Determinar o valor da habitação é um exemplo clássico de uso de aprendizado de máquina (ML). Uma influência significativa foi feita por Harrison e Rubinfeld (1978), que publicaram um artigo e um conjunto de dados inovadores que se tornaram conhecidos informalmente como o conjunto de dados habitacionais de Boston. Este trabalho seminal propôs um método para estimar os preços da habitação em função de inúmeras dimensões, incluindo a qualidade do ar, que foi o foco principal da sua investigação. Quase 50 anos depois, a estimativa de preços de habitação tornou-se uma importante ferramenta de ensino para estudantes e profissionais interessados em utilizar dados e ML na tomada de decisões empresariais.
Nesta postagem, discutimos o uso de um modelo de código aberto projetado especificamente para a tarefa de resposta visual a perguntas (VQA). Com o VQA, você pode fazer uma pergunta sobre uma foto usando linguagem natural e receber uma resposta à sua pergunta, também em linguagem simples. Nosso objetivo neste post é inspirar e demonstrar o que é possível usar essa tecnologia. Propomos usar esse recurso com o Amazon Sage Maker plataforma de serviços para melhorar a precisão do modelo de regressão em um caso de uso de ML e, de forma independente, para marcação automatizada de imagens visuais.
Fornecemos um correspondente Vídeo do YouTube isso demonstra o que é discutido aqui. A reprodução do vídeo começará no meio para destacar o ponto mais saliente. Sugerimos que você acompanhe esta leitura com o vídeo para reforçar e obter uma compreensão mais rica do conceito.
modelos de fundação
Esta solução centra-se no uso de um modelo de base publicado no repositório de modelos Hugging Face. Aqui usamos o termo modelo de fundação para descrever uma capacidade de inteligência artificial (IA) que foi pré-treinada em um grande e diversificado corpo de dados. Às vezes, os modelos básicos podem estar prontos para uso sem a necessidade de treinar um modelo do zero. Alguns modelos básicos podem ser ajustados, o que significa ensinar-lhes padrões adicionais que são relevantes para o seu negócio, mas que faltam no modelo original e generalizado publicado. Às vezes, é necessário fazer ajustes para fornecer respostas corretas que sejam exclusivas para seu caso de uso ou corpo de conhecimento.
No Abraçando o rosto repositório, existem vários modelos de VQA para escolher. Selecionamos o modelo com mais downloads no momento da redação deste artigo. Embora esta postagem demonstre a capacidade de usar um modelo de um repositório de modelos de código aberto, o mesmo conceito se aplicaria a um modelo que você treinou do zero ou usou de outro provedor confiável.
Uma abordagem moderna para um caso de uso clássico
A estimativa do preço da casa tradicionalmente ocorre por meio de dados tabulares, onde as características da propriedade são usadas para informar o preço. Embora possa haver centenas de características a serem consideradas, alguns exemplos fundamentais são o tamanho da casa no espaço acabado, o número de quartos e banheiros e a localização da residência.
O aprendizado de máquina é capaz de incorporar diversas fontes de entrada além dos dados tabulares, como áudio, imagens estáticas, vídeo em movimento e linguagem natural. Na IA, o termo multimodal refere-se ao uso de uma variedade de tipos de mídia, como imagens e dados tabulares. Nesta postagem, mostramos como usar dados multimodais para encontrar e liberar valor oculto preso na abundante exaustão digital produzida pelo mundo moderno de hoje.
Com essa ideia em mente, demonstramos o uso de modelos de fundação para extrair características latentes de imagens do imóvel. Ao utilizar insights encontrados nas imagens, não disponíveis anteriormente nos dados tabulares, podemos melhorar a precisão do modelo. Tanto as imagens quanto os dados tabulares discutidos nesta postagem foram originalmente disponibilizados e publicados para GitHub por Ahmed e Moustafa (2016).
Uma imagem vale mais que mil palavras
Agora que entendemos os recursos do VQA, vamos considerar as duas imagens de cozinhas a seguir. Como você avaliaria o valor da casa a partir dessas imagens? Quais são algumas perguntas que você faria a si mesmo? Cada imagem pode suscitar dezenas de perguntas em sua mente. Algumas dessas perguntas podem levar a respostas significativas que melhoram o processo de avaliação de uma casa.
