Odkrivanje goljufij je pomemben problem, ki se uporablja v finančnih storitvah, družbenih medijih, e-trgovini, igrah in drugih panogah. Ta objava predstavlja implementacijo rešitve za odkrivanje goljufij z uporabo modela RGCN (Relational Graph Convolutional Network) za napovedovanje verjetnosti, da je transakcija goljufiva, prek transduktivnega in induktivnega načina sklepanja. Našo izvedbo lahko uvedete v Amazon SageMaker končna točka kot rešitev za odkrivanje goljufij v realnem času, brez potrebe po zunanjem shranjevanju grafov ali orkestraciji, s čimer se bistveno zmanjšajo stroški uvedbe modela.
Podjetja, ki iščejo popolnoma upravljano storitev AI AWS za odkrivanje goljufij, lahko uporabljajo tudi Amazonski detektor prevare, ki ga lahko uporabite za prepoznavanje sumljivih spletnih plačil, odkrivanje novih goljufij z računi, preprečevanje poskusov in zlorab programa zvestobe ali izboljšanje odkrivanja prevzema računa.
Pregled rešitev
Naslednji diagram opisuje vzorčno omrežje finančnih transakcij, ki vključuje različne vrste informacij. Vsaka transakcija vsebuje informacije, kot so identifikatorji naprav, ID-ji Wi-Fi, naslovi IP, fizične lokacije, telefonske številke in drugo. Podatkovne nize transakcij predstavljamo prek heterogenega grafa, ki vsebuje različne vrste vozlišč in robov. Nato se problem odkrivanja prevar obravnava kot naloga klasifikacije vozlišč na tem heterogenem grafu.
Nevronske mreže Graph (GNN) so pokazale veliko obetavnost pri reševanju težav z odkrivanjem goljufij, saj so prekašale priljubljene metode nadzorovanega učenja, kot so odločitvena drevesa s povečanim gradientom ali popolnoma povezana omrežja za posredovanje podatkov pri primerjalnih nizih podatkov. V tipični postavitvi za odkrivanje prevar se med fazo usposabljanja model GNN uri na nizu označenih transakcij. Vsaka transakcija usposabljanja je opremljena z binarno oznako, ki označuje, ali je goljufiva. Ta usposobljeni model se lahko nato uporabi za odkrivanje goljufivih transakcij med nizom neoznačenih transakcij med fazo sklepanja. Obstajata dva različna načina sklepanja: transduktivno sklepanje proti induktivnemu sklepanju (o katerem bomo več razpravljali kasneje v tej objavi).
Modeli, ki temeljijo na GNN, kot je RGCN, lahko izkoristijo topološke informacije in združujejo strukturo grafa ter lastnosti vozlišč in robov, da se naučijo smiselne predstavitve, ki zlonamerne transakcije loči od zakonitih transakcij. RGCN se lahko učinkovito nauči predstavljati različne vrste vozlišč in robov (relacije) prek vdelave heterogenega grafa. V prejšnjem diagramu je vsaka transakcija modelirana kot ciljno vozlišče in več entitet, povezanih z vsako transakcijo, je modeliranih kot neciljne vrste vozlišč, kot je ProductCD
in P_emaildomain
. Ciljna vozlišča imajo dodeljene numerične in kategorične lastnosti, medtem ko so druge vrste vozlišč brez funkcij. Model RGCN se nauči vdelave za vsako vrsto neciljnega vozlišča. Za vdelavo ciljnega vozlišča se uporabi konvolucijska operacija za izračun njegove vdelave z uporabo njegovih funkcij in vdelav soseščine. V preostalem delu objave uporabljamo izraza GNN in RGCN zamenljivo.
Treba je omeniti, da bi bile alternativne strategije, kot je obravnavanje neciljnih entitet kot funkcij in njihovo enkratno kodiranje, pogosto neizvedljive zaradi velikih kardinalnosti teh entitet. Nasprotno pa njihovo kodiranje kot entitet grafa omogoča modelu GNN, da izkoristi prednost implicitne topologije v razmerjih entitet. Na primer, transakcije, ki delijo telefonsko številko z znanimi goljufivimi transakcijami, so bolj verjetno tudi goljufive.
