Структурированные данные, определяемые как данные, соответствующие фиксированному шаблону, такие как информация, хранящаяся в столбцах в базах данных, и неструктурированные данные, которым не хватает определенной формы или шаблона, например текст, изображения или сообщения в социальных сетях, продолжают расти по мере их создания и потребления. различными организациями. Например, по данным International Data Corporation (IDC), ожидается, что к 2025 году объем данных в мире увеличится в десять раз, при этом значительную часть будут составлять неструктурированные данные. Предприятия могут захотеть добавить пользовательские метаданные, такие как типы документов (формы W-2 или квитанции о платежах), различные типы объектов, такие как имена, организация и адрес, в дополнение к стандартным метаданным, таким как тип файла, дата создания или размер, для расширения интеллектуальных возможностей. поиск во время приема документов. Пользовательские метаданные помогают организациям и предприятиям классифицировать информацию предпочтительным для них способом. Например, метаданные можно использовать для фильтрации и поиска. Клиенты могут создавать собственные метаданные, используя Amazon Comprehend, сервис обработки естественного языка (NLP), управляемый AWS, для извлечения информации о содержании документов и передачи ее в Амазон Кендра вместе со своими данными в индекс. Amazon Kendra — это высокоточная и простая в использовании служба корпоративного поиска, основанная на машинном обучении (AWS). Затем пользовательские метаданные можно использовать для улучшения контента. фильтрация и фасет возможности. В Amazon Kendra фасеты — это ограниченные представления набора результатов поиска. Например, вы можете предоставить результаты поиска для городов по всему миру, где документы фильтруются по конкретному городу, с которым они связаны. Вы также можете создать фасеты для отображения результатов конкретного автора.
Страховые компании обременены растущим количеством претензий, которые им приходится обрабатывать. Кроме того, сложность обработки претензий также возрастает из-за различных типов страховых документов и пользовательских объектов в каждом из этих документов. В этом посте мы описываем вариант использования индивидуального обогащения контента для страховых компаний. Страховая компания получает требования о выплате от адвоката бенефициара по различным видам страхования, таким как страхование жилья, автомобиля и жизни. В этом случае документы, полученные страховой компанией, не содержат метаданных, позволяющих осуществлять поиск контента на основе определенных сущностей и классов. Поставщик страховых услуг хочет фильтровать контент Kendra на основе пользовательских сущностей и классов, специфичных для их бизнес-домена. В этом посте показано, как можно автоматизировать и упростить создание метаданных с помощью пользовательских моделей Amazon Comprehend. Создаваемые метаданные можно настроить в процессе приема с помощью Amazon Kendra. Пользовательское обогащение документов (CDE) пользовательская логика.
Давайте рассмотрим несколько примеров поиска Amazon Kendra с возможностями фильтрации и фасетов или без них.
На следующем снимке экрана Amazon Kendra предоставляет результаты поиска, но нет возможности дополнительно сузить результаты поиска с помощью каких-либо фильтров.
На следующем снимке экрана показано, что результаты поиска Amazon Kendra можно фильтровать с использованием различных аспектов, таких как «Юридическая фирма», «Номера полисов», созданных на основе пользовательских метаданных для сужения результатов поиска.
Решение, обсуждаемое в этом посте, можно легко применить и к другим предприятиям/случаям использования, таким как здравоохранение, производство и исследования.
Обзор решения
В этом предложенном решении мы будем 1) классифицировать подаваемые страховые претензии по различным классам и 2) извлекать из этих документов объекты, относящиеся к конкретному страхованию. По завершении документ можно направить в соответствующий отдел или в дальнейший процесс.
На следующей диаграмме представлена предлагаемая архитектура решения.
Amazon Comprehend пользовательская классификация API используется для организации ваших документов по определенным вами категориям (классам). Пользовательская классификация представляет собой двухэтапный процесс. Сначала вы обучаете пользовательскую модель классификации (также называемую классификатором) распознавать интересующие вас классы. Затем вы используете свою модель для классификации любого количества наборов документов.
