Această postare pe blog este scrisă împreună cu Caroline Chung de la Veoneer.
Veoneer este o companie globală de electronice pentru automobile și un lider mondial în sistemele electronice de siguranță pentru automobile. Oferă cele mai bune sisteme de control al sistemului de reținere și au livrat producătorilor de automobile din întreaga lume peste 1 miliard de unități de control electronice și senzori de accidentare. Compania continuă să se bazeze pe o istorie de 70 de ani de dezvoltare a siguranței auto, specializată în hardware și sisteme de ultimă generație care previn incidentele de trafic și atenuează accidentele.
Sensarea auto în cabină (ICS) este un spațiu în curs de dezvoltare care utilizează o combinație de mai multe tipuri de senzori, cum ar fi camere și radar, și algoritmi bazați pe inteligență artificială (AI) și învățare automată (ML) pentru a spori siguranța și a îmbunătăți experiența de rulare. Construirea unui astfel de sistem poate fi o sarcină complexă. Dezvoltatorii trebuie să adnoteze manual volume mari de imagini în scopuri de instruire și testare. Acest lucru necesită foarte mult timp și necesită resurse. Timpul de realizare pentru o astfel de sarcină este de câteva săptămâni. În plus, companiile trebuie să se ocupe de probleme precum etichetele inconsecvente din cauza erorilor umane.
AWS se concentrează pe a vă ajuta să vă creșteți viteza de dezvoltare și să reduceți costurile pentru construirea unor astfel de sisteme prin analize avansate precum ML. Viziunea noastră este să folosim ML pentru adnotarea automată, permițând reantrenarea modelelor de siguranță și asigurând metrici de performanță consistente și fiabile. În această postare, împărtășim cum, colaborând cu Organizația de specialitate mondială a Amazon și cu Centrul de inovare generativ AI, am dezvoltat o conductă de învățare activă pentru casetele de delimitare a capului imaginii din cabină și adnotarea punctelor cheie. Soluția reduce costurile cu peste 90%, accelerează procesul de adnotare de la săptămâni la ore în ceea ce privește timpul de realizare și permite reutilizarea pentru sarcini similare de etichetare a datelor ML.
Prezentare generală a soluțiilor
Învățarea activă este o abordare ML care implică un proces iterativ de selectare și adnotare a celor mai informative date pentru a antrena un model. Având în vedere un set mic de date etichetate și un set mare de date neetichetate, învățarea activă îmbunătățește performanța modelului, reduce efortul de etichetare și integrează expertiza umană pentru rezultate solide. În această postare, construim o conductă de învățare activă pentru adnotări de imagine cu serviciile AWS.
Următoarea diagramă demonstrează cadrul general pentru conducta noastră de învățare activă. Conducta de etichetare preia imagini dintr-un Serviciul Amazon de stocare simplă (Amazon S3) și emite imagini adnotate cu cooperarea cu modele ML și expertiză umană. Canalul de antrenament preprocesează datele și le folosește pentru a antrena modele ML. Modelul inițial este configurat și instruit pe un set mic de date etichetate manual și va fi utilizat în conducta de etichetare. Canalul de etichetare și canalul de instruire pot fi repetate treptat cu mai multe date etichetate pentru a îmbunătăți performanța modelului.
În conducta de etichetare, an Notificare eveniment Amazon S3 este invocat atunci când un nou lot de imagini intră în compartimentul Unlabeled Datastore S3, activând conducta de etichetare. Modelul produce rezultatele inferenței asupra noilor imagini. O funcție de judecată personalizată selectează părți ale datelor pe baza scorului de încredere în inferență sau a altor funcții definite de utilizator. Aceste date, cu rezultatele sale de inferență, sunt trimise pentru o lucrare de etichetare umană Amazon SageMaker Ground Adevăr creat de conductă. Procesul de etichetare umană ajută la adnotarea datelor, iar rezultatele modificate sunt combinate cu datele adnotate automat rămase, care pot fi folosite ulterior de canalul de antrenament.
Reantrenarea modelului are loc în conducta de antrenament, unde folosim setul de date care conține datele etichetate de om pentru a reinstrui modelul. Este produs un fișier manifest pentru a descrie unde sunt stocate fișierele și același model inițial este reantrenat pe noile date. După recalificare, noul model înlocuiește modelul inițial și începe următoarea iterație a conductei de învățare activă.
