Ta trzyczęściowa seria demonstruje, jak używać grafowych sieci neuronowych (GNN) i Amazon Neptun do generowania rekomendacji filmowych za pomocą IMDb i Box Office Mojo Movies/TV/OTT licencjonowany pakiet danych, który zapewnia szeroki zakres metadanych związanych z rozrywką, w tym ponad 1 miliard ocen użytkowników; napisy dla ponad 11 milionów członków obsady i ekipy; 9 milionów tytułów filmowych, telewizyjnych i rozrywkowych; oraz globalne raporty kasowe z ponad 60 krajów. Wielu klientów mediów i rozrywki AWS licencjonuje dane IMDb za pośrednictwem Wymiana danych AWS aby usprawnić odkrywanie treści oraz zwiększyć zaangażowanie i utrzymanie klientów.
Poniższy schemat ilustruje kompletną architekturę zaimplementowaną w ramach tej serii.
In Część 1, omówiliśmy zastosowania GNN oraz sposób przekształcenia i przygotowania naszych danych IMDb w graf wiedzy (KG). Pobraliśmy dane z AWS Data Exchange i przetworzyliśmy je Klej AWS do generowania plików KG. Pliki KG były przechowywane w Usługa Amazon Simple Storage (Amazon S3), a następnie załadowany Amazon Neptun.
In Część 2, pokazaliśmy, jak używać Amazonka Neptuna ML (w Amazon Sage Maker) do trenowania KG i tworzenia osadzeń KG.
W tym poście przeprowadzimy Cię przez proces zastosowania naszych przeszkolonych osadzeń KG w Amazon S3 do przypadków użycia wyszukiwania poza katalogiem za pomocą Usługa Amazon OpenSearch i AWS Lambda. Wdrażasz również lokalną aplikację internetową na potrzeby interaktywnego wyszukiwania. Wszystkie zasoby użyte w tym poście można utworzyć za pomocą jednego Zestaw programistyczny AWS Cloud (AWS CDK), jak opisano w dalszej części postu.
Tło
Czy kiedykolwiek nieumyślnie przeszukałeś tytuł treści, który nie był dostępny na platformie do strumieniowego przesyłania wideo? Jeśli tak, przekonasz się, że zamiast pustej strony wyników wyszukiwania znajdziesz listę filmów tego samego gatunku, z obsadą lub członkami ekipy. To jest wyszukiwanie poza katalogiem!
Wyszukiwanie poza katalogiem (OOC) ma miejsce, gdy wprowadzasz zapytanie wyszukiwania, które nie ma bezpośredniego dopasowania w katalogu. To zdarzenie często występuje na platformach do strumieniowego przesyłania wideo, które stale kupują różnorodne treści od wielu dostawców i firm produkcyjnych przez ograniczony czas. Brak trafności lub mapowania z katalogu firmy zajmującej się transmisją strumieniową do dużych baz wiedzy o filmach i programach może skutkować gorszym doświadczeniem w wyszukiwaniu dla klientów, którzy przeszukują treści OOC, skracając w ten sposób czas interakcji z platformą. To mapowanie można wykonać, ręcznie mapując częste zapytania OOC na zawartość katalogu lub można je zautomatyzować za pomocą uczenia maszynowego (ML).
W tym poście pokazujemy, jak radzić sobie z OOC, wykorzystując moc zestawu danych IMDb (główne źródło globalnych metadanych dotyczących rozrywki) i wykresów wiedzy.
Usługa OpenSearch to w pełni zarządzana usługa, która ułatwia interaktywną analizę dzienników, monitorowanie aplikacji w czasie rzeczywistym, przeszukiwanie witryn internetowych i nie tylko. OpenSearch to open source, rozproszony pakiet wyszukiwania i analizy wywodzący się z Elasticsearch. Usługa OpenSearch oferuje najnowsze wersje OpenSearch, obsługę 19 wersji Elasticsearch (wersje od 1.5 do 7.10), a także możliwości wizualizacji obsługiwane przez OpenSearch Dashboards i Kibana (wersje od 1.5 do 7.10). Usługa OpenSearch ma obecnie dziesiątki tysięcy aktywnych klientów z setkami tysięcy zarządzanych klastrów przetwarzających biliony żądań miesięcznie. Usługa OpenSearch oferuje wyszukiwanie kNN, które może usprawnić wyszukiwanie w przypadkach użycia, takich jak rekomendacje produktów, wykrywanie oszustw oraz obrazy, wideo i niektóre specyficzne scenariusze semantyczne, takie jak podobieństwo dokumentów i zapytań. Aby uzyskać więcej informacji na temat funkcji wyszukiwania opartych na zrozumieniu języka naturalnego w usłudze OpenSearch, zobacz Tworzenie aplikacji wyszukiwania opartej na NLU z Amazon SageMaker i funkcją Amazon OpenSearch Service KNN.
