"Data innelåst i tekst, lyd, sosiale medier og andre ustrukturerte kilder kan være et konkurransefortrinn for firmaer som finner ut hvordan de skal bruke dem."
Bare 18 % av organisasjonene i en 2019-undersøkelse av Deloitte rapportert å kunne dra nytte av ustrukturerte data. Majoriteten av data, mellom 80 % og 90 %, er ustrukturerte data. Det er en stor uutnyttet ressurs som har potensial til å gi bedrifter et konkurransefortrinn hvis de kan finne ut hvordan de skal bruke den. Det kan være vanskelig å finne innsikt fra disse dataene, spesielt hvis det er behov for innsats for å klassifisere, merke eller merke dem. Amazon Comprehend tilpasset klassifisering kan være nyttig i denne situasjonen. Amazon Comprehend er en NLP-tjeneste (natural-language processing) som bruker maskinlæring for å avdekke verdifull innsikt og sammenhenger i tekst.
Dokumentkategorisering eller klassifisering har betydelige fordeler på tvers av forretningsdomener –
- Forbedret søk og gjenfinning – Ved å kategorisere dokumenter i relevante emner eller kategorier, gjør det det mye enklere for brukere å søke og hente dokumentene de trenger. De kan søke innenfor bestemte kategorier for å begrense resultatene.
- Kunnskapsstyring – Å kategorisere dokumenter på en systematisk måte bidrar til å organisere en organisasjons kunnskapsbase. Det gjør det lettere å finne relevant informasjon og se sammenhenger mellom relatert innhold.
- Strømlinjeformede arbeidsflyter – Automatisk dokumentsortering kan bidra til å strømlinjeforme mange forretningsprosesser som behandling av fakturaer, kundestøtte eller overholdelse av regelverk. Dokumenter kan automatisk rutes til de rette personene eller arbeidsflytene.
- Kostnads- og tidsbesparelser – Manuell dokumentkategorisering er kjedelig, tidkrevende og dyrt. AI-teknikker kan ta over denne verdslige oppgaven og kategorisere tusenvis av dokumenter på kort tid til en mye lavere kostnad.
- Innsiktsgenerering – Å analysere trender i dokumentkategorier kan gi nyttig forretningsinnsikt. For eksempel kan en økning i kundeklager i en produktkategori bety noen problemer som må løses.
- Styring og håndheving av politikk – Å sette opp regler for dokumentkategorisering bidrar til å sikre at dokumenter klassifiseres riktig i henhold til en organisasjons retningslinjer og styringsstandarder. Dette gir bedre overvåking og revisjon.
- Personlige opplevelser – I sammenhenger som nettstedinnhold, gjør dokumentkategorisering det mulig å vise skreddersydd innhold til brukere basert på deres interesser og preferanser som bestemt ut fra deres nettleseratferd. Dette kan øke brukerengasjementet.
Kompleksiteten ved å utvikle en skreddersydd klassifiseringsmaskinlæringsmodell varierer avhengig av en rekke aspekter som datakvalitet, algoritme, skalerbarhet og domenekunnskap, for å nevne noen. Det er viktig å starte med en klar problemdefinisjon, rene og relevante data, og gradvis jobbe seg gjennom de ulike stadiene i modellutviklingen. Imidlertid kan bedrifter lage sine egne unike maskinlæringsmodeller ved å bruke tilpasset Amazon Comprehend-klassifisering for automatisk å klassifisere tekstdokumenter i kategorier eller tagger, for å møte forretningsspesifikke krav og kartlegge forretningsteknologi og dokumentkategorier. Siden menneskelig merking eller kategorisering ikke lenger er nødvendig, kan dette spare bedrifter for mye tid, penger og arbeid. Vi har gjort denne prosessen enkel ved å automatisere hele treningspipelinen.
I første del av dette blogginnlegget i flere serier lærer du hvordan du lager en skalerbar treningspipeline og forbereder treningsdata for Comprehend Custom Classification-modeller. Vi vil introdusere en tilpasset opplæringspipeline for klassifisering som kan distribueres i AWS-kontoen din med få klikk. Vi bruker BBCs nyhetsdatasett, og vil trene en klassifiserer for å identifisere klassen (f.eks. politikk, sport) som et dokument tilhører. Rørledningen vil gjøre organisasjonen i stand til å reagere raskt på endringer og trene nye modeller uten å måtte starte fra bunnen av hver gang. Du kan enkelt skalere opp og trene flere modeller basert på etterspørselen din.
