W pierwszy post W tej trzyczęściowej serii zaprezentowaliśmy rozwiązanie, które pokazuje, jak można zautomatyzować wykrywanie manipulacji dokumentami i oszustw na dużą skalę przy użyciu sztucznej inteligencji AWS i usług uczenia maszynowego (ML) w przypadku zastosowania ubezpieczenia kredytu hipotecznego.
W drugi post, omówiliśmy podejście do opracowania modelu widzenia komputerowego opartego na głębokim uczeniu się w celu wykrywania i wyróżniania sfałszowanych obrazów w ubezpieczeniach kredytów hipotecznych.
W tym poście przedstawiamy rozwiązanie umożliwiające automatyzację wykrywania oszustw związanych z dokumentami hipotecznymi przy użyciu modelu ML i reguł zdefiniowanych biznesowo Wykrywacz oszustw Amazon.
Omówienie rozwiązania
Korzystamy z Amazon Fraud Detector, w pełni zarządzanej usługi wykrywania oszustw, aby zautomatyzować wykrywanie nieuczciwych działań. Mając na celu poprawę dokładności przewidywania oszustw poprzez proaktywną identyfikację oszustw związanych z dokumentami, przy jednoczesnej poprawie dokładności gwarantowania, Amazon Fraud Detector pomaga budować dostosowane modele wykrywania oszustw przy użyciu historycznego zestawu danych, konfigurować dostosowaną logikę decyzyjną za pomocą wbudowanego silnika reguł i organizować decyzje dotyczące ryzyka przepływ pracy za pomocą jednego kliknięcia.
Poniższy diagram przedstawia każdy etap procesu wykrywania oszustw związanych z dokumentami hipotecznymi.
Zajmiemy się teraz trzecim elementem procesu wykrywania oszustw związanych z dokumentami hipotecznymi. Aby wdrożyć ten komponent, wykonaj następujące czynności:
- Prześlij dane historyczne do Usługa Amazon Simple Storage (Amazonka S3).
- Wybierz opcje i wytrenuj model.
- Utwórz model.
- Przejrzyj wydajność modelu.
- Wdróż model.
- Utwórz detektor.
- Dodaj reguły interpretujące wyniki modelu.
- Wdróż interfejs API, aby prognozować.
Wymagania wstępne
Poniżej przedstawiono wymagane kroki dla tego rozwiązania:
- Załóż konto AWS.
- Skonfiguruj uprawnienia umożliwiające Twojemu kontu AWS dostęp do narzędzia Amazon Fraud Detector.
- Zbierz historyczne dane o oszustwach, które zostaną wykorzystane do szkolenia modelu detektora oszustw, spełniając następujące wymagania:
- Dane muszą być w formacie CSV i mieć nagłówki.
- Wymagane są dwa nagłówki:
EVENT_TIMESTAMP
iEVENT_LABEL
. - Dane muszą znajdować się w Amazon S3 w regionie AWS obsługiwanym przez usługę.
- Zdecydowanie zaleca się uruchomienie profilu danych przed treningiem (użyj pliku zautomatyzowany profiler danych dla Amazon Fraud Detector).
- Zaleca się wykorzystanie danych z co najmniej 3–6 miesięcy.
- Zanim oszustwo dojrzeje, potrzeba czasu; zalecane są dane sprzed 1–3 miesięcy (niezbyt aktualne).
- Niektóre wartości NULL i brakujące wartości są dopuszczalne (ale jest ich zbyt wiele i zmienna jest ignorowana, jak omówiono w Brakujący lub nieprawidłowy typ zmiennej).
Przesyłaj dane historyczne do Amazon S3
Po utworzeniu niestandardowych plików danych historycznych do wytrenowania modelu detektora oszustw utwórz zasobnik S3 i prześlij dane do zasobnika.
Wybierz opcje i wytrenuj model
Następnym krokiem w kierunku budowy i szkolenia modelu wykrywania oszustw jest zdefiniowanie działania biznesowego (zdarzenia) w celu oceny pod kątem oszustwa. Definiowanie zdarzenia obejmuje ustawienie zmiennych w zestawie danych, jednostki inicjującej zdarzenie oraz etykiet klasyfikujących zdarzenie.
