Ten post został napisany wspólnie z Santoshem Waddim i Nandą Kishore Thatikondą z BigBasket.
Duży kosz to największy w Indiach internetowy sklep spożywczy i spożywczy. Działają w wielu kanałach e-commerce, takich jak szybki handel, dostawa szczelinowa i codzienne subskrypcje. Można także kupować w ich sklepach stacjonarnych i automatach. Oferują duży asortyment ponad 50,000 1,000 produktów 500 marek i działają w ponad 10 miastach. BigBasket obsługuje ponad XNUMX milionów klientów.
W tym poście omawiamy sposób korzystania z BigBasket Amazon Sage Maker przeszkolili swój model widzenia komputerowego w zakresie identyfikacji produktów szybko zbywalnych towarów konsumpcyjnych (FMCG), co pomogło im skrócić czas szkolenia o około 50% i obniżyć koszty o 20%.
Wyzwania klientów
Obecnie większość supermarketów i sklepów stacjonarnych w Indiach umożliwia ręczną realizację transakcji przy kasie. Ma to dwa problemy:
- Wymaga to dodatkowej siły roboczej, naklejek z obciążeniem i powtarzalnych szkoleń zespołu operacyjnego w sklepie w miarę zwiększania skali.
- W większości sklepów stanowisko kasowe różni się od stanowisk wagowych, co zwiększa tarcie na ścieżce zakupowej klienta. Klienci często gubią naklejkę z wagą i muszą wracać do stanowisk wagowych, aby ją ponownie odebrać przed przystąpieniem do realizacji transakcji.
Proces samoobsługi
BigBasket wprowadził w swoich sklepach stacjonarnych system kasowy oparty na sztucznej inteligencji, który wykorzystuje kamery do jednoznacznego rozróżniania artykułów. Poniższy rysunek przedstawia przegląd procesu realizacji transakcji.
Zespół BigBasket korzystał z własnych algorytmów ML o otwartym kodzie źródłowym do rozpoznawania obiektów z wizji komputerowej, aby wspomagać realizację transakcji z włączoną sztuczną inteligencją w swoich firmach. świeżo (fizyczne) sklepy. Aby obsługiwać istniejącą konfigurację, stanęliśmy przed następującymi wyzwaniami:
- Wraz z ciągłym wprowadzaniem nowych produktów, model wizji komputerowej musiał stale uwzględniać nowe informacje o produkcie. System musiał obsłużyć duży katalog zawierający ponad 12,000 600 jednostek magazynowych (SKU), przy czym nowe jednostki SKU były stale dodawane w tempie ponad XNUMX miesięcznie.
- Aby dotrzymać kroku nowym produktom, co miesiąc produkowano nowy model, korzystając z najnowszych danych szkoleniowych. Częste szkolenie modeli w zakresie dostosowywania się do nowych produktów było kosztowne i czasochłonne.
- BigBasket chciał również skrócić czas cyklu szkoleniowego, aby skrócić czas wprowadzenia produktu na rynek. Ze względu na wzrost liczby jednostek SKU czas potrzebny modelowi rósł liniowo, co miało wpływ na czas wprowadzenia produktu na rynek, ponieważ częstotliwość szkoleń była bardzo wysoka i zajmowała dużo czasu.
- Powiększanie danych na potrzeby uczenia modeli i ręczne zarządzanie pełnym, kompleksowym cyklem szkoleniowym powodowało znaczny wzrost kosztów ogólnych. BigBasket uruchamiał to na platformie strony trzeciej, co wiązało się ze znacznymi kosztami.
Omówienie rozwiązania
Aby sprostać tym wyzwaniom, zalecamy, aby BigBasket przeprojektował istniejące rozwiązanie do wykrywania i klasyfikacji produktów FMCG przy użyciu SageMaker. Przed przejściem do produkcji na pełną skalę BigBasket wypróbował pilotaż w SageMaker, aby ocenić wskaźniki wydajności, kosztów i wygody.
Ich celem było dostrojenie istniejącego modelu uczenia maszynowego (ML) z funkcją widzenia komputerowego na potrzeby wykrywania SKU. Zastosowaliśmy architekturę splotowej sieci neuronowej (CNN). ResNet152 do klasyfikacji obrazów. Do celów uczenia modeli oszacowano duży zbiór danych składający się z około 300 obrazów na jednostkę SKU, co dało łącznie ponad 4 miliony obrazów szkoleniowych. W przypadku niektórych jednostek SKU rozszerzyliśmy dane, aby uwzględnić szerszy zakres warunków środowiskowych.