Amazon Comprehend пользовательское распознавание объектов Функция используется для идентификации конкретных типов объектов (названия страховой компании, названия страховщика, номера полиса) помимо того, что доступно в общие типы сущностей по умолчанию. Создание собственной модели распознавания сущностей — более эффективный подход, чем использование сопоставления строк или регулярных выражений для извлечения сущностей из документов. Пользовательская модель распознавания объектов может изучить контекст, в котором эти имена могут появиться. Кроме того, сопоставление строк не позволит обнаружить объекты, содержащие опечатки или соответствующие новым соглашениям об именах, хотя это возможно при использовании пользовательской модели.
Прежде чем погрузиться глубже, давайте на минутку изучим амазонку Кендру. Amazon Kendra — это высокоточная и простая в использовании служба корпоративного поиска, основанная на машинном обучении. Это позволяет пользователям находить необходимую информацию в огромном объеме контента, разбросанного по всей организации: от веб-сайтов и баз данных до сайтов интрасети. Сначала мы создадим индекс Amazon Kendra для приема документов. При приеме данных важно учитывать концепцию пользовательского обогащения данных (CDE). CDE позволяет расширить возможности поиска за счет включения внешних данных в поисковый индекс. Для получения дополнительной информации см. Обогащение ваших документов во время приема. В этом посте логика CDE вызывает пользовательские API Amazon Comprehend для обогащения документов идентифицированными классами и сущностями. Наконец, мы используем страницу поиска Amazon Kendra, чтобы показать, как метаданные улучшили возможности поиска за счет добавления возможностей фасетирования и фильтрации.
Шаги высокого уровня для реализации этого решения следующие:
- Обучение пользовательского классификатора Amazon Comprehend с использованием обучающих данных
- Обучение распознаванию пользовательских объектов Amazon Comprehend с использованием обучающих данных
- Создайте собственный классификатор Amazon Comprehend и конечные точки распознавания сущностей.
- Создайте и разверните функцию Lambda для обогащения после извлечения.
- Создайте и заполните индекс Amazon Kendra.
- Используйте извлеченные объекты для фильтрации результатов поиска в Amazon Kendra.
Мы также предоставили образец заявления в Репо GitHub для справки.
Вопросы безопасности данных и IAM
Поскольку безопасность является главным приоритетом, это решение соответствует принципу наименьших привилегий для используемых сервисов и функций. Роль IAM, используемая пользовательской классификацией и распознаванием сущностей Amazon Comprehend, имеет разрешения на доступ к набору данных только из тестового сегмента. Сервис Amazon Kendra имеет доступ к определенной корзине S3 и функции Lambda, используемой для вызова API-интерфейсов Comprehend. Функция Lambda имеет разрешения только на вызов API Amazon Comprehend. Для получения дополнительной информации просмотрите разделы 1.2 и 1.3 в тетради.
Мы рекомендуем вам выполнить следующие действия в непроизводственной среде, прежде чем внедрять решение в производственной среде.
Обучите пользовательский классификатор Comprehend, используя данные обучения.
Amazon Comprehend Custom Classification поддерживает два типа формата данных для файлов аннотаций:
Поскольку наши данные уже помечены и сохранены в файлах CSV, в качестве примера мы будем использовать формат файла CSV для файла аннотаций. Мы должны предоставить помеченные данные обучения в виде текста в кодировке UTF-8 в файле CSV. Не включайте строку заголовка в файл CSV. Добавление строки заголовка в файл может вызвать ошибки во время выполнения. Пример CSV-файла обучающих данных выглядит следующим образом:
Чтобы подготовить данные для обучения классификатора, см. Подготовка данных для обучения классификатора. Для каждой строки файла CSV первый столбец содержит одну или несколько меток классов. Меткой класса может быть любая допустимая строка UTF-8. Мы рекомендуем использовать понятные имена классов, которые не пересекаются по смыслу. Имя может содержать пробелы и состоять из нескольких слов, соединенных подчеркиванием или дефисом. Не оставляйте пробелов до или после запятых, разделяющих значения в строке.
