"Podatki, zaklenjeni v besedilu, zvoku, družbenih medijih in drugih nestrukturiranih virih, so lahko konkurenčna prednost za podjetja, ki ugotovijo, kako jih uporabiti."
Le 18 % organizacij v a Raziskava Deloitte za leto 2019 poročali, da lahko izkoristijo nestrukturirane podatke. Večina podatkov, med 80 % in 90 %, je nestrukturiranih podatkov. To je velik neizkoriščen vir, ki ima potencial, da podjetjem zagotovi konkurenčno prednost, če ugotovijo, kako ga uporabiti. Iz teh podatkov je lahko težko najti vpoglede, zlasti če se je treba potruditi za njihovo razvrstitev, označevanje ali označevanje. Amazonsko razumevanje klasifikacija po meri je lahko koristna v tej situaciji. Amazonsko razumevanje je storitev obdelave naravnega jezika (NLP), ki uporablja strojno učenje za odkrivanje dragocenih vpogledov in povezav v besedilu.
Kategorizacija ali klasifikacija dokumentov ima pomembne prednosti na vseh poslovnih področjih –
- Izboljšano iskanje in iskanje – S kategorizacijo dokumentov v ustrezne teme ali kategorije uporabnikom olajša iskanje in pridobivanje dokumentov, ki jih potrebujejo. Iščejo lahko znotraj določenih kategorij, da zožijo rezultate.
- Upravljanje znanja – Sistematično kategoriziranje dokumentov pomaga organizirati bazo znanja organizacije. Omogoča lažje iskanje ustreznih informacij in ogled povezav med sorodno vsebino.
- Poenostavljeni delovni tokovi – Samodejno razvrščanje dokumentov lahko pomaga racionalizirati številne poslovne procese, kot je obdelava računov, podpora strankam ali skladnost s predpisi. Dokumenti se lahko samodejno preusmerijo do pravih ljudi ali delovnih tokov.
- Prihranek stroškov in časa – Ročna kategorizacija dokumentov je dolgočasna, dolgotrajna in draga. Tehnike umetne inteligence lahko prevzamejo to vsakdanjo nalogo in kategorizirajo na tisoče dokumentov v kratkem času po veliko nižji ceni.
- Generiranje vpogleda – Analiza trendov v kategorijah dokumentov lahko zagotovi koristne poslovne vpoglede. Na primer, povečanje števila pritožb strank v kategoriji izdelkov lahko pomeni nekatere težave, ki jih je treba obravnavati.
- Upravljanje in uveljavljanje politike – Nastavitev pravil za kategorizacijo dokumentov pomaga zagotoviti, da so dokumenti pravilno razvrščeni v skladu s politikami in standardi upravljanja organizacije. To omogoča boljše spremljanje in revizijo.
- Prilagojene izkušnje – V kontekstih, kot je vsebina spletnega mesta, kategorizacija dokumentov omogoča, da se uporabnikom prikaže prilagojena vsebina na podlagi njihovih interesov in preferenc, kot je določeno na podlagi njihovega vedenja brskanja. To lahko poveča angažiranost uporabnikov.
Kompleksnost razvoja modela strojnega učenja klasifikacije po meri se razlikuje glede na različne vidike, kot so kakovost podatkov, algoritem, razširljivost in poznavanje domene, če jih omenimo le nekatere. Bistveno je, da začnete z jasno opredelitvijo problema, čistimi in ustreznimi podatki ter postopoma delate skozi različne stopnje razvoja modela. Vendar pa lahko podjetja ustvarijo lastne unikatne modele strojnega učenja z uporabo klasifikacije po meri Amazon Comprehend za samodejno razvrščanje besedilnih dokumentov v kategorije ali oznake, da izpolnijo specifične poslovne zahteve in preslikajo v poslovno tehnologijo in kategorije dokumentov. Ker človeško označevanje ali kategorizacija nista več potrebna, lahko to podjetjem prihrani veliko časa, denarja in dela. Ta proces smo poenostavili z avtomatizacijo celotnega cevovoda usposabljanja.