Predstavitev grafa, ki jo uporabljajo GNN, povzroča nekaj zapletenosti pri njihovi izvedbi. To še posebej velja za aplikacije, kot je odkrivanje goljufij, v katerih se lahko predstavitev grafa med sklepanjem poveča z na novo dodanimi vozlišči, ki ustrezajo entitetam, ki med usposabljanjem modela niso bile znane. Ta scenarij sklepanja se običajno imenuje induktivni način. V nasprotju s tem transduktivni način je scenarij, ki predvideva, da se predstavitev grafa, izdelana med usposabljanjem modela, med sklepanjem ne bo spremenila. Modeli GNN so pogosto ovrednoteni v transduktivnem načinu s konstruiranjem grafičnih predstavitev iz kombiniranega nabora primerov za usposabljanje in preizkusov, medtem ko se testne oznake prikrijejo med povratnim širjenjem. To zagotavlja, da je predstavitev grafa statična in tam model GNN ne zahteva izvajanja operacij za razširitev grafa z novimi vozlišči med sklepanjem. Na žalost pri odkrivanju goljufivih transakcij v resničnem okolju ni mogoče domnevati predstavitve statičnega grafa. Zato je pri uvajanju modelov GNN za odkrivanje goljufij v produkcijska okolja potrebna podpora za induktivno sklepanje.
Poleg tega je odkrivanje goljufivih transakcij v realnem času ključnega pomena, zlasti v poslovnih primerih, kjer obstaja le ena možnost za zaustavitev nezakonitih dejavnosti. Goljufivi uporabniki se lahko na primer zlonamerno obnašajo z računom in nikoli več ne uporabijo istega računa. Sklepanje v realnem času na modelih GNN uvaja dodatno kompleksnost v implementacijo. Pogosto je treba izvajati operacije ekstrakcije podgrafov, da bi podprli sklepanje v realnem času. Operacija ekstrakcije podgrafa je potrebna za zmanjšanje zakasnitve sklepanja, ko je predstavitev grafa velika in izvajanje sklepanja na celotnem grafu postane prehibo drago. Algoritem za induktivno sklepanje v realnem času z modelom RGCN deluje takole:
- Glede na paket transakcij in usposobljen model RGCN razširite predstavitev grafa z entitetami iz paketa.
- Dodelite vdelane vektorje novih neciljnih vozlišč s srednjim vdelanim vektorjem njihove ustrezne vrste vozlišč.
- Izvlecite podgraf, induciran z k-hop out-neighborhood ciljnih vozlišč iz serije.
- Izvedite sklepanje na podgrafu in vrnite rezultate napovedi za ciljna vozlišča paketa.
- Očistite predstavitev grafa z odstranitvijo na novo dodanih vozlišč (ta korak zagotavlja, da zahteva po pomnilniku za sklepanje modela ostane nespremenjena).
Ključni prispevek te objave je predstavitev modela RGCN, ki izvaja algoritem induktivnega sklepanja v realnem času. Našo implementacijo RGCN lahko uvedete na končno točko SageMaker kot rešitev za odkrivanje goljufij v realnem času. Naša rešitev ne zahteva zunanjega shranjevanja grafov ali orkestracije in znatno zmanjša stroške uvedbe modela RGCN za naloge odkrivanja goljufij. Model izvaja tudi način transduktivnega sklepanja, kar nam omogoča izvajanje poskusov za primerjavo delovanja modela v induktivnem in transduktivnem načinu. Do kode modela in zvezkov z eksperimenti lahko dostopate na Primeri AWS GitHub repo.
Ta objava temelji na objavi Zgradite rešitev za odkrivanje goljufij v realnem času, ki temelji na GNN, z uporabo Amazon SageMaker, Amazon Neptune in Deep Graph Library. Prejšnja objava je z uporabo SageMakerja zgradila rešitev za odkrivanje goljufij v realnem času, ki temelji na RGCN, Amazonski NeptunIn Knjižnica globokih grafov (DGL). Prejšnja rešitev je kot zahtevano zunanjo shrambo grafov uporabljala bazo podatkov Neptune AWS Lambda za orkestracijo za sklepanje v realnem času in vključuje samo poskuse v transduktivnem načinu.
Model RGCN, predstavljen v tej objavi, izvaja vse operacije algoritma induktivnega sklepanja v realnem času z uporabo samo DGL kot odvisnosti in ne zahteva zunanjega shranjevanja grafov ali orkestracije za uvajanje.
