Dados estruturados, definidos como dados que seguem um padrão fixo, como informações armazenadas em colunas em bancos de dados, e dados não estruturados, que não possuem uma forma ou padrão específico, como texto, imagens ou postagens em mídias sociais, continuam a crescer à medida que são produzidos e consumidos. por diversas organizações. Por exemplo, de acordo com a International Data Corporation (IDC), o volume mundial de dados deverá aumentar dez vezes até 2025, sendo os dados não estruturados responsáveis por uma parte significativa. As empresas podem querer adicionar metadados personalizados, como tipos de documentos (formulários W-2 ou contracheques), vários tipos de entidades, como nomes, organização e endereço, além dos metadados padrão, como tipo de arquivo, data de criação ou tamanho, para estender o alcance inteligente. pesquise enquanto ingere os documentos. Os metadados personalizados ajudam organizações e empresas a categorizar as informações da maneira que preferirem. Por exemplo, os metadados podem ser usados para filtragem e pesquisa. Os clientes podem criar os metadados personalizados usando Amazon Comprehend, um serviço de processamento de linguagem natural (PNL) gerenciado pela AWS para extrair insights sobre o conteúdo de documentos e ingeri-los em Amazona Kendra junto com seus dados no índice. Amazon Kendra é um serviço de pesquisa empresarial altamente preciso e fácil de usar, desenvolvido com Machine Learning (AWS). Os metadados personalizados podem então ser usados para enriquecer o conteúdo para melhor filtragem e faceta capacidades. No Amazon Kendra, as facetas são visualizações com escopo definido de um conjunto de resultados de pesquisa. Por exemplo, você pode fornecer resultados de pesquisa para cidades em todo o mundo, onde os documentos são filtrados por uma cidade específica à qual estão associados. Você também pode criar facetas para exibir resultados de um autor específico.
As companhias de seguros estão sobrecarregadas com um número crescente de sinistros que devem processar. Além disso, a complexidade do processamento de sinistros também está a aumentar devido aos diversos tipos de documentos de seguro envolvidos e às entidades alfandegárias em cada um destes documentos. Nesta postagem, descrevemos um caso de uso para enriquecimento de conteúdo personalizado para seguradoras. A seguradora recebe solicitações de pagamento do advogado do beneficiário para diferentes tipos de seguro, como residencial, automóvel e seguro de vida. Neste caso de uso, os documentos recebidos pela seguradora não contêm nenhum metadado que permita pesquisar o conteúdo com base em determinadas entidades e classes. A seguradora deseja filtrar o conteúdo do Kendra com base em entidades personalizadas e classes específicas ao seu domínio comercial. Esta postagem ilustra como você pode automatizar e simplificar a geração de metadados usando modelos personalizados do Amazon Comprehend. Os metadados gerados podem ser personalizados durante o processo de ingestão com Amazon Kendra Enriquecimento de Documento Personalizado (CDE) lógica personalizada.
Vejamos alguns exemplos de pesquisa do Amazon Kendra com ou sem recursos de filtragem e facetas.
Na captura de tela a seguir, o Amazon Kendra fornece um resultado de pesquisa, mas não há opção para restringir ainda mais os resultados da pesquisa usando filtros.
A captura de tela a seguir mostra que os resultados da pesquisa do Amazon Kendra podem ser filtrados usando diferentes facetas, como escritório de advocacia, números de apólices, criados por metadados personalizados para restringir os resultados da pesquisa.
A solução discutida nesta postagem também pode ser facilmente aplicada a outros negócios/casos de uso, como saúde, manufatura e pesquisa.
Visão geral da solução
Nesta solução proposta, 1) classificaremos os envios de sinistros de seguros em várias classes e 2) recuperaremos entidades específicas de seguros desses documentos. Quando isso estiver concluído, o documento poderá ser encaminhado para o departamento apropriado ou para o processo posterior.
O diagrama a seguir descreve a arquitetura da solução proposta.
