Sklep funkcji Amazon SageMaker zapewnia kompleksowe rozwiązanie do automatyzacji inżynierii funkcji na potrzeby uczenia maszynowego (ML). W wielu przypadkach użycia uczenia maszynowego surowe dane, takie jak pliki dziennika, odczyty czujników lub zapisy transakcji, muszą zostać przekształcone w znaczące funkcje zoptymalizowane pod kątem uczenia modeli.
Jakość funkcji ma kluczowe znaczenie dla zapewnienia bardzo dokładnego modelu ML. Przekształcanie surowych danych w funkcje przy użyciu agregacji, kodowania, normalizacji i innych operacji jest często potrzebne i może wymagać znacznego wysiłku. Inżynierowie muszą ręcznie napisać niestandardową logikę wstępnego przetwarzania i agregacji danych w Pythonie lub Spark dla każdego przypadku użycia.
To niezróżnicowane podnoszenie ciężkich przedmiotów jest uciążliwe, powtarzalne i podatne na błędy. The Procesor funkcji sklepu z funkcjami SageMaker zmniejsza to obciążenie, automatycznie przekształcając surowe dane w zagregowane funkcje odpowiednie do modeli uczenia wsadowego uczenia maszynowego. Pozwala inżynierom udostępniać proste funkcje transformacji danych, a następnie obsługuje ich uruchamianie na dużą skalę w platformie Spark i zarządzanie bazową infrastrukturą. Dzięki temu badacze i inżynierowie danych mogą skupić się na logice inżynierii funkcji, a nie na szczegółach implementacji.
W tym poście pokazujemy, jak firma zajmująca się sprzedażą samochodów może wykorzystać procesor funkcji do przekształcenia surowych danych transakcji sprzedaży w funkcje w trzech krokach:
- Lokalne przebiegi transformacji danych.
- Zdalne uruchamianie na dużą skalę przy użyciu platformy Spark.
- Operacjonalizacja poprzez rurociągi.
Pokazujemy, jak SageMaker Feature Store pozyskuje surowe dane, zdalnie przeprowadza transformacje funkcji za pomocą platformy Spark i ładuje powstałe zagregowane funkcje do grupa funkcji. Te zaprojektowane funkcje można następnie wykorzystać do uczenia modeli uczenia maszynowego.
W tym przypadku widzimy, jak SageMaker Feature Store pomaga przekształcić surowe dane dotyczące sprzedaży samochodów w ustrukturyzowane funkcje. Funkcje te są następnie wykorzystywane do uzyskiwania takich informacji, jak:
- Średnia i maksymalna cena czerwonych kabrioletów z 2010 roku
- Modele o najlepszym przebiegu w stosunku do ceny
- Trendy sprzedaży samochodów nowych i używanych na przestrzeni lat
- Różnice w średniej sugerowanej cenie detalicznej w różnych lokalizacjach
Widzimy także, jak potoki SageMaker Feature Store aktualizują funkcje w miarę napływu nowych danych, umożliwiając firmie ciągłe zdobywanie wglądu w czasie.
Omówienie rozwiązania
Pracujemy ze zbiorem danych car_data.csv
, który zawiera specyfikacje, takie jak model, rok, stan, przebieg, cena i sugerowana cena detaliczna używanych i nowych samochodów sprzedawanych przez firmę. Poniższy zrzut ekranu przedstawia przykład zestawu danych.
Notatnik rozwiązań feature_processor.ipynb
zawiera następujące główne kroki, które wyjaśnimy w tym poście:
- Utwórz dwie grupy obiektów: jedną o nazwie
car-data
dla surowych rejestrów sprzedaży samochodów i inny tzwcar-data-aggregated
dla zbiorczych danych dotyczących sprzedaży samochodów. - Użyj
@feature_processor
dekorator, z którego chcesz załadować dane do grupy funkcji danych samochodu Usługa Amazon Simple Storage (Amazonka S3). - Uruchom
@feature_processor code
zdalnie jako aplikacja Spark w celu agregowania danych. - Operacjonalizacja procesora funkcji poprzez Potoki SageMakera i harmonogram przejazdów.
- Poznaj potoki przetwarzania funkcji i rodowód in Studio Amazon SageMaker.
- Użyj funkcji zagregowanych do uczenia modelu uczenia maszynowego.