Omówienie rozwiązania
W tym poście przedstawiamy rozwiązanie do obsługi sytuacji OOC poprzez osadzanie wyszukiwania opartego na grafie wiedzy przy użyciu funkcji wyszukiwania k-najbliższych sąsiadów (kNN) usługi OpenSearch. Kluczowymi usługami AWS wykorzystanymi do wdrożenia tego rozwiązania są OpenSearch Service, SageMaker, Lambda i Amazon S3.
Twój koszyk Część 1 i Część 2 tej serii, aby dowiedzieć się więcej na temat tworzenia wykresów wiedzy i osadzania GNN przy użyciu Amazon Neptune ML.
Nasze rozwiązanie OOC zakłada, że masz połączony KG uzyskany z połączenia firmy streamingowej KG i IMDb KG. Można to zrobić za pomocą prostych technik przetwarzania tekstu, które dopasowują tytuły wraz z typem tytułu (film, serial, dokument), obsadą i ekipą. Ponadto ten wspólny wykres wiedzy musi zostać przeszkolony w celu generowania osadzania grafu wiedzy za pośrednictwem potoków, o których mowa w Część 1 i Część 2. Poniższy diagram ilustruje uproszczony widok połączonego KG.
Aby zademonstrować funkcjonalność wyszukiwania OOC na prostym przykładzie, podzieliliśmy wykres wiedzy IMDb na katalog-klient i katalog-poza-klientem. Tytuły zawierające „Toy Story” oznaczamy jako zasoby katalogu niedostępne dla klientów, a resztę wykresu wiedzy IMDb jako katalog klientów. W scenariuszu, w którym katalog klienta nie jest rozszerzany ani łączony z zewnętrznymi bazami danych, wyszukiwanie hasła „toy story” zwróci każdy tytuł zawierający w metadanych słowa „zabawka” lub „historia” za pomocą wyszukiwania tekstowego OpenSearch. Gdyby katalog klientów został zmapowany na IMDb, łatwiej byłoby stwierdzić, że zapytanie „toy story” nie istnieje w katalogu i że najpopularniejsze dopasowania w IMDb to „Toy Story”, „Toy Story 2”, „Toy Historia 3”, „Toy Story 4” i „Charlie: Toy Story” w malejącej kolejności trafności z dopasowaniem tekstu. Aby uzyskać wyniki w obrębie katalogu dla każdego z tych dopasowań, możemy wygenerować pięć najbliższych filmów w opartym na katalogu klienta podobieństwie kNN (wspólnego KG) za pośrednictwem usługi OpenSearch.
Typowe środowisko OOC jest zgodne z przepływem przedstawionym na poniższym rysunku.
Poniższy film pokazuje pierwszą piątkę (liczba trafień) wyników OOC dla zapytania „toy story” i odpowiednie dopasowania w katalogu klienta (liczba rekomendacji).
Tutaj zapytanie jest dopasowywane do wykresu wiedzy za pomocą wyszukiwania tekstowego w usłudze OpenSearch. Następnie odwzorowujemy osadzenie dopasowania tekstowego na tytuły katalogów klientów, korzystając z indeksu kNN usługi OpenSearch. Ponieważ zapytania użytkownika nie można bezpośrednio zamapować na jednostki wykresu wiedzy, stosujemy podejście dwuetapowe, aby najpierw znaleźć podobieństwa zapytań opartych na tytule, a następnie elementy podobne do tytułu przy użyciu osadzania wykresu wiedzy. W poniższych sekcjach przeprowadzimy proces konfigurowania klastra usługi OpenSearch, tworzenia i przesyłania indeksów grafu wiedzy oraz wdrażania rozwiązania jako aplikacji internetowej.
Wymagania wstępne
Aby wdrożyć to rozwiązanie, powinieneś mieć plik Konto AWS, znajomość OpenSearch Service, SageMaker, Lambda i Tworzenie chmury AWSi wykonałeś kroki w Część 1 i Część 2 z tej serii.
Uruchom zasoby rozwiązania
Na poniższym diagramie architektury przedstawiono przepływ pracy poza katalogiem.