Najprej ocenimo delovanje modela RGCN v transduktivnem in induktivnem načinu na primerjalnem nizu podatkov. Kot je bilo pričakovano, je zmogljivost modela v induktivnem načinu nekoliko nižja kot v transduktivnem načinu. Preučujemo tudi učinek hiperparametra k o zmogljivosti modela. Hiperparameter k nadzoruje število skokov, izvedenih za ekstrahiranje podgrafa v 3. koraku algoritma za sklepanje v realnem času. Višje vrednosti k bo proizvedel večje podgrafe in lahko privede do boljše zmogljivosti sklepanja na račun večje zakasnitve. Kot taki izvajamo tudi časovne poskuse, da ocenimo izvedljivost modela RGCN za aplikacijo v realnem času.
Podatkovni niz
Mi uporabljamo Podatkovni niz IEEE-CIS, isti nabor podatkov, ki je bil uporabljen v prejšnjem objava. Nabor podatkov vsebuje več kot 590,000 zapisov transakcij, ki imajo binarno oznako goljufije (the isFraud
stolpec). Podatki so razdeljeni v dve tabeli: transakcijo in identiteto. Vendar pa vsi zapisi transakcij nimajo ustreznih informacij o identiteti. Združimo dve mizi na TransactionID
stolpec, kar nam pušča skupno 144,233 zapisov transakcij. Tabelo razvrstimo po časovnem žigu transakcije ( TransactionDT
stolpec) in ustvarite odstotek 80/20, razdeljen na čas, kar ustvari 115,386 oziroma 28,847 transakcij za usposabljanje oziroma testiranje.
Za več podrobnosti o naboru podatkov in o tem, kako ga oblikovati, da bo ustrezal vnosnim zahtevam DGL, glejte Odkrivanje goljufij v heterogenih omrežjih s pomočjo Amazon SageMaker in knjižnice Deep Graph.
Konstrukcija grafa
Mi uporabljamo TransactionID
stolpec za ustvarjanje ciljnih vozlišč. Za ustvarjanje 11 vrst neciljnih vozlišč uporabljamo naslednje stolpce:
card1
skozicard6
ProductCD
addr1
inaddr2
P_emaildomain
inR_emaildomain
Kot kategorične značilnosti ciljnih vozlišč uporabljamo 38 stolpcev:
M1
skoziM9
DeviceType
inDeviceInfo
id_12
skoziid_38
Kot numerične značilnosti ciljnih vozlišč uporabljamo 382 stolpcev:
TransactionAmt
dist1
indist2
id_01
skoziid_11
C1
skoziC14
D1
skoziD15
V1
skoziV339
Naš graf, sestavljen iz transakcij usposabljanja, vsebuje 217,935 vozlišč in 2,653,878 robov.
Hiperparametri
Drugi parametri so nastavljeni tako, da se ujemajo s parametri, navedenimi v prejšnjem objava. Naslednji delček ponazarja urjenje modela RGCN v transduktivnem in induktivnem načinu:
Induktivni proti transduktivnemu načinu
Izvajamo pet poskusov za induktivni in pet poskusov za transduktivni način. Za vsak poskus usposobimo model RGCN in ga shranimo na disk, tako da dobimo 10 modelov. Vsak model ocenimo na testnih primerih ob povečevanju števila skokov (parameter k), ki se uporablja za ekstrahiranje podgrafa za sklepanje, nastavitev k na 1, 2 in 3. Napovedujemo na vseh testnih primerih hkrati in izračunamo rezultat ROC AUC za vsak poskus. Naslednji diagram prikazuje povprečje in 95-odstotne intervale zaupanja rezultatov AUC.
Vidimo lahko, da je zmogljivost v transduktivnem načinu nekoliko višja kot v induktivnem načinu. Za k=2, so povprečni rezultati AUC za induktivni in transduktivni način 0.876 oziroma 0.883. To je pričakovano, ker se model RGCN lahko nauči vdelav vseh vozlišč entitet v transduktivnem načinu, vključno s tistimi v testnem nizu. Nasprotno pa induktivni način modelu omogoča samo učenje vdelav vozlišč entitet, ki so prisotna v primerih usposabljanja, zato morajo biti nekatera vozlišča med sklepanjem zapolnjena s srednjo vrednostjo. Hkrati padec zmogljivosti med transduktivnim in induktivnim načinom ni pomemben in tudi v induktivnem načinu model RGCN dosega dobro zmogljivost z AUC 0.876. Opazimo tudi, da se zmogljivost modela ne izboljša za vrednosti k>2. To pomeni to nastavitev k=2 bi med sklepanjem izluščil dovolj velik podgraf, kar bi imelo za posledico optimalno delovanje. To ugotovitev potrjuje tudi naš naslednji poskus.
