuraties genereert de verwerkingstaak die door deze notebook is gemaakt een gevolgtrekkingsartefact op dezelfde S3-locatie als ons stroombestand (eerder gedefinieerd in onze notebook). We kunnen deze S3-locatie programmatisch bepalen en dit artefact gebruiken om een SageMaker-model te maken met behulp van de SageMaker Python-SDK, wat wordt gedemonstreerd in het SageMaker Inference Pipeline-notebook.
Dezelfde benadering kan worden toegepast op elke Python-code die een SageMaker Data Wrangler-verwerkingstaak maakt.
Ondersteuning van JSON-bestandsindeling voor invoer en uitvoer tijdens inferentie
Het is vrij gebruikelijk voor websites en applicaties om JSON te gebruiken als verzoek/antwoord voor API's, zodat de informatie gemakkelijk te ontleden is door verschillende programmeertalen.
Voorheen, nadat u een getraind model had, kon u er alleen mee communiceren via CSV als invoerformaat in een SageMaker Data Wrangler-inferentiepijplijn. Tegenwoordig kunt u JSON gebruiken als invoer- en uitvoerformaat, wat meer flexibiliteit biedt bij interactie met SageMaker Data Wrangler-inferentiecontainers.
Voer de volgende stappen uit om aan de slag te gaan met het gebruik van JSON voor invoer en uitvoer in het notebook voor de inferentiepijplijn:
- Definieer een lading.
Voor elke payload verwacht het model een sleutel met de naam instances. De waarde is een lijst met objecten, elk met een eigen gegevenspunt. De objecten hebben een sleutel nodig die kenmerken wordt genoemd, en de waarden moeten de kenmerken zijn van een enkel gegevenspunt dat bedoeld is om aan het model te worden voorgelegd. Er kunnen meerdere datapunten in één verzoek worden ingediend, tot een totale grootte van 6 MB per verzoek.
Zie de volgende code:
- Geef het
ContentType
asapplication/json
. - Geef gegevens aan het model en ontvang gevolgtrekkingen in JSON-indeling.
Bekijk Gemeenschappelijke gegevensindelingen voor inferentie voor voorbeelden van invoer- en uitvoer-JSON-voorbeelden.
Opruimen
Wanneer u klaar bent met het gebruik van SageMaker Data Wrangler, raden we u aan de instantie waarop het draait af te sluiten om extra kosten te voorkomen. Zie voor instructies over het afsluiten van de SageMaker Data Wrangler-app en de bijbehorende instantie Sluit Data Wrangler af.
Conclusie
De nieuwe functies van SageMaker Data Wrangler, waaronder ondersteuning voor S3-manifestbestanden, inferentiemogelijkheden en JSON-indelingsintegratie, transformeren de operationele ervaring van gegevensvoorbereiding. Deze verbeteringen stroomlijnen het importeren van gegevens, automatiseren gegevenstransformaties en vereenvoudigen het werken met JSON-gegevens. Met deze functies kunt u uw operationele efficiëntie verbeteren, handmatige inspanningen verminderen en met gemak waardevolle inzichten uit uw gegevens halen. Omarm de kracht van de nieuwe functies van SageMaker Data Wrangler en ontgrendel het volledige potentieel van uw workflows voor gegevensvoorbereiding.
Om aan de slag te gaan met SageMaker Data Wrangler, bekijk de laatste informatie over de SageMaker Data Wrangler-productpagina.