Forutsetninger
- En aktiv AWS-konto (Klikk her. for å opprette en ny AWS-konto)
- Tilgang til Amazon Comprehend, Amazon S3, Amazon Lambda, Amazon Step Function, Amazon SNS og Amazon CloudFormation
- Treningsdata (semi-struktur eller tekst) utarbeidet i følgende avsnitt
- Grunnleggende kunnskap om Python og maskinlæring generelt
Forbered treningsdata
Denne løsningen kan ta innspill som enten tekstformat (eks. CSV) eller semistrukturert format (eks. PDF).
Tekstinntasting
Amazon Comprehend tilpasset klassifisering støtter to moduser: multi-class og multi-label.
I flerklassemodus kan hvert dokument ha én og bare én klasse tilordnet. Opplæringsdataene bør utarbeides som to-kolonne CSV-fil, der hver linje i filen inneholder en enkelt klasse og teksten til et dokument som viser klassen.
Eksempel for BBCs nyhetsdatasett:
I multi-label-modus har hvert dokument minst én klasse tilordnet, men kan ha flere. Treningsdata bør være som en to-kolonne CSV-fil, som hver linje i filen inneholder en eller flere klasser og teksten til opplæringsdokumentet. Mer enn én klasse bør angis ved å bruke en skilletegn mellom hver klasse.
Ingen overskrift skal inkluderes i CSV-filen for noen av treningsmodusene.
Semistrukturerte innspill
Starter i 2023, Amazon Comprehend støtter nå opplæringsmodeller ved bruk av semistrukturerte dokumenter. Opplæringsdataene for semistrukturinndata består av et sett med merkede dokumenter, som kan være forhåndsidentifiserte dokumenter fra et dokumentlager som du allerede har tilgang til. Følgende er et eksempel på en merknadsfil CSV-data som kreves for opplæring (Eksempeldata):
CSV-filen for merknader inneholder tre kolonner: Den første kolonnen inneholder etiketten for dokumentet, den andre kolonnen er dokumentnavnet (dvs. filnavn), og den siste kolonnen er sidenummeret til dokumentet du vil inkludere i opplæringsdatasett. I de fleste tilfeller, hvis CSV-filen for kommentarer er plassert i samme mappe som alle andre dokumenter, trenger du bare å spesifisere dokumentnavnet i den andre kolonnen. Men hvis CSV-filen er plassert på et annet sted, må du spesifisere banen til plasseringen i den andre kolonnen, som f.eks. path/to/prefix/document1.pdf
.
For detaljer, hvordan du forbereder treningsdataene dine, se her..
Løsningsoversikt
- Amazon Comprehend opplæringspipeline starter når treningsdata (.csv-fil for tekstinndata og merknads-.csv-fil for semistrukturinndata) lastes opp til en dedikert Amazon Simple Storage Service (Amazon S3) bøtte.
- An AWS Lambda funksjonen påkalles av Amazon S3 trigger slik at hver gang et objekt lastes opp til spesifisert Amazon S3 plassering, henter AWS Lambda-funksjonen kildebøttenavnet og nøkkelnavnet til det opplastede objektet og sender det til opplæring trinnfunksjon arbeidsflyt.
- I treningstrinnfunksjonen, etter å ha mottatt treningsdatabøttenavnet og objektnøkkelnavnet som inngangsparametere, starter en tilpasset modelltreningsarbeidsflyt som en serie lambda-funksjoner som beskrevet:
StartComprehendTraining
: Denne AWS Lambda-funksjonen definerer enComprehendClassifier
objekt avhengig av typen inndatafiler (dvs. tekst eller semistrukturert) og starter deretter en Amazon Comprehend tilpasset klassifisering treningsoppgave ved å ringe create_document_classifier Application Programming Interfact (API), som returnerer en treningsjobb Amazon Resource Names (ARN) . Deretter sjekker denne funksjonen statusen til treningsjobben ved å påkalle describe_document_classifier API. Til slutt returnerer den en treningsjobb-ARN og jobbstatus, som utdata til neste trinn i opplæringsarbeidsflyten.GetTrainingJobStatus
: Denne AWS Lambda sjekker jobbstatusen til treningsjobben hvert 15. minutt ved å ringe describe_document_classifier API, til treningsjobbstatus endres til Fullført eller Mislyktes.GenerateMultiClass
orGenerateMultiLabel
: Hvis du velger ja for ytelsesrapport ved lansering av stabelen, vil en av disse to AWS Lambdaene kjøre analyse i henhold til Amazon Comprehend-modellutdataene dine, som genererer ytelsesanalyse per klasse og lagrer den til Amazon S3.GenerateMultiClass
: Denne AWS Lambdaen vil bli kalt hvis innspillet ditt er MultiClass og du velger ja for resultatrapport.GenerateMultiLabel
: Denne AWS Lambdaen vil bli kalt hvis innspillet ditt er MultiLabel og du velger ja for resultatrapport.