Amazon Comprehend classificação personalizada A API é usada para organizar seus documentos em categorias (classes) que você define. A classificação personalizada é um processo de duas etapas. Primeiro, você treina um modelo de classificação customizado (também chamado de classificador) para reconhecer as classes que são de seu interesse. Em seguida, você usa seu modelo para classificar qualquer número de conjuntos de documentos.
Amazon Comprehend reconhecimento de entidade personalizada recurso é usado para identificar tipos de entidades específicos (nomes da seguradora, nomes da seguradora, número da apólice) além do que está disponível no tipos de entidade genéricos por padrão. Construir um modelo de reconhecimento de entidade personalizado é uma abordagem mais eficaz do que usar correspondência de strings ou expressões regulares para extrair entidades de documentos. Um modelo de reconhecimento de entidade personalizado pode aprender o contexto onde esses nomes provavelmente aparecerão. Além disso, a correspondência de strings não detectará entidades com erros de digitação ou que sigam novas convenções de nomenclatura, embora isso seja possível usando um modelo personalizado.
Antes de nos aprofundarmos, vamos explorar o Amazon Kendra. O Amazon Kendra é um serviço de pesquisa empresarial altamente preciso e fácil de usar, alimentado por aprendizado de máquina. Ele permite que os usuários encontrem as informações de que precisam na vasta quantidade de conteúdo espalhado pela organização, desde sites e bancos de dados até sites de intranet. Primeiro criaremos um índice Amazon Kendra para ingerir os documentos. Ao ingerir os dados, é essencial considerar o conceito de Enriquecimento de Dados Personalizado (CDE). O CDE permite aprimorar a capacidade de pesquisa incorporando conhecimento externo no índice de pesquisa. Para obter mais informações, consulte Enriquecendo seus documentos durante a ingestão. Nesta postagem, a lógica CDE invoca as APIs personalizadas do Amazon Comprehend para enriquecer os documentos com classes e entidades identificadas. Por fim, usamos a página de pesquisa do Amazon Kendra para mostrar como os metadados aprimoraram a capacidade de pesquisa adicionando recursos de facetamento e filtragem.
As etapas de alto nível para implementar esta solução são as seguintes:
- Treine o classificador personalizado do Amazon Comprehend usando dados de treinamento
- Treine o reconhecimento de entidade personalizada do Amazon Comprehend usando dados de treinamento
- Crie o classificador personalizado do Amazon Comprehend e os endpoints de reconhecimento de entidade personalizados
- Crie e implante uma função Lambda para enriquecimento pós-extração
- Criar e preencher o índice Amazon Kendra
- Use as entidades extraídas para filtrar pesquisas no Amazon Kendra
Também fornecemos um aplicativo de exemplo no GitHub repo para referência.
Considerações sobre segurança de dados e IAM
Tendo a segurança como prioridade máxima, esta solução segue o princípio de permissões de menor privilégio para os serviços e recursos utilizados. A função do IAM usada pela classificação personalizada e reconhecimento de entidade personalizada do Amazon Comprehend tem permissões para acessar o conjunto de dados somente do bucket de teste. O serviço Amazon Kendra tem acesso a um bucket S3 específico e a uma função Lambda usada para chamar APIs compreensivas. A função Lambda tem permissões para chamar somente APIs do Amazon Comprehend. Para obter mais informações, revise as seções 1.2 e 1.3 do caderno.
Recomendamos que você faça o seguinte em um ambiente que não seja de produção antes de implementar a solução no ambiente de produção.
Treine o classificador personalizado Comprehend usando dados de treinamento
A classificação personalizada do Amazon Comprehend oferece suporte a dois tipos de formato de dados para arquivos de anotação:
Como nossos dados já estão rotulados e armazenados em arquivos CSV, usaremos o formato de arquivo CSV para o arquivo de anotação como exemplo. Temos que fornecer os dados de treinamento rotulados como texto codificado em UTF-8 em um arquivo CSV. Não inclua uma linha de cabeçalho no arquivo CSV. Adicionar uma linha de cabeçalho ao seu arquivo pode causar erros de tempo de execução. Um exemplo do arquivo CSV de dados de treinamento é o seguinte:
Para preparar dados de treinamento do classificador, consulte Preparando dados de treinamento do classificador. Para cada linha do arquivo CSV, a primeira coluna contém um ou mais rótulos de classe. Um rótulo de classe pode ser qualquer string UTF-8 válida. Recomendamos o uso de nomes de classe claros que não tenham significados sobrepostos. O nome pode incluir espaços em branco e consistir em várias palavras conectadas por sublinhados ou hífens. Não deixe espaços antes ou depois das vírgulas que separam os valores em uma linha.
