“Dados armazenados em texto, áudio, mídias sociais e outras fontes não estruturadas podem ser uma vantagem competitiva para empresas que descobrem como usá-los.”
Apenas 18% das organizações em um Pesquisa de 2019 da Deloitte relataram ser capazes de tirar vantagem de dados não estruturados. A maioria dos dados, entre 80% e 90%, são dados não estruturados. Trata-se de um grande recurso inexplorado que tem o potencial de dar às empresas uma vantagem competitiva se descobrirem como utilizá-lo. Pode ser difícil encontrar insights a partir desses dados, especialmente se forem necessários esforços para classificá-los, marcá-los ou rotulá-los. Amazon Comprehend a classificação personalizada pode ser útil nesta situação. Amazon Comprehend é um serviço de processamento de linguagem natural (PNL) que usa aprendizado de máquina para descobrir insights e conexões valiosas em texto.
A categorização ou classificação de documentos traz benefícios significativos em todos os domínios de negócios –
- Pesquisa e recuperação aprimoradas – Ao categorizar documentos em tópicos ou categorias relevantes, fica muito mais fácil para os usuários pesquisar e recuperar os documentos de que precisam. Eles podem pesquisar em categorias específicas para restringir os resultados.
- Gestão do conhecimento – Categorizar documentos de forma sistemática ajuda a organizar a base de conhecimento de uma organização. Torna mais fácil localizar informações relevantes e ver as conexões entre conteúdos relacionados.
- Fluxos de trabalho simplificados – A classificação automática de documentos pode ajudar a agilizar muitos processos de negócios, como processamento de faturas, suporte ao cliente ou conformidade regulatória. Os documentos podem ser encaminhados automaticamente para as pessoas ou fluxos de trabalho certos.
- Economia de tempo e custo – A categorização manual de documentos é tediosa, demorada e cara. As técnicas de IA podem assumir essa tarefa mundana e categorizar milhares de documentos em um curto espaço de tempo e a um custo muito menor.
- Geração de insights – A análise de tendências em categorias de documentos pode fornecer informações comerciais úteis. Por exemplo, um aumento nas reclamações dos clientes numa categoria de produto pode significar alguns problemas que precisam de ser resolvidos.
- Governança e aplicação de políticas – A configuração de regras de categorização de documentos ajuda a garantir que os documentos sejam classificados corretamente de acordo com as políticas e padrões de governança de uma organização. Isso permite um melhor monitoramento e auditoria.
- Experiências personalizadas – Em contextos como o conteúdo de websites, a categorização de documentos permite que conteúdo personalizado seja mostrado aos utilizadores com base nos seus interesses e preferências, conforme determinado pelo seu comportamento de navegação. Isso pode aumentar o envolvimento do usuário.
A complexidade do desenvolvimento de um modelo de aprendizado de máquina de classificação personalizado varia dependendo de uma variedade de aspectos, como qualidade dos dados, algoritmo, escalabilidade e conhecimento do domínio, para mencionar alguns. É essencial começar com uma definição clara do problema, dados claros e relevantes e trabalhar gradualmente nos diferentes estágios de desenvolvimento do modelo. No entanto, as empresas podem criar seus próprios modelos exclusivos de machine learning usando a classificação personalizada do Amazon Comprehend para classificar automaticamente documentos de texto em categorias ou tags, para atender a requisitos específicos do negócio e mapear para tecnologias de negócios e categorias de documentos. Como a marcação ou categorização humana não é mais necessária, isso pode economizar muito tempo, dinheiro e trabalho para as empresas. Simplificamos esse processo automatizando todo o pipeline de treinamento.
Na primeira parte desta postagem de blog de várias séries, você aprenderá como criar um pipeline de treinamento escalonável e preparar dados de treinamento para modelos Comprehend Custom Classification. Apresentaremos um pipeline de treinamento de classificador personalizado que pode ser implantado em sua conta AWS com apenas alguns cliques. Estamos usando o conjunto de dados de notícias da BBC e treinaremos um classificador para identificar a classe (por exemplo, política, esportes) à qual um documento pertence. O pipeline permitirá que sua organização responda rapidamente às mudanças e treine novos modelos sem ter que começar do zero todas as vezes. Você pode ampliar e treinar facilmente vários modelos com base em sua demanda.