Wymagania wstępne
Aby skorzystać z tego samouczka, potrzebujesz:
W tym poście odsyłamy do następujących kwestii notatnik, który pokazuje, jak rozpocząć pracę z Feature Processor przy użyciu pakietu SageMaker Python SDK.
Utwórz grupy funkcji
Aby utworzyć grupy funkcji, wykonaj następujące kroki:
- Utwórz definicję grupy elementów dla
car-data
w sposób następujący:
Funkcje odpowiadają każdej kolumnie w car_data.csv
zbiór danych (Model
, Year
, Status
, Mileage
, Price
, MSRP
).
- Dodaj identyfikator rekordu
id
i czas wydarzeniaingest_time
do grupy funkcji:
- Utwórz definicję grupy elementów dla
car-data-aggregated
w sposób następujący:
W przypadku zagregowanej grupy funkcji funkcje te to stan roku modelowego, średni przebieg, maksymalny przebieg, średnia cena, maksymalna cena, średnia sugerowana cena detaliczna, maksymalna sugerowana cena detaliczna i czas spożycia. Dodajemy identyfikator rekordu model_year_status
i czas wydarzenia ingest_time
do tej grupy funkcji.
- Teraz utwórz
car-data
grupa funkcji:
- utworzyć
car-data-aggregated
grupa funkcji:
Możesz przejść do opcji sklepu z funkcjami SageMaker w sekcji Dane w studiu SageMaker Strona główna menu, aby wyświetlić grupy funkcji.
Aby załadować dane, użyj dekoratora @feature_processor
W tej sekcji lokalnie przekształcamy surowe dane wejściowe (car_data.csv
) z Amazon S3 do car-data
grupę funkcji przy użyciu procesora funkcji magazynu funkcji. To początkowe uruchomienie lokalne pozwala nam opracować i wykonać iterację przed uruchomieniem zdalnym, a w razie potrzeby można je wykonać na próbce danych w celu szybszej iteracji.
Z @feature_processor
dekorator, funkcja transformacji działa w środowisku wykonawczym Spark, gdzie argumenty wejściowe dostarczone do funkcji i jej wartość zwracana to ramki danych Spark.
- Instalacja Zestaw SDK procesora funkcji z SageMaker SDK dla Pythona i jego dodatki za pomocą następującego polecenia:
Liczba parametrów wejściowych w funkcji transformacji musi odpowiadać liczbie wejść skonfigurowanych w pliku @feature_processor
dekorator. W tym przypadku @feature_processor
dekorator ma car-data.csv
jako wejście i car-data
grupę funkcji jako dane wyjściowe, wskazując, że jest to operacja wsadowa z target_store
as OfflineStore
:
- Zdefiniuj
transform()
funkcja służąca do transformacji danych. Funkcja ta wykonuje następujące działania:- Konwertuj nazwy kolumn na małe litery.
- Dodaj czas wydarzenia do
ingest_time
Kolumna. - Usuń znaki interpunkcyjne i zamień brakujące wartości na NA.
- Zadzwoń do
transform()
funkcja służąca do przechowywania danych w formaciecar-data
grupa funkcji:
Dane wyjściowe pokazują, że dane zostały pomyślnie wprowadzone do grupy funkcji Dane samochodu.
Dane wyjściowe transform_df.show()
funkcja jest następująca:
Pomyślnie przekształciliśmy dane wejściowe i pozyskaliśmy je w pliku car-data
grupa funkcji.
Uruchom zdalnie kod @feature_processor
W tej sekcji zademonstrowaliśmy zdalne uruchamianie kodu przetwarzania funkcji jako aplikacji Spark przy użyciu narzędzia @remote
dekorator opisany wcześniej. Przetwarzanie funkcji uruchamiamy zdalnie przy użyciu platformy Spark w celu skalowania do dużych zbiorów danych. Spark zapewnia rozproszone przetwarzanie w klastrach, aby obsłużyć dane, które są zbyt duże dla pojedynczej maszyny. The @remote
dekorator uruchamia lokalny kod Pythona jako jedno- lub wielowęzłowe zadanie szkoleniowe SageMaker.
- Użyj
@remote
dekorator wraz z@feature_processor
dekorator w następujący sposób:
Połączenia spark_config
parametr wskazuje, że jest to uruchamiane jako a Spark application
. Instancja SparkConfig konfiguruje konfigurację i zależności platformy Spark.