A seguir, você treinará usando Modo multiclasse or Modo multi-rótulo. Especificamente, no modo multiclasse, a classificação atribui uma classe para cada documento, enquanto no modo multirótulo, as classes individuais representam categorias diferentes que não são mutuamente exclusivas. No nosso caso usaremos o modo Multiclasse para modelos de texto simples.
Você pode preparar conjuntos de dados de treinamento e teste separados para treinamento do classificador personalizado e avaliação de modelo do Amazon Comprehend. Ou forneça apenas um conjunto de dados para treinamento e teste. O Comprehend selecionará automaticamente 10% do conjunto de dados fornecido para usar como dados de teste. Neste exemplo, fornecemos conjuntos de dados separados de treinamento e teste.
O exemplo a seguir mostra um arquivo CSV contendo os nomes das classes associadas aos vários documentos.
Quando o modelo de classificação customizado é treinado, ele pode capturar diferentes classes de seguros nos documentos (seguro residencial, automóvel ou vida).
Treine o reconhecedor de entidade personalizada (NER) do Amazon Comprehend usando dados de treinamento
O conjunto de dados de treinamento do Amazon Comprehend Custom Entity Recognition (NER) pode ser preparado de duas maneiras diferentes:
- Anotações – Fornece um conjunto de dados que contém as entidades anotadas para treinamento de modo
- Listas de entidades (somente texto simples) – Fornece uma lista de entidades e seu tipo de rótulo (como “Nomes de companhias de seguros”) e um conjunto de documentos não anotados contendo essas entidades para treinamento de modelo
Para mais informações, consulte Preparando dados de treinamento do reconhecedor de entidade.
Ao treinar um modelo usando lista de entidades, precisamos fornecer duas informações: uma lista de nomes de entidades com seus tipos de entidade personalizados associados e uma coleção de documentos não anotados nos quais as entidades aparecem.
O treinamento automático requer dois tipos de informações: documentos de amostra e lista de entidades ou anotações. Depois que o reconhecedor for treinado, você poderá usá-lo para detectar entidades personalizadas em seus documentos. Você pode analisar rapidamente um pequeno corpo de texto em tempo real ou pode analisar um grande conjunto de documentos com um trabalho assíncrono.
Você pode preparar conjuntos de dados de treinamento e teste separados para treinamento do reconhecedor de entidade personalizado do Amazon Comprehend e avaliação de modelo. Ou forneça apenas um conjunto de dados para treinamento e teste. O Amazon Comprehend selecionará automaticamente 10% do conjunto de dados fornecido para usar como dados de teste. No exemplo abaixo, especificamos o conjunto de dados de treinamento como Documents.S3Uri
para InputDataConfig
.
O exemplo a seguir mostra um arquivo CSV contendo entidades:
Assim que o modelo de entidades customizadas (NER) for treinado, ele será capaz de extrair as diversas entidades como “PAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
".
Crie o classificador personalizado e os endpoints de entidades personalizadas (NER) do Amazon Comprehend
Os endpoints do Amazon Comprehend disponibilizam seus modelos personalizados para classificação em tempo real. Depois de criar um endpoint, você poderá fazer alterações nele à medida que suas necessidades de negócios evoluem. Por exemplo, você pode monitorar a utilização do seu endpoint e aplicar o escalonamento automático para definir automaticamente o provisionamento do endpoint para atender às suas necessidades de capacidade. Você pode gerenciar todos os seus endpoints em uma única visualização e, quando não precisar mais de um endpoint, poderá excluí-lo para economizar custos. O Amazon Comprehend oferece suporte a opções síncronas e assíncronas. Se a classificação em tempo real não for necessária para seu caso de uso, você poderá enviar um trabalho em lote ao Amazon Comprehend para classificação de dados assíncronos.