V prvem delu te objave v spletnem dnevniku z več serijami se boste naučili, kako ustvariti razširljiv cevovod usposabljanja in pripraviti podatke o usposabljanju za modele Comprehend Custom Classification. Predstavili bomo cevovod za usposabljanje klasifikatorjev po meri, ki ga je mogoče z nekaj kliki namestiti v vaš račun AWS. Uporabljamo nabor novic BBC in bomo usposabljali klasifikator za prepoznavanje razreda (npr. politika, šport), ki mu dokument pripada. Cevovod bo vaši organizaciji omogočil, da se hitro odzove na spremembe in usposobi nove modele, ne da bi morali vsakič začeti iz nič. Z lahkoto lahko razširite in usposobite več modelov glede na svoje zahteve.
Predpogoji
- Aktiven račun AWS (kliknite tukaj ustvariti nov račun AWS)
- Dostop do Amazon Comprehend, Amazon S3, Amazon Lambda, Amazon Step Function, Amazon SNS in Amazon CloudFormation
- Podatki o usposabljanju (polstruktura ali besedilo), pripravljeni v naslednjem razdelku
- Osnovno znanje o Pythonu in strojnem učenju na splošno
Pripravite podatke o usposabljanju
Ta rešitev lahko sprejme vnos bodisi besedilna oblika (ex. CSV) oz polstrukturiran format (ex. PDF).
Vnos besedila
Amazonsko razumevanje klasifikacija po meri podpira dva načina: več razredov in več oznak.
V večrazrednem načinu ima vsak dokument lahko dodeljen en in samo en razred. Podatke o usposabljanju je treba pripraviti kot datoteko CSV z dvema stolpcema, pri čemer vsaka vrstica datoteke vsebuje en razred in besedilo dokumenta, ki prikazuje razred.
Primer za Podatkovni niz novic BBC:
V načinu z več oznakami ima vsak dokument dodeljen vsaj en razred, lahko pa tudi več. Podatki o usposabljanju morajo biti kot datoteka CSV z dvema stolpcema, pri čemer vsaka vrstica datoteke vsebuje enega ali več razredov in besedilo dokumenta o usposabljanju. Več kot en razred je treba navesti z uporabo ločila med posameznimi razredi.
Nobena glava ne sme biti vključena v datoteko CSV za noben način usposabljanja.
Polstrukturiran vnos
Z letom 2023 Amazonsko razumevanje zdaj podpira modele usposabljanja z uporabo polstrukturiranih dokumentov. Podatki za usposabljanje za polstrukturni vnos so sestavljeni iz niza označenih dokumentov, ki so lahko vnaprej identificirani dokumenti iz repozitorija dokumentov, do katerega že imate dostop. Sledi primer podatkov CSV datoteke z opombami, potrebnih za usposabljanje (Vzorčni podatki):
Datoteka CSV z opombami vsebuje tri stolpce: prvi stolpec vsebuje oznako dokumenta, drugi stolpec je ime dokumenta (tj. ime datoteke), zadnji stolpec pa je številka strani dokumenta, ki ga želite vključiti v nabor podatkov o usposabljanju. V večini primerov, če se datoteka CSV z opombami nahaja v isti mapi z vsemi drugimi dokumenti, potem morate samo določiti ime dokumenta v drugem stolpcu. Če pa se datoteka CSV nahaja na drugem mestu, morate v drugem stolpcu podati pot do lokacije, kot je npr. path/to/prefix/document1.pdf
.
Za podrobnosti, kako pripraviti svoje podatke o vadbi, glejte tukaj.
Pregled rešitev
- Amazonsko razumevanje cevovod za usposabljanje se začne, ko se podatki o usposabljanju (datoteka .csv za vnos besedila in datoteka .csv z opombami za vnos polstrukture) naložijo v namensko storitev Amazon Simple Storage (Amazon S3) vedro.