Далее вы будете тренироваться либо с помощью Мультиклассовый режим or Режим нескольких меток. В частности, в режиме с несколькими классами классификация назначает один класс для каждого документа, тогда как в режиме с несколькими метками отдельные классы представляют разные категории, которые не являются взаимоисключающими. В нашем случае мы будем использовать режим Multi-Class для моделей с обычным текстом.
Вы можете подготовить отдельные наборы данных для обучения и тестирования для обучения пользовательского классификатора Amazon Comprehend и оценки модели. Или предоставьте только один набор данных для обучения и тестирования. Comprehend автоматически выберет 10% предоставленного вами набора данных для использования в качестве данных тестирования. В этом примере мы предоставляем отдельные наборы данных для обучения и тестирования.
В следующем примере показан файл CSV, содержащий имена классов, связанные с различными документами.
После обучения пользовательской модели классификации она может фиксировать в документах различные классы страхования (домашнее, автомобильное или страхование жизни).
Обучение пользовательского распознаватель объектов Amazon Comprehend (NER) с использованием обучающих данных
Набор обучающих данных для Amazon Comprehend Custom Entity Recognition (NER) можно подготовить одним из двух способов:
- Аннотации – Предоставляет набор данных, содержащий аннотированные объекты для обучения режима.
- Списки сущностей (только простой текст) – Предоставляет список объектов и тип их меток (например, «Названия страховых компаний»), а также набор неаннотированных документов, содержащих эти объекты, для обучения модели.
Для получения дополнительной информации обратитесь к Подготовка данных для обучения распознавателя объектов.
При обучении модели с использованием списка сущностей нам необходимо предоставить две части информации: список имен сущностей со связанными с ними пользовательскими типами сущностей и коллекцию неаннотированных документов, в которых появляются сущности.
Автоматическое обучение требует наличия двух типов информации: образцов документов и списка объектов или аннотаций. Как только распознаватель будет обучен, вы сможете использовать его для обнаружения пользовательских объектов в ваших документах. Вы можете быстро проанализировать небольшой фрагмент текста в режиме реального времени или проанализировать большой набор документов с помощью асинхронного задания.
Вы можете подготовить отдельные наборы данных для обучения и тестирования для обучения пользовательскому распознавателю объектов Amazon Comprehend и оценки модели. Или предоставьте только один набор данных для обучения и тестирования. Amazon Comprehend автоматически выберет 10 % предоставленного вами набора данных для использования в качестве данных тестирования. В приведенном ниже примере мы указали набор обучающих данных как Documents.S3Uri
под InputDataConfig
.
В следующем примере показан файл CSV, содержащий объекты:
После обучения модели пользовательских объектов (NER) она сможет извлекать различные объекты, такие как «PAYOUT
»,«INSURANCE_COMPANY
»,«LAW_FIRM
»,«POLICY_HOLDER_NAME
»,«POLICY_NUMBER
».
Создайте пользовательский классификатор Amazon Comprehend и конечные точки пользовательских объектов (NER).
Конечные точки Amazon Comprehend делают ваши пользовательские модели доступными для классификации в реальном времени. После создания конечной точки вы можете вносить в нее изменения по мере развития потребностей вашего бизнеса. Например, вы можете отслеживать использование конечных точек и применять автоматическое масштабирование, чтобы автоматически настраивать предоставление конечных точек в соответствии с вашими потребностями в емкости. Вы можете управлять всеми своими конечными точками из единого представления, а когда конечная точка вам больше не нужна, вы можете удалить ее, чтобы сэкономить средства. Amazon Comprehend поддерживает как синхронные, так и асинхронные варианты. Если для вашего варианта использования не требуется классификация в реальном времени, вы можете отправить пакетное задание в Amazon Comprehend для асинхронной классификации данных.
В этом случае вы создаете конечную точку, чтобы сделать вашу пользовательскую модель доступной для анализа в реальном времени.
Чтобы удовлетворить ваши потребности в обработке текста, вы назначаете устройства вывода конечной точке, и каждое устройство обеспечивает пропускную способность 100 символов в секунду. Затем вы можете увеличить или уменьшить пропускную способность.
Создайте и разверните функцию Lambda для обогащения после извлечения.