Para este caso de uso, você cria um endpoint para disponibilizar seu modelo personalizado para análise em tempo real.
Para atender às suas necessidades de processamento de texto, você atribui unidades de inferência ao endpoint e cada unidade permite uma taxa de transferência de 100 caracteres por segundo. Você pode então ajustar a taxa de transferência para cima ou para baixo.
Crie e implante uma função Lambda para enriquecimento pós-extração
A função Lambda pós-extração permite implementar a lógica para processar o texto extraído pelo Amazon Kendra do documento ingerido. A função pós-extração que configuramos implementa o código para invocar o Amazon Comprehend para detectar entidades personalizadas e classificar documentos personalizados do texto extraído pelo Amazon Kendra e os usa para atualizar os metadados do documento, que são apresentados como facetas em uma pesquisa do Amazon Kendra . O código da função está incorporado no notebook. O PostExtractionLambda
código funciona da seguinte maneira:
- Divide o texto da página em seções que não excedem o limite máximo de comprimento de bytes da compreensão
detect_entities
API. (Ver Limites ).
NOTA o script usa um algoritmo ingênuo de divisão de comprimento de caracteres para simplificar – os casos de uso de produção devem implementar sobreposições ou divisões de limite de frase, com base no comprimento de bytes UTF8. - Para cada seção do texto, chama os endpoints de compreensão em tempo real para entidades personalizadas e classificador personalizado para detectar os seguintes tipos de entidade: [“
PAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
","INSURANCE_TYPE
"]. - Filtra entidades detectadas que estão abaixo do limite de pontuação de confiança. Estamos usando o limite de 0.50, o que significa que apenas entidades com confiança de 50% ou mais serão usadas. Isso pode ser ajustado com base no caso de uso e nos requisitos.
- Rastreia a contagem de frequência de cada entidade.
- Seleciona apenas as N (10) principais entidades exclusivas para cada página, com base na frequência de ocorrência.
- Para classificação de documentos, o classificador multiclasse atribui apenas uma classe para cada documento. Nesta função Lambda os documentos serão classificados como Seguro Auto, Seguro Residencial ou Seguro de Vida.
Observe que, no momento em que este livro foi escrito, o CDE suporta apenas chamadas síncronas ou, se precisar ser assíncrono, será necessário um loop de espera explícito. Para pós-extração Lambda o tempo máximo de execução é 1 minuto. A lógica personalizada do Lambda pode ser alterada com base nos requisitos adequados ao seu caso de uso.
Criar e preencher o índice Amazon Kendra
Nesta etapa, ingeriremos os dados no índice Amazon Kendra e os tornaremos pesquisáveis para os usuários. Durante a ingestão, usaremos a função Lambda criada na etapa anterior como uma etapa pós-extração e a função Lambda chamará os endpoints de classificação personalizada e reconhecimento de entidade personalizada (NER) para criar os campos de metadados personalizados.
As etapas de alto nível para implementar esta solução são as seguintes:
- Crie Índice Amazon Kendra.
- Crie Fonte de dados Amazon Kendra – Existem diferentes fontes de dados que podem ser usadas para ingerir conjuntos de dados. Neste post estamos usando um bucket S3.
- Criar facetas
Law_Firm
,Payout
,Insurance_Company
,Policy_Number
,Policy_Holder_Name
,Insurance_Type
com tipo de string como 'STRING_LIST_VALUE
'. - Crie Kendra CDE e aponte-o para a função Lambda pós-extração criada anteriormente.
- Execute o processo de sincronização para ingerir o conjunto de dados.
Depois de concluído, você pode preencher o índice com os dados de seguro, usando o Kendra CDE com lambda pós-extração, você pode filtrar pesquisas com base nos tipos de entidade personalizados e classificação personalizada como campos de metadados personalizados.
Use as entidades extraídas para filtrar pesquisas no Kendra
Agora o índice está preenchido e pronto para uso. No console do Amazon Kendra, escolha Pesquisar conteúdo indexado em gerenciamento de dados e faça o seguinte.
