Amazon SageMaker Data Wrangler este o interfață vizuală unică care reduce timpul necesar pregătirii datelor și efectuării ingineriei caracteristicilor de la săptămâni la minute, cu capacitatea de a selecta și curăța date, de a crea funcții și de a automatiza pregătirea datelor în fluxurile de lucru de învățare automată (ML), fără a scrie niciun cod.
SageMaker Data Wrangler acceptă Fulg de nea, o sursă de date populară pentru utilizatorii care doresc să efectueze ML. Lansăm conexiunea directă Snowflake de la SageMaker Data Wrangler pentru a îmbunătăți experiența clienților. Înainte de lansarea acestei funcții, administratorilor li sa cerut să configureze integrarea inițială a stocării pentru a se conecta cu Snowflake pentru a crea funcții pentru ML în Data Wrangler. Aceasta include aprovizionarea Serviciul Amazon de stocare simplă găleți (Amazon S3), Gestionarea identității și accesului AWS permisiuni de acces (IAM), integrare de stocare Snowflake pentru utilizatori individuali și un mecanism continuu de gestionare sau curățare a copiilor de date în Amazon S3. Acest proces nu este scalabil pentru clienții cu control strict al accesului la date și un număr mare de utilizatori.
În această postare, arătăm cum conexiunea directă a lui Snowflake în SageMaker Data Wrangler simplifică experiența administratorului și călătoria ML a cercetătorului de date de la date la informații despre afaceri.
Prezentare generală a soluțiilor
În această soluție, folosim SageMaker Data Wrangler pentru a accelera pregătirea datelor pentru ML și Pilot automat cu Amazon SageMaker pentru a construi, antrena și ajusta automat modelele ML pe baza datelor dvs. Ambele servicii sunt concepute special pentru a crește productivitatea și pentru a reduce timpul de valoare pentru practicienii ML. De asemenea, demonstrăm accesul simplificat la date de la SageMaker Data Wrangler la Snowflake cu conexiune directă la interogare și crearea de funcții pentru ML.
Consultați diagrama de mai jos pentru o prezentare generală a procesului ML low-code cu Snowflake, SageMaker Data Wrangler și SageMaker Autopilot.
Fluxul de lucru include următorii pași:
- Navigați la SageMaker Data Wrangler pentru pregătirea datelor și sarcinile de inginerie a caracteristicilor.
- Configurați conexiunea Snowflake cu SageMaker Data Wrangler.
- Explorați tabelele Snowflake în SageMaker Data Wrangler, creați un set de date ML și efectuați ingineria caracteristicilor.
- Antrenați și testați modelele folosind SageMaker Data Wrangler și SageMaker Autopilot.
- Încărcați cel mai bun model într-un punct final de inferență în timp real pentru predicții.
- Utilizați un blocnotes Python pentru a invoca punctul final de inferență în timp real lansat.
Cerințe preliminare
Pentru această postare, administratorul are nevoie de următoarele condiții preliminare:
Oamenii de știință de date ar trebui să aibă următoarele condiții preliminare
În cele din urmă, ar trebui să vă pregătiți datele pentru Snowflake
- Folosim datele privind tranzacțiile cu cardul de credit de la Kaggle pentru a construi modele ML pentru detectarea tranzacțiilor frauduloase cu cardul de credit, astfel încât clienții să nu fie taxați pentru articolele pe care nu le-au achiziționat. Setul de date include tranzacțiile cu cardul de credit din septembrie 2013 efectuate de deținătorii de carduri europeni.
- Ar trebui să utilizați Client SnowSQL și instalați-l pe mașina dvs. locală, astfel încât să îl puteți utiliza pentru a încărca setul de date într-un tabel Snowflake.
Următorii pași arată cum să pregătiți și să încărcați setul de date în baza de date Snowflake. Aceasta este o configurare unică.