- An AWS Lambda funkcijo prikliče Amazon S3 sproži tako, da vsakič, ko je predmet naložen v določeno Amazon S3 lokacija, funkcija AWS Lambda pridobi ime izvornega vedra in ime ključa naloženega predmeta ter ju posreduje usposabljanju stopenjska funkcija potek dela
- V funkciji koraka usposabljanja se po prejemu imena vedra s podatki o usposabljanju in imena ključa objekta kot vhodnih parametrov začne delovni potek usposabljanja modela po meri kot niz funkcij lambda, kot je opisano:
StartComprehendTraining
: Ta funkcija AWS Lambda definira aComprehendClassifier
predmet glede na vrsto vhodnih datotek (tj. besedilne ali polstrukturirane) in nato začne Amazonsko razumevanje nalogo usposabljanja klasifikacije po meri s klicem create_document_classifier Application Programming Interfact (API), ki vrne učna opravila Amazon Resource Names (ARN) . Nato ta funkcija s priklicem preveri status opravila usposabljanja describe_document_classifier API. Nazadnje vrne ARN delovnega mesta usposabljanja in status opravila kot izhod za naslednjo stopnjo delovnega toka usposabljanja.GetTrainingJobStatus
: Ta AWS Lambda vsakih 15 minut s klicem preveri status opravila usposabljanja describe_document_classifier API, dokler se stanje usposabljanja ne spremeni v Dokončano ali Neuspešno.GenerateMultiClass
orGenerateMultiLabel
: Če izberete ja za poročilo o uspešnosti ob zagonu sklada bo ena od teh dveh AWS Lambda zagnala analizo v skladu z izhodi vašega modela Amazon Comprehend, ki ustvari analizo uspešnosti na razred in jo shrani v Amazon S3.GenerateMultiClass
: Ta AWS Lambda bo poklican, če je vaš vnos MultiClass in izberete ja za poročilo o uspešnosti.GenerateMultiLabel
: Ta AWS Lambda bo poklican, če je vaš vnos MultiLabel in izberete ja za poročilo o uspešnosti.
- Ko je usposabljanje uspešno opravljeno, rešitev ustvari naslednje rezultate:
- Model klasifikacije po meri: usposobljen model ARN bo na voljo v vašem računu za prihodnje sklepanje.
- Matrika zmede [Opcijal]: matrika zmede (
confusion_matrix
.json) bo na voljo v uporabniško definiranem izhodu Amazon S3 pot, odvisno od izbire uporabnika. - Amazon Simple notification Service obvestilo [Opcijal]: naročnikom bo poslano e-poštno obvestilo o statusu usposabljanja, odvisno od začetne izbire uporabnika.
Walkthrough
Zagon rešitve
Za uvedbo cevovoda izvedite naslednje korake:
- Izberite Izstrelite sklad gumb:
- Izberite Naprej
- Podajte podrobnosti cevovoda z možnostmi, ki ustrezajo vašemu primeru uporabe:
Informacije za vsako podrobnost sklada:
- Ime sklada (obvezno) – ime, ki ste ga določili za to Oblikovanje oblaka AWS kup. Ime mora biti edinstveno v regiji, v kateri ga ustvarjate.
- Q01ClassifierInputBucketName (obvezno) – Ime vedra Amazon S3 za shranjevanje vaših vhodnih podatkov. To bi moralo biti globalno edinstveno ime in sklad AWS CloudFormation vam pomaga ustvariti vedro, medtem ko se zaganja.
- Q02ClassifierOutputBucketName (obvezno) – Ime vedra Amazon S3 za shranjevanje rezultatov iz Amazon Comprehend in cevovoda. Prav tako mora biti globalno edinstveno ime.
- Q03InputFormat – Spustni izbor, lahko izberete besedilo (če so vaši podatki o vadbi datoteke csv) oz polstruktura (če so vaši podatki o vadbi polstrukturirani [npr. datoteke PDF]) glede na vaš format vnosa podatkov.