Crédito das fotos Francesca Tosolini (L) e Sidekix Media (R) no Unsplash
A tabela a seguir fornece exemplos anedóticos de interações VQA, mostrando perguntas junto com suas respostas correspondentes. As respostas podem vir na forma de respostas categóricas, de valor contínuo ou binárias.
Pergunta de exemplo | Exemplo de resposta do modelo básico |
De que são feitas as bancadas? | granito, azulejo, mármore, laminado, etc. |
Esta é uma cozinha cara? | sim não |
Quantos coletores separados existem? | 0, 1, 2 |
Arquitetura de referência
Neste post, usamos Gerenciador de dados do Amazon SageMaker para fazer um conjunto uniforme de perguntas visuais para milhares de fotos no conjunto de dados. O SageMaker Data Wrangler foi desenvolvido especificamente para simplificar o processo de preparação de dados e engenharia de recursos. Ao fornecer mais de 300 transformações integradas, o SageMaker Data Wrangler ajuda a reduzir o tempo necessário para preparar dados tabulares e de imagem para ML de semanas para minutos. Aqui, o SageMaker Data Wrangler combina recursos de dados do conjunto tabular original com recursos fotográficos do modelo básico para treinamento de modelo.
A seguir, construímos um modelo de regressão com o uso de Tela do Amazon SageMaker. O SageMaker Canvas pode construir um modelo, sem escrever nenhum código, e fornecer resultados preliminares em apenas 2 a 15 minutos. Na seção a seguir, fornecemos uma arquitetura de referência usada para tornar possível essa orientação de solução.
Muitos modelos populares da Hugging Face e de outros fornecedores podem ser implementados com um clique com JumpStart do Amazon SageMaker. Existem centenas de milhares de modelos disponíveis nesses repositórios. Para esta postagem, escolhemos um modelo não disponível no SageMaker JumpStart, que requer implantação do cliente. Conforme mostrado na figura a seguir, implantamos um modelo Hugging Face para inferência usando um Estúdio Amazon SageMaker caderno. O notebook é usado para implantar um endpoint para inferência em tempo real. O notebook usa ativos que incluem o modelo binário Hugging Face, um ponteiro para uma imagem de contêiner e um script inference.py criado especificamente para corresponder à entrada e à saída esperadas do modelo. À medida que você lê isto, a combinação de modelos VQA disponíveis pode mudar. O importante é revisar os modelos de VQA disponíveis, no momento de ler isto, e estar preparado para implantar o modelo que você escolher, que terá seu próprio contrato de solicitação e resposta de API.
Depois que o modelo VQA é atendido pelo endpoint SageMaker, usamos o SageMaker Data Wrangler para orquestrar o pipeline que, em última análise, combina dados tabulares e recursos extraídos das imagens digitais e remodela os dados para treinamento do modelo. A próxima figura oferece uma visão de como o trabalho de transformação de dados em grande escala é executado.
Na figura a seguir, usamos o SageMaker Data Wrangler para orquestrar tarefas de preparação de dados e o SageMaker Canvas para treinamento de modelo. Primeiro, o SageMaker Data Wrangler usa Serviço de localização da Amazon para converter códigos postais disponíveis nos dados brutos em recursos de latitude e longitude. Em segundo lugar, o SageMaker Data Wrangler é capaz de coordenar o envio de milhares de fotos para um endpoint hospedado no SageMaker para inferência em tempo real, fazendo um conjunto uniforme de perguntas por cena. Isso resulta em uma rica variedade de recursos que descrevem características observadas em cozinhas, banheiros, exteriores de casas e muito mais. Depois que os dados forem preparados pelo SageMaker Data Wrangler, um conjunto de dados de treinamento estará disponível em Serviço de armazenamento simples da Amazon (Amazon S3). Usando os dados do S3 como entrada, o SageMaker Canvas é capaz de treinar um modelo em apenas 2 a 15 minutos, sem escrever nenhum código.