Функция Lambda после извлечения позволяет реализовать логику обработки текста, извлеченного Amazon Kendra из вставленного документа. Настроенная нами функция пост-извлечения реализует код для вызова Amazon Comprehend для обнаружения пользовательских сущностей и пользовательской классификации документов из текста, извлеченного Amazon Kendra, и использует их для обновления метаданных документа, которые представлены в виде фасетов в поиске Amazon Kendra. . Код функции встроен в блокнот. PostExtractionLambda
код работает следующим образом:
- Разбивает текст страницы на разделы, которые не превышают предел максимальной длины в байтах для понимания.
detect_entities
API. (Видеть ограничения ).
ЗАМЕТКА для простоты в сценарии используется простой алгоритм разделения длины символов — в производственных сценариях использования должно реализовываться перекрытие или разделение границ предложения на основе длины байта UTF8. - Для каждого раздела текста вызывает конечные точки понимания в реальном времени для пользовательских сущностей и пользовательский классификатор для обнаружения следующих типов сущностей: [“
PAYOUT
»,«INSURANCE_COMPANY
»,«LAW_FIRM
»,«POLICY_HOLDER_NAME
»,«POLICY_NUMBER
»,«INSURANCE_TYPE
«]. - Отфильтровывает обнаруженные объекты, которые находятся ниже порогового значения оценки достоверности. Мы используем порог 0.50, что означает, что будут использоваться только объекты с достоверностью 50% и более. Это можно настроить в зависимости от варианта использования и требований.
- Отслеживает частоту каждого объекта.
- Выбирает только первые N (10) уникальных объектов для каждой страницы в зависимости от частоты появления.
- Для классификации документов многоклассовый классификатор присваивает каждому документу только один класс. В этой лямбда-функции документы будут классифицированы как автострахование, страхование жилья или страхование жизни.
Обратите внимание, что на момент написания этой статьи CDE поддерживает только синхронные вызовы, а если он должен быть асинхронным, то необходим явный цикл ожидания. Для постэкстракции Lambda максимальное время выполнения составляет 1 мин. Пользовательскую логику Lambda можно изменить в зависимости от требований, соответствующих вашему сценарию использования.
Создайте и заполните индекс Amazon Kendra.
На этом этапе мы внесем данные в индекс Amazon Kendra и сделаем их доступными для поиска для пользователей. Во время приема мы будем использовать функцию Lambda, созданную на предыдущем шаге, в качестве шага после извлечения, а функция Lambda будет вызывать конечные точки пользовательской классификации и распознавания пользовательских объектов (NER) для создания пользовательских полей метаданных.
Шаги высокого уровня для реализации этого решения следующие:
- Создавай Индекс Amazon Кендры.
- Создавай Amazon Кендра Источник данных – Существуют различные источники данных, которые можно использовать для приема набора данных. В этом посте мы используем корзину S3.
- Создать фасеты
Law_Firm
,Payout
,Insurance_Company
,Policy_Number
,Policy_Holder_Name
,Insurance_Type
со строковым типом как 'STRING_LIST_VALUE
. - Создайте Kendra CDE и укажите ему ранее созданную функцию Lambda после извлечения.
- Выполните процесс синхронизации, чтобы принять набор данных.
После завершения вы можете заполнить индекс данными о страховании, используя Kendra CDE с лямбда-выражением после извлечения, вы можете фильтровать поиск на основе настраиваемых типов сущностей и настраиваемой классификации в виде настраиваемых полей метаданных.
Используйте извлеченные объекты для фильтрации поиска в Кендре.
Теперь индекс заполнен и готов к использованию. В консоли Amazon Kendra выберите Поиск проиндексированного контента в разделе «Управление данными» и сделайте следующее.
Запросите следующее: Список страховок не удалось из-за поздней подачи?
Результаты показывают ответ от типа политики – HOME INSURANCE
и приносит text_18
и text_14
как лучшие результаты.
Выберите «Фильтровать результаты поиска» слева. Теперь вы увидите все типы сущностей и значения классификации, извлеченные с помощью Comprehend, и для каждого значения и классификации сущности вы увидите количество соответствующих документов.