Wykonaj poniższe kroki, aby zdefiniować zdarzenie oszustwa dokumentowego w celu wykrycia oszustwa dokumentowego, które jest inicjowane przez podmiot wnioskujący o kredyt hipoteczny, odnosząc się do nowego wniosku o kredyt hipoteczny:
- Na konsoli Amazon Fraud Detector wybierz Eventy w okienku nawigacji.
- Dodaj Stwórz.
- Pod Szczegóły typu wydarzenia, wchodzić
docfraud
jako nazwę typu zdarzenia i opcjonalnie wprowadź opis zdarzenia. - Dodaj Utwórz jednostkę.
- Na Utwórz jednostkę strona, wprowadź
applicant_mortgage
jako nazwę typu encji i opcjonalnie wprowadź opis typu encji. - Dodaj Utwórz jednostkę.
- Pod Zmienne zdarzenia, Dla Wybierz sposób definiowania zmiennych tego zdarzeniawybierz Wybierz zmienne z treningowego zestawu danych.
- W razie zamówieenia projektu Rola IAMwybierz Utwórz rolę IAM.
- Na Utwórz rolę IAM stronie, wpisz nazwę segmentu S3 z przykładowymi danymi i wybierz Utwórz rolę.
- W razie zamówieenia projektu Lokalizacja danych, wpisz ścieżkę do swoich danych historycznych. To jest ścieżka URI S3 zapisana po przesłaniu danych historycznych. Ścieżka jest podobna do
S3://your-bucket-name/example dataset filename.csv
. - Dodaj Prześlij.
Zmienne reprezentują elementy danych, których chcesz użyć w przewidywaniu oszustw. Zmienne te można pobrać ze zbioru danych zdarzeń przygotowanego do szkolenia modelu, z wyników oceny ryzyka modelu Amazon Fraud Detector lub z Amazon Sage Maker modele. Więcej informacji na temat zmiennych pobranych ze zbioru danych zdarzeń można znaleźć w artykule Uzyskaj wymagania dotyczące zestawu danych zdarzeń za pomocą Eksploratora modeli danych.
- Pod Etykiety – opcjonalne, Dla Etykietywybierz Utwórz nowe etykiety.
- Na Utwórz etykietę strona, wprowadź
fraud
jak nazwa. Ta etykieta odpowiada wartości reprezentującej fałszywy wniosek o kredyt hipoteczny w przykładowym zestawie danych. - Dodaj Utwórz etykietę.
- Utwórz drugą etykietę o nazwie
legit
. Ta etykieta odpowiada wartości reprezentującej uzasadniony wniosek o kredyt hipoteczny w przykładowym zbiorze danych. - Dodaj Utwórz typ wydarzenia.
Poniższy zrzut ekranu pokazuje szczegóły naszego typu zdarzenia.
Poniższy zrzut ekranu pokazuje nasze zmienne.
Poniższy zrzut ekranu przedstawia nasze etykiety.
Stwórz model
Po załadowaniu danych historycznych i wybraniu wymaganych opcji uczenia modelu wykonaj następujące kroki, aby utworzyć model:
- Na konsoli Amazon Fraud Detector wybierz modele w okienku nawigacji.
- Dodaj Dodaj model, a następnie wybierz Utwórz model.
- Na Zdefiniuj szczegóły modelu strona, wprowadź
mortgage_fraud_detection_model
jako nazwa modelu i opcjonalny opis modelu. - W razie zamówieenia projektu Typ modelu, Wybierz Informacje o oszustwach online model.
- W razie zamówieenia projektu Typ wydarzeniawybierz
docfraud
. To jest typ zdarzenia, który utworzyłeś wcześniej. - W Dane historyczne wydarzenia sekcji, podaj następujące informacje:
- W razie zamówieenia projektu Źródło danych zdarzeniawybierz Przechowywane dane zdarzeń przesłane do S3 (lub AFD).
- W razie zamówieenia projektu Rola IAM, wybierz utworzoną wcześniej rolę.
- W razie zamówieenia projektu Lokalizacja danych treningowych, wprowadź ścieżkę URI S3 do przykładowego pliku danych.
- Dodaj Następna.