Prav tako je treba omeniti, da je za transduktivni način AUC našega modela 0.883 višja od ustrezne AUC 0.870, navedene v prejšnjem objava. Uporabljamo več stolpcev kot numerične in kategorične značilnosti ciljnih vozlišč, kar lahko pojasni višjo oceno AUC. Ugotavljamo tudi, da so poskusi v prejšnji objavi izvedli samo en poskus.
Sklepanje o majhni seriji
Za ta poskus ovrednotimo model RGCN v nastavitvi sklepanja majhne serije. Uporabljamo pet modelov, ki smo jih v prejšnjem poskusu učili v induktivnem načinu. Učinkovitost teh modelov primerjamo pri napovedovanju v dveh nastavitvah: popolnem in majhnem serijskem sklepanju. Za popolno skupinsko sklepanje predvidevamo na celotnem testnem nizu, kot je bilo storjeno v prejšnjem poskusu. Za sklepanje o majhnih serijah predvidevamo v majhnih serijah tako, da preskusni niz razdelimo na 28 enako velikih paketov s približno 1,000 transakcijami v vsakem paketu. Izračunamo rezultate AUC za obe nastavitvi z uporabo različnih vrednosti k. Naslednji diagram prikazuje povprečje in 95-odstotne intervale zaupanja za nastavitve sklepanja celotne in majhne serije.
To uspešnost opazujemo pri sklepanju majhnih serij, ko k=1 je nižja kot za celotno serijo. Vendar pa se zmogljivost sklepanja majhne serije ujema s celotno serijo k>1. To je mogoče pripisati veliko manjšim podgrafom, ekstrahiranim za majhne serije. To potrdimo s primerjavo velikosti podgrafov z velikostjo celotnega grafa, sestavljenega iz transakcij usposabljanja. Velikosti grafov primerjamo glede na število vozlišč. Za k=1, je povprečna velikost podgrafa za sklepanje majhnih serij manjša od 2 % učnega grafa. In za popolno skupinsko sklepanje, kdaj k=1, velikost podgrafa je 22 %. Kdaj k=2 sta velikosti podgrafa za sklepanje majhnega in polnega paketa 54 % oziroma 64 %. Končno, velikosti podgrafov za obe nastavitvi sklepanja dosežejo 100 % za k=3. Z drugimi besedami, kdaj k>1 postane podgraf za majhno serijo dovolj velik, kar omogoča sklepanje majhne serije, da doseže enako zmogljivost kot sklepanje celotne serije.
Za vsako serijo zabeležimo tudi zakasnitev napovedi. Naše poskuse izvajamo na ml.r5.12xlarge instanci, vendar lahko za izvajanje istih poskusov uporabite manjši primerek s 64 G pomnilnika. Naslednji diagram prikazuje povprečje in 95-odstotne intervale zaupanja zakasnitev napovedovanja majhnih serij za različne vrednosti k.
Zakasnitev vključuje vseh pet korakov algoritma za induktivno sklepanje v realnem času. To vidimo, ko k=2, predvidevanje za 1,030 transakcij v povprečju traja 5.4 sekunde, rezultat pa je pretok 190 transakcij na sekundo. To potrjuje, da je izvedba modela RGCN primerna za odkrivanje goljufij v realnem času. Ugotavljamo tudi, da prejšnji objava ni zagotovil vrednosti trde zakasnitve za njihovo izvedbo.
zaključek
Model RGCN, izdan s to objavo, izvaja algoritem za induktivno sklepanje v realnem času in ne zahteva zunanjega shranjevanja grafov ali orkestracije. Parameter k v 3. koraku algoritma določa število skokov, izvedenih za ekstrahiranje podgrafa za sklepanje, rezultat pa je kompromis med natančnostjo modela in zakasnitvijo napovedi. Uporabili smo Podatkovni niz IEEE-CIS v naših poskusih in empirično potrdili, da je optimalna vrednost parametra k za ta nabor podatkov je 2, doseganje ocene AUC 0.876 in zakasnitev napovedi manj kot 6 sekund na 1,000 transakcij.