Transformação de dados usando SageMaker Data Wrangler
A captura de tela a seguir mostra um fluxo de trabalho do SageMaker Data Wrangler. O fluxo de trabalho começa com milhares de fotos de residências armazenadas no Amazon S3. Em seguida, um detector de cena determina a cena, como cozinha ou banheiro. Finalmente, um conjunto de perguntas específicas da cena é feito às imagens, resultando em um conjunto de dados tabular mais rico, disponível para treinamento.
A seguir está um exemplo do código de transformação personalizado do SageMaker Data Wrangler usado para interagir com o modelo básico e obter informações sobre imagens de cozinhas. Na captura de tela anterior, se você escolhesse o nó recursos da cozinha, o seguinte código apareceria:
Como consideração de segurança, você deve primeiro permitir que o SageMaker Data Wrangler chame seu endpoint em tempo real do SageMaker por meio de Gerenciamento de acesso e identidade da AWS (EU SOU). Da mesma forma, quaisquer recursos da AWS que você invocar por meio do SageMaker Data Wrangler precisarão de permissões de permissão semelhantes.
Estruturas de dados antes e depois do SageMaker Data Wrangler
Nesta seção, discutimos a estrutura dos dados tabulares originais e dos dados aprimorados. Os dados aprimorados contêm novos recursos de dados relativos a este exemplo de caso de uso. Em sua aplicação, reserve um tempo para imaginar o conjunto diversificado de questões disponíveis em suas imagens para auxiliar em sua tarefa de classificação ou regressão. A ideia é imaginar o maior número possível de perguntas e depois testá-las para ter certeza de que agregam valor.
Estrutura dos dados tabulares originais
Conforme descrito na fonte GitHub repo, o conjunto de dados de amostra contém 535 registros tabulares, incluindo quatro imagens por propriedade. A tabela a seguir ilustra a estrutura dos dados tabulares originais.
Característica | Comentário |
Numero de quartos | . |
Número de banheiros | . |
Área (pés quadrados) | . |
CEP | . |
Preço | Esta é a variável alvo a ser prevista. |
Estrutura de dados aprimorados
A tabela a seguir ilustra a estrutura de dados aprimorada, que contém vários novos recursos derivados das imagens.
Característica | Comentário |
Numero de quartos | . |
Número de banheiros | . |
Área (pés quadrados) | . |
Latitude | Calculado passando o CEP original para o Amazon Location Service. Este é o valor do centróide do ZIP. |
Longitude | Calculado passando o CEP original para o Amazon Location Service. Este é o valor do centróide do ZIP. |
O quarto contém teto abobadado? | 0 = não; 1 = sim |
O banheiro é caro? | 0 = não; 1 = sim |
A cozinha é cara? | 0 = não; 1 = sim |
Preço | Esta é a variável alvo a ser prevista. |
Treinamento de modelo com SageMaker Canvas
Um trabalho de processamento do SageMaker Data Wrangler prepara totalmente e disponibiliza todo o conjunto de dados de treinamento tabular no Amazon S3. A seguir, o SageMaker Canvas aborda a fase de construção do modelo do ciclo de vida do ML. O Canvas começa abrindo o conjunto de treinamento S3. Ser capaz de compreender um modelo costuma ser um requisito importante do cliente. Sem escrever código e com apenas alguns cliques, o SageMaker Canvas fornece feedback visual rico sobre o desempenho do modelo. Conforme visto na captura de tela da seção a seguir, o SageMaker Canvas mostra como recursos únicos informam o modelo.
Modelo treinado com dados tabulares originais e recursos derivados de imagens imobiliárias
Podemos ver na captura de tela a seguir que as características desenvolvidas a partir de imagens do imóvel foram importantes. Com base nesses resultados, a questão “Esta cozinha é cara” da foto foi mais significativa do que “número de quartos” no conjunto tabular original, com valores de importância de recurso de 7.08 e 5.498, respectivamente.