- W Dane wejściowe modelu sekcji, pozostaw zaznaczone wszystkie pola wyboru. Domyślnie Amazon Fraud Detector wykorzystuje wszystkie zmienne ze zbioru danych historycznych zdarzeń jako dane wejściowe modelu.
- W Klasyfikacja etykiet sekcja dla Etykiety oszustwawybierz
fraud
, co odpowiada wartości reprezentującej fałszywe zdarzenia w przykładowym zbiorze danych. - W razie zamówieenia projektu Legalne etykietywybierz
legit
, co odpowiada wartości reprezentującej uzasadnione zdarzenia w przykładowym zbiorze danych. - W razie zamówieenia projektu Nieoznaczone wydarzenia, zachowaj wybór domyślny Ignoruj zdarzenia bez etykiety dla tego przykładowego zbioru danych.
- Dodaj Następna.
- Sprawdź swoje ustawienia, a następnie wybierz Utwórz i wytrenuj model.
Amazon Fraud Detector tworzy model i rozpoczyna uczenie nowej wersji modelu.
Na Wersje modelu strona, the Rynek kolumna wskazuje stan uczenia modelu. Uczenie modelu korzystające z przykładowego zestawu danych zajmuje około 45 minut. Stan zmienia się na Gotowy do wdrożenia po zakończeniu szkolenia modelu.
Przejrzyj wydajność modelu
Po zakończeniu uczenia modelu Amazon Fraud Detector sprawdza wydajność modelu, korzystając z 15% danych, które nie zostały wykorzystane do uczenia modelu, i udostępnia różne narzędzia, w tym wykres rozkładu wyników i macierz zamieszania, w celu oceny wydajności modelu.
Aby zobaczyć wydajność modelu, wykonaj następujące kroki:
- Na konsoli Amazon Fraud Detector wybierz modele w okienku nawigacji.
- Wybierz model, który właśnie wytrenowałeś (
sample_fraud_detection_model
), następnie wybierz 1.0. To jest wersja Twojego modelu stworzona przez Amazon Fraud Detector. - Oceń Wydajność modelu ogólny wynik i wszystkie inne wskaźniki, które Amazon Fraud Detector wygenerował dla tego modelu.
Wdróż model
Po przejrzeniu metryk wydajności wytrenowanego modelu i przygotowaniu się do wykorzystania go do generowania prognoz oszustw, możesz wdrożyć model:
- Na konsoli Amazon Fraud Detector wybierz modele w okienku nawigacji.
- Wybierz model
sample_fraud_detection_model
, a następnie wybierz konkretną wersję modelu, którą chcesz wdrożyć. Wybierz dla tego wpisu 1.0. - Na Wersja modelu na stronie Akcje menu, wybierz Wdróż wersję modelu.
Na Wersje modelu strona, the Rynek pokazuje stan wdrożenia. Stan zmienia się na Aktywna po zakończeniu wdrażania. Oznacza to, że wersja modelu jest aktywowana i dostępna do generowania prognoz oszustw.
Utwórz detektor
Po wdrożeniu modelu budujesz detektor dla docfraud
typ zdarzenia i dodaj wdrożony model. Wykonaj następujące kroki:
- Na konsoli Amazon Fraud Detector wybierz Detektory w okienku nawigacji.
- Dodaj Utwórz detektor.
- Na Zdefiniuj szczegóły detektora strona, wprowadź
fraud_detector
wpisz nazwę detektora i opcjonalnie wprowadź opis detektora, np. mój przykładowy detektor oszustw. - W razie zamówieenia projektu Typ zdarzeniawybierz
docfraud
. To jest wydarzenie, które utworzyłeś wcześniej. - Dodaj Następna.
Dodaj reguły do interpretacji
Po utworzeniu modelu Amazon Fraud Detector możesz użyć konsoli Amazon Fraud Detector lub interfejsu programowania aplikacji (API), aby zdefiniować reguły biznesowe (warunki, które informują Amazon Fraud Detector, jak interpretować wynik wydajności modelu podczas oceny przewidywania oszustw). . Aby dostosować się do procesu gwarantowania kredytu hipotecznego, możesz utworzyć reguły oznaczania wniosków o kredyt hipoteczny zgodnie z powiązanymi poziomami ryzyka i oznaczanymi jako oszustwo, uzasadnione lub jeśli konieczna jest kontrola.