Tabelul fulgilor de nea și pregătirea datelor
Parcurgeți următorii pași pentru această configurare unică:
- În primul rând, în calitate de administrator, creați un depozit virtual Snowflake, un utilizator și un rol și acordați acces altor utilizatori, cum ar fi cercetătorii de date, pentru a crea o bază de date și a pune date în stadiu pentru cazurile lor de utilizare ML:
- În calitate de cercetător de date, acum să creăm o bază de date și să importăm tranzacțiile cu cardul de credit în baza de date Snowflake pentru a accesa datele din SageMaker Data Wrangler. În scopuri ilustrative, creăm o bază de date Snowflake numită
SF_FIN_TRANSACTION
: - Descărcați fișierul CSV al setului de date pe mașina dvs. locală și creați o etapă pentru a încărca datele în tabelul bazei de date. Actualizați calea fișierului pentru a indica locația setului de date descărcat înainte de a rula comanda PUT pentru importarea datelor în etapa creată:
- Creați un tabel numit
credit_card_transactions
: - Importați datele în tabelul creat din stadiul:
Configurați conexiunea SageMaker Data Wrangler și Snowflake
După ce pregătim setul de date pentru a fi utilizat cu SageMaker Data Wrangler, permiteți-ne să creăm o nouă conexiune Snowflake în SageMaker Data Wrangler pentru a vă conecta la sf_fin_transaction
baza de date în Snowflake și interogați credit_card_transaction
masa:
- Alege Fulg de nea pe SageMaker Data Wrangler Conexiune .
- Furnizați un nume pentru a vă identifica conexiunea.
- Selectați metoda de autentificare pentru a vă conecta la baza de date Snowflake:
- Dacă utilizați autentificarea de bază, furnizați numele de utilizator și parola partajate de administratorul Snowflake. Pentru această postare, folosim autentificarea de bază pentru a ne conecta la Snowflake folosind acreditările de utilizator pe care le-am creat la pasul anterior.
- Dacă utilizați OAuth, furnizați acreditările furnizorului dvs. de identitate.
SageMaker Data Wrangler interogează implicit datele dvs. direct din Snowflake, fără a crea copii de date în compartimentele S3. Noua îmbunătățire a gradului de utilizare a SageMaker Data Wrangler folosește Apache Spark pentru a se integra cu Snowflake pentru a pregăti și a crea fără probleme un set de date pentru călătoria dumneavoastră ML.
Până acum, am creat baza de date pe Snowflake, am importat fișierul CSV în tabelul Snowflake, am creat acreditările Snowflake și am creat un conector pe SageMaker Data Wrangler pentru a se conecta la Snowflake. Pentru a valida conexiunea Snowflake configurată, rulați următoarea interogare pe tabelul Snowflake creat:
Rețineți că opțiunea de integrare a stocării care era necesară înainte este acum opțională în setările avansate.
Explorați datele Snowflake
După ce validați rezultatele interogării, alegeți Import pentru a salva rezultatele interogării ca set de date. Folosim acest set de date extras pentru analiza exploratorie a datelor și ingineria caracteristicilor.
Puteți alege să eșantionați datele din Snowflake în interfața de utilizare SageMaker Data Wrangler. O altă opțiune este să descărcați date complete pentru cazurile de utilizare a instruirii modelului ML utilizând joburile de procesare SageMaker Data Wrangler.
Efectuați o analiză exploratorie a datelor în SageMaker Data Wrangler
Datele din Data Wrangler trebuie proiectate înainte de a putea fi instruite. În această secțiune, demonstrăm cum să efectuați ingineria caracteristicilor pe datele din Snowflake utilizând capabilitățile încorporate ale SageMaker Data Wrangler.
În primul rând, să folosim Data Quality and Insights Report
caracteristică din SageMaker Data Wrangler pentru a genera rapoarte pentru a verifica automat calitatea datelor și a detecta anomalii în datele de la Snowflake.
Puteți folosi raportul pentru a vă ajuta să curățați și să vă procesați datele. Vă oferă informații precum numărul de valori lipsă și numărul de valori aberante. Dacă aveți probleme cu datele dvs., cum ar fi scurgerea țintă sau dezechilibrul, raportul de statistici vă poate aduce aceste probleme în atenție. Pentru a înțelege detaliile raportului, consultați Accelerați pregătirea datelor cu calitatea datelor și informații în Amazon SageMaker Data Wrangler.
După ce verificați potrivirea tipului de date aplicată de SageMaker Data Wrangler, parcurgeți următorii pași:
- Alegeți semnul plus de lângă Tipuri de date Și alegeți Adăugați analiza.
- Pentru Tipul analizei, alege Raport privind calitatea datelor și perspective.