A captura de tela a seguir fornece informações importantes sobre o modelo. Primeiro, o gráfico residual mostra a maioria dos pontos do conjunto agrupados em torno da zona sombreada em roxo. Aqui, dois valores discrepantes foram anotados manualmente fora do SageMaker Canvas para esta ilustração. Esses valores discrepantes representam lacunas significativas entre o valor inicial verdadeiro e o valor previsto. Além disso, o R2 o valor, que tem um intervalo possível de 0 a 100%, é mostrado em 76%. Isso indica que o modelo é imperfeito e não possui pontos de informação suficientes para levar em conta toda a variedade para estimar totalmente os valores residenciais.
Podemos usar valores discrepantes para encontrar e propor sinais adicionais para construir um modelo mais abrangente. Por exemplo, essas propriedades atípicas podem incluir uma piscina ou estar localizadas em grandes terrenos. O conjunto de dados não incluía esses recursos; no entanto, você poderá localizar esses dados e treinar um novo modelo com “tem piscina” incluído como um recurso adicional. Idealmente, na sua próxima tentativa, o R2 o valor aumentaria e os valores MAE e RMSE diminuiriam.
Modelo treinado sem recursos derivados de imagens imobiliárias
Finalmente, antes de passar para a próxima seção, vamos explorar se os recursos das imagens foram úteis. A captura de tela a seguir fornece outro modelo treinado do SageMaker Canvas sem os recursos do modelo VQA. Vemos que a taxa de erro do modelo aumentou, de um RMSE de 282K para um RMSE de 352K. A partir disso, podemos concluir que três perguntas simples das imagens melhoraram a precisão do modelo em cerca de 20%. Não mostrado, mas para ser completo, o R2 o valor do modelo seguinte também se deteriorou, caindo para um valor de 62%, de um valor de 76% com os recursos VQA fornecidos. Este é um exemplo de como o SageMaker Canvas facilita a experimentação rápida e o uso de uma abordagem baseada em dados que produz um modelo para atender às suas necessidades de negócios.
Olhando para o futuro
Muitas organizações estão se tornando cada vez mais interessadas em modelos de fundação, especialmente desde que os transformadores pré-treinados (GPTs) gerais se tornaram oficialmente um tópico de interesse principal em dezembro de 2022. Uma grande parte do interesse em modelos de fundação está centrada em tarefas de modelos de linguagem grande (LLM). ; no entanto, existem outros casos de uso diversos disponíveis, como visão computacional e, mais especificamente, a tarefa especializada de VQA descrita aqui.
Esta postagem é um exemplo para inspirar o uso de dados multimodais para resolver casos de uso da indústria. Embora tenhamos demonstrado o uso e o benefício do VQA em um modelo de regressão, ele também pode ser usado para rotular e marcar imagens para pesquisa subsequente ou roteamento de fluxo de trabalho de negócios. Imagine poder pesquisar imóveis listados para venda ou aluguel. Suponha que você queira encontrar um imóvel com piso de cerâmica ou bancada de mármore. Hoje, talvez você precise obter uma longa lista de propriedades candidatas e filtrar-se visualmente enquanto navega por cada candidata. Em vez disso, imagine ser capaz de filtrar listagens que contenham esses recursos, mesmo que uma pessoa não as tenha marcado explicitamente. No setor de seguros, imagine a capacidade de estimar danos de sinistros ou encaminhar as próximas ações em um fluxo de trabalho comercial a partir de imagens. Nas plataformas de mídia social, as fotos podem ser etiquetadas automaticamente para uso posterior.
Resumo
Esta postagem demonstrou como usar a visão computacional habilitada por um modelo básico para melhorar um caso de uso clássico de ML usando a plataforma SageMaker. Como parte da solução proposta, localizamos um modelo VQA popular disponível em um registro de modelo público e o implantamos usando um endpoint SageMaker para inferência em tempo real.
Em seguida, usamos o SageMaker Data Wrangler para orquestrar um fluxo de trabalho no qual foram feitas perguntas uniformes às imagens para gerar um rico conjunto de dados tabulares. Por fim, usamos o SageMaker Canvas para treinar um modelo de regressão. É importante observar que o conjunto de dados de amostra era muito simples e, portanto, imperfeito por natureza. Mesmo assim, o SageMaker Canvas facilita a compreensão da precisão do modelo e a busca de sinais adicionais para melhorar a precisão de um modelo de linha de base.