- Q04Jezik – Spustni izbor, kjer izberete jezik dokumentov s podprtega seznama. Upoštevajte, da je trenutno podprta samo angleščina, če je vaša oblika vnosa polstrukturirana.
- Q05MultiClass – Spustni izbor, izberite ja če je vaš vnos način MultiClass. V nasprotnem primeru izberite št.
- Q06LabelDelimiter – Zahtevano le, če je vaš odgovor Q05MultiClass št. Ta ločilnik se uporablja v vaših podatkih o vadbi za ločevanje vsakega razreda.
- Q07ValidationDataset – Spustni izbor, spremenite odgovor ja če želite preizkusiti delovanje usposobljenega klasifikatorja z lastnimi testnimi podatki.
- Q08S3ValidationPath – Zahtevano le, če je vaš odgovor Q07ValidationDataset ja.
- Q09Poročilo o uspešnosti – Spustni izbor, izberite ja če želite ustvariti poročilo o uspešnosti na ravni razreda po usposabljanju modela. Poročilo bo shranjeno v določenem izhodnem vedru v Q02ClassifierOutputBucketName.
- Q10E-poštno obvestilo – Spustni izbor. Izberite ja če želite prejeti obvestilo po tem, ko je model usposobljen.
- Q11EmailID – Vnesite veljaven e-poštni naslov za prejemanje obvestil o poročilu o uspešnosti. Upoštevajte, da morate po zagonu sklada AWS CloudFormation potrditi naročnino iz svojega e-poštnega sporočila, preden lahko prejmete obvestilo, ko je usposabljanje končano.
- V razdelku Amazon Configure stack options dodajte izbirne oznake, dovoljenja in druge napredne nastavitve.
- Izberite Naslednji
- Preglejte podrobnosti o skladu in izberite Potrjujem, da Oblikovanje oblaka AWS lahko ustvari AWS IAM virov.
- Izberite Prijave se. To sproži uvajanje cevovoda v vašem računu AWS.
- Ko je sklad uspešno nameščen, lahko začnete uporabljati cevovod. Ustvariti
/training-data
mapo pod določeno lokacijo Amazon S3 za vnos. Opomba: Amazon S3 samodejno uporabi šifriranje na strani strežnika (SSE-S3) za vsak nov predmet, razen če podate drugačno možnost šifriranja. Prosimo, glejte Zaščita podatkov v Amazon S3 za več podrobnosti o zaščiti podatkov in šifriranju v Amazon S3.
- Naložite svoje podatke o vadbi v mapo. (Če so podatki o usposabljanju polstrukturirani, naložite vse datoteke PDF, preden naložite informacije o nalepki v formatu .csv).
Končal si! Uspešno ste razmestili svoj cevovod in lahko preverite stanje cevovoda v funkciji koraka razmestitve. (V svoji klasifikacijski plošči po meri Amazon Comprehend boste imeli usposobljen model).
Če izberete model in njegovo različico v notranjosti Amazonsko razumevanje Konzola, potem si lahko zdaj ogledate več podrobnosti o modelu, ki ste ga pravkar usposobili. Vključuje izbrani način, ki ustreza možnosti Q05MultiClass, število oznak ter število izobraženih in testnih dokumentov v vaših podatkih o usposabljanju. Spodaj lahko preverite tudi splošno uspešnost; če pa želite preveriti podrobno zmogljivost za vsak razred, si oglejte poročilo o uspešnosti, ki ga ustvari nameščeni cevovod.
Storitvene kvote
Vaš račun AWS ima privzete kvote za Amazonsko razumevanje in AmazonTextract, če so vnosi v obliki polstrukture. Za ogled kvot storitev glejte tukaj za Amazonsko razumevanje in tukaj za AmazonTextract.
Čiščenje
Da se izognete nenehnim bremenitvam, izbrišite vire, ki ste jih ustvarili kot del te rešitve, ko končate.