- Når opplæringen er fullført, genererer løsningen følgende resultater:
- Egendefinert klassifiseringsmodell: En opplært modell ARN vil være tilgjengelig på kontoen din for fremtidig slutningsarbeid.
- Forvirringsmatrise [Optional]: En forvirringsmatrise (
confusion_matrix
.json) vil være tilgjengelig i brukerdefinert utgang Amazon S3 bane, avhengig av brukerens valg. - Amazon enkel varslingstjeneste varsel [Optional]: En e-postvarsling vil bli sendt om treningsjobbstatus til abonnentene, avhengig av det første brukervalget.
walkthrough
Lansering av løsningen
For å distribuere rørledningen, fullfør følgende trinn:
- Velg Start Stack -knappen:
- Velg Neste
- Spesifiser rørledningsdetaljene med alternativene som passer ditt bruksområde:
Informasjon for hver stabeldetalj:
- Stabelnavn (obligatorisk) – navnet du spesifiserte for dette AWS skyformasjon stable. Navnet må være unikt i regionen du oppretter det i.
- Q01ClassifierInputBucketName (påkrevd) – Amazon S3-bøttenavnet for å lagre inndataene dine. Det skal være et globalt unikt navn, og AWS CloudFormation-stack hjelper deg med å lage bøtten mens den lanseres.
- Q02ClassifierOutputBucketName (påkrevd) – Amazon S3-bøttenavnet for å lagre utdata fra Amazon Comprehend og rørledningen. Det bør også være et globalt unikt navn.
- Q03InputFormat – Et rullegardinvalg, du kan velge tekst (hvis treningsdataene dine er csv-filer) eller halvstruktur (hvis treningsdataene dine er semistrukturerte [f.eks. PDF-filer]) basert på datainndataformatet.
- Q04 Språk – Et rullegardinvalg som velger språket for dokumenter fra støttet liste. Vær oppmerksom på at foreløpig kun engelsk støttes hvis inndataformatet er semi-struktur.
- Q05MultiClass – Et rullegardinvalg, velg ja hvis inngangen din er MultiClass-modus. Ellers velger du Nei..
- Q06LabelDelimiter – Bare nødvendig hvis svaret på Q05MultiClass er Nei.. Denne avgrensningen brukes i treningsdataene dine for å skille hver klasse.
- Q07Valideringsdatasett – Et rullegardinvalg, endre svaret til ja hvis du ønsker å teste ytelsen til trenet klassifiserer med dine egne testdata.
- Q08S3ValidationPath – Bare nødvendig hvis svaret på Q07ValidationDataset er ja.
- Q09 Ytelsesrapport – Et rullegardinvalg, velg ja hvis du vil generere resultatrapporten på klassenivå etter modellopplæring. Rapporten vil bli lagret i din spesifiserte utdatabøtte i Q02ClassifierOutputBucketName.
- Q10E-postvarsling – Et rullegardinvalg. Plukke ut ja hvis du ønsker å motta varsling etter at modellen er opplært.
- Q11E-post-ID – Skriv inn en gyldig e-postadresse for å motta melding om ytelsesrapport. Vær oppmerksom på at du må bekrefte abonnementet fra e-posten din etter at AWS CloudFormation-stack er lansert, før du kan motta varsel når opplæringen er fullført.
- I Amazon Configure stack options-delen legger du til valgfrie tagger, tillatelser og andre avanserte innstillinger.
- Velg neste
- Se gjennom stabeldetaljene og velg Jeg erkjenner det AWS skyformasjon kan opprette AWS IAM ressurser.