Esperamos que esta postagem tenha incentivado você a usar os dados multimodais que sua organização pode possuir. Além disso, esperamos que a postagem tenha inspirado você a considerar o treinamento de modelo como um processo iterativo. Um ótimo modelo pode ser alcançado com um pouco de paciência. Modelos quase perfeitos podem ser bons demais para ser verdade, talvez o resultado de vazamento do alvo ou ajuste excessivo. Um cenário ideal começaria com um modelo bom, mas não perfeito. Usando erros, perdas e gráficos residuais, você pode obter sinais de dados adicionais para aumentar a precisão de sua estimativa de linha de base inicial.
A AWS oferece o conjunto mais amplo e profundo de serviços de ML e infraestrutura de nuvem de suporte, colocando o ML nas mãos de todos os desenvolvedores, cientistas de dados e profissionais especializados. Se você estiver curioso para saber mais sobre a plataforma SageMaker, incluindo SageMaker Data Wrangler e SageMaker Canvas, entre em contato com sua equipe de conta da AWS e inicie uma conversa. Além disso, considere ler mais sobre o SageMaker Data Wrangler transformações personalizadas.
Referências
Ahmed, EH e Moustafa, M. (2016). Estimativa de preços de casas a partir de recursos visuais e textuais. IJCCI 2016-Anais da 8ª Conferência Conjunta Internacional sobre Inteligência Computacional, 3, 62–68.
Harrison Jr, D. e Rubinfeld, DL (1978). Preços hedónicos da habitação e a procura de ar puro. Jornal de economia e gestão ambiental, 5(1), 81-102.
Kim, W., Filho, B. & Kim, eu.. (2021). ViLT: Transformador de visão e linguagem sem convolução ou supervisão regional. Anais da 38ª Conferência Internacional sobre Aprendizado de Máquina, em Proceedings of Machine Learning Research. 139:5583-5594.
Sobre o autor
Charles Laughlin é arquiteto principal de soluções especializadas em IA/ML e trabalha na equipe de serviço Amazon SageMaker na AWS. Ele ajuda a moldar o roteiro de serviços e colabora diariamente com diversos clientes da AWS para ajudar a transformar seus negócios usando tecnologias de ponta da AWS e liderança inovadora. Charles possui mestrado em gerenciamento da cadeia de suprimentos e doutorado. em Ciência de Dados.
- 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-foundation-models-to-improve-model-accuracy-with-amazon-sagemaker/
- :tem
- :é
- :não
- :onde
- $UP
- 08
- 1
- 100
- 2016
- 2021
- 2022
- 32
- 49
- 50
- 50 Anos
- 7
- 8
- sec 8
- a
- habilidade
- Capaz
- Sobre
- abundante
- Acesso
- Conta
- precisão
- alcançado
- ações
- Adicional
- Adicionalmente
- endereços
- Depois de
- ahmed
- AI
- AI / ML
- AR
- Todos os Produtos
- permitir
- quase
- ao lado de
- tb
- Apesar
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- amp
- an
- e
- Outro
- responder
- respostas
- qualquer
- api
- aparecer
- Aplicação
- Aplicar
- abordagem
- arquitetura
- SOMOS
- por aí
- Ordem
- artificial
- inteligência artificial
- Inteligência artificial (AI)
- AS
- perguntar
- pergunta
- avaliar
- Ativos
- At
- tentativa
- auditivo
- Automatizado
- disponível
- AWS
- baseado
- Linha de Base
- BE
- passou a ser
- tornam-se
- tornando-se
- sido
- antes
- começar
- ser
- beneficiar
- entre
- Pós
- corpo
- Boston
- ambos
- construir
- Prédio
- construídas em
- carga
- negócio
- negócios
- mas a
- by
- chamada
- CAN
- candidato
- lona
- capacidades
- capacidade
- capaz
- casas
- casos
- teto
- centralizado
- Centros
- cadeia
- alterar
- características
- Charles
- Escolha
- reivindicar
- clássico
- classificação
- limpar
- Na nuvem
- infraestrutura de nuvem
- agrupamento
- código
- códigos
- colabora
- cor
- combina
- como
- completar
- compreensivo
- computacional
- computador
- Visão de Computador
- conceito
- conclui
- Conferência
- Considerar
- consideração
- não contenho
- Recipiente
- contém
- contínuo
- contract
- Conversa
- converter
- coordenar
- correta
- Correspondente
- poderia
- crédito
- curioso
- personalizadas
- cliente
- Clientes
- ponta
- diariamente
- dados,
- Preparação de dados
- ciência de dados
- cientista de dados
- conjunto de dados
- Estrutura de dados
- orientado por dados
- Dezembro
- Tomada de Decisão
- diminuir
- mais profundo
- entregar
- Demanda
- demonstrar
- demonstraram
- demonstra
- implantar
- implantado
- desenvolvimento
- Derivado
- descreve
- descrito
- Design
- projetado
- determina
- desenvolvido
- Developer
- digital
- dimensões
- discutir
- discutido
- diferente
- do
- parece
- Não faz
- de downloads
- dezenas
- Caindo
- e
- cada
- fácil
- Economia
- permitir
- habilitado
- encorajados
- Ponto final
- Engenharia
- aprimorada
- suficiente
- Todo
- ambiental
- erro
- erros
- especialmente
- estimativa
- etc.