Poniższy schemat ilustruje architekturę rozwiązania.
Cały proces można podsumować w następujących etapach wysokiego poziomu:
- Wykonuj czyszczenie danych, adnotacje i powiększanie.
- Przechowuj dane w pliku Usługa Amazon Simple Storage Łyżka (Amazon S3).
- Użyj SageMakera i Amazon FSx dla Luster do efektywnego powiększania danych.
- Podziel dane na zbiory pociągowe, walidacyjne i testowe. Użyliśmy FSx dla Lustre i Usługa relacyjnych baz danych Amazon (Amazon RDS) dla szybkiego, równoległego dostępu do danych.
- Użyj zwyczaju PyTorch Kontener Docker zawierający inne biblioteki open source.
- Zastosowanie Równoległość danych rozproszonych SageMaker (SMDDP) do przyspieszonego szkolenia rozproszonego.
- Metryki szkoleniowe modelu dziennika.
- Skopiuj ostateczny model do wiadra S3.
Używany BigBasket Notatniki SageMaker mogli szkolić swoje modele ML i byli w stanie łatwo przenieść istniejące oprogramowanie PyTorch typu open source i inne zależności typu open source do kontenera SageMaker PyTorch i bezproblemowo uruchomić potok. Była to pierwsza korzyść dostrzeżona przez zespół BigBasket, ponieważ nie było prawie żadnych zmian w kodzie, aby był kompatybilny ze środowiskiem SageMaker.
Sieć modelowa składa się z architektury ResNet 152, po której znajdują się w pełni połączone warstwy. Zamroziliśmy warstwy obiektowe niskiego poziomu i zachowaliśmy wagi uzyskane w wyniku uczenia się transferu z modelu ImageNet. Całkowite parametry modelu wyniosły 66 milionów, w tym 23 miliony parametrów, które można wytrenować. To podejście oparte na transferze uczenia się pomogło im używać mniejszej liczby obrazów w czasie szkolenia, a także umożliwiło szybszą konwergencję i skróciło całkowity czas szkolenia.
Budowanie i trenowanie modelu wewnątrz Studio Amazon SageMaker zapewnił zintegrowane środowisko programistyczne (IDE) ze wszystkim, co potrzebne do przygotowania, budowania, uczenia i dostrajania modeli. Rozszerzanie danych szkoleniowych za pomocą technik takich jak kadrowanie, obracanie i odwracanie obrazów pomogło poprawić dane szkoleniowe modelu i dokładność modelu.
Uczenie modeli zostało przyspieszone o 50% dzięki zastosowaniu biblioteki SMDDP, która zawiera zoptymalizowane algorytmy komunikacji zaprojektowane specjalnie dla infrastruktury AWS. Aby poprawić wydajność odczytu/zapisu danych podczas uczenia modeli i powiększania danych, użyliśmy FSx for Luster w celu uzyskania wysokiej przepustowości.
Ich początkowy rozmiar danych szkoleniowych wynosił ponad 1.5 TB. Użyliśmy dwóch Elastyczna chmura obliczeniowa Amazon (Amazonka EC2) p4d.24 duże instancje z 8 procesorami graficznymi i 40 GB pamięci graficznej. W przypadku szkoleń rozproszonych SageMaker instancje muszą znajdować się w tym samym regionie AWS i strefie dostępności. Ponadto dane szkoleniowe przechowywane w zasobniku S3 muszą znajdować się w tej samej strefie dostępności. Architektura ta pozwala także BigBasket na zmianę typów instancji na inne lub dodanie większej liczby instancji do bieżącej architektury, aby obsłużyć znaczny wzrost ilości danych lub osiągnąć dalszą redukcję czasu szkolenia.