- Velg Send. Dette initierer pipeline-distribusjon i AWS-kontoen din.
- Etter at stabelen er vellykket distribuert, kan du begynne å bruke rørledningen. Lage en
/training-data
mappe under din angitte Amazon S3-plassering for inndata. Merk: Amazon S3 bruker automatisk serverside-kryptering (SSE-S3) for hvert nye objekt med mindre du angir et annet krypteringsalternativ. Vennligst referer Databeskyttelse i Amazon S3 for mer informasjon om databeskyttelse og kryptering i Amazon S3.
- Last opp treningsdataene dine til mappen. (Hvis treningsdataene er halvstrukturerte, last opp alle PDF-filene før du laster opp etikettinformasjon i .csv-format).
Du er ferdig! Du har implementert rørledningen, og du kan sjekke rørledningens status i funksjonen for utplassert trinn. (Du vil ha en trent modell i ditt tilpassede klassifiseringspanel for Amazon Comprehend).
Hvis du velger modellen og dens versjon inni Amazon Comprehend konsoll, så kan du nå se flere detaljer om modellen du nettopp har trent. Den inkluderer modusen du velger, som tilsvarer alternativet Q05MultiClass, antall etiketter og antall opplærte og testdokumenter i treningsdataene dine. Du kan også sjekke den generelle ytelsen nedenfor; Hvis du imidlertid ønsker å sjekke detaljert ytelse for hver klasse, kan du se ytelsesrapporten generert av den distribuerte pipelinen.
Tjenestekvoter
AWS-kontoen din har standardkvoter for Amazon Comprehend og AmazonTekst, hvis innganger er i semistrukturformat. For å se tjenestekvoter, vennligst se her. forum Amazon Comprehend og her. forum AmazonTekst.
Rydd opp
For å unngå løpende kostnader, slett ressursene du opprettet som en del av denne løsningen når du er ferdig.
- På Amazon S3 konsollen, slett innholdet i bøttene du opprettet for inn- og utdata manuelt.
- På AWS skyformasjon konsoll, velg Stabler i navigasjonsruten.
- Velg hovedstabelen og velg Delete.
Dette sletter automatisk den distribuerte stabelen.
- Du er trent Amazon Comprehend tilpasset klassifiseringsmodell forblir i kontoen din. Hvis du ikke trenger det lenger, inn Amazon Comprehend konsollen, slett den opprettede modellen.
konklusjonen
I dette innlegget viste vi deg konseptet med en skalerbar treningspipeline for Amazon Comprehend tilpassede klassifiseringsmodeller og gir en automatisert løsning for effektiv opplæring av nye modeller. De AWS skyformasjon malen som følger med, gjør det mulig for deg å lage dine egne tekstklassifiseringsmodeller uten problemer, og tilpasser etterspørselen. Løsningen tar i bruk den nylig annonserte Euclid-funksjonen og aksepterer inndata i tekst eller semi-strukturert format.
Nå oppfordrer vi dere, våre lesere, til å teste disse verktøyene. Du kan finne flere detaljer om forberedelse av treningsdata og forstå tilpassede klassifiseringsberegninger. Prøv det ut og se førstehånds hvordan det kan strømlinjeforme modelltreningsprosessen og forbedre effektiviteten. Del gjerne tilbakemeldingen din til oss!
Om forfatterne
Sandeep Singh er senior dataforsker med AWS Professional Services. Han brenner for å hjelpe kunder med å innovere og nå sine forretningsmål ved å utvikle toppmoderne AI/ML-drevne løsninger. Han er for tiden fokusert på Generativ AI, LLM, prompt engineering og skalering av maskinlæring på tvers av bedrifter. Han kommer med nyere AI-fremskritt for å skape verdi for kundene.
Yanyan Zhang er senior dataforsker i energileveringsteamet med AWS Professional Services. Hun brenner for å hjelpe kunder med å løse reelle problemer med AI/ML-kunnskap. I det siste har hennes fokus vært på å utforske potensialet til Generative AI og LLM. Utenom jobben elsker hun å reise, trene og utforske nye ting.
Wrick Talukdar er seniorarkitekt med Amazon Comprehend Service-teamet. Han jobber med AWS-kunder for å hjelpe dem å ta i bruk maskinlæring i stor skala. Utenom jobben liker han å lese og fotografere.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
- PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
- PlatoESG. Bil / elbiler, Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
- PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
- ChartPrime. Hev handelsspillet ditt med ChartPrime. Tilgang her.