Implementarea modelului
Sunt implementate atât conducta de etichetare, cât și conducta de instruire AWS CodePipeline. AWS CodeBuild Instanțele sunt utilizate pentru implementare, care este flexibilă și rapidă pentru o cantitate mică de date. Când este nevoie de viteză, folosim Amazon SageMaker punctele finale bazate pe instanța GPU pentru a aloca mai multe resurse pentru a sprijini și accelera procesul.
Canalul de reinstruire a modelului poate fi invocat atunci când există un nou set de date sau când performanța modelului necesită îmbunătățiri. O sarcină critică în conducta de reinstruire este de a avea sistemul de control al versiunilor atât pentru datele de antrenament, cât și pentru model. Deși servicii AWS precum Amazon Rekognition au caracteristica integrată de control al versiunilor, ceea ce face ca pipelineul să fie ușor de implementat, modelele personalizate necesită înregistrarea metadatelor sau instrumente suplimentare de control al versiunilor.
Întregul flux de lucru este implementat folosind Kit AWS Cloud Development (AWS CDK) pentru a crea componentele AWS necesare, inclusiv următoarele:
- Două roluri pentru joburile CodePipeline și SageMaker
- Două joburi CodePipeline, care orchestrează fluxul de lucru
- Două găleți S3 pentru artefactele de cod ale conductelor
- Un compartiment S3 pentru etichetarea manifestului jobului, seturilor de date și modelelor
- Preprocesare și postprocesare AWS Lambdas funcții pentru joburile de etichetare SageMaker Ground Truth
Stivele AWS CDK sunt extrem de modularizate și reutilizabile pentru diferite sarcini. Antrenamentul, codul de inferență și șablonul SageMaker Ground Truth pot fi înlocuite pentru orice scenarii de învățare activă similare.
Antrenamentul modelului
Instruirea modelului include două sarcini: adnotarea casetei de delimitare a capului și adnotarea punctelor cheie umane. Le prezentăm pe amândouă în această secțiune.
Adnotare caseta de delimitare a capului
Adnotarea casetei de delimitare a capului este o sarcină pentru a prezice locația unei casete de delimitare a capului uman într-o imagine. Folosim un Etichete personalizate Amazon Rekognition model pentru adnotări pentru caseta de delimitare a capului. Următoarele caiet de probă oferă un tutorial pas cu pas despre cum să antrenezi un model de etichete personalizate Rekognition prin SageMaker.
Mai întâi trebuie să pregătim datele pentru a începe antrenamentul. Generăm un fișier manifest pentru antrenament și un fișier manifest pentru setul de date de testare. Un fișier manifest conține mai multe elemente, fiecare fiind pentru o imagine. Următorul este un exemplu de fișier manifest, care include calea imaginii, dimensiunea și informațiile de adnotare:
Folosind fișierele manifest, putem încărca seturi de date într-un model Rekognition Custom Labels pentru instruire și testare. Am repetat modelul cu cantități diferite de date de antrenament și l-am testat pe aceleași 239 de imagini nevăzute. În acest test, mAP_50
scorul a crescut de la 0.33 cu 114 imagini de antrenament la 0.95 cu 957 imagini de antrenament. Următoarea captură de ecran arată valorile de performanță ale modelului final Rekognition Custom Labels, care oferă o performanță excelentă în ceea ce privește scorul F1, precizie și reamintire.
Am testat în continuare modelul pe un set de date ascuns care are 1,128 de imagini. Modelul prezice în mod consecvent predicții precise în caseta de delimitare pe datele nevăzute, producând un nivel ridicat mAP_50
de 94.9%. Următorul exemplu arată o imagine cu adnotare automată cu o casetă de delimitare a capului.
Adnotare puncte cheie
Adnotarea punctelor cheie produce locații ale punctelor cheie, inclusiv ochi, urechi, nas, gură, gât, umeri, coate, încheieturi, șolduri și glezne. Pe lângă predicția locației, vizibilitatea fiecărui punct este necesară pentru a prezice în această sarcină specifică, pentru care proiectăm o metodă nouă.
