Datele structurate, definite ca date care urmează un model fix, cum ar fi informațiile stocate în coloane din bazele de date, și datele nestructurate, cărora le lipsește o formă sau un model specific, cum ar fi textul, imaginile sau postările pe rețelele sociale, ambele continuă să crească pe măsură ce sunt produse și consumate. de către diverse organizații. De exemplu, conform International Data Corporation (IDC), volumul de date din lume este de așteptat să crească de zece ori până în 2025, datele nestructurate reprezentând o parte semnificativă. Întreprinderile pot dori să adauge metadate personalizate, cum ar fi tipuri de documente (formulare W-2 sau talonoane de plată), diferite tipuri de entități, cum ar fi nume, organizație și adresă, pe lângă metadatele standard, cum ar fi tipul fișierului, data creării sau dimensiunea, pentru a extinde sistemul inteligent. caută în timpul ingerării documentelor. Metadatele personalizate ajută organizațiile și întreprinderile să clasifice informațiile în modul lor preferat. De exemplu, metadatele pot fi folosite pentru filtrare și căutare. Clienții pot crea metadatele personalizate folosind Amazon Comprehend, un serviciu de procesare a limbajului natural (NLP) gestionat de AWS pentru a extrage informații despre conținutul documentelor și a le ingera în Amazon Kendra împreună cu datele lor în index. Amazon Kendra este un serviciu de căutare pentru întreprinderi extrem de precis și ușor de utilizat, alimentat de Machine Learning (AWS). Metadatele personalizate pot fi apoi folosite pentru a îmbogăți conținutul pentru mai bine filtrare și fațetă capabilități. În Amazon Kendra, fațetele sunt vizualizări în domeniu ale unui set de rezultate de căutare. De exemplu, puteți furniza rezultate de căutare pentru orașe din întreaga lume, unde documentele sunt filtrate după un anumit oraș cu care sunt asociate. De asemenea, puteți crea fațete pentru a afișa rezultatele unui anumit autor.
Companiile de asigurări sunt împovărate cu un număr tot mai mare de daune pe care trebuie să le proceseze. În plus, complexitatea procesării daunelor este, de asemenea, în creștere din cauza diverselor tipuri de documente de asigurare implicate și a entităților vamale din fiecare dintre aceste documente. În această postare, descriem un caz de utilizare pentru îmbogățirea conținutului personalizat pentru furnizorii de asigurări. Furnizorul de asigurări primește cereri de plată de la avocatul beneficiarului pentru diferite tipuri de asigurări, cum ar fi asigurări de locuință, auto și de viață. În acest caz de utilizare, documentele primite de furnizorul de asigurări nu conțin metadate care să permită căutarea conținutului pe baza anumitor entități și clase. Furnizorul de asigurări dorește să filtreze conținutul Kendra pe baza entităților și claselor personalizate specifice domeniului lor de afaceri. Această postare ilustrează modul în care puteți automatiza și simplifica generarea de metadate folosind modele personalizate de la Amazon Comprehend. Metadatele generate pot fi personalizate în timpul procesului de asimilare cu Amazon Kendra Îmbogățirea documentelor personalizate (CDE) logica personalizata.
Să ne uităm la câteva exemple de căutare Amazon Kendra cu sau fără capabilități de filtrare și fațete.
În următoarea captură de ecran, Amazon Kendra oferă un rezultat al căutării, dar nu există nicio opțiune de a restrânge și mai mult rezultatele căutării utilizând niciun filtre.
Următoarea captură de ecran arată că rezultatele căutării Amazon Kendra pot fi filtrate utilizând diferite fațete, cum ar fi firmă de avocatură, numere de politică, create prin metadate personalizate pentru a restrânge rezultatele căutării.
Soluția discutată în această postare poate fi aplicată cu ușurință și în alte afaceri/cazuri de utilizare, cum ar fi asistența medicală, producția și cercetarea.