Pré-requisitos
- Uma conta ativa da AWS (clique SUA PARTICIPAÇÃO FAZ A DIFERENÇA para criar uma nova conta AWS)
- Acesso ao Amazon Comprehend, Amazon S3, Amazon Lambda, Amazon Step Function, Amazon SNS e Amazon CloudFormation
- Dados de treinamento (semiestrutura ou texto) preparados na seção seguinte
- Conhecimento básico sobre Python e Machine Learning em geral
Preparar dados de treinamento
Esta solução pode receber entrada como formato de texto (ex. CSV) ou formato semiestruturado (ex. PDF).
Entrada de texto
Amazon Comprehend a classificação personalizada oferece suporte a dois modos: multiclasse e multirótulo.
No modo multiclasse, cada documento pode ter uma e apenas uma classe atribuída a ele. Os dados de treinamento devem ser preparados como um arquivo CSV de duas colunas com cada linha do arquivo contendo uma única classe e o texto de um documento que demonstra a classe.
Exemplo para Conjunto de dados de notícias da BBC:
No modo multi-rótulo, cada documento possui pelo menos uma classe atribuída a ele, mas pode ter mais. Os dados de treinamento devem estar em um arquivo CSV de duas colunas, cada linha do arquivo contendo uma ou mais classes e o texto do documento de treinamento. Mais de uma classe deve ser indicada usando um delimitador entre cada classe.
Nenhum cabeçalho deve ser incluído no arquivo CSV para nenhum dos modos de treinamento.
Entrada semiestruturada
Começando no 2023, Amazon Comprehend agora oferece suporte a modelos de treinamento usando documentos semiestruturados. Os dados de treinamento para entrada semiestruturada são compostos por um conjunto de documentos rotulados, que podem ser documentos pré-identificados de um repositório de documentos ao qual você já tem acesso. A seguir está um exemplo de arquivo de anotações com dados CSV necessários para treinamento (Dados de amostra):
O arquivo CSV de anotações contém três colunas: a primeira coluna contém o rótulo do documento, a segunda coluna é o nome do documento (ou seja, nome do arquivo) e a última coluna é o número da página do documento que você deseja incluir no arquivo. conjunto de dados de treinamento. Na maioria dos casos, se o arquivo CSV de anotações estiver localizado na mesma pasta de todos os outros documentos, basta especificar o nome do documento na segunda coluna. No entanto, se o arquivo CSV estiver localizado em um local diferente, você precisará especificar o caminho para o local na segunda coluna, como path/to/prefix/document1.pdf
.
Para obter detalhes sobre como preparar seus dados de treinamento, consulte SUA PARTICIPAÇÃO FAZ A DIFERENÇA.
Visão geral da solução
- Amazon Comprehend O pipeline de treinamento começa quando os dados de treinamento (arquivo .csv para entrada de texto e arquivo .csv de anotação para entrada semiestruturada) são carregados em um Amazon Simple Storage Service dedicado (Amazon S3) balde.
- An AWS Lambda função é invocada por Amazon S3 acionador de forma que toda vez que um objeto é carregado em um determinado Amazon S3 localização, a função AWS Lambda recupera o nome do bucket de origem e o nome da chave do objeto carregado e os passa para o treinamento função de degrau fluxo de trabalho.
- Na função da etapa de treinamento, depois de receber o nome do bucket de dados de treinamento e o nome da chave do objeto como parâmetros de entrada, um fluxo de trabalho de treinamento de modelo personalizado é iniciado como uma série de funções lambdas conforme descrito:
StartComprehendTraining
: Esta função AWS Lambda define umComprehendClassifier
objeto dependendo do tipo de arquivos de entrada (ou seja, texto ou semiestruturado) e então inicia um Amazon Comprehend tarefa de treinamento de classificação personalizada chamando create_document_classifier Application Programming Interfact (API), que retorna um trabalho de treinamento Amazon Resource Names (ARN) . Posteriormente, esta função verifica o status do trabalho de treinamento invocando descreva_documento_classificador API. Por fim, ele retorna um ARN do trabalho de treinamento e o status do trabalho, como saída para o próximo estágio do fluxo de trabalho de treinamento.GetTrainingJobStatus
: Este AWS Lambda verifica o status do trabalho de treinamento a cada 15 minutos, ligando descreva_documento_classificador API, até que o status do trabalho de treinamento mude para Concluído ou Com falha.GenerateMultiClass
orGenerateMultiLabel
: Se você selecionar sim para relatório de desempenho ao iniciar a pilha, um desses dois AWS Lambdas executará a análise de acordo com as saídas do modelo Amazon Comprehend, que gera análise de desempenho por classe e a salva em Amazon S3.GenerateMultiClass
: Este AWS Lambda será chamado se sua entrada for MultiClasse e você seleciona sim para relatório de desempenho.GenerateMultiLabel
: Este AWS Lambda será chamado se sua entrada for Multirótulo e você seleciona sim para relatório de desempenho.