Na przykład możesz chcieć automatycznie odrzucać wnioski o kredyt hipoteczny o wysokim ryzyku oszustwa, biorąc pod uwagę takie parametry, jak sfałszowane obrazy wymaganych dokumentów, brakujące dokumenty, takie jak odcinki wypłat lub wymagania dotyczące dochodów i tak dalej. Z drugiej strony, niektóre aplikacje mogą wymagać obecności człowieka w pętli do podejmowania skutecznych decyzji.
Narzędzie Amazon Fraud Detector wykorzystuje wartość zagregowaną (obliczoną poprzez połączenie zestawu surowych zmiennych) i wartość surową (wartość podaną dla zmiennej) do wygenerowania wyników modelu. Wyniki modelu mogą mieścić się w przedziale 0–1000, gdzie 0 oznacza niskie ryzyko oszustwa, a 1000 oznacza wysokie ryzyko oszustwa.
Aby dodać odpowiednie reguły biznesowe, wykonaj następujące kroki:
- Na konsoli Amazon Fraud Detector wybierz Zasady w okienku nawigacji.
- Dodaj Dodaj regułę.
- W Zdefiniuj regułę wpisz oszustwo w nazwie reguły i opcjonalnie wprowadź opis.
- W razie zamówieenia projektu Wyrażenie, wprowadź wyrażenie reguły, korzystając z uproszczonego języka wyrażeń reguł narzędzia Amazon Fraud Detector
$docdraud_insightscore >= 900
- W razie zamówieenia projektu Wynikiwybierz Utwórz nowy wynik (Wynik jest wynikiem przewidywania oszustwa i jest zwracany, jeśli reguła zostanie zgodna podczas oceny).
- W Utwórz nowy wynik wpisz spadek jako nazwę wyniku i opcjonalny opis.
- Dodaj Zapisz wynik
- Dodaj Dodaj regułę aby uruchomić moduł sprawdzania poprawności reguł i zapisać regułę.
- Po utworzeniu Amazon Fraud Detector wykonuje następujące czynności
high_risk
reguła dostępna do wykorzystania w Twoim detektorze.- Nazwa reguły:
fraud
- Wynik:
decline
- Wyrażenie:
$docdraud_insightscore >= 900
- Nazwa reguły:
- Dodaj Dodaj kolejną regułę, a następnie wybierz plik Stwórz zasadę tab, aby dodać dodatkowe 2 reguły jak poniżej:
- Stwórz
low_risk
regułę z następującymi szczegółami:- Nazwa reguły:
legit
- Wynik:
approve
- Wyrażenie:
$docdraud_insightscore <= 500
- Nazwa reguły:
- Stwórz
medium_risk
regułę z następującymi szczegółami:- Nazwa reguły:
review needed
- Wynik:
review
- Wyrażenie:
$docdraud_insightscore <= 900 and docdraud_insightscore >=500
- Nazwa reguły:
Te wartości są przykładami użytymi w tym poście. Tworząc reguły dla własnego detektora, używaj wartości odpowiednich dla Twojego modelu i przypadku użycia.
- Po utworzeniu wszystkich trzech reguł wybierz Następna.
Wdróż interfejs API, aby prognozować
Po uruchomieniu działań opartych na regułach można wdrożyć interfejs API Amazon Fraud Detector API, aby oceniać wnioski kredytowe i przewidywać potencjalne oszustwa. Prognozy mogą być wykonywane w trybie wsadowym lub w czasie rzeczywistym.
Zintegruj swój model SageMaker (opcjonalnie)
Jeśli masz już model wykrywania oszustw w SageMaker, możesz zintegrować go z Amazon Fraud Detector, aby uzyskać preferowane wyniki.
Oznacza to, że możesz używać w swojej aplikacji zarówno modeli SageMaker, jak i Amazon Fraud Detector, aby wykrywać różne rodzaje oszustw. Na przykład Twoja aplikacja może wykorzystywać model Amazon Fraud Detector do oceny ryzyka oszustw na kontach klientów, a jednocześnie używać modelu PageMaker do sprawdzania ryzyka naruszenia bezpieczeństwa konta.