Prezentare generală a soluțiilor
În această soluție propusă, vom 1) clasifica cererile de daune de asigurare în diferite clase și 2) vom prelua entitățile specifice asigurării din aceste documente. Când aceasta este finalizată, documentul poate fi direcționat către departamentul corespunzător sau către procesul din aval.
Următoarea diagramă prezintă arhitectura soluției propuse.
Amazon Comprehend clasificare personalizată API este folosit pentru a vă organiza documentele în categorii (clase) pe care le definiți. Clasificarea personalizată este un proces în două etape. În primul rând, antrenați un model de clasificare personalizat (numit și clasificator) pentru a recunoaște clasele care vă interesează. Apoi, utilizați modelul dvs. pentru a clasifica orice număr de seturi de documente.
Amazon Comprehend recunoașterea personalizată a entității caracteristica este utilizată pentru a identifica anumite tipuri de entități (numele companiei de asigurări, numele asigurătorului, numărul poliței) dincolo de ceea ce este disponibil în tipuri de entități generice în mod implicit. Construirea unui model personalizat de recunoaștere a entităților este o abordare mai eficientă decât utilizarea potrivirii șirurilor sau a expresiilor regulate pentru a extrage entități din documente. Un model personalizat de recunoaștere a entităților poate afla contextul în care este probabil să apară acele nume. În plus, potrivirea șirurilor nu va detecta entitățile care au greșeli de scriere sau care urmează noi convenții de denumire, în timp ce acest lucru este posibil folosind un model personalizat.
Înainte de a face scufundări mai adânc, să ne luăm un moment pentru a explora Amazon Kendra. Amazon Kendra este un serviciu de căutare pentru întreprinderi extrem de precis și ușor de utilizat, alimentat de machine learning. Permite utilizatorilor să găsească informațiile de care au nevoie în cantitatea mare de conținut răspândit în organizația lor, de la site-uri web și baze de date până la site-uri intranet. Mai întâi vom crea un index Amazon Kendra pentru a ingera documentele. În timpul ingerării datelor, este esențial să luați în considerare conceptul de îmbogățire personalizată a datelor (CDE). CDE vă permite să îmbunătățiți capacitatea de căutare prin încorporarea cunoștințelor externe în indexul de căutare. Pentru mai multe informații, consultați Îmbogățirea documentelor în timpul ingerării. În această postare, logica CDE invocă API-urile personalizate ale Amazon Comprehend pentru a îmbogăți documentele cu clase și entități identificate. În cele din urmă, folosim pagina de căutare Amazon Kendra pentru a arăta cum metadatele au îmbunătățit capacitatea de căutare adăugând capacități de fațetare și filtrare.
Pașii de nivel înalt pentru implementarea acestei soluții sunt următorii:
- Antrenați clasificatorul personalizat Amazon Comprehend folosind date de antrenament
- Antrenați recunoașterea personalizată a entităților Amazon Comprehend folosind datele de antrenament
- Creați clasificatorul personalizat Amazon Comprehend și punctele finale personalizate de recunoaștere a entităților
- Creați și implementați o funcție Lambda pentru îmbogățirea post-extracție
- Creați și populați indexul Amazon Kendra
- Utilizați entitățile extrase pentru a filtra căutările în Amazon Kendra
Am furnizat, de asemenea, un exemplu de aplicație în GitHub repo pentru trimitere.
Considerații privind securitatea datelor și IAM
Având securitatea ca prioritate maximă, această soluție urmează principiul permisiunilor cu cel mai mic privilegiu pentru serviciile și caracteristicile utilizate. Rolul IAM utilizat de clasificarea personalizată Amazon Comprehend și recunoașterea entităților personalizate are permisiuni pentru a accesa setul de date numai din compartimentul de testare. Serviciul Amazon Kendra are acces la o găleată S3 specifică și la o funcție Lambda utilizată pentru a apela API-urile comprehend. Funcția Lambda are permisiuni de a apela numai API-urile Amazon Comprehend. Pentru mai multe informații, consultați secțiunile 1.2 și 1.3 din notebook.