Jak biblioteka SMDDP pomogła skrócić czas, koszty i złożoność szkolenia
W tradycyjnym szkoleniu opartym na danych rozproszonych struktura szkoleniowa przypisuje rangi procesorom graficznym (roboczom) i tworzy replikę modelu na każdym procesorze graficznym. Podczas każdej iteracji szkoleniowej globalna partia danych jest dzielona na części (fragmenty wsadowe), a część jest dystrybuowana do każdego pracownika. Następnie każdy pracownik wykonuje przejście do przodu i do tyłu zdefiniowane w skrypcie szkoleniowym na każdym procesorze graficznym. Na koniec wagi i gradienty modeli z różnych replik modeli są synchronizowane na końcu iteracji za pośrednictwem zbiorczej operacji komunikacyjnej zwanej AllReduce. Gdy każdy proces roboczy i procesor graficzny uzyskają zsynchronizowaną replikę modelu, rozpoczyna się następna iteracja.
Biblioteka SMDDP to zbiorowa biblioteka komunikacyjna, która poprawia wydajność procesu równoległego uczenia rozproszonych danych. Biblioteka SMDDP zmniejsza obciążenie komunikacyjne kluczowych operacji komunikacji zbiorowej, takich jak AllReduce. Implementacja AllReduce jest przeznaczona dla infrastruktury AWS i może przyspieszyć szkolenie poprzez nałożenie operacji AllReduce na przejście wstecz. Takie podejście pozwala osiągnąć niemal liniową wydajność skalowania i większą prędkość uczenia poprzez optymalizację operacji jądra pomiędzy procesorami CPU i GPU.
Zwróć uwagę na następujące obliczenia:
- Rozmiar globalnej partii to (liczba węzłów w klastrze) * (liczba procesorów graficznych na węzeł) * (na fragment wsadowy)
- Fragment wsadowy (mały wsad) to podzbiór zbioru danych przypisany do każdego procesora graficznego (procesu roboczego) w każdej iteracji
BigBasket wykorzystał bibliotekę SMDDP, aby skrócić ogólny czas szkolenia. Dzięki FSx for Lustre zmniejszyliśmy przepustowość odczytu/zapisu danych podczas uczenia modeli i powiększania danych. Dzięki równoległości danych BigBasket był w stanie osiągnąć prawie 50% szybsze i 20% tańsze szkolenie w porównaniu z innymi alternatywami, zapewniając najlepszą wydajność na AWS. SageMaker automatycznie zamyka potok szkoleniowy po jego ukończeniu. Projekt zakończył się pomyślnie, zapewniając o 50% krótszy czas szkolenia w AWS (4.5 dnia w AWS w porównaniu z 9 dniami na starszej platformie).
W chwili pisania tego posta BigBasket uruchomił kompletne rozwiązanie w produkcji od ponad 6 miesięcy i skaluje system, obsługując nowe miasta, a my co miesiąc dodajemy nowe sklepy.
„Nasza współpraca z AWS w zakresie migracji do szkoleń rozproszonych przy użyciu ich oferty SMDDP była wielkim sukcesem. Nie tylko skróciło to czas naszych szkoleń o 50%, ale było także o 20% tańsze. W całej naszej współpracy AWS postawił poprzeczkę w zakresie obsesji na punkcie klientów i zapewniania wyników — współpracując z nami przez cały czas, aby osiągnąć obiecane korzyści”.
– Keshav Kumar, szef inżynierii w BigBasket.
Wnioski
W tym poście omówiliśmy, jak BigBasket wykorzystał SageMaker do szkolenia swojego modelu widzenia komputerowego na potrzeby identyfikacji produktów FMCG. Wdrożenie zautomatyzowanego systemu kas samoobsługowych opartego na sztucznej inteligencji zapewnia lepszą obsługę klienta detalicznego dzięki innowacjom, jednocześnie eliminując błędy ludzkie w procesie realizacji transakcji. Przyspieszenie wdrażania nowych produktów za pomocą rozproszonych szkoleń SageMaker skraca czas i koszty wdrażania SKU. Integracja FSx for Luster umożliwia szybki, równoległy dostęp do danych w celu wydajnego ponownego szkolenia modeli z setkami nowych jednostek SKU miesięcznie. Ogólnie rzecz biorąc, to rozwiązanie do kas samoobsługowych oparte na sztucznej inteligencji zapewnia ulepszone doświadczenia zakupowe pozbawione błędów przy kasie frontendowej. Automatyzacja i innowacje zmieniły ich operacje związane z kasami detalicznymi i wdrażaniem.