Over de auteurs
Munish Dabra is een Principal Solutions Architect bij Amazon Web Services (AWS). Zijn huidige aandachtsgebieden zijn AI/ML en Observability. Hij heeft een sterke achtergrond in het ontwerpen en bouwen van schaalbare gedistribueerde systemen. Hij helpt klanten graag bij het innoveren en transformeren van hun bedrijf in AWS. LinkedIn: /mdabra
Patrick Lin is een Software Development Engineer bij Amazon SageMaker Data Wrangler. Hij is vastbesloten om van Amazon SageMaker Data Wrangler de nummer één tool voor gegevensvoorbereiding te maken voor gefabriceerde ML-workflows. Buiten zijn werk kun je hem zien lezen, naar muziek luisteren, gesprekken voeren met vrienden en in zijn kerk dienen.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
- PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
- PlatoESG. Automotive / EV's, carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
- BlockOffsets. Eigendom voor milieucompensatie moderniseren. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/optimize-data-preparation-with-new-features-in-aws-sagemaker-data-wrangler/
- : heeft
- :is
- :niet
- :waar
- $UP
- 100
- 1996
- 2014
- 7
- 8
- 9
- a
- acties
- toegevoegd
- Extra
- Daarnaast
- aangenomen
- Na
- AI / ML
- Alles
- Het toestaan
- toestaat
- ook
- Amazone
- Amazon Sage Maker
- Amazon SageMaker-stuurautomaat
- Amazon SageMaker-gegevens Wrangler
- Amazon Web Services
- Amazon Web Services (AWS)
- hoeveelheden
- an
- en
- elke
- APIs
- gebruiken
- toepassingen
- toegepast
- Solliciteer
- nadering
- ZIJN
- gebieden
- argumenten
- AS
- geassocieerd
- At
- automatiseren
- webmaster.
- vermijd
- AWS
- achtergrond
- gebaseerde
- BE
- worden
- wezen
- BEST
- Groot
- zowel
- Onder
- Breken
- bouw
- Gebouw
- ingebouwd
- bedrijfsdeskundigen
- maar
- by
- Dit betekent dat we onszelf en onze geliefden praktisch vergiftigen.
- CAN
- mogelijkheden
- geval
- verandering
- lasten
- controle
- Kies
- het kiezen van
- kerk
- Schoonmaak
- code
- Kolom
- toegewijd
- Gemeen
- verenigbaar
- compleet
- voltooit
- Configuratie
- troosten
- geconsumeerd
- containers
- bevat
- conversaties
- Overeenkomend
- kon
- en je merk te creëren
- aangemaakt
- creëert
- Wij creëren
- kritisch
- Actueel
- klant
- Klanten
- gegevens
- Gegevensuitwisseling
- data punten
- Data voorbereiding
- gegevensverwerking
- Gegevensgestuurde
- datasets
- dag
- beslissen
- defaults
- gedefinieerd
- definitie
- delven
- gedemonstreerd
- implementeren
- het inzetten
- inzet
- ontworpen
- ontwerpen
- bestemming
- gegevens
- Bepalen
- Ontwikkeling
- anders
- bespreken
- verdeeld
- gedistribueerde systemen
- do
- beneden
- gedurende
- elk
- Vroeger
- gemak
- gemakkelijker
- En het is heel gemakkelijk
- ecosystemen
- doeltreffendheid
- doeltreffend
- efficiënt
- inspanning
- beide
- omarmen
- maakt
- waardoor
- eind tot eind
- Endpoint
- ingenieur
- Engineering
- verhogen
- uitbreidingen
- Verbetert
- Enter
- Geheel
- Milieu
- Gelijkwaardig
- vooral
- OOIT
- Alle
- elke dag
- alles
- voorbeeld
- voorbeelden
- uitwisseling
- verwacht
- ervaring
- experiment
- experimenten
- exploratie
- Verken
- exporteren
- export
- uitbreiding
- extract
- Kenmerk
- Voordelen
- weinig
- Dien in
- Bestanden
- VIND DE PLEK DIE PERFECT VOOR JOU IS
- Flexibiliteit
- stroom
- Stromen
- Focus
- volgen
- volgend
- Voor
- formulier
- formaat
- vrienden
- oppompen van
- vol
- verder
- voortbrengen
- gegenereerde
- krijgen
- sterk
- HAD
- handvat
- Hebben
- met
- he
- het helpen van
- Hoge
- markeren
- hem
- zijn
- Hoe
- How To
- HTML
- HTTPS
- i
- identiek
- identificatie
- if
- beeld
- per direct
- importeren
- importeren
- verbeteren
- in
- omvat
- Inclusief
- informatie
- innoveren
- invoer
- inzichten
- instantie
- instructies
- integratie
- bestemde
- interactie
- interactie
- interactieve
- Interface
- in
- intuïtief
- IT
- HAAR
- JavaScript
- Jobomschrijving:
- jpg
- json
- juli-
- voor slechts
- sleutel
- Talen
- Groot
- Achternaam*
- later
- laatste
- lancering
- leren
- laten
- Niveau
- als
- Beperkt
- LINK
- Lijst
- Het luisteren
- lijsten
- plaats
- Kijk
- machine
- machine learning
- maken
- maken
- beheer
- handboek
- Mei..