Będziesz używać zestawu AWS Cloud Development Kit (CDK) do udostępniania zasobów wymaganych dla aplikacji wyszukujących OOC. Kod uruchamiający te zasoby wykonuje następujące operacje:
- Tworzy VPC dla zasobów.
- Tworzy domenę usługi OpenSearch dla aplikacji wyszukującej.
- Tworzy funkcję Lambda do przetwarzania i ładowania metadanych filmu i osadzania do indeksów usługi OpenSearch (
**-ReadFromOpenSearchLambda-**
). - Tworzy funkcję Lambda, która pobiera jako dane wejściowe zapytanie użytkownika z aplikacji internetowej i zwraca odpowiednie tytuły z OpenSearch (
**-LoadDataIntoOpenSearchLambda-**
). - Tworzy bramę interfejsu API, która dodaje dodatkową warstwę zabezpieczeń między interfejsem użytkownika aplikacji internetowej a Lambdą.
Aby rozpocząć, wykonaj następujące czynności:
- Uruchom kod i notesy z Część 1 i Część 2.
- Nawiguj do
part3-out-of-catalog
folder w repozytorium kodu.
- Uruchom AWS CDK z terminala za pomocą polecenia
bash launch_stack.sh
. - Podaj dwie ścieżki plików S3 utworzone w części 2 jako dane wejściowe:
- Ścieżka S3 do pliku CSV z osadzonymi filmami.
- Ścieżka S3 do pliku węzła filmu.
- Poczekaj, aż skrypt udostępni wszystkie wymagane zasoby i zakończy działanie.
- Skopiuj adres URL bramy interfejsu API, który drukuje skrypt AWS CDK, i zapisz go. (Użyjemy tego później w aplikacji Streamlit).
Utwórz domenę usługi OpenSearch
Dla celów ilustracyjnych tworzysz domenę wyszukiwania w jednej strefie dostępności w instancji r6g.large.search w bezpiecznej sieci VPC i podsieci. Należy pamiętać, że najlepszym rozwiązaniem byłoby skonfigurowanie trzech stref dostępności z jednym wystąpieniem podstawowym i dwoma replikami.
Utwórz indeks usługi OpenSearch i prześlij dane
Używasz funkcji Lambda (utworzonych za pomocą polecenia AWS CDK launch stack) do tworzenia indeksów usługi OpenSearch. Aby rozpocząć tworzenie indeksu, wykonaj następujące kroki:
- W konsoli Lambda otwórz plik
LoadDataIntoOpenSearchLambda
Funkcja lambda. - Na Testowanie kartę, wybierz Testowanie do tworzenia i pozyskiwania danych do indeksu usługi OpenSearch.
Poniższy kod tej funkcji Lambda można znaleźć w part3-out-of-catalog/cdk/ooc/lambdas/LoadDataIntoOpenSearchLambda/lambda_handler.py
:
Funkcja wykonuje następujące zadania:
- Ładuje plik węzła filmowego IMDB KG, który zawiera metadane filmu i powiązane z nim elementy osadzone ze ścieżek pliku S3, które zostały przekazane do pliku tworzenia stosu
launch_stack.sh
. - Scala dwa pliki wejściowe, aby utworzyć pojedynczą ramkę danych do tworzenia indeksu.
- Inicjuje klienta usługi OpenSearch przy użyciu biblioteki Boto3 Python.
- Tworzy dwa indeksy dla tekstu (
ooc_text
) i wyszukiwanie osadzania kNN (ooc_knn
) i masowo przesyła dane z połączonej ramki danych za pośrednictwemingest_data_into_ops
funkcja.
Ten proces pozyskiwania danych trwa od 5 do 10 minut i można go monitorować za pomocą Amazon Cloud Watch loguje się na Monitorowanie zakładka funkcji Lambda.
Tworzysz dwa indeksy, aby włączyć wyszukiwanie tekstowe i wyszukiwanie oparte na osadzeniu kNN. Wyszukiwanie tekstowe odwzorowuje dowolne zapytanie wprowadzane przez użytkownika na tytuły filmów. Wyszukiwanie z osadzeniem kNN znajduje k filmów najlepiej pasujących do tekstu z ukrytej przestrzeni KG, które mają zostać zwrócone jako dane wyjściowe.
Wdróż rozwiązanie jako lokalną aplikację internetową
Teraz, gdy masz działające wyszukiwanie tekstowe i indeks kNN w usłudze OpenSearch, możesz zbudować aplikację internetową opartą na uczeniu maszynowym.