Vă recomandăm să faceți următoarele într-un mediu care nu este de producție înainte de a implementa soluția în mediul de producție.
Antrenați clasificatorul personalizat Comprehend folosind date de antrenament
Amazon Comprehend Custom Classification acceptă două tipuri de formate de date pentru fișierele de adnotare:
Deoarece datele noastre sunt deja etichetate și stocate în fișiere CSV, vom folosi formatul de fișier CSV pentru fișierul de adnotare ca exemplu. Trebuie să furnizăm datele de antrenament etichetate ca text codificat UTF-8 într-un fișier CSV. Nu includeți un rând de antet în fișierul CSV. Adăugarea unui rând de antet în fișierul dvs. poate cauza erori de rulare. Un exemplu pentru fișierul CSV cu date de antrenament este următorul:
Pentru a pregăti datele de pregătire a clasificatorului, consultați Pregătirea datelor de formare a clasificatorului. Pentru fiecare rând din fișierul CSV, prima coloană conține una sau mai multe etichete de clasă. O etichetă de clasă poate fi orice șir UTF-8 valid. Vă recomandăm să utilizați nume clare de clasă, care să nu se suprapună în sens. Numele poate include spații albe și poate consta din mai multe cuvinte conectate prin litere de subliniere sau cratime. Nu lăsați niciun spațiu înainte sau după virgulă care separă valorile pe rând.
În continuare, vă veți antrena fie folosind Mod multi-clasă or Modul cu mai multe etichete. Mai exact, în modul cu mai multe clase, clasificarea atribuie o clasă pentru fiecare document, în timp ce în modul cu mai multe etichete, clasele individuale reprezintă diferite categorii care nu se exclud reciproc. În cazul nostru, vom folosi modul Multi-Class pentru modelele cu text simplu.
Puteți pregăti seturi de date separate de instruire și testare pentru instruirea clasificatoare personalizate Amazon Comprehend și evaluarea modelului. Sau furnizați un singur set de date atât pentru instruire, cât și pentru testare. Comprehend va selecta automat 10% din setul de date furnizat pentru a le utiliza ca date de testare. În acest exemplu, oferim seturi de date separate de instruire și testare.
Următorul exemplu arată un fișier CSV care conține numele claselor asociate diferitelor documente.
Atunci când modelul de clasificare personalizat este antrenat, acesta poate captura diferite clase de asigurare pe documente (Asigurări de locuință, auto sau de viață).
Antrenați dispozitivul de recunoaștere a entităților personalizate Amazon Comprehend (NER) folosind datele de antrenament
Setul de date de instruire pentru Amazon Comprehend Custom Entity Recognition (NER) poate fi pregătit în unul dintre două moduri diferite:
- Adnotări – Oferă un set de date care conține entitățile adnotate pentru formarea modului
- Liste de entități (doar text simplu) – Oferă o listă de entități și tipul lor de etichetă (cum ar fi „Numele companiilor de asigurări”) și un set de documente neadnotate care conțin acele entități pentru formarea modelului
Pentru mai multe informații, consultați Pregătirea datelor de formare pentru recunoașterea entității.
Când antrenăm un model folosind lista de entități, trebuie să furnizăm două informații: o listă de nume de entități cu tipurile de entități personalizate asociate și o colecție de documente neadnotate în care apar entitățile.
Antrenamentul automat necesită două tipuri de informații: documente eșantion și lista de entități sau adnotări. Odată ce dispozitivul de recunoaștere este antrenat, îl puteți utiliza pentru a detecta entități personalizate în documentele dvs. Puteți analiza rapid un corp mic de text în timp real sau puteți analiza un set mare de documente cu o lucrare asincronă.