- Menu
- Metadata
- methode
- macht
- miljoen
- minuten
- vermist
- ML
- MLops
- model
- modellen
- Modern
- gewijzigd
- meer
- efficiënter
- meervoudig
- Muziek
- Dan moet je
- naam
- Genoemd
- namelijk
- inheemse
- noodzakelijk
- Noodzaak
- behoeften
- New
- Nieuwe mogelijkheden
- onlangs
- volgende
- geen
- knooppunt
- notitieboekje
- nu
- aantal
- object
- objecten
- of
- on
- EEN
- Slechts
- operationele
- optimale
- Optimaliseer
- Keuze
- Opties
- or
- Overige
- onze
- uit
- uitgang
- buiten
- het te bezitten.
- parameter
- parameters
- voorbij
- pad
- voor
- Uitvoeren
- kiezen
- pijpleiding
- Plato
- Plato gegevensintelligentie
- PlatoData
- plus
- punt
- punten
- Post
- potentieel
- energie
- voorspellen
- voorspeld
- voorbereiding
- Voorbereiden
- bereid
- mooi
- die eerder
- Principal
- Verwerkt
- verwerking
- Product
- Product-reviews
- productie
- programmatische
- Programming
- programmeertalen
- project
- zorgen voor
- het verstrekken van
- Python
- lezing
- real-time
- ontvangen
- adviseren
- verminderen
- vermindert
- los
- relevante
- verwijderen
- vertegenwoordigen
- vertegenwoordigen
- te vragen
- vereisen
- hulpbron
- verkregen
- Resultaten
- beoordelen
- Recensies
- rechts
- Rol
- loopt
- s
- sagemaker
- SageMaker Inferentie
- SageMaker-pijpleidingen
- dezelfde
- zagen
- schaalbare
- naadloos
- naadloos
- sectie
- zien
- selecteren
- selectie
- Diensten
- serveer-
- Sessie
- reeks
- settings
- verscheidene
- moet
- tonen
- stilgelegd
- teken
- Eenvoudig
- vereenvoudigd
- vereenvoudigen
- vereenvoudigen
- single
- Maat
- Klein
- kleinere
- So
- Software
- software development
- oplossing
- Oplossingen
- specifiek
- spleet
- begin
- gestart
- Stap voor
- Stappen
- mediaopslag
- opgeslagen
- gestroomlijnd
- stroomlijnen
- sterke
- gestructureerde
- voorleggen
- ingediend
- dergelijk
- ondersteuning
- steunen
- zeker
- Systems
- Nemen
- neemt
- doelwit
- dat
- De
- de informatie
- hun
- harte
- Er.
- Deze
- dit
- die
- Door
- niet de tijd of
- getiteld
- naar
- vandaag
- ook
- tools
- tools
- Totaal
- Trainen
- getraind
- Trainingen
- Transformeren
- Transformatie
- transformaties
- getransformeerd
- transformaties
- Twee keer
- ui
- voor
- openen
- geüpload
- .
- use case
- gebruikt
- gebruik
- waardevol
- waarde
- Values
- zeer
- via
- Bekijk
- visualisatie
- willen
- gezocht
- we
- web
- webservices
- websites
- weken
- GOED
- wanneer
- welke
- wijd
- wil
- Met
- Mijn werk
- workflow
- workflows
- werkzaam
- You
- Your
- zephyrnet