Consulte o seguinte: A lista de seguros falhou devido ao atraso na apresentação?
Os resultados mostram uma resposta do tipo de política – HOME INSURANCE
e traz text_18
e text_14
como os principais resultados.
Escolha “Filtrar resultados da pesquisa” à esquerda. Agora você verá todos os tipos de entidade e valores de classificação extraídos usando Comprehend, e para cada valor de entidade e classificação você verá o número de documentos correspondentes.
Debaixo INSURANCE_TYPE
escolha “Seguro Automático” e você receberá uma resposta de text_25
arquivo.
Observe que seus resultados podem variar ligeiramente dos resultados mostrados na captura de tela.
Tente pesquisar com suas próprias consultas e observe como as entidades e a classificação de documentos identificadas pelo Amazon Comprehend permitem rapidamente:
- Veja como os resultados da sua pesquisa estão distribuídos pelas categorias.
- Restrinja sua pesquisa filtrando qualquer um dos valores de entidade/classificação.
limpar
Depois de experimentar a pesquisa e testar o notebook fornecido no repositório do Github, exclua a infraestrutura provisionada em sua conta da AWS para evitar cobranças indesejadas. Você pode executar as células de limpeza no notebook. Como alternativa, você pode excluir os recursos manualmente por meio do console AWS:
- Índice Amazon Kendra
- Compreender o classificador personalizado e os pontos de extremidade de reconhecimento de entidade personalizada (NER)
- Compreender modelos personalizados de classificador personalizado e reconhecimento de entidade personalizada (NER)
- Função lambda
- Caçamba S3
- Funções e políticas do IAM
Conclusão
Nesta postagem, mostramos como as entidades personalizadas e o classificador personalizado do Amazon Comprehend permitem a pesquisa do Amazon Kendra com tecnologia CDE para ajudar os usuários finais a realizar pesquisas melhores em dados estruturados/não estruturados. As entidades personalizadas do Amazon Comprehend e o classificador personalizado o tornam muito útil para diferentes casos de uso e vários dados específicos de domínio. Para obter mais informações sobre como usar o Amazon Comprehend, consulte Recursos de desenvolvedor do Amazon Comprehend e para Amazon Kendra, consulte Recursos para desenvolvedores do Amazon Kendra.
Experimente esta solução para seu caso de uso. Convidamos você a deixar seus comentários nas seções de comentários.
Sobre os autores
Amit Chaudhary é arquiteto de soluções sênior na Amazon Web Services. Sua área de foco é IA/ML e ele ajuda os clientes com IA generativa, grandes modelos de linguagem e engenharia imediata. Fora do trabalho, Amit gosta de passar tempo com a família.
Yan Yan Zhang é cientista de dados sênior na equipe de fornecimento de energia da AWS Professional Services. Ela é apaixonada por ajudar os clientes a resolver problemas reais com conhecimento de IA/ML. Recentemente, seu foco tem sido explorar o potencial da IA generativa e do LLM. Fora do trabalho, ela adora viajar, malhar e explorar coisas novas.