- Alege Crea.
- Consultați detaliile Raportului privind calitatea datelor și statistici pentru a verifica avertismentele cu prioritate ridicată.
Puteți alege să rezolvați avertismentele raportate înainte de a continua călătoria ML.
Coloana țintă Class
a fi prezis este clasificat ca șir. Mai întâi, să aplicăm o transformare pentru a elimina caracterele goale învechite.
- Alege Adăugați pasul Și alegeți Formatează șirul.
- În lista de transformări, alegeți Dezlipiți stânga și dreapta.
- Introduceți caracterele de eliminat și alegeți Adăuga.
Apoi, convertim coloana țintă Class
de la tipul de date șir la boolean, deoarece tranzacția este fie legitimă, fie frauduloasă.
- Alege Adăugați pasul.
- Alege Analizați coloana ca tip.
- Pentru Coloană, alegeți
Class
. - Pentru De la, alege Şir.
- Pentru La, alege boolean.
- Alege Adăuga.
După transformarea coloanei țintă, reducem numărul de coloane de caracteristici, deoarece există peste 30 de caracteristici în setul de date original. Utilizăm analiza componentelor principale (PCA) pentru a reduce dimensiunile în funcție de importanța caracteristicilor. Pentru a înțelege mai multe despre PCA și reducerea dimensionalității, consultați Algoritmul de analiză a componentelor principale (PCA)..
- Alege Adăugați pasul.
- Alege Reducerea dimensionalității.
- Pentru Transforma, alege Analiza componentelor principale.
- Pentru Coloane de intrare, alegeți toate coloanele, cu excepția coloanei țintă
Class
. - Alegeți semnul plus de lângă Flux de date Și alegeți Adăugați analiza.
- Pentru Tipul analizei, alege Model rapid.
- Pentru Numele analizei, introduceți un nume.
- Pentru Etichetă, alege
Class
. - Alege Alerga.
Pe baza rezultatelor PCA, puteți decide ce caracteristici să utilizați pentru construirea modelului. În următoarea captură de ecran, graficul arată caracteristicile (sau dimensiunile) ordonate pe baza importanței de la cea mai mare la cea mai mică pentru a prezice clasa țintă, care în acest set de date este dacă tranzacția este frauduloasă sau validă.
Puteți alege să reduceți numărul de caracteristici pe baza acestei analize, dar pentru această postare, lăsăm setările implicite așa cum sunt.
Acest lucru încheie procesul nostru de inginerie a caracteristicilor, deși puteți alege să rulați modelul rapid și să creați din nou un raport privind calitatea datelor și statistici pentru a înțelege datele înainte de a efectua optimizări suplimentare.
Exportați datele și antrenați modelul
În pasul următor, folosim SageMaker Autopilot pentru a construi, antrena și regla automat cele mai bune modele ML pe baza datelor dvs. Cu SageMaker Autopilot, mențineți în continuare controlul și vizibilitatea deplină asupra datelor și modelului dvs.
Acum că am finalizat explorarea și ingineria caracteristicilor, haideți să antrenăm un model pe setul de date și să exportăm datele pentru a antrena modelul ML folosind SageMaker Autopilot.
- Pe Pregătire fila, alegeți Exportați și antrenați.
Putem monitoriza progresul exportului în timp ce așteptăm finalizarea acestuia.
Să configuram SageMaker Autopilot pentru a rula un job de antrenament automat, specificând ținta pe care dorim să o anticipăm și tipul de problemă. În acest caz, deoarece antrenăm setul de date pentru a prezice dacă tranzacția este frauduloasă sau validă, folosim clasificarea binară.
- Introduceți un nume pentru experiment, furnizați datele despre locația S3 și alegeți Următorul: Țintă și caracteristici.
- Pentru Ţintă, alege
Class
ca coloană de prezis. - Alege Următorul: Metoda de antrenament.
Să permitem lui SageMaker Autopilot să decidă metoda de antrenament pe baza setului de date.
- Pentru Metoda de antrenament și algoritmi, Selectați Auto.
Pentru a înțelege mai multe despre modurile de antrenament acceptate de SageMaker Autopilot, consultați Moduri de antrenament și algoritm sprijini.
- Alege Următorul: Implementare și setări avansate.