Używamy streamlit
Pakiet Pythona do tworzenia ilustracji front-end dla tej aplikacji. The IMDb-Knowledge-Graph-Blog/part3-out-of-catalog/run_imdb_demo.py
Plik Pythona w naszym GitHub repo ma wymagany kod do uruchomienia lokalnej aplikacji internetowej w celu zbadania tej możliwości.
Aby uruchomić kod, wykonaj następujące kroki:
- Instalacja
streamlit
iaws_requests_auth
Pakiet Pythona w lokalnym wirtualnym środowisku Pythona za pomocą następujących poleceń w terminalu:
- Zastąp symbol zastępczy adresu URL bramy interfejsu API w następujący sposób kodem utworzonym przez AWS CDK:
api = '<ENTER URL OF THE API GATEWAY HERE>/opensearch-lambda?q={query_text}&numMovies={num_movies}&numRecs={num_recs}'
- Uruchom aplikację internetową za pomocą polecenia
streamlit run run_imdb_demo.py
z twojego terminala.
Ten skrypt uruchamia aplikację internetową Streamlit, do której można uzyskać dostęp w przeglądarce internetowej. Adres URL aplikacji internetowej można pobrać z danych wyjściowych skryptu, jak pokazano na poniższym zrzucie ekranu.
Aplikacja akceptuje nowe ciągi wyszukiwania, liczbę trafień i liczbę rekomendacji. Liczba trafień odpowiada temu, ile pasujących tytułów OOC powinniśmy pobrać z katalogu zewnętrznego (IMDb). Liczba rekomendacji odpowiada ilu najbliższych sąsiadów powinniśmy pobrać z katalogu klienta na podstawie wyszukiwania osadzania kNN. Zobacz następujący kod:
Te dane wejściowe (zapytanie, liczba trafień i rekomendacje) są przekazywane do **-ReadFromOpenSearchLambda-**
Funkcja lambda utworzona przez AWS CDK za pośrednictwem żądania API Gateway. Odbywa się to w następującej funkcji:
Wyniki wyjściowe funkcji Lambda z usługi OpenSearch są przekazywane do API Gateway i wyświetlane w aplikacji Streamlit.
Sprzątać
Możesz usunąć wszystkie zasoby utworzone przez AWS CDK za pomocą polecenia npx cdk destroy –app “python3 appy.py” --all
w tej samej instancji (wewnątrz cdk
folder), który został użyty do uruchomienia stosu (patrz poniższy zrzut ekranu).
Wnioski
W tym poście pokazaliśmy, jak stworzyć rozwiązanie do wyszukiwania OOC za pomocą wyszukiwania tekstowego i kNN przy użyciu SageMaker i OpenSearch Service. Użyłeś osadzania niestandardowego modelu wykresu wiedzy, aby znaleźć w swoim katalogu najbliższych sąsiadów tytułom z IMDb. Możesz teraz na przykład wyszukać „The Rings of Power”, serial fantasy opracowany przez Amazon Prime Video, na innych platformach streamingowych i uzasadnić, w jaki sposób mogli zoptymalizować wynik wyszukiwania.
Aby uzyskać więcej informacji na temat przykładowego kodu w tym poście, zobacz GitHub repo. Aby dowiedzieć się więcej o współpracy z Amazon ML Solutions Lab w celu tworzenia podobnych najnowocześniejszych aplikacji ML, zobacz Laboratorium rozwiązań do uczenia maszynowego Amazon Amazon. Aby uzyskać więcej informacji na temat licencjonowania zestawów danych IMDb, odwiedź stronę programista.imdb.com.
O autorach
Divya Bhargawi jest Data Scientist i Media and Entertainment Vertical Lead w Amazon ML Solutions Lab, gdzie rozwiązuje problemy biznesowe o dużej wartości dla klientów AWS za pomocą uczenia maszynowego. Zajmuje się rozumieniem obrazu/wideo, systemami rekomendacji opartymi na grafach wiedzy, predykcyjnymi przypadkami użycia reklamy.
Gaurav Rele jest analitykiem danych w Amazon ML Solution Lab, gdzie współpracuje z klientami AWS z różnych branż, aby przyspieszyć korzystanie z uczenia maszynowego i usług AWS Cloud w celu rozwiązywania ich problemów biznesowych.