Pentru adnotarea punctelor cheie, folosim a Model Yolo 8 Pose pe SageMaker ca model inițial. Pregătim mai întâi datele pentru antrenament, inclusiv generarea fișierelor de etichete și a unui fișier de configurare .yaml conform cerințelor Yolo. După pregătirea datelor, antrenăm modelul și salvăm artefactele, inclusiv fișierul cu ponderi ale modelului. Cu fișierul de greutate model antrenat, putem adnota noile imagini.
În etapa de antrenament, toate punctele etichetate cu locații, inclusiv punctele vizibile și punctele ocluzate, sunt folosite pentru antrenament. Prin urmare, acest model oferă în mod implicit locația și încrederea predicției. În figura următoare, un prag mare de încredere (pragul principal) aproape de 0.6 este capabil să împartă punctele care sunt vizibile sau ocluse față de punctele de vedere din afara camerei. Cu toate acestea, punctele ocluzate și punctele vizibile nu sunt separate de încredere, ceea ce înseamnă că încrederea prezisă nu este utilă pentru prezicerea vizibilității.
Pentru a obține predicția vizibilității, introducem un model suplimentar antrenat pe setul de date care conține doar puncte vizibile, excluzând atât punctele ocluse, cât și în afara punctelor de vedere ale camerei. Figura următoare arată distribuția punctelor cu vizibilitate diferită. Punctele vizibile și alte puncte pot fi separate în modelul suplimentar. Putem folosi un prag (prag suplimentar) aproape de 0.6 pentru a obține punctele vizibile. Combinând aceste două modele, proiectăm o metodă de a prezice locația și vizibilitatea.
Un punct cheie este mai întâi prezis de modelul principal cu locația și încrederea principală, apoi obținem predicția suplimentară de încredere din modelul suplimentar. Vizibilitatea sa este apoi clasificată după cum urmează:
- Vizibil, dacă încrederea sa principală este mai mare decât pragul său principal, iar încrederea sa suplimentară este mai mare decât pragul suplimentar
- Oclus, dacă încrederea sa principală este mai mare decât pragul său principal și încrederea sa suplimentară este mai mică sau egală cu pragul suplimentar
- În afara evaluării camerei, dacă altfel
Un exemplu de adnotare a punctelor cheie este demonstrat în imaginea următoare, unde semnele solide sunt puncte vizibile și semnele goale sunt puncte ocluse. În afara punctelor de examinare ale camerei nu sunt afișate.
Pe baza standardului OKS definiție pe setul de date MS-COCO, metoda noastră este capabilă să atingă mAP_50 de 98.4% pe setul de date de testare nevăzut. În ceea ce privește vizibilitatea, metoda oferă o precizie de clasificare de 79.2% pe același set de date.
Etichetarea și recalificarea umană
Deși modelele obțin performanțe grozave pe datele de testare, există încă posibilități de a face greșeli cu noile date din lumea reală. Etichetarea umană este procesul de corectare a acestor greșeli pentru îmbunătățirea performanței modelului prin reinstruire. Am proiectat o funcție de judecată care a combinat valoarea de încredere care iese din modelele ML pentru ieșirea tuturor casetelor de delimitare a capului sau punctelor cheie. Folosim scorul final pentru a identifica aceste greșeli și imaginile etichetate prost rezultate, care trebuie trimise procesului de etichetare umană.
Pe lângă imaginile etichetate prost, o mică parte din imagini sunt alese aleatoriu pentru etichetarea umană. Aceste imagini etichetate de om sunt adăugate în versiunea curentă a setului de antrenament pentru reantrenare, îmbunătățirea performanței modelului și acuratețea generală a adnotărilor.
În implementare, folosim SageMaker Ground Truth pentru etichetarea umană proces. SageMaker Ground Truth oferă o interfață de utilizare ușor de utilizat și intuitivă pentru etichetarea datelor. Următoarea captură de ecran demonstrează o lucrare de etichetare SageMaker Ground Truth pentru adnotarea casetei de delimitare a capului.
Următoarea captură de ecran demonstrează o lucrare de etichetare SageMaker Ground Truth pentru adnotarea punctelor cheie.