- Zdefiniuj
aggregate()
funkcja do agregowania danych przy użyciu PySpark SQL i funkcji zdefiniowanych przez użytkownika (UDF). Funkcja ta wykonuje następujące działania:- Powiązać
model
,year
,status
tworzyćmodel_year_status
. - Weź średnią
price
tworzyćavg_price
. - Weź maksymalną wartość
price
tworzyćmax_price
. - Weź średnią
mileage
tworzyćavg_mileage
. - Weź maksymalną wartość
mileage
tworzyćmax_mileage
. - Weź średnią
msrp
tworzyćavg_msrp
. - Weź maksymalną wartość
msrp
tworzyćmax_msrp
. - Grupuj według
model_year_status
.
- Powiązać
- Uruchom
aggregate()
funkcja, która tworzy zadanie szkoleniowe SageMaker w celu uruchomienia aplikacji Spark:
W rezultacie SageMaker tworzy zadanie szkoleniowe dla zdefiniowanej wcześniej aplikacji Spark. Utworzy środowisko wykonawcze Spark przy użyciu pliku sagemaker-spark-processing image
.
Korzystamy tutaj z zadań szkoleniowych SageMaker Training, aby uruchomić naszą aplikację do przetwarzania funkcji Spark. Dzięki szkoleniu SageMaker Training możesz skrócić czas uruchamiania do 1 minuty lub mniej, korzystając z ciepłego łączenia, które jest niedostępne w SageMaker Processing. Dzięki temu szkolenie SageMaker Training jest lepiej zoptymalizowane pod kątem krótkich zadań wsadowych, takich jak przetwarzanie funkcji, gdzie ważny jest czas uruchamiania.
- Aby wyświetlić szczegóły, w konsoli SageMaker wybierz Praca szkoleniowa dla Trening w panelu nawigacji, a następnie wybierz zadanie o nazwie
aggregate-<timestamp>
.
Dane wyjściowe agregat() funkcja generuje kod telemetryczny. Wewnątrz danych wyjściowych zobaczysz zagregowane dane w następujący sposób:
Po zakończeniu zadania szkoleniowego powinieneś zobaczyć następujące dane wyjściowe:
Operacjonalizacja procesora funkcji za pośrednictwem potoków SageMaker
W tej sekcji demonstrujemy, jak operacjonalizować procesor funkcji, promując go do potoku SageMaker i planując przebiegi.
- Najpierw prześlij plik kod_transformacji.py plik zawierający logikę przetwarzania funkcji do Amazon S3:
- Następnie utwórz potok procesora funkcji car_data_pipeline używając .do_potoku() funkcjonować:
- Aby uruchomić potok, użyj następującego kodu:
- Podobnie możesz utworzyć potok dla zagregowanych funkcji o nazwie
car_data_aggregated_pipeline
i rozpocznij bieg. - Zaplanuj
car_data_aggregated_pipeline
uruchamiać co 24 godziny:
W sekcji wyjściowej zobaczysz ARN potoku i rolę wykonania potoku oraz szczegóły harmonogramu:
- Aby uzyskać wszystkie potoki procesora funkcji na tym koncie, użyj metody
list_pipelines()
funkcja na procesorze funkcji:
Dane wyjściowe będą wyglądać następująco:
Pomyślnie utworzyliśmy potoki procesora funkcji SageMaker.
Poznaj potoki przetwarzania funkcji i pochodzenie ML
W SageMaker Studio wykonaj następujące kroki:
- W konsoli SageMaker Studio na karcie Strona główna menu, wybierz Rurociągi.
Powinieneś zobaczyć utworzone dwa potoki: car-data-ingestion-pipeline
i car-data-aggregated-ingestion-pipeline
.
- Wybierz
car-data-ingestion-pipeline
.
Pokazuje szczegóły biegu na Egzekucje patka.
- Aby wyświetlić grupę obiektów wypełnioną przez potok, wybierz Sklep z funkcjami dla Dane i wybierz
car-data
.
Zobaczysz dwie grupy funkcji, które utworzyliśmy w poprzednich krokach.
- Wybierz
car-data
grupa funkcji.
Szczegóły funkcji zobaczysz na stronie Korzyści patka.