- Mesmo
- Cada
- exemplo
- exemplos
- esperado
- caro
- experimentar
- especialista
- explicitamente
- explorar
- extrato
- Rosto
- Característica
- Funcionalidades
- retornos
- pés
- poucos
- Figura
- filtro
- Finalmente
- Encontre
- Primeiro nome
- Andar
- Foco
- seguir
- seguinte
- segue
- Escolha
- formulário
- encontrado
- Foundation
- quatro
- da
- em grande escala
- totalmente
- função
- funções
- fundamental
- Ganho
- lacunas
- Geral
- gerar
- ter
- meta
- Bom estado, com sinais de uso
- gráfico
- ótimo
- inovador
- orientações
- mãos
- Ter
- he
- ajudar
- útil
- ajuda
- SUA PARTICIPAÇÃO FAZ A DIFERENÇA
- oculto
- Destaques
- detém
- Início
- Casas
- esperança
- hospedado
- House
- habitação
- Como funciona o dobrador de carta de canal
- Como Negociar
- Contudo
- http
- HTTPS
- Centenas
- i
- idéia
- ideal
- idealmente
- Identidade
- if
- ilustra
- imagem
- imagens
- fotografia
- importar
- importância
- importante
- melhorar
- melhorado
- in
- incluir
- incluído
- Incluindo
- incorporando
- Crescimento
- aumentou
- cada vez mais
- independentemente
- indicam
- indústria
- influência
- informar
- INFORMAÇÕES
- Infraestrutura
- do estado inicial,
- entrada
- insights
- inspirar
- inspirado
- em vez disso
- com seguro
- Inteligência
- interagir
- interações
- interesse
- interessado
- Internacionais
- para dentro
- IT
- ESTÁ
- Trabalho
- articulação
- jpg
- json
- Chave
- Kim
- Conhecimento
- conhecido
- O rótulo
- Terreno
- língua
- grande
- mais tarde
- conduzir
- Liderança
- APRENDER
- aprendizagem
- wifecycwe
- Lista
- Listado
- Anúncios
- pequeno
- LLM
- localizado
- localização
- trancado
- longo
- perdas
- máquina
- aprendizado de máquina
- moldadas
- Corrente principal
- fazer
- FAZ
- de grupos
- manualmente
- muitos
- fósforos
- Posso..
- significativo
- significa
- Mídia
- método
- Meio caminho
- poder
- mente
- Minutos
- desaparecido
- misturar
- ML
- modelo
- modelos
- EQUIPAMENTOS
- mais
- a maioria
- movimento
- em movimento
- devo
- natural
- você merece...