Cost, viteză și reutilizabilitate
Costul și viteza sunt avantajele cheie ale utilizării soluției noastre în comparație cu etichetarea umană, așa cum se arată în tabelele următoare. Folosim aceste tabele pentru a reprezenta economiile de costuri și accelerarea vitezei. Folosind instanța accelerată GPU SageMaker ml.g4dn.xlarge, costul întregii vieți de instruire și inferență pentru 100,000 de imagini este cu 99% mai mic decât costul etichetării umane, în timp ce viteza este de 10-10,000 de ori mai mare decât etichetarea umană, în funcție de sarcină.
Primul tabel rezumă valorile performanței costurilor.
Model | mAP_50 bazat pe 1,128 de imagini de testare | Costul instruirii se bazează pe 100,000 de imagini | Costul inferenței bazat pe 100,000 de imagini | Reducerea costurilor în comparație cu adnotarea umană | Timp de inferență bazat pe 100,000 de imagini | Accelerarea timpului în comparație cu adnotarea umană |
Caseta de delimitare a capului de recunoaștere | 0.949 | $4 | $22 | Cu 99% mai puțin | 5.5 h | Zi |
Yolo Puncte cheie | 0.984 | $27.20 | * 10 USD | Cu 99.9% mai puțin | minute | săptămâni |
Următorul tabel rezumă valorile de performanță.
Sarcină de adnotare | mAP_50 (%) | Costul instruirii ($) | Costul inferenței ($) | Timpul de inferență |
Caseta de delimitare a capului | 94.9 | 4 | 22 | 5.5 oră |
Puncte cheie | 98.4 | 27 | 10 | 5 minute |
În plus, soluția noastră oferă reutilizare pentru sarcini similare. Dezvoltarea percepției camerei pentru alte sisteme, cum ar fi sistemul avansat de asistență a șoferului (ADAS) și sistemele din cabină, pot adopta, de asemenea, soluția noastră.
Rezumat
În această postare, am arătat cum să construim o conductă de învățare activă pentru adnotarea automată a imaginilor din cabină utilizând serviciile AWS. Demonstrăm puterea ML, care vă permite să automatizați și să accelerați procesul de adnotare, și flexibilitatea cadrului care utilizează modele fie acceptate de serviciile AWS, fie personalizate pe SageMaker. Cu Amazon S3, SageMaker, Lambda și SageMaker Ground Truth, puteți eficientiza stocarea datelor, adnotarea, instruirea și implementarea și puteți obține reutilizabilitate, reducând în același timp costurile în mod semnificativ. Prin implementarea acestei soluții, companiile de automobile pot deveni mai agile și mai eficiente din punct de vedere al costurilor, utilizând analize avansate bazate pe ML, cum ar fi adnotarea automată a imaginilor.
Începeți astăzi și deblocați puterea Servicii AWS și învățare automată pentru cazurile de utilizare a senzorilor auto în cabină!
Despre Autori
Yanxiang Yu este om de știință aplicat la Centrul de inovare Amazon Generative AI. Cu peste 9 ani de experiență în construirea de soluții de AI și de învățare automată pentru aplicații industriale, el este specializat în AI generativă, viziune computerizată și modelare în serie de timp.
Tianyi Mao este un om de știință aplicat la AWS, cu sediul în zona Chicago. Are peste 5 ani de experiență în construirea de soluții de învățare automată și de învățare profundă și se concentrează pe viziunea computerizată și pe învățarea prin consolidare cu feedback uman. Îi place să lucreze cu clienții pentru a le înțelege provocările și pentru a le rezolva prin crearea de soluții inovatoare folosind serviciile AWS.
Yanru Xiao este un om de știință aplicat la Centrul de inovare Amazon Generative AI, unde construiește soluții AI/ML pentru problemele de afaceri din lumea reală ale clienților. A lucrat în mai multe domenii, inclusiv producție, energie și agricultură. Yanru și-a obținut doctoratul. în Informatică de la Universitatea Old Dominion.
Paul George este un lider de produse desăvârșit cu peste 15 ani de experiență în tehnologiile auto. Este expert în conducerea echipelor de management al produselor, strategie, Go-to-Market și inginerie de sisteme. El a incubat și a lansat mai multe produse noi de detectare și percepție la nivel global. La AWS, el conduce strategia și lansarea pe piață pentru sarcinile de lucru pentru vehicule autonome.