Wyświetl przebiegi rurociągów
Aby wyświetlić przebiegi potoków, wykonaj następujące kroki:
- Na Wykonanie rurociągus, wybierz
car-data-ingestion-pipeline
.
To pokaże wszystkie przebiegi.
- Wybierz jeden z linków, aby zobaczyć szczegóły biegu.
- Aby zobaczyć pochodzenie, wybierz Pochodzenie.
Pełny rodowód car-data
pokazuje źródło danych wejściowych car_data.csv
i podmioty wyższego szczebla. Rodowód dla car-data-aggregated
pokazuje wejście car-data
grupa funkcji.
- Dodaj Załaduj funkcje a następnie wybierz Zapytaj o pochodzenie od góry on
car-data
icar-data-ingestion-pipeline
aby zobaczyć wszystkie elementy nadrzędne.
Pełny rodowód car-data
grupa funkcji powinna wyglądać jak na poniższym zrzucie ekranu.
Podobnie rodowód car-aggregated-data
grupa funkcji powinna wyglądać jak na poniższym zrzucie ekranu.
SageMaker Studio zapewnia jedno środowisko do śledzenia zaplanowanych potoków, przeglądania przebiegów, eksplorowania pochodzenia i przeglądania kodu przetwarzania funkcji.
Zagregowane funkcje, takie jak średnia cena, cena maksymalna, średni przebieg i inne w car-data-aggregated
grupa funkcji zapewnia wgląd w naturę danych. Możesz także użyć tych funkcji jako zestawu danych do uczenia modelu w celu przewidywania cen samochodów lub do innych operacji. Jednak szkolenie modelu wykracza poza zakres tego wpisu, który skupia się na zademonstrowaniu możliwości sklepu z funkcjami SageMaker na potrzeby inżynierii funkcji.
Sprzątać
Nie zapomnij wyczyścić zasobów utworzonych w ramach tego posta, aby uniknąć ponoszenia bieżących opłat.
- Wyłącz zaplanowany potok za pomocą
fp.schedule()
metoda z parametrem stanu jakoDisabled
:
- Usuń obie grupy obiektów:
Dane znajdujące się w zasobniku S3 i magazynie funkcji offline mogą wiązać się z kosztami, dlatego należy je usunąć, aby uniknąć jakichkolwiek opłat.
- Usuń obiekty S3.
- Usuń zapisy ze sklepu z funkcjami.
Wnioski
W tym poście zademonstrowaliśmy, jak firma zajmująca się sprzedażą samochodów wykorzystała procesor funkcji SageMaker Feature Store Feature Processor w celu uzyskania cennych informacji na podstawie surowych danych dotyczących sprzedaży poprzez:
- Pozyskiwanie i przekształcanie danych wsadowych na dużą skalę przy użyciu platformy Spark
- Operacjonalizacja procesów inżynierii funkcji za pośrednictwem potoków SageMaker
- Zapewnienie śledzenia pochodzenia i jednego środowiska do monitorowania potoków i eksplorowania funkcji
- Przygotowanie zagregowanych funkcji zoptymalizowanych pod kątem uczenia modeli ML
Wykonując te kroki, firmie udało się przekształcić wcześniej bezużyteczne dane w ustrukturyzowane funkcje, które można następnie wykorzystać do wytrenowania modelu przewidywania cen samochodów. Sklep z funkcjami SageMaker umożliwił im skupienie się na inżynierii funkcji, a nie na podstawowej infrastrukturze.
Mamy nadzieję, że ten post pomoże Ci odblokować cenne spostrzeżenia ML na podstawie własnych danych przy użyciu procesora funkcji SageMaker Feature Store!
Aby uzyskać więcej informacji na ten temat, zobacz Przetwarzanie cech i przykład SageMakera Sklep z funkcjami Amazon SageMaker: Wprowadzenie do procesora funkcji.
O autorach
Dhaval Shah jest starszym architektem rozwiązań w AWS, specjalizującym się w uczeniu maszynowym. Koncentrując się głównie na rodzimych firmach cyfrowych, umożliwia klientom wykorzystanie AWS i napędzanie rozwoju ich biznesu. Jako entuzjasta uczenia maszynowego Dhaval kieruje się swoją pasją do tworzenia skutecznych rozwiązań, które przynoszą pozytywne zmiany. W wolnym czasie oddaje się podróżom i ceni wartościowe chwile z rodziną.