Sprzątać
Aby uniknąć przyszłych opłat, usuń zasoby utworzone dla rozwiązania, w tym następujące:
- Wiadro S3
- Punkt końcowy Amazon Fraud Detector
Wnioski
W tym poście przeprowadziliśmy Cię przez zautomatyzowane i dostosowane do indywidualnych potrzeb rozwiązanie do wykrywania oszustw w procesie gwarantowania kredytu hipotecznego. Rozwiązanie to pozwala wykryć próby oszustw bliżej momentu ich wystąpienia i pomaga ubezpieczycielom w efektywnym procesie decyzyjnym. Dodatkowo elastyczność wdrożenia pozwala na zdefiniowanie reguł biznesowych w celu klasyfikowania i wychwytywania prób oszustw dostosowanych do konkretnych potrzeb biznesowych.
Więcej informacji na temat tworzenia kompleksowego rozwiązania do wykrywania oszustw związanych z dokumentami hipotecznymi można znaleźć w artykule Część 1 i Część 2 w tej serii.
O autorach
Anupa Ravindranatha jest starszym architektem rozwiązań w Amazon Web Services (AWS) z siedzibą w Toronto w Kanadzie, współpracującym z organizacjami świadczącymi usługi finansowe. Pomaga klientom przekształcać ich firmy i wprowadzać innowacje w chmurze.
Vinniego Sainiego jest starszym architektem rozwiązań w Amazon Web Services (AWS) z siedzibą w Toronto w Kanadzie. Pomaga klientom usług finansowych w transformacji w chmurze dzięki rozwiązaniom opartym na sztucznej inteligencji i uczeniu maszynowym opartym na solidnych fundamentalnych filarach doskonałości architektonicznej.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
- PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
- PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
- Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
- Źródło: https://aws.amazon.com/blogs/machine-learning/automate-mortgage-document-fraud-detection-using-an-ml-model-and-business-defined-rules-with-amazon-fraud-detector-part-3/
- :ma
- :Jest
- :nie
- :Gdzie
- $W GÓRĘ
- 100
- 15%
- 7
- 900
- a
- O nas
- do przyjęcia
- dostęp
- Stosownie
- Konto
- Konta
- działania
- zajęcia
- działalność
- Dodaj
- Dodatkowy
- do tego
- Po
- AI
- wyrównać
- Wszystkie kategorie
- pozwala
- już
- Amazonka
- Wykrywacz oszustw Amazon
- Amazon Web Services
- Amazon Web Services (AWS)
- an
- i
- Inne
- każdy
- api
- Zastosowanie
- aplikacje
- podejście
- właściwy
- w przybliżeniu
- architektoniczny
- architektura
- SĄ
- AS
- oszacować
- powiązany
- At
- Próby
- zautomatyzować
- zautomatyzowane
- automatycznie
- dostępny
- uniknąć
- AWS
- na podstawie
- BE
- być
- zanim
- zaczyna się
- poniżej
- pomiędzy
- obie
- budować
- Budowanie
- wbudowany
- biznes
- biznes
- ale
- przycisk
- by
- obliczony
- nazywa
- CAN
- Kanada
- zdobyć
- walizka
- pewien
- Zmiany
- Opłaty
- Wykres
- ZOBACZ
- w kratę
- Dodaj
- klasyfikacja
- Klasyfikuj
- kliknij
- bliższy
- Chmura
- Kolumna
- łączenie
- kompletny
- składnik
- kompromis
- komputer
- Wizja komputerowa
- koncepcyjnego
- Warunki
- zamieszanie
- wobec
- Konsola
- odpowiada
- pokrycie
- Stwórz
- stworzony
- tworzy
- zwyczaj
- klient
- Klientów
- dostosowane
- dane
- decyzja
- Podejmowanie decyzji
- Decyzje
- upadek
- głęboko
- Domyślnie
- określić
- definiowanie
- demonstruje
- rozwijać
- wdrażane
- Wdrożenie
- opis
- detale
- wykryć
- Wykrywanie