- Depois que o treinamento for concluído com sucesso, a solução gera os seguintes resultados:
- Modelo de classificação personalizado: um ARN de modelo treinado estará disponível em sua conta para trabalhos de inferência futuros.
- Matriz de confusão [Opçãol]: Uma matriz de confusão (
confusion_matrix
.json) estará disponível na saída definida pelo usuário Amazon S3 caminho, dependendo da seleção do usuário. - Serviço de notificação simples da Amazon notificação [Opçãol]: Um e-mail de notificação será enviado sobre o status do trabalho de treinamento aos assinantes, dependendo da seleção inicial do usuário.
Passo a passo
Lançando a solução
Para implantar seu pipeline, conclua as etapas a seguir:
- Escolha Pilha de Lançamento botão:
- Escolha o próximo
- Especifique os detalhes do pipeline com as opções adequadas ao seu caso de uso:
Informações para cada detalhe da pilha:
- Nome da pilha (obrigatório) – o nome que você especificou para isso Formação da Nuvem AWS pilha. O nome deve ser exclusivo na região em que você o está criando.
- Q01ClassifierInputBucketName (obrigatório) – O nome do bucket do Amazon S3 para armazenar seus dados de entrada. Deve ser um nome globalmente exclusivo e a pilha do AWS CloudFormation ajuda a criar o bucket enquanto ele está sendo iniciado.
- Q02ClassifierOutputBucketName (obrigatório) – O nome do bucket do Amazon S3 para armazenar resultados do Amazon Comprehend e do pipeline. Também deve ser um nome globalmente exclusivo.
- Q03InputFormat – Uma seleção suspensa, você pode escolher texto (se seus dados de treinamento forem arquivos csv) ou semiestrutura (se seus dados de treinamento forem semiestruturados [por exemplo, arquivos PDF]) com base no formato de entrada de dados.
- Q04Idioma – Uma seleção suspensa, escolhendo o idioma dos documentos da lista suportada. Observe que atualmente apenas o inglês é suportado se o seu formato de entrada for semiestruturado.
- Q05MultiClasse – Uma seleção suspensa, selecione sim se sua entrada for o modo MultiClass. Caso contrário, selecione não.
- Q06LabelDelimitador – Necessário apenas se sua resposta Q05MultiClass for não. Esse delimitador é usado nos dados de treinamento para separar cada classe.
- Q07ValidaçãoConjunto de dados – Uma seleção suspensa, altere a resposta para sim se você deseja testar o desempenho do classificador treinado com seus próprios dados de teste.
- Q08S3ValidationPath – Obrigatório apenas se sua resposta Q07ValidationDataset for sim.
- Q09Relatório de desempenho – Uma seleção suspensa, selecione sim se você deseja gerar o relatório de desempenho em nível de classe após o treinamento do modelo. O relatório será salvo no intervalo de saída especificado em Q02ClassifierOutputBucketName.
- Q10Notificação por e-mail – Uma seleção suspensa. Selecione sim se você deseja receber uma notificação após o treinamento do modelo.
- Q11EmailID – Insira um endereço de e-mail válido para receber notificação de relatório de desempenho. Observe que você deve confirmar a assinatura por e-mail após o lançamento da pilha do AWS CloudFormation, antes de receber uma notificação quando o treinamento for concluído.
- Na seção Opções de pilha do Amazon Configure, adicione tags opcionais, permissões e outras configurações avançadas.