- Pentru Opțiune de implementare, alege Implementează automat cel mai bun model cu transformări de la Data Wrangler, care încarcă cel mai bun model pentru inferență după finalizarea experimentului.
- Introduceți un nume pentru punctul final.
- Pentru Selectați tipul de problemă de învățare automată, alege Clasificare binară.
- Pentru Valoarea obiecției, alege F1.
- Alege Următorul: Examinați și creați.
- Alege Creați experiment.
Aceasta pornește un job SageMaker Autopilot care creează un set de joburi de antrenament care utilizează combinații de hiperparametri pentru a optimiza metrica obiectivă.
Așteptați ca SageMaker Autopilot să termine construirea modelelor și evaluarea celui mai bun model ML.
Lansați un punct final de inferență în timp real pentru a testa cel mai bun model
SageMaker Autopilot execută experimente pentru a determina cel mai bun model care poate clasifica tranzacțiile cu cardul de credit ca fiind legitime sau frauduloase.
Când SageMaker Autopilot finalizează experimentul, putem vizualiza rezultatele antrenamentului cu valorile de evaluare și putem explora cel mai bun model din pagina cu descrierea postului SageMaker Autopilot.
- Alege cel mai bun model și alege Implementează modelul.
Folosim un punct final de inferență în timp real pentru a testa cel mai bun model creat prin SageMaker Autopilot.
- Selectați Faceți predicții în timp real.
Când punctul final este disponibil, putem trece sarcina utilă și obținem rezultate de inferență.
Să lansăm un blocnotes Python pentru a folosi punctul final de inferență.
- Pe consola SageMaker Studio, alegeți pictograma folderului din panoul de navigare și alegeți Creați un caiet.
- Utilizați următorul cod Python pentru a invoca punctul final de inferență în timp real implementat:
Ieșirea arată rezultatul ca false
, ceea ce înseamnă că datele caracteristice eșantionului nu sunt frauduloase.
A curăța
Pentru a vă asigura că nu suportați taxe după finalizarea acestui tutorial, închideți aplicația SageMaker Data Wrangler și închideți instanța de notebook folosit pentru a efectua inferența. Ar trebui, de asemenea ștergeți punctul final de inferență ați creat folosind SageMaker Autopilot pentru a preveni taxele suplimentare.
Concluzie
În această postare, am demonstrat cum să vă aduceți datele de la Snowflake direct, fără a crea copii intermediare în acest proces. Puteți fie să eșantioneze, fie să încărcați setul de date complet în SageMaker Data Wrangler direct din Snowflake. Puteți apoi să explorați datele, să curățați datele și să efectuați inginerie cu caracteristici folosind interfața vizuală a SageMaker Data Wrangler.
De asemenea, am evidențiat modul în care puteți antrena și regla cu ușurință un model cu SageMaker Autopilot direct din interfața de utilizator SageMaker Data Wrangler. Cu integrarea SageMaker Data Wrangler și SageMaker Autopilot, putem construi rapid un model după finalizarea ingineriei caracteristicilor, fără a scrie niciun cod. Apoi am făcut referire la cel mai bun model SageMaker Autopilot pentru a rula inferențe folosind un punct final în timp real.
Încercați astăzi noua integrare directă Snowflake cu SageMaker Data Wrangler pentru a construi cu ușurință modele ML cu datele dvs. folosind SageMaker.
Despre autori
Hariharan Suresh este arhitect senior de soluții la AWS. Este pasionat de baze de date, de învățare automată și de proiectarea de soluții inovatoare. Înainte de a se alătura AWS, Hariharan a fost arhitect de produs, specialist principal în implementare bancară și dezvoltator și a lucrat cu organizații BFSI timp de peste 11 ani. În afara tehnologiei, îi plac parapanta și ciclismul.
Aparajithan Vaidyanathan este arhitect principal de soluții pentru întreprinderi la AWS. El sprijină clienții întreprinderi care migrează și își modernizează sarcinile de lucru pe cloud AWS. Este un arhitect cloud cu peste 23 de ani de experiență în proiectarea și dezvoltarea de sisteme software pentru întreprinderi, la scară largă și distribuite. El este specializat în Machine Learning și Data Analytics, cu accent pe domeniul Data și Feature Engineering. Este un aspirant la maraton, iar hobby-urile sale includ drumeții, plimbări cu bicicleta și petrecerea timpului cu soția și cei doi băieți.