SageMaker zapewnia kompleksowe możliwości tworzenia, wdrażania i monitorowania uczenia maszynowego, takie jak środowisko notebooków SageMaker Studio do pisania kodu, gromadzenia danych, znakowania danych, uczenia modeli, dostrajania modeli, wdrażania, monitorowania i wielu innych. Jeśli Twoja firma stoi przed którymkolwiek z wyzwań opisanych w tym poście i chce zaoszczędzić czas na wprowadzeniu produktu na rynek oraz obniżyć koszty, skontaktuj się z zespołem obsługi klienta AWS w swoim regionie i rozpocznij korzystanie z SageMaker.
O autorach
Santosha Waddiego jest głównym inżynierem w BigBasket i ma ponad dziesięcioletnie doświadczenie w rozwiązywaniu problemów związanych ze sztuczną inteligencją. Posiada rozległą wiedzę z zakresu widzenia komputerowego, nauki o danych i głębokiego uczenia się, a także ukończył studia podyplomowe w IIT Bombay. Santosh jest autorem znaczących publikacji IEEE, a jako doświadczony autor bloga technologicznego wniósł także znaczący wkład w rozwój rozwiązań widzenia komputerowego podczas swojej pracy w firmie Samsung.
Nanda Kishore Thatikonda jest menedżerem ds. inżynierii prowadzącym inżynierię danych i analitykę w BigBasket. Nanda stworzyła wiele aplikacji do wykrywania anomalii i ma patent złożony w podobnej dziedzinie. Pracował nad budowaniem aplikacji klasy korporacyjnej, budowaniem platform danych w wielu organizacjach i platform raportowania w celu usprawnienia decyzji w oparciu o dane. Nanda ma ponad 18-letnie doświadczenie w pracy w Java/J2EE, technologiach Spring i frameworkach Big Data z wykorzystaniem Hadoop i Apache Spark.
Nienawiść Sudhanshu jest głównym specjalistą AI i ML w AWS i współpracuje z klientami, doradzając im w zakresie MLO i generatywnej AI. Na swoim poprzednim stanowisku opracowywał koncepcję, tworzył i kierował zespołami, które zbudowały od podstaw platformę sztucznej inteligencji i grywalizacji opartą na otwartym kodzie źródłowym, a następnie z powodzeniem wprowadził ją na rynek u ponad 100 klientów. Sudhanshu ma na swoim koncie kilka patentów; napisał 2 książki, kilka artykułów i blogów; i przedstawiał swój punkt widzenia na różnych forach. Jest czołowym myślicielem i mówcą, działającym w branży od prawie 25 lat. Pracował z klientami z listy Fortune 1000 na całym świecie, a ostatnio współpracuje z klientami z branży cyfrowej w Indiach.
Ajusz Kumar jest architektem rozwiązań w AWS. Współpracuje z szeroką gamą klientów AWS, pomagając im wdrażać najnowsze, nowoczesne aplikacje i szybciej wprowadzać innowacje dzięki technologiom natywnym dla chmury. W wolnym czasie zobaczysz go eksperymentującego w kuchni.
- 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/how-bigbasket-improved-ai-enabled-checkout-at-their-physical-stores-using-amazon-sagemaker/
- :ma
- :Jest
- :nie
- $ 10 mln
- $W GÓRĘ
- 000
- 1
- 10
- 100
- 12
- 120
- 13
- 152
- 23
- 24
- 25
- 300
- 40
- 50
- 500
- 600
- 66
- 7
- 8
- 80
- 9
- 98
- a
- Zdolny
- przyśpieszony
- przyspieszenie
- dostęp
- Konto
- precyzja
- Osiągać
- Osiąga
- nabyty
- nabycie
- w poprzek
- przystosować
- Dodaj
- w dodatku
- dodanie
- Dodatkowy
- adres
- Dodaje
- przyjąć
- doradzać
- Po
- ponownie
- AI
- Zasilany AI
- Algorytmy
- pozwala
- prawie