Caroline Chung este manager de inginerie la Veoneer (achizitionat de Magna International), are peste 14 ani de experienta in dezvoltarea sistemelor de detectare si perceptie. În prezent, conduce programele de pre-dezvoltare de detecție interioară la Magna International, gestionând o echipă de ingineri de viziune computerizată și oameni de știință a datelor.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
- PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
- PlatoESG. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
- PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/build-an-active-learning-pipeline-for-automatic-annotation-of-images-with-aws-services/
- :are
- :este
- :nu
- :Unde
- $UP
- 000
- 1
- 100
- 114
- 121
- 14
- ani 15
- 15%
- 16
- 2%
- 24
- 300
- 33
- 400
- 440
- 7
- 8
- 9
- 97
- 98
- a
- Capabil
- accelera
- accelerat
- Accelerează
- accelerare
- accidente
- realizat
- precizie
- precis
- Obține
- dobândite
- peste
- activând
- activ
- ADA
- adăugat
- plus
- Suplimentar
- adept
- adopta
- avansat
- Avantajele
- După
- agil
- agricultură
- AI
- AI / ML
- algoritmi
- TOATE
- aloca
- de asemenea
- Cu toate ca
- Amazon
- Amazon Web Services
- sumă
- Sume
- an
- Google Analytics
- și
- Orice
- aplicatii
- aplicat
- abordare
- SUNT
- ZONĂ
- artificial
- inteligență artificială
- Inteligența artificială (AI)
- AS
- ajuta
- At
- Auto
- automatizarea
- Automata
- Automat
- auto
- autonom
- AWS
- Rău
- bazat
- BE
- deveni
- Miliard
- Blog
- atât
- Cutie
- Dulapuri
- construi
- Clădire
- construiește
- afaceri
- by
- aparat foto
- camere video
- CAN
- capabil
- mașină
- Caroline
- Centru
- provocări
- Chicago
- ales
- clasificare
- clasificate
- Cloud
- cod
- colaborarea
- combinaţie
- combinate
- combinând
- vine
- Companii
- companie
- comparație
- complex
- componente
- Calcula
- calculator
- Informatică
- Computer Vision
- încredere
- Configuraţie
- consistent
- consecvent
- mistuitor
- conține
- continuă
- Control
- cooperare
- corecta
- A costat
- economii
- Cheltuieli
- Crash
- crea
- a creat
- Crearea
- critic
- Curent
- În prezent
- personalizat
- clienţii care
- personalizate
- ultima generație
- de date
- stocare a datelor
- seturi de date
- afacere
- adânc
- învățare profundă
- Mod implicit
- definiție
- livrate
- demonstra
- demonstrat
- demonstrează
- În funcție
- dislocate
- desfășurarea
- adâncime
- descrie
- Amenajări
- proiectat
- dezvoltat
- Dezvoltatorii
- în curs de dezvoltare
- Dezvoltare
- evoluții
- diagramă
- diferit
- distribuire
- şofer
- două
- fiecare
- efort
- oricare
- Electronic
- Componente electronice
- șmirghel
- permite
- permițând
- energie
- Inginerie
- inginerii
- spori
- consolidarea
- asigurare
- Întreg
- egal
- Erori
- eveniment
- exemplu
- F? r?