Mateusz Rodos jest Data Scientist I pracuje w Amazon ML Solutions Lab. Specjalizuje się w budowaniu potoków uczenia maszynowego, które obejmują pojęcia takie jak przetwarzanie języka naturalnego i widzenie komputerowe.
Karana Sindwaniego jest Data Scientist w Amazon ML Solutions Lab, gdzie buduje i wdraża modele głębokiego uczenia. Specjalizuje się w dziedzinie widzenia komputerowego. W wolnym czasie lubi piesze wędrówki.
Sodżi Adeszina jest naukowcem stosowanym w AWS, gdzie opracowuje modele oparte na grafowych sieciach neuronowych do uczenia maszynowego na zadaniach grafowych z aplikacjami do oszustw i nadużyć, grafów wiedzy, systemów rekomendujących i nauk przyrodniczych. W wolnym czasie lubi czytać i gotować.
Widja Sagar Rawipati jest menedżerem w Amazon ML Solutions Lab, gdzie wykorzystuje swoje ogromne doświadczenie w wielkoskalowych systemach rozproszonych i swoją pasję do uczenia maszynowego, aby pomóc klientom AWS z różnych branż przyspieszyć wdrażanie sztucznej inteligencji i chmury.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. Dostęp tutaj.
- Źródło: https://aws.amazon.com/blogs/machine-learning/power-recommendations-and-search-using-an-imdb-knowledge-graph-part-3/
- 1
- 10
- 100
- 11
- 116
- 7
- 9
- a
- O nas
- nadużycie
- przyśpieszyć
- Akceptuje
- dostęp
- w poprzek
- aktywny
- Dodatkowy
- do tego
- Dodaje
- Przyjęcie
- Reklama
- AI
- Wszystkie kategorie
- Amazonka
- Laboratorium rozwiązań Amazon ML
- Amazon Neptun
- Amazonka Neptuna ML
- Usługa Amazon OpenSearch
- Amazon Sage Maker
- analityka
- i
- api
- Aplikacja
- Zastosowanie
- aplikacje
- stosowany
- Aplikuj
- podejście
- architektura
- POWIERZCHNIA
- powiązany
- zautomatyzowane
- dostępność
- dostępny
- AWS
- Wymiana danych AWS
- na podstawie
- bo
- BEST
- pomiędzy
- Miliard
- Pudełko
- box office
- przeglądarka
- budować
- Budowanie
- Buduje
- biznes
- możliwości
- Etui
- katalog
- wyzwania
- Dodaj
- klient
- Chmura
- adopcja chmury
- usługi w chmurze
- Grupa
- kod
- współpracę
- połączony
- Firmy
- sukcesy firma
- Firma
- kompletny
- Zakończony
- komputer
- Wizja komputerowa
- Koncepcje
- Konsola
- stale
- zawiera
- zawartość
- odpowiada
- mógłby
- kraje
- Stwórz
- stworzony
- Tworzenie
- tworzenie
- Kredyty
- Aktualny
- Obecnie
- zwyczaj
- klient
- Zaangażowanie klienta
- Klientów
- dane
- Wymiana danych
- naukowiec danych
- Bazy danych
- zbiory danych
- głęboko
- głęboka nauka
- wykazać
- wykazać
- rozwijać
- wdrażanie
- wdraża się
- Pochodny
- opisane
- zniszczyć
- Wykrywanie
- rozwinięty
- oprogramowania
- rozwija się
- różne
- kierować
- bezpośrednio
- odkrycie
- omówione
- dystrybuowane
- systemy rozproszone
- dokument
- dokumentalny
- Nie
- domena
- każdy
- łatwiej
- umożliwiać
- zaręczynowy
- wzmocnione
- Wchodzę
- Wchodzi
- rozrywka
- podmioty
- Środowisko
- wydarzenie
- EVER
- przykład
- wymiana
- doświadczenie
- odkryj
- zewnętrzny
- dodatkowy
- okładzina
- Znajomość
- FANTAZJA
- Postać
- filet
- Akta
- Znajdź
- znajduje
- i terminów, a
- pływ
- następujący
- następujący sposób
- znaleziono
- oszustwo
- wykrywanie oszustw
- częsty
- często
- od
- w pełni
- funkcjonować
- funkcjonalności
- Funkcjonalność
- Funkcje
- Bramka
- Generować