Nikhil Jha é gerente técnico sênior de contas da Amazon Web Services. Suas áreas de foco incluem IA/ML e análise. Em seu tempo livre, ele gosta de jogar badminton com sua filha e explorar o ar livre.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
- PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
- PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
- PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/use-custom-metadata-created-by-amazon-comprehend-to-intelligently-process-insurance-claims-using-amazon-kendra/
- :tem
- :é
- :não
- :onde
- $UP
- 1
- 1.3
- 10
- 100
- 19
- 2025
- 33
- 50
- 500
- 7
- 9
- a
- Capaz
- Sobre
- Acesso
- Segundo
- Conta
- Contabilidade
- preciso
- em
- adicionar
- acrescentando
- Adição
- Adicionalmente
- endereço
- Depois de
- AI
- AI / ML
- algoritmo
- Todos os Produtos
- permite
- juntamente
- já
- tb
- Amazon
- Amazon Comprehend
- Amazona Kendra
- Amazon Web Services
- quantidade
- an
- análise
- analítica
- analisar
- e
- responder
- qualquer
- api
- APIs
- aparecer
- Aplicação
- aplicado
- Aplicar
- abordagem
- apropriado
- arquitetura
- SOMOS
- ÁREA
- áreas
- AS
- associado
- At
- advogado
- autor
- auto
- automatizar
- automaticamente
- disponível
- evitar
- AWS
- Serviços Profissionais AWS
- baseado
- BE
- sido
- antes
- abaixo
- Melhor
- Pós
- corpo
- ambos
- limite
- Traz
- Prédio
- negócio
- mas a
- by
- chamada
- chamado
- chamadas
- CAN
- capacidades
- capacidade
- Capacidade
- capturar
- casas
- casos
- Categorias
- Causar
- Células
- certo
- mudado
- Alterações
- personagem
- caracteres
- acusações
- Escolha
- Cidades
- Cidades
- reivindicações
- classe
- aulas
- classificação
- classificado
- classificar
- remover filtragem
- código
- coleção
- Coluna
- colunas
- comentários
- Empresas
- Empresa
- completar
- Efetuado
- complexidade
- compreender
- conceito
- confiança
- configurado
- conectado
- Considerar
- cônsul
- consumida
- não contenho
- contém
- conteúdo
- contexto
- continuar
- convenções
- CORPORAÇÃO
- custos
- poderia
- crio
- criado
- personalizadas
- Clientes
- personalizado
- dados,
- enriquecimento de dados
- gestão de dados
- cientista de dados
- conjunto de dados
- bases de dados
- conjuntos de dados
- Data
- mais profunda
- Padrão
- definir
- definido
- Entrega
- Departamento
- implantar
- descreve
- descobrir
- detectou
- Developer
- diferente
- diferentemente
- discutido
- Ecrã
- distribuído
- diferente
- mergulho
- do
- documento
- INSTITUCIONAIS
- domínio
- don
- não
- down
- dois
- durante
- e
- E & T
- cada
- facilmente
- fácil de usar
- Eficaz
- ou
- el
- incorporado
- permite
- Ponto final
- energia
- Engenharia
- aumentar
- aprimorada
- enriquecer
- enriquecimento
- Empreendimento
- empresas
- entidades
- entidade
- Meio Ambiente
- erros
- essencial
- avaliação
- evolui
- exemplo
- exemplos
- excedem
- Exceto
- exceção
- Exclusivo
- execução
- Saindo
- esperado
- explorar
- Explorando
- expressões
- estender
- externo
- extrato
- Extração
- facetas
- fracassado
- família
- Característica
- Funcionalidades
- retornos
- poucos
- Campos
- Envie o
- Arquivos
- Arquivamento
- filtro
- filtragem
- filtros
- Finalmente
- Encontre
- Empresa
- Primeiro nome
- caber
- fixado
- Foco
- seguir
- seguinte
- segue
- Escolha
- formulário
- formato
- formas
- Frequência
- da
- função
- mais distante
- gerado
- geração
- generativo
- IA generativa
- ter
- GitHub
- Cresça:
- Ter
- ter
- he
- saúde
- ajudar
- ajuda
- ajuda
- sua experiência
- de alto nível
- superior
- mais
- altamente
- sua
- Início
- Como funciona o dobrador de carta de canal
- Como Negociar
- HTML
- HTTPS
- i
- IDC
- identificado
- identificar
- if
- ilustra
- imagens
- executar
- implementação
- implementa
- in
- incluir
- incorporando
- Crescimento
- aumentando
- índice
- indexado
- Individual
- INFORMAÇÕES
- Infraestrutura
- entrada
- insights
- instância
- com seguro
- Inteligente
- interesse
- Internacionais
- Corporação Internacional de Dados (IDC)
- para dentro
- convidar
- invoca
- envolvido
- IT
- Trabalho
- json
- Conhecimento
- O rótulo
- Rótulos
- língua
- grande
- Atrasado
- Escritórios de
- escritório de advocacia
- APRENDER
- aprendizagem
- mínimo
- Deixar
- esquerda
- Comprimento
- vida
- como
- Provável
- LIMITE
- Lista
- listas
- LLM
- lógica
- mais
- olhar
- ama
- máquina
- aprendizado de máquina
- fazer
- FAZ
- gerencia
- gerenciados
- de grupos
- Gerente
- manualmente
- fabrica
- correspondente
- max
- Posso..