- BlockOffsets. Modernisering av eierskap for miljøkompensasjon. Tilgang her.
- kilde: https://aws.amazon.com/blogs/machine-learning/build-a-classification-pipeline-with-amazon-comprehend-custom-classification-part-i/
- : har
- :er
- $OPP
- 1
- 100
- 11
- 15%
- 2023
- 24
- 26%
- 7
- 9
- a
- I stand
- Om oss
- godtar
- adgang
- Ifølge
- Logg inn
- Oppnå
- anerkjenne
- tvers
- aktiv
- legge til
- adresse
- adressert
- adoptere
- avansert
- fremskritt
- Fordel
- Etter
- AI
- AI / ML
- algoritme
- Alle
- tillater
- allerede
- også
- Amazon
- Amazon Comprehend
- Amazon Web Services
- an
- analyse
- analyserer
- og
- annonsert
- besvare
- lenger
- api
- Søknad
- gjelder
- ER
- AS
- aspekter
- tildelt
- At
- lyd
- revisjon
- Automatisert
- Automatisk
- automatisk
- Automatisere
- tilgjengelig
- unngå
- borte
- AWS
- AWS skyformasjon
- AWS Lambda
- AWS profesjonelle tjenester
- basen
- basert
- bbc
- BE
- vært
- før du
- atferd
- være
- tilhører
- under
- Fordeler
- skreddersydd
- Bedre
- mellom
- Stor
- Blogg
- Bringer
- Surfer
- bygge
- virksomhet
- bedrifter
- men
- knapp
- by
- som heter
- ringer
- CAN
- saken
- saker
- kategorier
- kategorisering
- Kategori
- endring
- Endringer
- avgifter
- sjekk
- Sjekker
- Velg
- velge
- klasse
- klasser
- klassifisering
- klassifisert
- Klassifisere
- fjerne
- klikk
- samle
- Kolonne
- kolonner
- konkurranse
- klager
- fullføre
- Terminado
- kompleksitet
- samsvar
- fatte
- Omfattet
- konsept
- Bekrefte
- forvirring
- Tilkoblinger
- Konsoll
- inneholder
- innhold
- innhold
- sammenhenger
- tilsvarer
- Kostnad
- kunne
- skape
- Skap verdi
- opprettet
- Opprette
- I dag
- skikk
- kunde
- Kundeservice
- Kunder
- dato
- databeskyttelse
- dataforsker
- dedikert
- Misligholde
- definert
- definerer
- definisjon
- levering
- deloitte
- Etterspørsel
- demonstrerer
- avhengig
- utplassere
- utplassert
- distribusjon
- beskrevet
- detalj
- detaljert
- detaljer
- bestemmes
- utvikle
- Utvikling
- forskjellig
- vanskelig
- dokument
- dokumenter
- Dollar
- domene
- domener
- gjort
- ikke
- ned
- e
- hver enkelt
- enklere
- lett
- Edge
- effektivitet
- effektivt
- uanstrengt
- innsats
- enten
- emalje
- muliggjøre
- oppmuntre
- kryptering
- energi
- engasjement
- Ingeniørarbeid
- Engelsk
- forbedre
- sikre
- Enter
- bedrifter
- avgjørende
- Europa
- Hver
- eksempel
- dyrt
- Utforske
- Mislyktes
- Trekk
- tilbakemelding
- Noen få
- Figur
- filet
- Filer
- Endelig
- Finn
- bedrifter
- Først
- fitting
- Fokus
- fokuserte
- etter
- Til
- format
- fra
- funksjon
- funksjoner
- framtid
- generere
- generert
- genererer
- generative
- Generativ AI
- Gi
- Globalt
- styresett
- gradvis
- Ha
- å ha
- he
- hjelpe
- hjelpe
- hjelper
- her
- Hvordan
- Hvordan
- Men
- HTML
- HTTPS
- menneskelig
- i
- identifisere
- if
- in
- inkludere
- inkludert
- inkluderer
- Øke
- indikert
- informasjon
- innledende
- Starter
- innovere
- inngang
- innganger
- innsiden
- innsikt
- interesser
- inn
- introdusere
- påkalt
- saker
- IT
- DET ER
- Jobb
- jpg
- JSON
- bare
- nøkkel
- kunnskap
- Etiketten
- etiketter
- arbeidskraft
- Språk
- stor
- Siste
- lansert
- lansere
- LÆRE
- læring
- minst
- i likhet med
- linje
- Liste
- LLM
- ligger
- plassering
- låst
- lenger
- Lot
- elsker
- lavere
- maskin
- maskinlæring
- laget
- Hoved
- Flertall
- GJØR AT
- håndbok
- manuelt
- mange
- kart
- Matrix
- Kan..