- o Amazon S3 konzolo, ročno izbrišite vsebino znotraj veder, ki ste jih ustvarili za vhodne in izhodne podatke.
- o Oblikovanje oblaka AWS konzolo, izberite Skladovnice v podoknu za krmarjenje.
- Izberite glavni sklad in izberite Brisanje.
To samodejno izbriše nameščeni sklad.
- Vaši usposobljeni Amazonsko razumevanje model klasifikacije po meri bo ostal v vašem računu. Če ga ne potrebujete več, v Amazonsko razumevanje konzolo, izbrišite ustvarjeni model.
zaključek
V tej objavi smo vam pokazali koncept razširljivega cevovoda za usposabljanje Amazonsko razumevanje modele klasifikacije po meri in zagotavljanje avtomatizirane rešitve za učinkovito usposabljanje novih modelov. The Oblikovanje oblaka AWS Priložena predloga vam omogoča, da brez napora ustvarite lastne modele klasifikacije besedila, ki ustrezajo lestvicam povpraševanja. Rešitev sprejme nedavno napovedano funkcijo Euclid in sprejema vnose v besedilni ali polstrukturirani obliki.
Zdaj vas, naše bralce, spodbujamo, da preizkusite ta orodja. Več podrobnosti o priprava podatkov o usposabljanju in razumeti meritve klasifikatorja po meri. Preizkusite in se iz prve roke prepričajte, kako lahko poenostavi vaš proces usposabljanja modela in poveča učinkovitost. Prosimo, delite svoje povratne informacije z nami!
O avtorjih
Sandeep Singh je višji podatkovni znanstvenik pri AWS Professional Services. Strastno želi pomagati strankam pri inovacijah in doseganju njihovih poslovnih ciljev z razvojem najsodobnejših rešitev, ki temeljijo na AI/ML. Trenutno je osredotočen na Generative AI, LLMs, prompt inženiring in skaliranje strojnega učenja v podjetjih. Prinaša nedavni napredek AI, da ustvari vrednost za stranke.
Yanyan Zhang je višji podatkovni znanstvenik v skupini za dostavo energije pri AWS Professional Services. Strastno želi pomagati strankam pri reševanju resničnih težav z znanjem AI/ML. Nedavno se je osredotočila na raziskovanje potenciala Generative AI in LLM. Zunaj službe obožuje potovanja, telovadbo in raziskovanje novih stvari.
Wrick Talukdar je višji arhitekt pri skupini Amazon Comprehend Service. Sodeluje s strankami AWS, da bi jim pomagal sprejeti strojno učenje v velikem obsegu. Poleg dela se ukvarja z branjem in fotografijo.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
- PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
- PlatoESG. Avtomobili/EV, Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
- ChartPrime. Izboljšajte svojo igro trgovanja s ChartPrime. Dostopite tukaj.