Под INSURANCE_TYPE
выберите «Автострахование», и тогда вы получите ответ от text_25
.
Обратите внимание, что ваши результаты могут незначительно отличаться от результатов, показанных на скриншоте.
Попробуйте выполнить поиск по собственным запросам и посмотрите, как сущности и классификация документов, определенные Amazon Comprehend, позволяют быстро:
- Посмотрите, как результаты поиска распределяются по категориям.
- Сузьте область поиска, отфильтровав любое значение сущности/классификации.
Убирать
После того, как вы поэкспериментировали с поиском и опробовали блокнот, предоставленный в репозитории Github, удалите инфраструктуру, которую вы предоставили в своей учетной записи AWS, чтобы избежать нежелательных расходов. Вы можете запустить очистку ячеек в блокноте. Альтернативно вы можете удалить ресурсы вручную через консоль AWS:
- Индекс Amazon Кендры
- Понимание пользовательских классификаторов и конечных точек распознавания пользовательских объектов (NER).
- Понимание пользовательских классификаторов и пользовательских моделей распознавания объектов (NER).
- Лямбда-функция
- Ковш S3
- Роли и политики IAM
Заключение
В этом посте мы показали, как пользовательские сущности и пользовательский классификатор Amazon Comprehend позволяют осуществлять поиск Amazon Kendra на основе функции CDE, чтобы помочь конечным пользователям выполнять более эффективный поиск по структурированным/неструктурированным данным. Пользовательские объекты Amazon Comprehend и пользовательский классификатор делают его очень полезным для различных случаев использования и различных данных, специфичных для предметной области. Дополнительную информацию о том, как использовать Amazon Comprehend, см. Ресурсы для разработчиков Amazon Comprehend а об Amazon Kendra см. Ресурсы для разработчиков Amazon Kendra.
Попробуйте это решение для вашего случая использования. Приглашаем вас оставить свой отзыв в разделе комментариев.
Об авторах
Амит Чаудхари — старший архитектор решений в Amazon Web Services. Его сферой деятельности является искусственный интеллект и машинное обучение, и он помогает клиентам с генеративным искусственным интеллектом, большими языковыми моделями и быстрым проектированием. Вне работы Амит любит проводить время со своей семьей.
Яньян Чжан — старший специалист по данным в группе энергоснабжения AWS Professional Services. Она с энтузиазмом помогает клиентам решать реальные проблемы с помощью знаний AI/ML. В последнее время ее внимание было сосредоточено на изучении потенциала генеративного искусственного интеллекта и LLM. Вне работы она любит путешествовать, заниматься спортом и исследовать что-то новое.
Нихил Джа является старшим техническим менеджером по работе с клиентами в Amazon Web Services. Его основные направления включают AI/ML и аналитику. В свободное время он любит играть в бадминтон со своей дочерью и гулять на свежем воздухе.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- PlatoData.Network Вертикальный генеративный ИИ. Расширьте возможности себя. Доступ здесь.
- ПлатонАйСтрим. Интеллект Web3. Расширение знаний. Доступ здесь.
- ПлатонЭСГ. Углерод, чистые технологии, Энергия, Окружающая среда, Солнечная, Управление отходами. Доступ здесь.