- accelera
- experienţă
- expertiză
- Ochi
- f1
- FAST
- mai repede
- Caracteristică
- feedback-uri
- Domenii
- Figura
- Fișier
- Fişiere
- final
- First
- Flexibilitate
- flexibil
- concentrat
- se concentrează
- următor
- urmează
- Pentru
- Cadru
- din
- funcţie
- funcții
- mai mult
- În plus
- genera
- generator
- generativ
- AI generativă
- obține
- dat
- Caritate
- La nivel global
- Mergi pe piață
- GPU
- treptat
- mare
- mai mare
- Teren
- se întâmplă
- Piese metalice
- Avea
- he
- cap
- înălțime
- ajutor
- ajută
- Înalt
- extrem de
- lui
- istorie
- ORE
- Cum
- Cum Pentru a
- Totuși
- HTML
- http
- HTTPS
- uman
- identifica
- if
- imagine
- imagini
- punerea în aplicare a
- implementarea
- implementat
- Punere în aplicare a
- îmbunătățire
- îmbunătăţeşte
- îmbunătățirea
- in
- include
- Inclusiv
- Crește
- a crescut
- incubate
- industrial
- informații
- informativ
- inițială
- Inovaţie
- inovatoare
- instanță
- integrate
- integreaza
- Inteligență
- interior
- Internațional
- în
- introduce
- intuitiv
- invocat
- implică
- probleme de
- IT
- articole
- repetare
- ESTE
- Loc de munca
- Locuri de munca
- jpeg
- jpg
- Cheie
- Etichetă
- etichetarea
- etichete
- mare
- mai tarziu
- a lansat
- lider
- conducere
- Conduce
- învăţare
- stânga
- mai puțin
- Viaţă
- ca
- încărca
- locaţie
- Locații
- logare
- LOWER
- maşină
- masina de învățare
- Principal
- FACE
- Efectuarea
- administrare
- manager
- de conducere
- manual
- Producătorii
- de fabricaţie
- mijloace
- Metadata
- metodă
- Metrici
- greşeli
- diminua
- ML
- model
- modelare
- Modele
- modificată
- mai mult
- cele mai multe
- gură
- multiplu
- În apropiere
- necesar
- Nevoie
- necesar
- nevoilor
- Nou
- următor
- nas
- roman
- obiecte
- obținut
- of
- oferi
- Vechi
- on
- ONE
- afară
- or
- organizație
- Altele
- al nostru
- afară
- producție
- iesiri
- exterior
- peste
- global
- piese
- cale
- percepţie
- performanță
- conducte
- Plato
- Informații despre date Platon
- PlatoData
- Punct
- puncte
- porţiune
- pune
- posibilităţile de
- Post
- putere
- Precizie
- prezice
- a prezis
- estimarea
- prezicere
- Predictii
- prezice
- Pregăti
- pregătirea
- împiedica
- probleme
- proces
- Produs
- produce
- Produs
- management de produs
- Produse
- Programe
- furnizează
- scopuri
- radar
- lumea reală
- reduce
- reducerea
- reducere
- de încredere
- rămas
- înlocuiește
- reprezenta
- necesita
- Cerinţe
- resursă
- Resurse
- rezultanta
- REZULTATE
- reutilizabile
- revizuiască
- călărie
- robust
- rolurile
- Siguranţă
- sagemaker
- acelaşi
- Economisiți
- Economie
- scenarii
- Ştiinţă
- Om de stiinta
- oamenii de stiinta
- scor
- Secțiune
- selectarea
- selectează
- senzori
- trimis
- serie
- Servicii
- set
- câteva
- Distribuie
- ea
- umeri
- a arătat
- indicat
- Emisiuni
- semnificativ
- asemănător
- simplu
- Mărimea
- mic
- solid
- soluţie
- soluţii
- REZOLVAREA
- Spaţiu
- specialist
- specializată
- specializata
- specific
- viteză
- Stive
- Etapă
- standard
- Începe
- început
- începe
- Încă
- depozitare
- stocate
- simplu
- Strategie
- simplifica
- astfel de
- a sustine
- Suportat
- sistem
- sisteme
- tabel
- ia
- Sarcină
- sarcini
- echipă
- echipe
- Tehnologii
- șablon
- termeni
- test
- testat
- Testarea
- decât
- acea
- lor
- Lor
- apoi
- Acolo.
- prin urmare
- Acestea
- ei
- acest
- prag
- Prin
- timp
- Seria de timp
- ori
- la
- astăzi
- Unelte
- top
- trafic
- Tren
- dresat
- Pregătire
- Adevăr
- tutorial
- Două
- tip
- Tipuri
- ui
- înţelege
- de unităţi
- universitate
- deschide
- utilizare
- utilizat
- util
- ușor de utilizat
- utilizări
- folosind
- Utilizand
- valoare
- vehicul
- versiune
- Impotriva
- foarte
- de
- puncte de vedere
- vizibilitate
- vizibil
- viziune
- volume
- we
- web
- servicii web
- săptămâni
- cand
- care
- în timp ce
- întreg
- lățime
- voi
- cu
- a lucrat
- flux de lucru
- de lucru
- lume
- la nivel internațional.
- yaml
- ani
- da
- elastic
- randamentele
- Tu
- Ta
- zephyrnet