- Escolha Próximo
- Revise os detalhes da pilha e selecione Eu reconheço isso Formação da Nuvem AWS pode criar AWS IAM Recursos.
- Escolha Submeter. Isso inicia a implantação do pipeline em sua conta da AWS.
- Depois que a pilha for implantada com sucesso, você poderá começar a usar o pipeline. Criar uma
/training-data
pasta no local especificado do Amazon S3 para entrada. Observação: Amazon S3 aplica automaticamente a criptografia do lado do servidor (SSE-S3) para cada novo objeto, a menos que você especifique uma opção de criptografia diferente. Por favor consulte Proteção de dados no Amazon S3 para obter mais detalhes sobre proteção de dados e criptografia em Amazon S3.
- Carregue seus dados de treinamento para a pasta. (Se os dados de treinamento forem semiestruturados, carregue todos os arquivos PDF antes de carregar as informações do rótulo no formato .csv).
Você Terminou! Você implantou seu pipeline com êxito e pode verificar o status do pipeline na função de etapa implantada. (Você terá um modelo treinado no painel de classificação personalizada do Amazon Comprehend).
Se você escolher o modelo e sua versão dentro Amazon Comprehend Console, agora você pode ver mais detalhes sobre o modelo que acabou de treinar. Inclui o modo que você seleciona, que corresponde à opção Q05MultiClass, o número de rótulos e o número de documentos treinados e de teste dentro de seus dados de treinamento. Você também pode verificar o desempenho geral abaixo; entretanto, se você quiser verificar o desempenho detalhado de cada classe, consulte o Relatório de desempenho gerado pelo pipeline implantado.
Cotas de serviço
Sua conta da AWS tem cotas padrão para Amazon Comprehend e AmazonTextrato, se as entradas estiverem em formato semiestruturado. Para visualizar cotas de serviço, consulte SUA PARTICIPAÇÃO FAZ A DIFERENÇA para Amazon Comprehend e SUA PARTICIPAÇÃO FAZ A DIFERENÇA para AmazonTextrato.
limpar
Para evitar cobranças contínuas, exclua os recursos que você criou como parte desta solução quando terminar.
- No Amazon S3 console, exclua manualmente o conteúdo dos buckets que você criou para dados de entrada e saída.
- No Formação da Nuvem AWS console, escolha Pilhas no painel de navegação.
- Selecione a pilha principal e escolha Apagar.
Isso exclui automaticamente a pilha implantada.
- Seu treinado Amazon Comprehend o modelo de classificação personalizado permanecerá em sua conta. Se você não precisa mais, em Amazon Comprehend console, exclua o modelo criado.
Conclusão
Neste post, mostramos o conceito de pipeline de treinamento escalável para Amazon Comprehend modelos de classificação personalizados e fornecendo uma solução automatizada para treinar novos modelos com eficiência. O Formação da Nuvem AWS O modelo fornecido permite que você crie seus próprios modelos de classificação de texto sem esforço, atendendo às escalas de demanda. A solução adota o recentemente anunciado recurso Euclid e aceita entradas em formato de texto ou semiestruturado.
Agora, encorajamos vocês, nossos leitores, a testar essas ferramentas. Você pode encontrar mais detalhes sobre preparação de dados de treinamento e entender o métricas de classificador personalizado. Experimente e veja em primeira mão como ele pode agilizar o processo de treinamento de seu modelo e aumentar a eficiência. Por favor, compartilhe seus comentários conosco!
Sobre os autores
Sandeep Singh é cientista de dados sênior da AWS Professional Services. Ele é apaixonado por ajudar os clientes a inovar e atingir seus objetivos de negócios, desenvolvendo soluções de última geração baseadas em IA/ML. Atualmente, ele está focado em IA generativa, LLMs, engenharia imediata e escalonamento de aprendizado de máquina em empresas. Ele traz avanços recentes de IA para criar valor para os clientes.
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.
Wrick Talukdar é arquiteto sênior da equipe Amazon Comprehend Service. Ele trabalha com clientes da AWS para ajudá-los a adotar o aprendizado de máquina em grande escala. Fora do trabalho, gosta de ler e fotografar.