Puteți pregăti seturi de date separate de instruire și testare pentru instruirea personalizată de recunoaștere a entităților Amazon Comprehend și evaluarea modelului. Sau furnizați un singur set de date atât pentru instruire, cât și pentru testare. Amazon Comprehend va selecta automat 10% din setul de date furnizat pentru a le utiliza ca date de testare. În exemplul de mai jos, am specificat setul de date de antrenament ca Documents.S3Uri
în InputDataConfig
.
Următorul exemplu arată un fișier CSV care conține entități:
Odată ce modelul de entități personalizate (NER) este antrenat, acesta va putea extrage diferitele entități precum „PAYOUT
""INSURANCE_COMPANY
""LAW_FIRM
""POLICY_HOLDER_NAME
""POLICY_NUMBER
".
Creați clasificatorul personalizat Amazon Comprehend și punctele finale de entități personalizate (NER).
Punctele finale ale Amazon Comprehend fac modelele dvs. personalizate disponibile pentru clasificare în timp real. După ce creați un punct final, îl puteți modifica pe măsură ce nevoile afacerii dvs. evoluează. De exemplu, puteți monitoriza utilizarea punctului final și puteți aplica scalarea automată pentru a seta automat furnizarea punctelor finale pentru a se potrivi nevoilor dvs. de capacitate. Vă puteți gestiona toate punctele finale dintr-o singură vizualizare, iar când nu mai aveți nevoie de un punct final, îl puteți șterge pentru a economisi costuri. Amazon Comprehend acceptă atât opțiunile sincrone, cât și cele asincrone, dacă clasificarea în timp real nu este necesară pentru cazul dvs. de utilizare, puteți trimite o lucrare de lot către Amazon Comprehend pentru clasificarea asincronă a datelor.
Pentru acest caz de utilizare, creați un punct final pentru a face modelul personalizat disponibil pentru analiză în timp real.
Pentru a vă satisface nevoile de procesare a textului, atribuiți unități de inferență punctului final, iar fiecare unitate permite un proces de transfer de 100 de caractere pe secundă. Apoi puteți ajusta debitul în sus sau în jos.
Creați și implementați o funcție Lambda pentru îmbogățirea post-extracție
Funcția Lambda post-extracție vă permite să implementați logica de procesare a textului extras de Amazon Kendra din documentul ingerat. Funcția de post-extracție pe care am configurat-o implementează codul pentru a invoca Amazon Comprehend pentru a detecta entități personalizate și a clasifica documentele personalizate din textul extras de Amazon Kendra și le folosește pentru a actualiza metadatele documentului, care sunt prezentate ca fațete într-o căutare Amazon Kendra . Codul funcției este încorporat în notebook. The PostExtractionLambda
codul funcționează după cum urmează:
- Împarte textul paginii în secțiuni care nu depășesc limita maximă de lungime de octeți a comprehend-ului
detect_entities
API. (Vedea limite ).
NOTĂ scriptul folosește un algoritm naiv de împărțire a lungimii caracterelor pentru simplitate – cazurile de utilizare în producție ar trebui să implementeze suprapunerea sau împărțirea limitelor propoziției, pe baza lungimii de octeți UTF8. - Pentru fiecare secțiune a textului, apelează punctele finale de înțelegere în timp real pentru entitățile personalizate și clasificatorul personalizat pentru a detecta următoarele tipuri de entități: [“
PAYOUT
""INSURANCE_COMPANY
""LAW_FIRM
""POLICY_HOLDER_NAME
""POLICY_NUMBER
""INSURANCE_TYPE
„]. - Filtrează entitățile detectate care se află sub pragul scorului de încredere. Folosim un prag de 0.50, ceea ce înseamnă că vor fi folosite numai entitățile cu încredere de 50% și mai mult. Acesta poate fi reglat pe baza cazului de utilizare și a cerințelor.
- Urmărește numărul de frecvență al fiecărei entități.