- Media
- Møt
- kunne
- minutter
- Mote
- modell
- modeller
- moduser
- penger
- overvåking
- mer
- mest
- fjell
- mye
- flere
- må
- navn
- navn
- smal
- Navigasjon
- nødvendig
- Trenger
- nødvendig
- Ny
- nyheter
- neste
- nlp
- Nei.
- varsling
- nå
- Antall
- objekt
- mål
- of
- on
- ONE
- pågående
- bare
- Alternativ
- alternativer
- or
- organisasjon
- organisasjoner
- Annen
- ellers
- vår
- ut
- produksjon
- utenfor
- enn
- samlet
- egen
- side
- brød
- panel
- parametere
- del
- spesielt
- passere
- lidenskapelig
- banen
- Ansatte
- for
- ytelse
- tillatelser
- fotografering
- rørledning
- plato
- Platon Data Intelligence
- PlatonData
- vær så snill
- Politikk
- politikk
- politikk
- mulig
- Post
- potensiell
- powered
- preferanser
- Forbered
- forberedt
- Problem
- problemer
- prosess
- Prosesser
- prosessering
- Produkt
- profesjonell
- Programmering
- beskyttelse
- gi
- forutsatt
- gi
- Python
- kvalitet
- raskt
- lesere
- Lesning
- ekte
- motta
- mottak
- nylig
- nylig
- referere
- region
- regulatorer
- Overholdelse av regelverk
- i slekt
- relevant
- forbli
- rapporterer
- rapportert
- Repository
- påkrevd
- Krav
- ressurs
- Ressurser
- Svare
- Resultater
- avkastning
- ikke sant
- regler
- Kjør
- samme
- Spar
- lagret
- skalerbarhet
- skalerbar
- Skala
- vekter
- skalering
- Forsker
- skraper
- Søk
- Sekund
- Seksjon
- se
- utvalg
- senior
- sendt
- separat
- Serien
- tjeneste
- Tjenester
- sett
- innstilling
- innstillinger
- Del
- hun
- Kort
- bør
- viste
- vist
- signifikant
- signalisere
- Enkelt
- enkelt
- situasjon
- selskap
- sosiale medier
- løsning
- Solutions
- LØSE
- noen
- kilde
- Kilder
- spesifikk
- spesifisert
- Sports
- stable
- Scene
- stadier
- standarder
- Begynn
- starter
- state-of-the-art
- status
- Trinn
- Steps
- lagring
- oppbevare
- effektivisere
- abonnenter
- abonnement
- I ettertid
- vellykket
- slik
- støtte
- Støttes
- Støtter
- Survey /Inspeksjonsfartøy
- TAG
- skreddersydd
- Ta
- Oppgave
- lag
- tech
- teknikker
- Teknologi
- mal
- test
- tekst
- Tekstklassifisering
- enn
- Det
- De
- Kilden
- deres
- Dem
- deretter
- Disse
- de
- ting
- denne
- tusener
- tre
- Gjennom
- tid
- tidkrevende
- til
- verktøy
- temaer
- Tog
- trent
- Kurs
- Traveling
- Trender
- utløse
- prøve
- to
- typen
- avdekke
- etter
- forstå
- unik
- uutnyttet
- til
- lastet opp
- Opplasting
- us
- bruke
- bruk sak
- brukt
- Bruker
- Brukere
- bruker
- ved hjelp av
- Verdifull
- verdi
- variasjon
- versjon
- Se
- ønsker
- Vei..
- we
- web
- webtjenester
- Nettsted
- når
- hvilken
- mens
- hele
- vil
- med
- innenfor
- uten
- Arbeid
- arbeidsflyt
- arbeidsflyt
- arbeid
- trene
- virker
- Du
- Din
- zephyrnet
- Zip