Tim Song este inginer de dezvoltare software la AWS SageMaker, cu peste 10 ani de experiență ca dezvoltator de software, consultant și lider tehnologic și a demonstrat capacitatea de a furniza produse scalabile și de încredere și de a rezolva probleme complexe. În timpul liber, se bucură de natură, alergare în aer liber, drumeții și etc.
Bosco Albuquerque este arhitect senior de soluții partener la AWS și are peste 20 de ani de experiență în lucrul cu produse de baze de date și de analiză de la furnizorii de baze de date pentru întreprinderi și furnizorii de cloud. El a ajutat mari companii de tehnologie să proiecteze soluții de analiză a datelor și a condus echipe de inginerie în proiectarea și implementarea platformelor de analiză a datelor și a produselor de date.
- 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. Automobile/VE-uri, carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
- BlockOffsets. Modernizarea proprietății de compensare a mediului. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/accelerate-time-to-business-insights-with-the-amazon-sagemaker-data-wrangler-direct-connection-to-snowflake/
- :are
- :este
- :nu
- $UP
- 1
- 10
- 100
- 11
- 12
- 14
- 15%
- 20
- ani 20
- 2013
- 27
- 30
- 40
- 500
- 7
- 9
- a
- capacitate
- Despre Noi
- accelera
- acces
- Cont
- Suplimentar
- administratori
- avansat
- După
- din nou
- AI / ML
- TOATE
- permite
- de asemenea
- Cu toate ca
- Amazon
- Amazon SageMaker
- Amazon SageMaker Data Wrangler
- Amazon Web Services
- sumă
- an
- analiză
- Google Analytics
- și
- O alta
- Orice
- Apache
- api
- aplicat
- Aplică
- SUNT
- AS
- aspirant
- At
- atenţie
- Autentificare
- automatizarea
- Automata
- în mod automat
- disponibil
- AWS
- Bancar
- bazat
- de bază
- BE
- deoarece
- înainte
- de mai jos
- CEL MAI BUN
- BFSI
- corp
- atât
- aduce
- construi
- Clădire
- construit-in
- afaceri
- dar
- by
- CAN
- capacități
- captura
- card
- caz
- cazuri
- caractere
- încărcat
- taxe
- verifica
- Alege
- clasă
- clasificare
- clasificate
- Clasifica
- client
- Cloud
- cod
- Coloană
- Coloane
- combinaţii
- Companii
- Completă
- Terminat
- finalizeaza
- completarea
- complex
- component
- configurat
- Conectați
- conexiune
- Consoleze
- consultant
- continua
- Control
- converti
- Nucleu
- Core Banking
- crea
- a creat
- creează
- Crearea
- scrisori de acreditare
- credit
- card de credit
- client
- experienta clientului
- clienţii care
- de date
- accesul la date
- analiza datelor
- Analiza datelor
- Pregătirea datelor
- om de știință de date
- Baza de date
- baze de date
- decide
- Mod implicit
- implicite
- livra
- demonstra
- demonstrat
- implementa
- dislocate
- desfășurarea
- descriere
- Amenajări
- proiectat
- proiect
- detalii
- Determina
- Dezvoltator
- în curs de dezvoltare
- Dezvoltare
- Dimensiuni
- direcționa
- direct
- distribuite
- domeniu
- Dont
- jos
- Descarca
- cu ușurință
- oricare
- Punct final
- inginer
- Inginerie
- Intrați
- Afacere
- etc
- european
- evaluare
- Cu excepția
- există
- experienţă
- experiment
- experimente
- explorare
- Analiza datelor exploratorii
- explora
- exporturile
- departe
- Caracteristică
- DESCRIERE
- Dispunând
- Fișier
- financiar
- termina
- First
- pluti
- Concentra
- următor
- Pentru
- format
- necinstit
- din
- Complet
- mai mult
- genera
- obține
- oferă
- acordarea
- grafic
- Avea
- he
- ajutor
- a ajutat
- cea mai mare
- Evidențiat
- lui
- Cum
- Cum Pentru a
- HTML
- http
- HTTPS
- ICON
- identifica
- Identitate
- if
- dezechilibru
- implementarea
- Punere în aplicare a
- import
- importanță
- importatoare
- importurile
- îmbunătăţi
- in
- include
- include
- Crește
- individ
- informații
- inițială
- inovatoare
- perspective
- instala
- integra
- integrare
- interfaţă
- intern
- în
- probleme de
- IT
- articole
- Loc de munca
- Locuri de munca
- aderarea
- călătorie
- jpg
- JSON
- mare
- pe scară largă
- lansa
- a lansat
- lider
- învăţare
- Părăsi
- Led
- stânga
- legitim
- lăsa
- Bibliotecă
- LIMITĂ
- Listă
- încărca
- loturile
- local
- locaţie
- cel mai mic
- maşină
- masina de învățare
- făcut
- menține
- face
- administra
- Maraton
- potrivire
- Mai..