- 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. Automotivo / EVs, Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
- PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
- ChartPrime. Eleve seu jogo de negociação com ChartPrime. Acesse aqui.
- BlockOffsets. Modernizando a Propriedade de Compensação Ambiental. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/build-a-classification-pipeline-with-amazon-comprehend-custom-classification-part-i/
- :tem
- :é
- $UP
- 1
- 100
- 11
- 15%
- 2023
- 24
- 26%
- 7
- 9
- a
- Capaz
- Sobre
- Aceita
- Acesso
- Segundo
- Conta
- Alcançar
- reconhecer
- em
- ativo
- adicionar
- endereço
- endereçado
- adotar
- avançado
- avanços
- Vantagem
- Depois de
- AI
- AI / ML
- algoritmo
- Todos os Produtos
- permite
- já
- tb
- Amazon
- Amazon Comprehend
- Amazon Web Services
- an
- análise
- análise
- e
- anunciou
- responder
- mais
- api
- Aplicação
- aplica
- SOMOS
- AS
- aspectos
- atribuído
- At
- auditivo
- auditoria
- Automatizado
- Automático
- automaticamente
- automatizando
- disponível
- evitar
- longe
- AWS
- Formação da Nuvem AWS
- AWS Lambda
- Serviços Profissionais AWS
- base
- baseado
- bbc
- BE
- sido
- antes
- comportamento
- ser
- pertence
- abaixo
- Benefícios
- bespoke
- Melhor
- entre
- Grande
- Blog
- Traz
- Navegando
- construir
- negócio
- negócios
- mas a
- botão
- by
- chamado
- chamada
- CAN
- casas
- casos
- Categorias
- categorizando
- Categoria
- alterar
- Alterações
- acusações
- verificar
- Cheques
- Escolha
- escolha
- classe
- aulas
- classificação
- classificado
- classificar
- remover filtragem
- clique
- coletar
- Coluna
- colunas
- competitivo
- queixas
- completar
- Efetuado
- complexidade
- compliance
- compreender
- Composto
- conceito
- Confirmar
- confusão
- Coneções
- cônsul
- contém
- conteúdo
- conteúdo
- Contextos
- corresponde
- Custo
- poderia
- crio
- Criar valor
- criado
- Criar
- Atualmente
- personalizadas
- cliente
- Suporte ao cliente
- Clientes
- dados,
- protecção de dados
- cientista de dados
- dedicado
- Padrão
- definido
- Define
- definição
- Entrega
- Deloitte
- Demanda
- demonstra
- Dependendo
- implantar
- implantado
- desenvolvimento
- descrito
- detalhe
- detalhado
- detalhes
- determinado
- em desenvolvimento
- Desenvolvimento
- diferente
- difícil
- documento
- INSTITUCIONAIS
- Dólar
- domínio
- domínios
- feito
- não
- down
- e
- cada
- mais fácil
- facilmente
- borda
- eficiência
- eficientemente
- sem esforço
- esforços
- ou
- permitir
- encorajar
- criptografia
- energia
- COMPROMETIMENTO
- Engenharia
- Inglês
- aumentar
- garantir
- Entrar
- empresas
- essencial
- Europa
- Cada
- exemplo
- caro
- Explorando
- fracassado
- Característica
- retornos
- poucos
- Figura
- Envie o
- Arquivos
- Finalmente
- Encontre
- empresas
- Primeiro nome
- apropriado
- Foco
- focado
- seguinte
- Escolha
- formato
- da
- função
- funções
- futuro
- gerar
- gerado
- gera
- generativo
- IA generativa
- OFERTE
- Globalmente
- governo
- gradualmente
- Ter
- ter
- he
- ajudar
- ajuda
- ajuda
- sua experiência
- Como funciona o dobrador de carta de canal
- Como Negociar
- Contudo
- HTML
- HTTPS
- humano
- i
- identificar
- if
- in
- incluir
- incluído
- inclui
- Crescimento
- indicado
- INFORMAÇÕES
- do estado inicial,
- Inicia
- inovar
- entrada
- inputs
- dentro
- insights
- interesses
- para dentro
- introduzir
- invocado
- questões
- IT
- ESTÁ
- Trabalho
- jpg
- json
- apenas por
- Chave
- Conhecimento
- O rótulo
- Rótulos
- trabalho
- língua
- grande
- Sobrenome
- lançado
- de lançamento
- APRENDER
- aprendizagem
- mínimo
- como
- Line
- Lista
- LLM
- localizado
- localização
- trancado
- mais
- lote
- ama
- diminuir
- máquina
- aprendizado de máquina
- moldadas
- a Principal
- Maioria
- FAZ
- manual
- manualmente
- muitos
- mapa,
- Matriz
- Posso..