- otrzymać
- Globalne
- wykres
- wykresy
- uchwyt
- headers
- pomoc
- Dobranie (Hit)
- Odsłon
- W jaki sposób
- How To
- HTML
- HTTPS
- Setki
- obraz
- wdrożenia
- realizowane
- podnieść
- in
- Włącznie z
- Zwiększać
- wskaźnik
- indeksy
- Indeksy
- przemysł
- Informacja
- wkład
- zainstalować
- przykład
- zamiast
- wzajemne oddziaływanie
- interaktywne
- Interfejs
- angażować
- IT
- szt
- Klawisz
- wiedza
- Wykres Wiedza
- laboratorium
- język
- duży
- na dużą skalę
- firmy
- uruchomić
- uruchamia
- warstwa
- prowadzić
- UCZYĆ SIĘ
- nauka
- wykorzystuje
- Biblioteka
- Licencja
- Koncesjonowanie
- życie
- Life Sciences
- Ograniczony
- Lista
- załadować
- miejscowy
- maszyna
- uczenie maszynowe
- WYKONUJE
- zarządzane
- i konserwacjami
- kierownik
- ręcznie
- wiele
- mapa
- mapowanie
- Mapy
- znak
- Mecz
- dopasowywanie
- Media
- Użytkownicy
- wzmiankowany
- połączenie
- Metadane
- milion
- minut
- ML
- model
- modele
- monitorowane
- monitorowanie
- Miesiąc
- jeszcze
- film
- Kino
- wielokrotność
- Naturalny
- Przetwarzanie języka naturalnego
- sąsiedzi
- Neptun
- oparty na sieci
- sieci
- sieci neuronowe
- Nowości
- węzeł
- numer
- uzyskane
- Oferty
- Biurowe
- ONE
- koncepcja
- open source
- operacje
- zoptymalizowane
- zamówienie
- OS
- Inne
- pakiet
- część
- minęło
- pasja
- ścieżka
- wykonać
- wykonuje
- zastępczy
- Platforma
- Platformy
- plato
- Analiza danych Platona
- PlatoDane
- Proszę
- Post
- power
- powered
- praktyka
- premier
- Przygotować
- teraźniejszość
- pierwotny
- premia
- wydruki
- problemy
- wygląda tak
- Obrobiony
- przetwarzanie
- Produkt
- Produkcja
- zapewnia
- zaopatrzenie
- zakup
- cele
- Python
- zasięg
- Oceny
- Czytający
- gotowy
- w czasie rzeczywistym
- powód
- Rekomendacja
- zalecenia
- mających znaczenie
- odpowiedzieć
- Raportowanie
- składnica
- zażądać
- wywołań
- wymagany
- Zasób
- Zasoby
- odpowiedź
- REST
- dalsze
- Efekt
- retencja
- powrót
- powraca
- run
- bieganie
- sagemaker
- taki sam
- Zapisz
- scenariusze
- NAUKI
- Naukowiec
- Szukaj
- działy
- bezpieczne
- bezpieczeństwo
- Serie
- usługa
- Usługi
- zestaw
- ustawienie
- w panelu ustawień
- powinien
- pokazane
- Targi
- podobny
- podobieństwa
- Prosty
- uproszczony
- pojedynczy
- sytuacje
- rozwiązanie
- Rozwiązania
- ROZWIĄZANIA
- Rozwiązuje
- kilka
- Źródło
- Typ przestrzeni
- specjalizuje się
- specyficzny
- dzielić
- stos
- początek
- rozpoczęty
- state-of-the-art
- Cel
- przechowywanie
- przechowywany
- Historia
- Streaming
- podsieci
- taki
- apartament
- wsparcie
- systemy
- Brać
- trwa
- zadania
- Techniki
- terminal
- Połączenia
- Strefa
- staw
- ich
- a tym samym
- tysiące
- trzy
- Przez
- czas
- Tytuł
- tytuły
- do
- Top
- Pociąg
- przeszkolony
- Przekształcać
- biliony
- tv
- typowy
- dla
- zrozumienie
- Uploading
- URL
- posługiwać się
- Użytkownik
- Interfejs użytkownika
- Wykorzystując
- różnorodność
- Naprawiono
- sprzedawców
- pionowe
- Wideo
- Zobacz i wysłuchaj
- Wirtualny
- wizja
- wyobrażanie sobie
- sieć
- Aplikacja internetowa
- przeglądarka internetowa
- Strona internetowa
- który
- szeroki
- Szeroki zasięg
- będzie
- w ciągu
- słowo
- słowa
- pracujący
- działa
- by
- You
- Twój
- zefirnet
- Strefy