Ninad Joshi jest starszym architektem rozwiązań w AWS, pomagającym klientom AWS na całym świecie projektować bezpieczne, skalowalne i opłacalne rozwiązania w chmurze, aby sprostać złożonym wyzwaniom biznesowym w świecie rzeczywistym. Jego praca w obszarze uczenia maszynowego (ML) obejmuje szeroki zakres przypadków użycia AI/ML, ze szczególnym uwzględnieniem kompleksowego uczenia maszynowego, przetwarzania języka naturalnego i rozpoznawania obrazów. Przed dołączeniem do AWS Ninad pracowała jako programista przez ponad 12 lat. Poza pracą zawodową Ninad lubi grać w szachy i odkrywać różne gambity.
- 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/unlock-ml-insights-using-the-amazon-sagemaker-feature-store-feature-processor/
- :ma
- :Jest
- :nie
- :Gdzie
- $W GÓRĘ
- 1
- 10
- 100
- 11
- 116
- 12
- 13
- 14
- 15%
- 16
- 20
- 24
- 26%
- 40
- 7
- 8
- 9
- a
- Zdolny
- Konto
- dokładny
- w poprzek
- działania
- Dodaj
- agregat
- zbiór
- AI / ML
- Wszystkie kategorie
- pozwala
- wzdłuż
- również
- Amazonka
- Amazon Sage Maker
- Amazon Web Services
- an
- i
- Inne
- każdy
- Zastosowanie
- SĄ
- argumenty
- AS
- At
- zautomatyzować
- automatycznie
- dostępny
- średni
- uniknąć
- AWS
- podstawowy
- BE
- zanim
- BEST
- Ulepsz Swój
- Duży
- obie
- przynieść
- ciężar
- biznes
- biznes
- by
- nazywa
- CAN
- możliwości
- wózek
- samochody
- walizka
- Etui
- wyzwania
- zmiana
- Opłaty
- Szachy
- Dodaj
- Chmura
- kod
- Kolumna
- kolumny
- byliśmy spójni, od początku
- sukcesy firma
- kompletny
- kompleks
- komputer
- Wizja komputerowa
- systemu
- skonfigurowany
- Konsola
- zawiera
- nieustannie
- konwertować
- Koszty:
- Koszty:
- mógłby
- Okładki
- Stwórz
- stworzony
- tworzy
- Tworzenie
- krytyczny
- niewygodny
- zwyczaj
- Klientów
- dane
- zbiory danych
- zdefiniowane
- definicja
- wykazać
- wykazać
- demonstruje
- demonstrowanie
- Zależności
- opisane
- opis
- Wnętrze
- życzenia
- detale
- rozwijać
- Deweloper
- różne
- cyfrowy
- niepełnosprawny
- wyświetlanie
- dystrybuowane
- zrobić
- napęd
- napędzany
- każdy
- Wcześniej
- Efektywne
- wysiłek
- upoważnia
- włączony
- Umożliwia
- umożliwiając
- koniec końców
- starania
- Inżynieria
- Inżynierowie
- zapewnić
- entuzjasta
- podmioty
- Środowisko
- wydarzenie
- Każdy
- przykład
- wykonać
- egzekucja
- Wyjście
- Wyjaśniać
- odkryj
- Exploring
- członków Twojej rodziny
- szybciej
- Cecha
- Korzyści
- filet
- Akta
- Skupiać
- koncentruje
- obserwuj
- następujący
- następujący sposób
- W razie zamówieenia projektu
- frakcyjny
- od
- pełny
- funkcjonować
- Funkcje
- Wzrost
- generuje
- otrzymać
- Globalne
- Zarządzanie
- Grupy
- Wzrost
- uchwyt
- Uchwyty
- Have
- he
- headers
- ciężki
- ciężkie podnoszenie
- pomoc
- pomaga
- tutaj
- podświetlanie
- wysoko
- jego
- Strona główna
- nadzieję
- GODZINY
- W jaki sposób
- How To
- Jednak
- HTML
- HTTPS
- ID
- identyfikator
- if
- obraz
- wpływowy
- realizacja
- importować
- ważny
- in
- Włącznie z
- wskazuje