- Mídia
- Conheça
- poder
- Minutos
- Moda
- modelo
- modelos
- modos
- dinheiro
- monitoração
- mais
- a maioria
- Montanha
- muito
- múltiplo
- devo
- nome
- nomes
- estreito
- Navegação
- necessário
- você merece...
- necessário
- Novo
- notícias
- Próximo
- PNL
- não
- notificação
- agora
- número
- objeto
- objetivos
- of
- on
- ONE
- contínuo
- só
- Opção
- Opções
- or
- organização
- organizações
- Outros
- de outra forma
- A Nossa
- Fora
- saída
- lado de fora
- Acima de
- global
- próprio
- página
- pão
- painel
- parâmetros
- parte
- particularmente
- passar
- apaixonado
- caminho
- Pessoas
- para
- atuação
- permissões
- fotografia
- oleoduto
- platão
- Inteligência de Dados Platão
- PlatãoData
- por favor
- políticas
- Privacidade
- política
- possível
- Publique
- potencial
- alimentado
- preferências
- Preparar
- preparado
- Problema
- problemas
- processo
- processos
- em processamento
- Produto
- profissional
- Programação
- proteção
- fornecer
- fornecido
- fornecendo
- Python
- qualidade
- rapidamente
- leitores
- Leitura
- reais
- receber
- receber
- recentemente
- recentemente
- referir
- região
- reguladores
- Conformidade Regulamentar
- relacionado
- relevante
- permanecem
- Denunciar
- Informou
- repositório
- requeridos
- Requisitos
- recurso
- Recursos
- Responder
- Resultados
- Retorna
- certo
- regras
- Execute
- mesmo
- Salvar
- salvo
- AMPLIAR
- escalável
- Escala
- Escalas
- dimensionamento
- Cientista
- arranhar
- Pesquisar
- Segundo
- Seção
- Vejo
- doadores,
- senior
- enviei
- separado
- Série
- serviço
- Serviços
- conjunto
- contexto
- Configurações
- Partilhar
- ela
- Baixo
- rede de apoio social
- mostrou
- mostrando
- periodo
- significar
- simples
- solteiro
- situação
- Redes Sociais
- meios de comunicação social
- solução
- Soluções
- RESOLVER
- alguns
- fonte
- Fontes
- específico
- especificada
- Esportes
- pilha
- Etapa
- Estágio
- padrões
- começo
- começa
- estado-da-arte
- Status
- Passo
- Passos
- armazenamento
- loja
- simplificar
- assinantes
- tudo incluso
- Subseqüentemente
- entraram com sucesso
- tal
- ajuda
- Suportado
- suportes
- Vistorias
- TAG
- adaptados
- Tire
- Tarefa
- Profissionais
- tecnologia
- técnicas
- Tecnologia
- modelo
- teste
- texto
- Classificação de Texto
- do que
- que
- A
- A fonte
- deles
- Eles
- então
- Este
- deles
- coisas
- isto
- milhares
- três
- Através da
- tempo
- demorado
- para
- ferramentas
- Temas
- Trem
- treinado
- Training
- Viagens
- Tendências
- desencadear
- tentar
- dois
- tipo
- descobrir
- para
- compreender
- único
- inexplorado
- até
- carregado
- Upload
- us
- usar
- caso de uso
- usava
- Utilizador
- usuários
- usos
- utilização
- Valioso
- valor
- variedade
- versão
- Ver
- queremos
- Caminho..
- we
- web
- serviços web
- Site
- quando
- qual
- enquanto
- inteiro
- precisarão
- de
- dentro
- sem
- Atividades:
- de gestão de documentos
- fluxos de trabalho
- trabalhar
- trabalhando fora
- trabalho
- Vocês
- investimentos
- zefirnet
- Zip