- ПлатонЗдоровье. Биотехнологии и клинические исследования. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/use-custom-metadata-created-by-amazon-comprehend-to-intelligently-process-insurance-claims-using-amazon-kendra/
- :имеет
- :является
- :нет
- :куда
- $UP
- 1
- 1.3
- 10
- 100
- 19
- 2025
- 33
- 50
- 500
- 7
- 9
- a
- в состоянии
- О нас
- доступ
- По
- Учетная запись
- Бухгалтерский учет
- точный
- через
- Добавить
- добавить
- дополнение
- Дополнительно
- адрес
- После
- AI
- AI / ML
- алгоритм
- Все
- позволяет
- вдоль
- уже
- причислены
- Amazon
- Amazon Comprehend
- Амазон Кендра
- Amazon Web Services
- количество
- an
- анализ
- аналитика
- анализировать
- и
- ответ
- любой
- API
- API
- появиться
- Применение
- прикладной
- Применить
- подхода
- соответствующий
- архитектура
- МЫ
- ПЛОЩАДЬ
- области
- AS
- связанный
- At
- адвокат
- автор
- автоматический
- автоматизировать
- автоматически
- доступен
- избежать
- AWS
- Профессиональные услуги AWS
- основанный
- BE
- было
- до
- ниже
- Лучшая
- Beyond
- тело
- изоферменты печени
- граница
- Приносит
- Строительство
- бизнес
- но
- by
- призывают
- под названием
- Объявления
- CAN
- возможности
- возможности
- Пропускная способность
- захватить
- случаев
- случаев
- категории
- Вызывать
- Клетки
- определенный
- менялась
- изменения
- персонаж
- символы
- расходы
- Выберите
- Город
- Город
- требования
- класс
- классов
- классификация
- классифицированный
- классифицировать
- Очистить
- код
- лыжных шлемов
- Column
- Колонки
- Комментарии
- Компании
- Компания
- полный
- Заполненная
- сложность
- постигать
- сама концепция
- доверие
- настроить
- подключенный
- Рассматривать
- Консоли
- потребленный
- содержать
- содержит
- содержание
- контекст
- продолжать
- конвенций
- КОРПОРАЦИЯ
- Расходы
- может
- Создайте
- создали
- изготовленный на заказ
- Клиенты
- подгонянный
- данным
- обогащение данных
- управление данными
- ученый данных
- набор данных
- базы данных
- Наборы данных
- Время
- более глубокий
- По умолчанию
- определять
- определенный
- поставка
- Кафедра
- развертывание
- описывать
- обнаруживать
- обнаруженный
- Застройщик
- различный
- по-разному
- обсуждается
- Дисплей
- распределенный
- Разное
- дайвинг
- do
- документ
- Документация
- домен
- Дон
- Dont
- вниз
- два
- в течение
- e
- Е & Т
- каждый
- легко
- Простой в использовании
- Эффективный
- или
- el
- встроенный
- позволяет
- Конечная точка
- энергетика
- Проект и
- повышать
- расширение
- обогащать
- обогащение
- Предприятие
- предприятий
- лиц
- организация
- Окружающая среда
- ошибки
- существенный
- оценка
- развивается
- пример
- Примеры
- превышать
- Кроме
- исключение
- Эксклюзивные
- выполнение
- Выход
- ожидаемый
- Больше
- Исследование
- выражения
- продлить
- и, что лучший способ
- извлечение
- добыча
- фасеты
- XNUMX ошибка
- семья
- Особенность
- Особенности
- Обратная связь
- несколько
- Поля
- Файл
- Файлы
- Подача
- фильтр
- фильтрация
- фильтры
- в заключение
- Найдите
- Фирма
- First
- соответствовать
- фиксированной
- Фокус
- следовать
- после
- следующим образом
- Что касается
- форма
- формат
- формы
- частота
- от
- функция
- далее
- генерируется
- поколение
- генеративный
- Генеративный ИИ
- получить
- GitHub
- Расти
- Есть
- имеющий
- he
- здравоохранение
- помощь
- помощь
- помогает
- ее
- на высшем уровне
- высший
- наивысший
- очень
- его
- Главная
- Как
- How To
- HTML
- HTTPS
- i
- IDC
- идентифицированный
- определения
- if
- иллюстрирует
- изображений
- осуществлять
- Осуществляющий
- инвентарь
- in
- включают
- включения
- Увеличение
- повышение
- индекс
- индексированный
- individual
- информация
- Инфраструктура
- вход
- размышления
- пример
- страхование
- Умный
- интерес
- Мультиязычность
- Международная Корпорация Данных (IDC)
- в
- приглашать
- Запускает
- вовлеченный
- IT
- работа
- JSON
- знания
- этикетка
- Этикетки
- язык
- большой
- Поздно
- закон
- юридическая фирма
- УЧИТЬСЯ
- изучение
- наименее
- Оставлять
- оставил
- Длина
- ЖИЗНЬЮ
- такое как
- Вероятно
- ОГРАНИЧЕНИЯ
- Список
- Списки
- LLM
- логика
- дольше
- посмотреть
- любит
- машина
- обучение с помощью машины
- сделать
- ДЕЛАЕТ
- управлять
- управляемого
- управление
- менеджер
- вручную
- производство
- согласование
- Макс
- Май..