- również
- alternatywy
- Amazonka
- Amazon EC2
- Amazon RDS
- Amazon Sage Maker
- Amazon Web Services
- an
- analityka
- i
- wykrywanie anomalii
- każdy
- Apache
- aplikacje
- podejście
- w przybliżeniu
- architektura
- SĄ
- na około
- AS
- przydzielony
- asortyment
- At
- zwiększona
- autor
- autor
- zautomatyzowane
- automatycznie
- Automatyzacja
- dostępność
- AWS
- z powrotem
- poparła
- tło
- bar
- BE
- bo
- być
- zanim
- zaczyna się
- jest
- korzyści
- Korzyści
- BEST
- pomiędzy
- Duży
- Big Data
- Blog
- blogi
- Książki
- marek
- Przynosi
- szerszy
- budować
- Budowanie
- wybudowany
- biznes
- kupować
- by
- Obliczenia
- nazywa
- kamery
- CAN
- możliwości
- katalog
- zaopatrywać
- catering
- pewien
- wyzwania
- zmiana
- Zmiany
- kanały
- tańsze
- Koszyk
- Miasta
- klasyfikacja
- klientów
- Grupa
- CNN
- kod
- zbierać
- Collective
- Handel
- Komunikacja
- w porównaniu
- zgodny
- kompletny
- Zakończony
- obliczać
- komputer
- Wizja komputerowa
- Warunki
- połączony
- Składający się
- składa się
- konsument
- czasochłonne
- Pojemnik
- nieustannie
- ciągły
- bez przerwy
- składki
- wygoda
- Konwergencja
- Koszty:
- kosztowny
- Koszty:
- Przeciwdziałać
- liczniki
- Para
- stworzony
- tworzy
- kredyt
- Aktualny
- zwyczaj
- klient
- doświadczenie klienta
- Klientów
- Ciąć
- cykl
- codziennie
- dane
- dostęp do danych
- nauka danych
- Baza danych
- Dni
- dekada
- Decyzje
- głęboko
- głęboka nauka
- zdefiniowane
- Stopień
- dostarczanie
- dostarcza
- dostawa
- Zależności
- Wdrożenie
- opisane
- zaprojektowany
- Wykrywanie
- oprogramowania
- schemat
- ZROBIŁ
- różne
- cyfrowy
- dyskutować
- omówione
- rozróżniać
- dystrybuowane
- szkolenia rozproszone
- podzielony
- Doker
- na dół
- z powodu
- podczas
- każdy
- z łatwością
- ecommerce
- efektywność
- wydajny
- eliminując
- włączony
- Umożliwia
- objąć
- zakończenia
- koniec końców
- inżynier
- Inżynieria
- wzmocnione
- klasy korporacyjnej
- Cały
- Środowisko
- środowiskowy
- Błędy
- szacunkowa
- oceniać
- Każdy
- wszystko
- Przede wszystkim system został opracowany
- doświadczenie
- eksperymentować
- ekspertyza
- okładzina
- FAST
- Szybki ruch
- szybciej
- Cecha
- mniej
- Postać
- wniesiony
- finał
- W końcu
- Znajdź
- i terminów, a
- fmcg
- następnie
- następujący
- jedzenie
- W razie zamówieenia projektu
- Majątek
- Forum
- Naprzód
- Framework
- Ramy
- Częstotliwość
- często
- tarcie
- od
- frontend
- na pełną skalę
- w pełni
- dalej
- gamification
- generatywny
- generatywna sztuczna inteligencja
- otrzymać
- Globalne
- globus
- Go
- towary
- GPU
- GPU
- gradienty
- wspaniały
- Wzrost
- uchwyt
- Have
- he
- głowa
- pomógł
- pomoc
- Wysoki
- na wysokim szczeblu
- wysoka wydajność
- go
- jego
- posiada
- W jaki sposób
- HTML
- http
- HTTPS
- człowiek
- Setki
- Identyfikacja
- IEEE
- if
- ilustruje
- obraz
- Klasyfikacja obrazu
- zdjęcia
- wpływ
- realizacja
- podnieść
- ulepszony
- poprawia
- in
- w sklepie
- obejmuje
- Włącznie z
- włączać
- Zwiększenia
- wzrastający
- poniesione
- Indie
- przemysł
- Informacja
- Infrastruktura
- wprowadzać innowacje
- Innowacja
- przykład
- zintegrowany
- Integracja
- najnowszych
- wprowadzono
- Wprowadzenie
- problemy
- IT
- szt
- iteracja
- JEGO
- podróż