- rozwijać
- schemat
- różne
- omówione
- 分配
- dokument
- dokumenty
- napędzany
- podczas
- każdy
- Wcześniej
- Efektywne
- Elementy
- koniec końców
- silnik
- Wchodzę
- jednostka
- oceniać
- oceny
- ewaluację
- wydarzenie
- wydarzenia
- przykład
- przykłady
- Doskonałość
- wyrażenie
- filet
- Akta
- budżetowy
- usługi finansowe
- Elastyczność
- następujący
- następujący sposób
- W razie zamówieenia projektu
- sfałszowany
- format
- podstawowy
- oszustwo
- wykrywanie oszustw
- nieuczciwy
- od
- w pełni
- przyszłość
- Generować
- wygenerowane
- ręka
- Have
- he
- headers
- pomoc
- pomaga
- Wysoki
- Atrakcja
- wysoko
- historyczny
- W jaki sposób
- How To
- http
- HTTPS
- człowiek
- identyfikacja
- if
- zdjęcia
- realizacja
- podnieść
- poprawy
- in
- Włącznie z
- Dochód
- nieprawidłowy
- wskazuje
- Informacja
- zapoczątkowany
- wprowadzać innowacje
- Wejścia
- integrować
- Interfejs
- dotyczy
- IT
- jpg
- właśnie
- Trzymać
- Etykieta
- Etykiety
- laid
- język
- nauka
- najmniej
- Pozostawiać
- prawowity
- pożyczanie
- poziomy
- lubić
- logika
- niski
- maszyna
- uczenie maszynowe
- robić
- WYKONUJE
- Dokonywanie
- zarządzane
- wiele
- zapałki
- Matrix
- dojrzały
- Może..
- Metryka
- minut
- brakujący
- ML
- model
- modele
- miesięcy
- jeszcze
- Hipoteka
- musi
- my
- Nazwa
- Nawigacja
- Potrzebować
- potrzebne
- wymagania
- Nowości
- Następny
- już dziś
- cel
- występowanie
- of
- Stary
- on
- Opcje
- or
- organizacji
- Inne
- ludzkiej,
- Wynik
- Wyjścia
- ogólny
- własny
- strona
- chleb
- parametry
- część
- ścieżka
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- wykonywane
- uprawnienia
- słupy
- rurociąg
- plato
- Analiza danych Platona
- PlatoDane
- Post
- potencjał
- przewidzieć
- przepowiednia
- Przewidywania
- Korzystny
- przygotowany
- przesłanka
- teraźniejszość
- przedstawione
- wygląda tak
- Profil
- Programowanie
- zapewniać
- pod warunkiem,
- zapewnia
- Surowy
- gotowy
- real
- w czasie rzeczywistym
- niedawny
- Zalecana
- odnosić się
- region
- reprezentować
- reprezentuje
- wymagany
- wymagania
- Zasoby
- osób
- dalsze
- Efekt
- przeglądu
- recenzja
- Ryzyko
- Rola
- Zasada
- reguły
- run
- sagemaker
- próba
- Zapisz
- zapisywane
- Skala
- wynik
- druga
- Sekcja
- widzieć
- wybrany
- wybór
- senior
- Serie
- usługa
- Usługi
- zestaw
- ustawienie
- w panelu ustawień
- ona
- Targi
- podobny
- Prosty
- jednocześnie
- So
- rozwiązanie
- Rozwiązania
- specyficzny
- STAGE
- Rynek
- Ewolucja krok po kroku
- Cel
- przechowywanie
- przechowywany
- silny
- taki
- Utrzymany
- Zadania
- trwa
- powiedzieć
- że
- Połączenia
- ich
- następnie
- Te
- Trzeci
- to
- trzy
- Przez
- czas
- do
- także
- narzędzia
- Toronto
- w kierunku
- Pociąg
- przeszkolony
- Trening
- Przekształcać
- rozsierdzony
- rodzaj
- typy
- gwarantowanie
- przesłanych
- Uploading
- posługiwać się
- przypadek użycia
- używany
- zastosowania
- za pomocą
- uprawomocnienie
- wartość
- Wartości
- zmienna
- różnorodny
- wersja
- Wersje
- Zobacz i wysłuchaj
- wizja
- chodził
- chcieć
- była
- we
- sieć
- usługi internetowe
- jeśli chodzi o komunikację i motywację
- który
- Podczas
- będzie
- w
- przepływów pracy
- pracujący
- You
- Twój
- zefirnet