- смысл
- означает
- Медиа
- Встречайте
- Метаданные
- мин
- режим
- модель
- Модели
- момент
- монитор
- БОЛЕЕ
- самых
- с разными
- должен
- взаимно
- имя
- имена
- именования
- Узкий
- Необходимость
- необходимый
- потребности
- Новые
- НЛП
- нет
- ноутбук
- сейчас
- номер
- номера
- объект
- объекты
- наблюдать
- вхождение
- of
- on
- консолидировать
- ONE
- только
- Опция
- Опции
- or
- организация
- организации
- Другое
- наши
- внешний
- на открытом воздухе
- контуры
- внешнюю
- собственный
- страница
- пара
- страстный
- шаблон
- для
- Выполнять
- Разрешения
- штук
- одноцветный
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- игры
- Точка
- политика
- населенный
- часть
- возможное
- После
- Блог
- потенциал
- Питание
- привилегированный
- Подготовить
- подготовленный
- представлены
- предыдущий
- предварительно
- принцип
- Предварительный
- приоритет
- привилегия
- проблемам
- процесс
- обработка
- Произведенный
- Производство
- профессиональный
- предложило
- обеспечивать
- при условии
- Недвижимости
- поставщики
- приводит
- обеспечение
- Запросы
- быстро
- кавычки
- ранжирование
- Читать
- готовый
- реальные
- реального времени
- получила
- получает
- недавно
- признание
- признавать
- признанный
- рекомендовать
- относиться
- ссылка
- регулярный
- хранилище
- представлять
- обязательный
- Требования
- требуется
- исследованиям
- Полезные ресурсы
- результат
- Итоги
- возвращают
- обзоре
- Роли
- роли
- РЯД
- Run
- время выполнения
- то же
- Сохранить
- масштабирование
- Ученый
- Гол
- скрипт
- Поиск
- поиск
- поиск
- Во-вторых
- Раздел
- разделах
- безопасность
- посмотреть
- выберите
- старший
- предложение
- отдельный
- обслуживание
- Услуги
- набор
- Наборы
- она
- должен
- показывать
- показал
- показанный
- Шоу
- значительный
- простота
- упростить
- одинарной
- Сайтов
- Размер
- небольшой
- So
- Соцсети
- социальные сети
- Сообщения в социальных сетях
- Решение
- Решения
- РЕШАТЬ
- Источники
- Space
- конкретный
- конкретно
- указанный
- Расходы
- расколы
- распространение
- стандарт
- Шаг
- Шаги
- магазин
- хранить
- строка
- Материалы
- отправить
- такие
- поддержка
- Поддержка
- синхронизации.
- взять
- команда
- Технический
- тестXNUMX
- Тестирование
- текст
- чем
- который
- Ассоциация
- информация
- мир
- их
- Их
- тогда
- Там.
- Эти
- они
- вещи
- этой
- те
- порог
- Через
- пропускная способность
- время
- в
- топ
- трек
- Train
- специалистов
- Обучение
- Путешествие
- лечить
- пыталась
- стараться
- настроены
- два
- напишите
- Типы
- под
- нижнее подчеркивание
- созданного
- Ед. изм
- единиц
- нежелательный
- Обновление ПО
- использование
- прецедент
- используемый
- пользователей
- использования
- через
- действительный
- ценностное
- Наши ценности
- различный
- Огромная
- очень
- Вид
- Просмотры
- объем
- ждать
- хотеть
- хочет
- Путь..
- способы
- we
- Web
- веб-сервисы
- веб-сайты
- ЧТО Ж
- Что
- Что такое
- когда
- который
- в то время как
- белый
- будете
- в
- без
- слова
- Работа
- работает
- разработка
- работает
- Мир
- мире
- письмо
- письменный
- Ты
- ВАШЕ
- зефирнет