- jpg
- Trzymać
- konserwacja
- Klawisz
- Kumar
- duży
- największym
- firmy
- nioski
- lider
- prowadzący
- nauka
- Doprowadziło
- Dziedzictwo
- biblioteki
- Biblioteka
- lubić
- długo
- długi czas
- stracić
- maszyna
- uczenie maszynowe
- maszyny
- zrobiony
- robić
- kierownik
- zarządzający
- podręcznik
- ręcznie
- rynek
- Pamięć
- Metryka
- migracja
- milion
- ML
- MLOps
- model
- modele
- Nowoczesne technologie
- monitorowanie
- Miesiąc
- miesięcznie
- miesięcy
- jeszcze
- większość
- przeniesienie
- dużo
- wielokrotność
- rodzimy
- prawie
- Potrzebować
- potrzebne
- wymagania
- sieć
- nerwowy
- sieci neuronowe
- Nowości
- nowy produkt
- Nowe produkty
- Następny
- węzeł
- węzły
- dostojnik
- notatnik
- numer
- przedmiot
- cel
- of
- oferta
- oferuje
- często
- on
- Wprowadzenie
- ONE
- Online
- tylko
- koncepcja
- open source
- działać
- operacyjny
- działanie
- operacyjny
- operacje
- zoptymalizowane
- optymalizacji
- or
- organizacji
- Inne
- ludzkiej,
- na zewnątrz
- koniec
- ogólny
- nad głową
- przegląd
- Pokój
- Papiery
- Parallel
- parametry
- Współpraca
- przechodzić
- patent
- Patenty
- dla
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- fizyczny
- kawałek
- sztuk
- pilot
- rurociąg
- Platforma
- Platformy
- plato
- Analiza danych Platona
- PlatoDane
- punkt
- Punkt widzenia
- Post
- podyplomowy
- power
- Przygotować
- przedstawione
- poprzedni
- Główny
- dochód
- wygląda tak
- Wytworzony
- Produkt
- Informacje o produkcie
- Produkcja
- Produkty
- projekt
- obiecał
- zapewniać
- pod warunkiem,
- zapewnia
- publikacje
- zakup
- płomień
- Szybki
- zasięg
- szeregi
- Kurs
- dosięgnąć
- zrealizować
- niedawno
- uznanie
- Zalecana
- zmniejszyć
- Zredukowany
- zmniejsza
- redukcja
- region
- powtórzony
- odpowiedzieć
- Raportowanie
- Wymaga
- wynikły
- detaliczny
- Rola
- run
- bieganie
- sagemaker
- taki sam
- Samsung
- Zapisz
- Skala
- skalowaniem
- nauka
- scenariusz
- płynnie
- zaprawiony
- widziany
- służy
- Usługi
- zestaw
- Zestawy
- ustawienie
- kilka
- Zakupy
- Zamyka
- znaczący
- podobny
- Prosty
- spory
- Rozmiar
- mały
- rozwiązanie
- Rozwiązania
- Rozwiązywanie
- Źródło
- Typ przestrzeni
- Iskra
- Głośnik
- specjalista
- swoiście
- prędkość
- wiosna
- rozpoczęty
- Startowy
- Cel
- naklejki
- stany magazynowe
- przechowywanie
- sklep
- przechowywany
- sklep
- opływowy
- silny
- studio
- subskrypcje
- Z powodzeniem
- taki
- system
- Zadania
- zespół
- Zespoły
- tech
- Techniki
- Technologies
- test
- niż
- że
- Połączenia
- ich
- Im
- następnie
- Tam.
- Te
- one
- innych firm
- to
- myśl
- Przez
- wydajność
- czas
- czasy
- do
- wziął
- Kwota produktów:
- miasta
- tradycyjny
- Pociąg
- Trening
- przenieść
- przekształcony
- wypróbowany
- melodia
- strojenie
- drugiej
- typy
- wyjątkowo
- jednostek
- us
- posługiwać się
- używany
- zastosowania
- za pomocą
- uprawomocnienie
- różnorodność
- różnorodny
- początku.
- Zobacz i wysłuchaj
- wizja
- vs
- poszukiwany
- chce
- była
- Droga..
- we
- sieć
- usługi internetowe
- ważenia
- waga
- były
- który
- Podczas
- cały
- szeroki
- wygrać
- w
- w ciągu
- pracował
- pracownik
- pracowników
- pracujący
- działa
- pisanie
- napisany
- lat
- You
- Twój
- zefirnet
- strefa