- Informacje
- Informacja
- Infrastruktura
- początkowy
- wkład
- Wejścia
- wewnątrz
- wgląd
- spostrzeżenia
- zainstalować
- przykład
- najnowszych
- IT
- iteracja
- JEGO
- Praca
- Oferty pracy
- łączący
- jpg
- Trzymać
- język
- duży
- nauka
- mniej
- pozwala
- Dźwignia
- Modernizacja
- lubić
- rodowód
- linki
- Lista
- załadować
- masa
- miejscowy
- lokalnie
- log
- logika
- Popatrz
- wygląda jak
- miłość
- maszyna
- uczenie maszynowe
- Główny
- WYKONUJE
- zarządzający
- ręcznie
- wiele
- Mecz
- max
- maksymalny
- mdx
- wymowny
- Menu
- metoda
- chwila
- brakujący
- ML
- model
- modele
- Chwile
- monitor
- jeszcze
- musi
- Nazwa
- Nazwy
- rodzimy
- Naturalny
- Przetwarzanie języka naturalnego
- Natura
- Nawigacja
- Nawigacja
- Potrzebować
- potrzebne
- Nowości
- węzeł
- notatnik
- numer
- of
- nieaktywny
- często
- on
- ONE
- trwający
- tylko
- działanie
- operacje
- zoptymalizowane
- Option
- or
- Inne
- ludzkiej,
- na zewnątrz
- wydajność
- zewnętrzne
- koniec
- własny
- chleb
- parametr
- parametry
- część
- pasja
- wykonać
- wykonuje
- rurociąg
- plato
- Analiza danych Platona
- PlatoDane
- gra
- zaludniony
- pozytywny
- Post
- pr
- przewidzieć
- poprzedni
- poprzednio
- Cena
- Cennik
- pierwotny
- Wcześniejszy
- przetwarzanie
- Procesor
- profesjonalny
- promowanie
- zapewniać
- pod warunkiem,
- zapewnia
- Python
- jakość
- zasięg
- raczej
- Surowy
- Prawdziwy świat
- rekord
- dokumentacja
- Czerwony
- zmniejszyć
- zmniejsza
- odnosić się
- usunąć
- powtarzalne
- obsługi produkcji rolnej, która zastąpiła
- wymagać
- Zasoby
- dalsze
- wynikły
- powrót
- Rola
- run
- bieganie
- działa
- s
- sagemaker
- sprzedaż
- sole
- skalowalny
- Skala
- rozkład
- zaplanowane
- szeregowanie
- Naukowcy
- zakres
- Sdk
- sdn
- sekund
- Sekcja
- bezpieczne
- widzieć
- senior
- Usługi
- Short
- powinien
- pokazać
- Targi
- znaczący
- Prosty
- pojedynczy
- pojedyncze środowisko
- So
- Tworzenie
- sprzedany
- rozwiązanie
- Rozwiązania
- ROZWIĄZANIA
- Źródło
- Iskra
- specjalizujący się
- Specyfikacje
- określony
- Sport
- początek
- rozpoczęty
- startup
- Stan
- Rynek
- Cel
- przechowywanie
- sklep
- Przechowuj dane
- sznur
- silny
- zbudowany
- studio
- Zatwierdź
- Następnie
- udany
- Z powodzeniem
- taki
- odpowiedni
- stół
- niż
- że
- Połączenia
- Państwo
- ich
- Im
- następnie
- Te
- to
- trzy
- czas
- czasy
- do
- także
- Top
- śledzić
- Śledzenie
- Pociąg
- Trening
- transakcja
- Przekształcać
- Transformacja
- przemiany
- przekształcony
- transformatorowy
- podróżować
- Trendy
- Tutorial
- drugiej
- rodzaj
- typy
- ui
- dla
- zasadniczy
- odblokować
- zaktualizowane
- us
- posługiwać się
- przypadek użycia
- używany
- za pomocą
- Cenny
- wartość
- Wartości
- różnorodny
- Pojazdy
- przez
- Zobacz i wysłuchaj
- wizja
- vs
- ciepły
- była
- we
- sieć
- usługi internetowe
- który
- szeroki
- Szeroki zasięg
- będzie
- w
- Praca
- pracował
- przepływów pracy
- napisać
- rok
- lat
- You
- Twój
- zefirnet