- Selectează numai primele N (10) entități unice pentru fiecare pagină, pe baza frecvenței de apariție.
- Pentru clasificarea documentelor, clasificatorul cu mai multe clase atribuie o singură clasă pentru fiecare document. În această funcție Lambda, documentele vor fi clasificate ca asigurări auto, asigurări de locuințe sau asigurări de viață.
Rețineți că, în momentul scrierii acestei scrieri, CDE acceptă doar apeluri sincrone sau dacă trebuie să fie asincron, atunci este necesară o buclă de așteptare explicită. Pentru post extracție Lambda timpul maxim de executie este de 1 min. Logica personalizată Lambda poate fi modificată în funcție de cerințele care se potrivesc cazului dvs. de utilizare.
Creați și populați indexul Amazon Kendra
În acest pas, vom ingera datele în indexul Amazon Kendra și le vom face căutate pentru utilizatori. În timpul ingerării, vom folosi funcția Lambda creată în pasul anterior ca pas post extracție, iar funcția Lambda va apela punctele finale de clasificare personalizată și recunoaștere a entității personalizate (NER) pentru a crea câmpurile de metadate personalizate.
Pașii de nivel înalt pentru implementarea acestei soluții sunt următorii:
- Crea Amazon Kendra Index.
- Crea Amazon Kendra Sursă de date – Există diferite surse de date care pot fi utilizate pentru a ingera setul de date. În această postare folosim o găleată S3.
- Creați fațete
Law_Firm
,Payout
,Insurance_Company
,Policy_Number
,Policy_Holder_Name
,Insurance_Type
cu tipul șirului ca „STRING_LIST_VALUE
". - Creați Kendra CDE și îndreptați-l către funcția Lambda post-extracție creată anterior.
- Efectuați procesul de sincronizare pentru a ingera setul de date.
Odată finalizat, puteți completa indexul cu datele de asigurare, folosind Kendra CDE cu lambda post extracție, puteți filtra căutările în funcție de tipurile de entități personalizate și clasificarea personalizată ca câmpuri de metadate personalizate.
Utilizați entitățile extrase pentru a filtra căutările în Kendra
Acum indexul este populat și gata de utilizare. În consola Amazon Kendra, alegeți Căutați conținut indexat în Gestionarea datelor și faceți următoarele.
Interogați următoarele: Lista asigurărilor a eșuat din cauza depunerii cu întârziere?
Rezultatele arată un răspuns de la tipul de politică - HOME INSURANCE
și aduce text_18
și text_14
ca rezultate de top.
Alegeți „Filtrați rezultatele căutării” din stânga. Acum veți vedea toate tipurile de entități și valorile de clasificare extrase folosind Comprehend, iar pentru fiecare valoare și clasificare de entitate veți vedea numărul de documente care se potrivesc.
În INSURANCE_TYPE
alege „Asigurare auto”, iar apoi vei primi un răspuns de la text_25
fișier.
Rețineți că rezultatele dvs. pot varia ușor față de rezultatele afișate în captură de ecran.
Încercați să căutați cu propriile interogări și observați cum entitățile și clasificarea documentelor identificate de Amazon Comprehend vă permit rapid să:
- Vedeți cum sunt distribuite rezultatele căutării dvs. pe categorii.
- Restrângeți căutarea prin filtrarea pe oricare dintre valorile de entitate/clasificare.
A curăța
După ce ați experimentat cu căutarea și ați încercat blocnotesul furnizat în depozitul Github, ștergeți infrastructura pe care ați furnizat-o în contul dvs. AWS pentru a evita orice taxe nedorite. Puteți rula celulele de curățare în notebook. Alternativ, puteți șterge resursele manual prin consola AWS:
- Amazon Kendra Index
- Înțelegeți clasificatorul personalizat și punctele finale de recunoaștere a entităților personalizate (NER).