- significado
- significa
- Mídia
- Conheça
- metadados
- minutos
- Moda
- modelo
- modelos
- momento
- Monitore
- mais
- a maioria
- múltiplo
- devo
- mutuamente
- nome
- nomes
- nomeando
- estreito
- você merece...
- necessário
- Cria
- Novo
- PNL
- não
- caderno
- agora
- número
- números
- objeto
- objetos
- observar
- ocorrência
- of
- on
- uma vez
- ONE
- só
- Opção
- Opções
- or
- organização
- organizações
- Outros
- A Nossa
- Fora
- ao ar livre
- contornos
- lado de fora
- próprio
- página
- par
- apaixonado
- padrão
- para
- Realizar
- permissões
- peças
- Avião
- platão
- Inteligência de Dados Platão
- PlatãoData
- jogar
- ponto
- Privacidade
- populosa
- parte
- possível
- Publique
- POSTAGENS
- potencial
- alimentado
- preferido
- Preparar
- preparado
- apresentado
- anterior
- anteriormente
- princípio
- Prévio
- prioridade
- privilégio
- problemas
- processo
- em processamento
- Produzido
- Produção
- profissional
- proposto
- fornecer
- fornecido
- provedor
- fornecedores
- fornece
- fornecendo
- consultas
- rapidamente
- citações
- variando
- Leia
- pronto
- reais
- em tempo real
- recebido
- recebe
- recentemente
- reconhecimento
- reconhecer
- reconhecido
- recomendar
- referir
- referência
- regular
- repositório
- representar
- requeridos
- Requisitos
- exige
- pesquisa
- Recursos
- resultar
- Resultados
- retorno
- rever
- Tipo
- papéis
- LINHA
- Execute
- tempo de execução
- mesmo
- Salvar
- dimensionamento
- Cientista
- Ponto
- escrita
- Pesquisar
- pesquisas
- pesquisar
- Segundo
- Seção
- seções
- segurança
- Vejo
- selecionar
- senior
- sentença
- separado
- serviço
- Serviços
- conjunto
- Conjuntos
- ela
- rede de apoio social
- mostrar
- mostrou
- mostrando
- Shows
- periodo
- simplicidade
- simplificar
- solteiro
- Locais
- Tamanho
- pequeno
- So
- Redes Sociais
- meios de comunicação social
- Publicações nas redes sociais
- solução
- Soluções
- RESOLVER
- Fontes
- Espaço
- específico
- especificamente
- especificada
- Passar
- splits
- propagação
- padrão
- Passo
- Passos
- loja
- armazenadas
- Tanga
- Submissões
- enviar
- tal
- ajuda
- suportes
- sincronizar.
- Tire
- Profissionais
- Dados Técnicos:
- teste
- ensaio
- texto
- do que
- que
- A
- as informações
- o mundo
- deles
- Eles
- então
- Lá.
- Este
- deles
- coisas
- isto
- aqueles
- limiar
- Através da
- Taxa de transferência
- tempo
- para
- topo
- pista
- Trem
- treinado
- Training
- Viagens
- tratar
- experimentado
- tentar
- afinado
- dois
- tipo
- tipos
- para
- sublinhados
- único
- unidade
- unidades
- não desejado
- Atualizar
- usar
- caso de uso
- usava
- usuários
- usos
- utilização
- válido
- valor
- Valores
- vário
- Grande
- muito
- Ver
- visualizações
- volume
- esperar
- queremos
- quer
- Caminho..
- maneiras
- we
- web
- serviços web
- sites
- BEM
- O Quê
- O que é a
- quando
- qual
- enquanto
- branco
- precisarão
- de
- dentro
- sem
- palavras
- Atividades:
- trabalhar
- trabalhando fora
- trabalho
- mundo
- do mundo
- escrita
- escrito
- Vocês
- investimentos
- zefirnet