Ta objava je zagotovila postopek po korakih za usposabljanje in ocenjevanje modela RGCN za odkrivanje goljufij v realnem času. Vključen razred modela izvaja metode za celoten življenjski cikel modela, vključno z metodami serializacije in deserializacije. To omogoča uporabo modela za odkrivanje goljufij v realnem času. Model lahko usposobite kot ocenjevalec PyTorch SageMaker in ga nato uvedete v končno točko SageMaker z uporabo naslednjega prenosnik kot predlogo. Končna točka lahko napove goljufije pri majhnih serijah neobdelanih transakcij v realnem času. Uporabite lahko tudi Amazon SageMaker Inference Recommender da izberete najboljšo vrsto primerka in konfiguracijo za končno točko sklepanja glede na vaše delovne obremenitve.
Za več informacij o tej temi in izvajanju vas spodbujamo, da sami raziščete in preizkusite naše skripte. Do zvezkov in povezane kode razreda modela lahko dostopate iz Primeri AWS GitHub repo.
O avtorjih
Dmitrij Bespalov je višji aplikativni znanstvenik v laboratoriju Amazon Machine Learning Solutions Lab, kjer strankam AWS v različnih panogah pomaga pospešiti uvajanje umetne inteligence in oblaka.
Ryan Brand je uporabni znanstvenik v laboratoriju Amazon Machine Learning Solutions Lab. Ima posebne izkušnje z uporabo strojnega učenja pri problemih v zdravstvu in znanostih o življenju. V prostem času rad bere zgodovino in znanstveno fantastiko.
Yanjun Qi je višji vodja uporabnih znanosti v Amazon Machine Learning Solution Lab. Uvaja inovacije in uporablja strojno učenje, da bi strankam AWS pomagala pospešiti njihovo umetno inteligenco in uporabo v oblaku.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/build-a-gnn-based-real-time-fraud-detection-solution-using-the-deep-graph-library-without-using-external-graph-storage/
- 000
- 1
- 10
- 100
- 11
- 2%
- 28
- 7
- 95%
- a
- Sposobna
- O meni
- zloraba
- pospeši
- dostop
- dostopna
- Račun
- natančnost
- Dosega
- doseganju
- čez
- dejavnosti
- dodano
- Poleg tega
- Dodatne
- naslovi
- Sprejetje
- Prednost
- AI
- algoritem
- vsi
- omogoča
- alternativa
- Amazon
- Strojno učenje Amazon
- Amazonski Neptun
- Amazon SageMaker
- med
- in
- uporaba
- aplikacije
- uporabna
- Uporaba
- približno
- Array
- dodeljena
- povezan
- domnevajo
- Povečana
- povprečno
- AWS
- temeljijo
- ker
- postane
- počutje
- merilo
- primerjalna analiza
- BEST
- Boljše
- med
- blagovne znamke
- izgradnjo
- Gradi
- zgrajena
- poslovni
- opravlja
- primeri
- priložnost
- spremenite
- razred
- Razvrstitev
- Cloud
- sprejem v oblak
- Koda
- Stolpec
- Stolpci
- kombinirani
- združevanje
- primerjate
- primerjavo
- kompleksnost
- Izračunajte
- Ravnanje
- zaupanje
- konfiguracija
- Potrdi
- POTRJENO
- povezane
- stalna
- gradnjo
- Gradbeništvo
- Vsebuje
- kontrast
- Prispevek
- Nadzor
- Ustrezno
- strošek
- ustvarjajo
- ustvari
- ključnega pomena
- Stranke, ki so
- datum
- Baze podatkov
- nabor podatkov
- Odločitev
- globoko
- privzeto
- opredeljen
- Odvisnost
- razporedi
- uvajanja
- uvajanje
- Podrobnosti
- Odkrivanje
- naprava
- dgl
- DID
- drugačen
- razpravlja
- Ne
- Drop
- med
- vsak
- elektronskem poslovanju
- učinek
- učinkovito
- omogoča
- omogočanje
- spodbujanje
- Končna točka
- zagotavlja
- Celotna
- subjekti
- entiteta
- okolja
- zlasti
- oceniti
- ocenili
- ocenjevanje