- Înțelegeți modelele personalizate de clasificare personalizată și recunoaștere personalizată a entităților (NER).
- Funcția lambda
- Găleată S3
- Roluri și politici IAM
Concluzie
În această postare, am arătat cum entitățile personalizate Amazon Comprehend și clasificatorul personalizat permite căutarea Amazon Kendra bazată pe caracteristica CDE pentru a ajuta utilizatorii finali să efectueze căutări mai bune pe datele structurate/nestructurate. Entitățile personalizate ale Amazon Comprehend și clasificatorul personalizat îl fac foarte util pentru diferite cazuri de utilizare și diferite date specifice domeniului. Pentru mai multe informații despre cum să utilizați Amazon Comprehend, consultați Amazon Comprehend resurse pentru dezvoltatori iar pentru Amazon Kendra, consultați Resurse pentru dezvoltatori Amazon Kendra.
Încercați această soluție pentru cazul dvs. de utilizare. Vă invităm să lăsați feedback în secțiunile de comentarii.
Despre Autori
Amit Chaudhary este arhitect senior de soluții la Amazon Web Services. Domeniul său de interes este AI/ML și ajută clienții cu AI generativă, modele de limbaj mari și inginerie promptă. În afara serviciului, lui Amit îi place să petreacă timpul cu familia sa.
Yanyan Zhang este Senior Data Scientist în echipa Energy Delivery cu AWS Professional Services. Este pasionată de a ajuta clienții să rezolve probleme reale cu cunoștințele AI/ML. Recent, accentul ei s-a concentrat pe explorarea potențialului AI generativ și LLM. În afara serviciului, îi place să călătorească, să se antreneze și să exploreze lucruri noi.
Nikhil Jha este Senior Technical Account Manager la Amazon Web Services. Domeniile sale de interes includ AI/ML și analize. În timpul liber, îi place să joace badminton cu fiica sa și să exploreze în aer liber.
- 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/use-custom-metadata-created-by-amazon-comprehend-to-intelligently-process-insurance-claims-using-amazon-kendra/
- :are
- :este
- :nu
- :Unde
- $UP
- 1
- 1.3
- 10
- 100
- 19
- 2025
- 33
- 50
- 500
- 7
- 9
- a
- Capabil
- Despre Noi
- acces
- Conform
- Cont
- Contabilitate
- precis
- peste
- adăuga
- adăugare
- plus
- În plus,
- adresa
- După
- AI
- AI / ML
- Algoritmul
- TOATE
- permite
- de-a lungul
- deja
- de asemenea
- Amazon
- Amazon Comprehend
- Amazon Kendra
- Amazon Web Services
- sumă
- an
- analiză
- Google Analytics
- analiza
- și
- răspunde
- Orice
- api
- API-uri
- apărea
- aplicație
- aplicat
- Aplică
- abordare
- adecvat
- arhitectură
- SUNT
- ZONĂ
- domenii
- AS
- asociate
- At
- avocat
- autor
- Auto
- automatizarea
- în mod automat
- disponibil
- evita
- AWS
- Servicii profesionale AWS
- bazat
- BE
- fost
- înainte
- de mai jos
- Mai bine
- Dincolo de
- corp
- atât
- graniţă
- Aduce
- Clădire
- afaceri
- dar
- by
- apel
- denumit
- apeluri
- CAN
- capacități
- capacitate
- Capacitate
- captura
- caz
- cazuri
- categorii
- Provoca
- Celule
- sigur
- si-a schimbat hainele;
- Modificări
- caracter
- caractere
- taxe