- BlockOffsets. Posodobitev okoljskega offset lastništva. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/build-a-classification-pipeline-with-amazon-comprehend-custom-classification-part-i/
- :ima
- : je
- $GOR
- 1
- 100
- 11
- 15%
- 2023
- 24
- 26%
- 7
- 9
- a
- Sposobna
- O meni
- Sprejema
- dostop
- Po
- Račun
- Doseči
- potrditi
- čez
- aktivna
- dodajte
- Naslov
- naslovljena
- sprejme
- napredno
- napredek
- Prednost
- po
- AI
- AI / ML
- algoritem
- vsi
- omogoča
- že
- Prav tako
- Amazon
- Amazonsko razumevanje
- Amazon Web Services
- an
- Analiza
- analiziranje
- in
- razglasitve
- odgovor
- več
- API
- uporaba
- velja
- SE
- AS
- vidiki
- dodeljena
- At
- audio
- revidiranje
- Avtomatizirano
- Samodejno
- samodejno
- avtomatizacija
- Na voljo
- izogniti
- stran
- AWS
- Oblikovanje oblaka AWS
- AWS Lambda
- Strokovne storitve AWS
- baza
- temeljijo
- Dnevnik
- BE
- bilo
- pred
- vedenje
- počutje
- pripada
- spodaj
- Prednosti
- po naročilu
- Boljše
- med
- Big
- Blog
- Prinaša
- Brskanje
- izgradnjo
- poslovni
- podjetja
- vendar
- Gumb
- by
- se imenuje
- kliče
- CAN
- primeru
- primeri
- kategorije
- kategoriziranje
- Kategorija
- spremenite
- Spremembe
- Stroški
- preveriti
- Pregledi
- Izberite
- izbiri
- razred
- razredi
- Razvrstitev
- razvrščeni
- Razvrsti
- jasno
- klik
- zbiranje
- Stolpec
- Stolpci
- konkurenčno
- Pritožbe
- dokončanje
- Končana
- kompleksnost
- skladnost
- razumeti
- Sestavljeno
- Koncept
- Potrdi
- zmeda
- povezave
- Konzole
- Vsebuje
- vsebina
- Vsebina
- kontekstih
- ustreza
- strošek
- bi
- ustvarjajo
- Ustvarite vrednost
- ustvaril
- Ustvarjanje
- Trenutno
- po meri
- stranka
- Pomoč strankam
- Stranke, ki so
- datum
- Varstvo podatkov
- podatkovni znanstvenik
- namenjen
- privzeto
- opredeljen
- Določa
- opredelitev
- dostava
- deloitte
- Povpraševanje
- dokazuje,
- Odvisno
- razporedi
- razporejeni
- uvajanje
- opisano
- Podatki
- podrobno
- Podrobnosti
- določi
- razvoju
- Razvoj
- drugačen
- težko
- dokument
- Dokumenti
- Dollar
- domena
- domen
- opravljeno
- dont
- navzdol
- e
- vsak
- lažje
- enostavno
- Edge
- učinkovitosti
- učinkovito
- truda
- prizadevanja
- bodisi
- E-naslov
- omogočajo
- spodbujanje
- šifriranje
- energija
- sodelovanje
- Inženiring
- Angleščina
- okrepi
- zagotovitev
- Vnesite
- podjetja
- bistvena
- Evropa
- Tudi vsak
- Primer
- drago
- Raziskovati
- ni uspelo
- Feature
- povratne informacije
- Nekaj
- Slika
- file
- datoteke
- končno
- Najdi
- podjetja
- prva
- opremljanje
- Osredotočite
- osredotočena
- po
- za
- format
- iz
- funkcija
- funkcije
- Prihodnost
- ustvarjajo
- ustvarila
- ustvarja
- generativno
- Generativna AI
- Daj
- Globalno
- upravljanje
- postopoma
- Imajo
- ob
- he
- pomoč
- pomoč
- Pomaga
- jo
- Kako
- Kako
- Vendar
- HTML
- HTTPS
- človeškega
- i
- identificirati
- if
- in
- vključujejo
- vključeno
- vključuje
- Povečajte
- naveden
- Podatki
- začetna
- Iniciatorji
- inovacije
- vhod
- vhodi
- v notranjosti
- vpogledi
- interesi
- v
- uvesti
- sklican
- Vprašanja
- IT
- ITS
- Job
- jpg
- json
- samo
- Ključne
- znanje
- label
- Oznake
- dela
- jezik
- velika
- Zadnja
- začela
- začetek
- UČITE
- učenje
- vsaj
- kot
- vrstica
- Seznam
- LLM
- nahaja
- kraj aktivnosti
- zaklenjeno
- več
- Sklop
- ljubi
- nižje
- stroj
- strojno učenje
- je
- Glavne
- Večina
- IZDELA
- Navodilo
- ročno
- več
- map
- Matrix
- Maj ..