- mecanism
- metodă
- metric
- Metrici
- migra
- minute
- dispărut
- ML
- model
- Modele
- moderniza
- moduri de
- monitor
- mai mult
- nume
- Numit
- Natură
- Navigare
- nevoilor
- Nou
- următor
- caiet
- acum
- număr
- oauth
- obiect
- obiectiv
- of
- on
- în curs de desfășurare
- Optimizați
- Opțiune
- or
- comandă
- organizații
- original
- OS
- Altele
- al nostru
- afară
- producție
- exterior
- peste
- Prezentare generală
- pagină
- pâine
- partener
- trece
- pasionat
- Parolă
- cale
- Efectua
- efectuarea
- permisiuni
- Platforme
- Plato
- Informații despre date Platon
- PlatoData
- la care se adauga
- Punct
- Popular
- Post
- prezice
- a prezis
- Predictii
- pregătire
- Pregăti
- premise
- împiedica
- precedent
- Principal
- anterior
- Problemă
- probleme
- proces
- prelucrare
- Produs
- productivitate
- Produse
- Progres
- furniza
- furnizorul
- furnizori
- public
- cumpărare
- scopuri
- pune
- Piton
- calitate
- interogări
- Rapid
- repede
- în timp real
- reduce
- reduce
- reducere
- de încredere
- scoate
- înlocui
- raportează
- Raportat
- Rapoarte
- solicita
- necesar
- răspuns
- rezultat
- REZULTATE
- revizuiască
- călărie
- Rol
- Alerga
- alergător
- funcţionare
- s
- sagemaker
- Economisiți
- scalabil
- Om de stiinta
- oamenii de stiinta
- perfect
- Secțiune
- trimite
- senior
- Septembrie
- Servicii
- set
- setări
- configurarea
- comun
- să
- Arăta
- Emisiuni
- semna
- simplu
- simplificată
- singur
- So
- Software
- de dezvoltare de software
- soluţie
- soluţii
- REZOLVAREA
- cântec
- Sursă
- Scânteie
- specialist
- specializată
- specific
- viteză
- Cheltuire
- Etapă
- începe
- Pas
- paşi
- Încă
- depozitare
- stoca
- Strict
- Şir
- studio
- prezenta
- de succes
- Reușit
- astfel de
- a sustine
- Suportat
- Sprijină
- sisteme
- tabel
- Ţintă
- sarcini
- echipe
- tech
- Tehnologia
- companii de tehnologie
- test
- acea
- Graficul
- lor
- apoi
- Acolo.
- ei
- acest
- aceste
- Prin
- timp
- la
- astăzi
- Tren
- dresat
- Pregătire
- tranzacție
- Tranzacții
- Transformare
- transformatele
- adevărat
- tutorial
- Două
- tip
- ui
- înţelege
- Actualizează
- us
- uzabilitate
- utilizare
- utilizat
- Utilizator
- User Interface
- utilizatorii
- utilizări
- folosind
- v1
- VALIDA
- valoare
- Valori
- furnizori
- verifica
- Vizualizare
- Virtual
- vizibilitate
- aștepta
- vrea
- a fost
- we
- web
- servicii web
- săptămâni
- au fost
- dacă
- care
- în timp ce
- OMS
- soţie
- cu
- în
- fără
- Apartamente
- a lucrat
- flux de lucru
- fluxuri de lucru
- de lucru
- scris
- ani
- Tu
- Ta
- zephyrnet