- Alege
- Oraşe
- Oraș
- creanțe
- clasă
- clase
- clasificare
- clasificate
- Clasifica
- clar
- cod
- colectare
- Coloană
- Coloane
- comentarii
- Companii
- companie
- Completă
- Terminat
- complexitate
- înţelege
- concept
- încredere
- configurat
- legat
- Lua în considerare
- Consoleze
- consumate
- conţine
- conține
- conţinut
- context
- continua
- Convenții
- CORPORAȚIE
- Cheltuieli
- ar putea
- crea
- a creat
- personalizat
- clienţii care
- personalizate
- de date
- îmbogățirea datelor
- management de date
- om de știință de date
- set de date
- baze de date
- seturi de date
- Data
- Mai adânc
- Mod implicit
- defini
- definit
- livrare
- Departament
- implementa
- descrie
- detecta
- detectat
- Dezvoltator
- diferit
- diferit
- discutat
- Afişa
- distribuite
- diferit
- scufundare
- do
- document
- documente
- domeniu
- don
- Dont
- jos
- două
- în timpul
- e
- E&T
- fiecare
- cu ușurință
- ușor de folosit
- Eficace
- oricare
- el
- încorporat
- permite
- Punct final
- energie
- Inginerie
- spori
- sporită
- îmbogăți
- îmbogățire
- Afacere
- Companii
- entități
- entitate
- Mediu inconjurator
- Erori
- esenţial
- evaluare
- evolua
- exemplu
- exemple
- depăși
- Cu excepția
- excepție
- Exclusiv
- execuție
- Părăsirea
- de aşteptat
- explora
- Explorarea
- expresii
- extinde
- extern
- extrage
- extracţie
- fațete
- A eșuat
- familie
- Caracteristică
- DESCRIERE
- feedback-ul
- puțini
- Domenii
- Fișier
- Fişiere
- Depunerea
- filtru
- filtrare
- Filtre
- În cele din urmă
- Găsi
- Firmă
- First
- potrivi
- fixată
- Concentra
- urma
- următor
- urmează
- Pentru
- formă
- format
- formulare
- Frecvență
- din
- funcţie
- mai mult
- generată
- generaţie
- generativ
- AI generativă
- obține
- GitHub
- Crește
- Avea
- având în
- he
- de asistență medicală
- ajutor
- ajutor
- ajută
- ei
- la nivel înalt
- superior
- cea mai mare
- extrem de
- lui
- Acasă
- Cum
- Cum Pentru a
- HTML
- HTTPS
- i
- IDC
- identificat
- identifica
- if
- ilustrează
- imagini
- punerea în aplicare a
- Punere în aplicare a
- ustensile
- in
- include
- care încorporează
- Crește
- crescând
- index
- indexate
- individ
- informații
- Infrastructură
- intrare
- perspective
- instanță
- asigurare
- Inteligent
- interes
- Internațional
- International Data Corporation (IDC)
- în
- invita
- invocă
- implicat
- IT
- Loc de munca
- JSON
- cunoştinţe
- Etichetă
- etichete
- limbă
- mare
- Târziu
- Drept
- firma de avocatură
- AFLAȚI
- învăţare
- cel mai puțin
- Părăsi
- stânga
- Lungime
- Viaţă
- ca
- Probabil
- LIMITĂ
- Listă
- liste
- LLM
- logică
- mai lung
- Uite
- iubeste
- maşină
- masina de învățare
- face
- FACE
- administra
- gestionate
- administrare
- manager
- manual
- de fabricaţie
- potrivire
- max
- Mai..
- sens
- mijloace
- Mass-media
- Întâlni
- Metadata
- minute
- mod
- model
- Modele
- moment
- monitor
- mai mult
- cele mai multe
- multiplu
- trebuie sa
- reciproc
- nume
- nume
- denumire
- îngust
- Nevoie
- necesar
- nevoilor
- Nou
- nlp
- Nu.