- mediji
- Srečati
- morda
- Minute
- način
- Model
- modeli
- načini
- Denar
- spremljanje
- več
- Najbolj
- Mountain
- veliko
- več
- morajo
- Ime
- Imena
- ozek
- ostalo
- potrebno
- Nimate
- potrebna
- Novo
- novice
- Naslednja
- nlp
- št
- Obvestilo
- zdaj
- Številka
- predmet
- Cilji
- of
- on
- ONE
- v teku
- samo
- Možnost
- možnosti
- or
- Organizacija
- organizacije
- Ostalo
- drugače
- naši
- ven
- izhod
- zunaj
- več
- Splošni
- lastne
- Stran
- podokno
- plošča
- parametri
- del
- zlasti
- mimo
- strastno
- pot
- ljudje
- za
- performance
- Dovoljenja
- fotografija
- plinovod
- platon
- Platonova podatkovna inteligenca
- PlatoData
- prosim
- politike
- politika
- politika
- mogoče
- Prispevek
- potencial
- poganja
- nastavitve
- Pripravimo
- pripravljeni
- problem
- Težave
- Postopek
- Procesi
- obravnavati
- Izdelek
- strokovni
- Programiranje
- zaščita
- zagotavljajo
- če
- zagotavljanje
- Python
- kakovost
- hitro
- bralci
- reading
- pravo
- prejeti
- prejema
- nedavno
- Pred kratkim
- glejte
- okolica
- regulatorni
- Skladnost z zakonodajo
- povezane
- pomembno
- ostajajo
- poročilo
- Prijavljeno
- Skladišče
- obvezna
- Zahteve
- vir
- viri
- Odzove
- Rezultati
- vrne
- Pravica
- pravila
- Run
- Enako
- Shrani
- shranjena
- Prilagodljivost
- razširljive
- Lestvica
- luske
- skaliranje
- Znanstvenik
- praska
- Iskalnik
- drugi
- Oddelek
- glej
- izbor
- višji
- poslan
- ločena
- Serija
- Storitev
- Storitve
- nastavite
- nastavitev
- nastavitve
- Delite s prijatelji, znanci, družino in partnerji :-)
- je
- Kratke Hlače
- shouldnt
- je pokazala,
- pokazale
- pomemben
- pomenijo
- Enostavno
- sam
- Razmere
- socialna
- družbeni mediji
- Rešitev
- rešitve
- SOLVE
- nekaj
- vir
- Viri
- specifična
- določeno
- Šport
- sveženj
- Stage
- postopka
- standardi
- Začetek
- začne
- state-of-the-art
- Status
- Korak
- Koraki
- shranjevanje
- trgovina
- racionalizirati
- naročniki
- naročnina
- Kasneje
- Uspešno
- taka
- podpora
- Podprti
- Podpira
- Anketa
- TAG
- prilagojene
- Bodite
- Naloga
- skupina
- tech
- tehnike
- Tehnologija
- Predloga
- Test
- besedilo
- Razvrstitev besedil
- kot
- da
- O
- Vir
- njihove
- Njih
- POTEM
- te
- jih
- stvari
- ta
- tisoče
- 3
- skozi
- čas
- zamudno
- do
- orodja
- Teme
- Vlak
- usposobljeni
- usposabljanje
- Potovanje
- Trends
- sprožijo
- poskusite
- dva
- tip
- odkrijte
- pod
- razumeli
- edinstven
- neizkoriščen
- dokler
- naložili
- Prenos
- us
- uporaba
- primeru uporabe
- Rabljeni
- uporabnik
- Uporabniki
- uporablja
- uporabo
- dragocene
- vrednost
- raznolikost
- različica
- Poglej
- želeli
- način..
- we
- web
- spletne storitve
- Spletna stran
- kdaj
- ki
- medtem
- celoti
- bo
- z
- v
- brez
- delo
- potek dela
- delovnih tokov
- deluje
- telovaditi
- deluje
- Vi
- Vaša rutina za
- zefirnet
- Zip