- Tudi
- Tudi vsak
- Primer
- Primeri
- Pričakuje
- drago
- izkušnje
- poskus
- Pojasnite
- raziskuje
- razširiti
- zunanja
- ekstrakt
- Lastnosti
- Fiction
- končno
- finančna
- finančne storitve
- prva
- po
- sledi
- format
- goljufija
- odkrivanje goljufij
- goljufiva
- brezplačno
- iz
- polno
- v celoti
- igre na srečo
- ustvarjajo
- dobili
- GitHub
- dobro
- graf
- veliko
- Trdi
- zdravstveno varstvo
- pomoč
- Pomaga
- več
- zgodovina
- Kako
- Kako
- Vendar
- HTML
- HTTPS
- identificirati
- identiteta
- nezakonito
- izvajati
- Izvajanje
- izvajanja
- izvedbe
- uvoz
- Pomembno
- izboljšanje
- in
- V drugi
- vključeno
- vključuje
- Vključno
- narašča
- industrij
- Podatki
- vhod
- primer
- Uvedeno
- Predstavlja
- IP
- IP naslovi
- IT
- pridružite
- Ključne
- znano
- lab
- label
- Oznake
- velika
- večja
- Latenca
- vodi
- UČITE
- učenje
- Knjižnica
- življenje
- Life Sciences
- življenski krog
- Verjeten
- obremenitev
- Lokacije
- si
- Zvestoba
- program zvestobe
- stroj
- strojno učenje
- upravitelj
- Stave
- smiselna
- mediji
- Spomin
- Metode
- ML
- način
- Model
- modeli
- načini
- več
- potrebno
- Neptun
- mreža
- omrežij
- nevronske mreže
- Novo
- Naslednja
- Vozel
- vozlišča
- Številka
- številke
- opazujejo
- pridobitev
- ONE
- na spletu
- spletne plačila
- Delovanje
- operacije
- optimalna
- orkestracijo
- Ostalo
- več kot uspešen
- lastne
- pand
- parameter
- parametri
- opravil
- Plačila
- odstotek
- Izvedite
- performance
- izvajati
- faza
- telefon
- fizično
- platon
- Platonova podatkovna inteligenca
- PlatoData
- Popular
- Prispevek
- napovedati
- napovedovanje
- napoved
- predstaviti
- darila
- preprečiti
- prejšnja
- Predhodna
- problem
- Težave
- Postopek
- proizvodnjo
- proizvodnja
- Program
- Obljuba
- zagotavljajo
- če
- pitorha
- Qi
- Surovi
- dosežejo
- reading
- pravo
- resnični svet
- v realnem času
- zapis
- evidence
- zmanjša
- zmanjšuje
- zmanjšanje
- besedilu
- povezane
- Odnosi
- Razmerja
- sprosti
- odstranjevanje
- Prijavljeno
- predstavljajo
- zastopanje
- zahteva
- obvezna
- zahteva
- tisti,
- REST
- rezultat
- Rezultati
- vrnitev
- Run
- Ryan
- sagemaker
- Sklep SageMaker
- Enako
- Shrani
- Scenarij
- Znanost
- Znanstvena fantastika
- ZNANOSTI
- Znanstvenik
- skripte
- drugi
- sekund
- višji
- Storitev
- Storitve
- nastavite
- nastavitev
- nastavitve
- nastavitev
- več
- Delite s prijatelji, znanci, družino in partnerji :-)
- pokazale
- Razstave
- pomemben
- bistveno
- sam
- Velikosti
- velikosti
- majhna
- manj
- So
- socialna
- družbeni mediji
- Rešitev
- rešitve
- nekaj
- specifična
- hitrost
- po delih
- Razcepi
- Korak
- Koraki
- ustavljanje
- shranjevanje
- strategije
- Struktura
- študija
- pododstavek
- pododstavki
- taka
- Suit
- primerna
- podpora
- sumljiv
- miza
- Bodite
- prevzeti
- meni
- ciljna
- Naloga
- Naloge
- Predloga
- Pogoji
- Test
- Testiranje
- O
- Graf
- njihove
- s tem
- zato
- skozi
- pretočnost
- čas
- Časovni žig
- čas
- do
- tudi
- temo
- Skupaj za plačilo
- Vlak
- usposobljeni
- usposabljanje
- transakcija
- Transakcije
- zdravljenje
- Drevesa
- sojenje
- poskusi
- Res
- Vrste
- tipičen
- us
- uporaba
- Uporabniki
- navadno
- potrjeno
- vrednost
- Vrednote
- preko
- ki
- medtem
- Wi-fi
- bo
- brez
- besede
- vredno
- bi
- Vi
- Vaša rutina za
- zefirnet