- caiet
- acum
- număr
- numere
- obiect
- obiecte
- observa
- apariţie
- of
- on
- dată
- ONE
- afară
- Opțiune
- Opţiuni
- or
- organizație
- organizații
- Altele
- al nostru
- afară
- în aer liber
- contururi
- exterior
- propriu
- pagină
- pereche
- pasionat
- Model
- pentru
- Efectua
- permisiuni
- piese
- Simplu
- Plato
- Informații despre date Platon
- PlatoData
- joc
- Punct
- Politica
- populat
- porţiune
- posibil
- Post
- postări
- potenţial
- alimentat
- preferat
- Pregăti
- pregătit
- prezentat
- precedent
- în prealabil
- principiu
- anterior
- prioritate
- privilegiu
- probleme
- proces
- prelucrare
- Produs
- producere
- profesional
- propus
- furniza
- prevăzut
- furnizorul
- furnizori
- furnizează
- furnizarea
- interogări
- repede
- Citate
- variind
- Citeste
- gata
- real
- în timp real
- primit
- primește
- recent
- recunoaştere
- recunoaște
- recunoscut
- recomanda
- trimite
- referință
- regulat
- depozit
- reprezenta
- necesar
- Cerinţe
- Necesită
- cercetare
- Resurse
- rezultat
- REZULTATE
- reveni
- revizuiască
- Rol
- rolurile
- RÂND
- Alerga
- Runtime
- acelaşi
- Economisiți
- scalare
- Om de stiinta
- scor
- scenariu
- Caută
- Cautari
- căutare
- Al doilea
- Secțiune
- secțiuni
- securitate
- vedea
- selecta
- senior
- propoziție
- distinct
- serviciu
- Servicii
- set
- Seturi
- ea
- să
- Arăta
- a arătat
- indicat
- Emisiuni
- semnificativ
- simplitate
- simplifica
- singur
- Centre de cercetare
- Mărimea
- mic
- So
- Social
- social media
- Postări în rețelele sociale
- soluţie
- soluţii
- REZOLVAREA
- Surse
- Spaţiu
- specific
- specific
- specificată
- Cheltuire
- șpalturi
- răspândire
- standard
- Pas
- paşi
- stoca
- stocate
- Şir
- Subscrieri
- prezenta
- astfel de
- a sustine
- Sprijină
- sincronizare
- Lua
- echipă
- Tehnic
- test
- Testarea
- a) Sport and Nutrition Awareness Day in Manasia Around XNUMX people from the rural commune Manasia have participated in a sports and healthy nutrition oriented activity in one of the community’s sports ready yards. This activity was meant to gather, mainly, middle-aged people from a Romanian rural community and teach them about the benefits that sports have on both their mental and physical health and on how sporting activities can be used to bring people from a community closer together. Three trainers were made available for this event, so that the participants would get the best possible experience physically and so that they could have the best access possible to correct information and good sports/nutrition practices. b) Sports Awareness Day in Poiana Țapului A group of young participants have taken part in sporting activities meant to teach them about sporting conduct, fairplay, and safe physical activities. The day culminated with a football match.
- decât
- acea
- informațiile
- lumea
- lor
- Lor
- apoi
- Acolo.
- Acestea
- ei
- lucruri
- acest
- aceste
- prag
- Prin
- debit
- timp
- la
- top
- urmări
- Tren
- dresat
- Pregătire
- Traveling
- trata
- încercat
- încerca
- reglate
- Două
- tip
- Tipuri
- în
- subliniere
- unic
- unitate
- de unităţi
- nedorit
- Actualizează
- utilizare
- carcasa de utilizare
- utilizat
- utilizatorii
- utilizări
- folosind
- valabil
- valoare
- Valori
- diverse
- Fixă
- foarte
- Vizualizare
- vizualizari
- volum
- aștepta
- vrea
- vrea
- Cale..
- modalități de
- we
- web
- servicii web
- site-uri web
- BINE
- Ce
- Ce este
- cand
- care
- în timp ce
- alb
- voi
- cu
- în
- fără
- cuvinte
- Apartamente
- de lucru
- lucrează
- fabrică
- lume
- lume
- scris
- scris
- Tu
- Ta
- zephyrnet