- necessário
- Novo
- Novos Recursos
- Próximo
- não
- nó
- caderno
- número
- numeroso
- obter
- ocorreu
- of
- Oferece
- Oficialmente
- frequentemente
- on
- só
- open source
- abertura
- or
- ordem
- organização
- organizações
- original
- originalmente
- Outros
- A Nossa
- Fora
- ponto fora da curva
- saída
- lado de fora
- próprio
- Papel
- parte
- Passagem
- Paciência
- padrões
- para
- perfeita
- atuação
- possivelmente
- permissões
- pessoa
- fase
- foto
- Fotos
- fotografia
- FOTOS
- oleoduto
- Avião
- plataforma
- Plataformas
- platão
- Inteligência de Dados Platão
- PlatãoData
- por favor
- ponto
- pontos
- piscina
- Popular
- parte
- possuir
- possível
- Publique
- previsto
- preliminares
- preparação
- Preparar
- preparado
- Prepara
- anteriormente
- preço
- Valores
- Diretor
- Proceedings
- processo
- em processamento
- Produzido
- Propriedades
- propriedade
- oferece
- proposto
- fornecer
- fornecido
- provedor
- fornecedores
- fornece
- fornecendo
- público
- publicado
- Colocar
- qualidade
- questão
- Frequentes
- rapidamente
- R
- alcance
- Taxa
- Cru
- alcançar
- Leia
- Leitura
- pronto
- em tempo real
- receber
- registros
- reduzir
- referência
- refere-se
- região
- registro
- reforçar
- relativo
- relevante
- Aluguel
- repositório
- representar
- solicitar
- requerimento
- exige
- pesquisa
- remodelar
- Residence
- Recursos
- respectivamente
- resposta
- respostas
- resultar
- resultando
- Resultados
- retorno
- rever
- Rico
- mais rico
- roadmap
- Rota
- roteamento
- Execute
- tempo de execução
- s
- sábio
- Promoção
- mesmo
- Conjunto de dados de amostra
- cenário
- cena
- Ciência
- Cientista
- scott
- escrita
- Pesquisar
- Segundo
- Seção
- segurança
- Vejo
- Buscar
- visto
- selecionado
- envio
- servir
- servido
- serviço
- Serviços
- conjunto
- vários
- Shape
- mostrar
- mostrando
- Shows
- Vista
- sinais
- periodo
- semelhante
- Similarmente
- simples
- simplificar
- desde
- solteiro
- Tamanho
- So
- Redes Sociais
- meios de comunicação social
- sociais plataformas de mídia
- solução
- RESOLVER
- alguns
- às vezes
- eles são
- fonte
- Fontes
- Espaço
- especialista
- especializado
- especificamente
- quadrado
- começo
- Ainda
- armazenamento
- armazenadas
- franco
- estrutura
- estruturas
- Estudantes
- subseqüente
- tal
- sugerir
- supervisão
- supply
- cadeia de suprimentos
- gestão da cadeia de abastecimento
- Apoiar
- certo
- mesa
- TAG
- Tire
- toma
- Target
- Tarefa
- tarefas
- Ensino
- Profissionais
- Tecnologias
- Tecnologia
- prazo
- teste
- textual
- do que
- que
- A
- A fonte
- deles
- Eles
- então
- Lá.
- assim sendo
- Este
- deles
- coisa
- isto
- aqueles
- pensamento
- liderança de pensamento
- mil
- milhares
- três
- Através da
- tempo
- para
- hoje
- hoje
- também
- ferramenta
- tópico
- tradicionalmente
- Trem
- treinado
- Training
- Transformar
- Transformação
- transformações
- transformador
- transformadores
- verdadeiro
- confiável
- dois
- tipo
- tipos
- Em última análise
- compreender
- compreensão
- único
- Unsplash
- usar
- caso de uso
- usava
- usos
- utilização
- Utilizando
- Avaliação
- valor
- adicionar valores
- Valores
- variável
- variedade
- muito
- Vídeo
- Ver
- visível
- visão
- visual
- W
- queremos
- foi
- we
- web
- serviços web
- semanas
- BEM
- foram
- O Quê
- O que é a
- qual
- QUEM
- precisarão
- Windows
- de
- dentro
- sem
- madeira
- Atividades:
- de gestão de documentos
- trabalho
- mundo
- Equivalente há
- seria
- escrita
- anos
- rendimentos
- Vocês
- investimentos
- você mesmo
- Youtube
- zefirnet
- zero
- Zip