Priprava podatkov je ključni korak v vsakem projektu, ki temelji na podatkih, in če imate prava orodja, lahko močno povečate operativno učinkovitost. Amazon SageMaker Data Wrangler skrajša čas, potreben za združevanje in pripravo tabelaričnih in slikovnih podatkov za strojno učenje (ML), s tednov na minute. S SageMaker Data Wrangler lahko poenostavite postopek priprave podatkov in inženiring funkcij ter dokončate vsak korak delovnega toka priprave podatkov, vključno z izbiro podatkov, čiščenjem, raziskovanjem in vizualizacijo iz enega samega vizualnega vmesnika.
V tej objavi raziskujemo najnovejše funkcije SageMaker Data Wrangler, ki so posebej zasnovane za izboljšanje operativnih izkušenj. Poglabljamo se v podporo Preprosta storitev shranjevanja (Amazon S3) manifest datoteke, artefakte sklepanja v interaktivnem podatkovnem toku in brezhibno integracijo z JSON (JavaScript Object Notation) format za sklepanje, ki poudarja, kako te izboljšave omogočajo lažjo in učinkovitejšo pripravo podatkov.
Predstavljamo nove funkcije
V tem razdelku razpravljamo o novih funkcijah SageMaker Data Wrangler za optimalno pripravo podatkov.
Podpora za datoteko manifesta S3 s SageMaker Autopilot za sklepanje ML
SageMaker Data Wrangler omogoča a enotna priprava podatkov in usposabljanje modelov izkušenj Amazonski SageMaker avtopilot v samo nekaj klikih. Avtopilot SageMaker lahko uporabite za samodejno usposabljanje, prilagajanje in uvajanje modelov na podlagi podatkov, ki ste jih preoblikovali v svojem toku podatkov.
Ta izkušnja je zdaj dodatno poenostavljena s podporo za datoteko manifesta S3. Datoteka manifesta S3 je besedilna datoteka, ki navaja predmete (datoteke), shranjene v vedru S3. Če je vaš izvoženi nabor podatkov v SageMaker Data Wrangler precej velik in razdeljen na večdelne podatkovne datoteke v Amazon S3, bo zdaj SageMaker Data Wrangler samodejno ustvaril datoteko manifesta v S3, ki predstavlja vse te podatkovne datoteke. To ustvarjeno datoteko manifesta lahko zdaj uporabite z uporabniškim vmesnikom SageMaker Autopilot v SageMaker Data Wrangler, da poberete vse particionirane podatke za usposabljanje.
Pred zagonom te funkcije ste pri uporabi modelov SageMaker Autopilot, ki so bili usposobljeni na pripravljenih podatkih iz SageMaker Data Wrangler, lahko izbrali samo eno podatkovno datoteko, ki morda ne predstavlja celotnega nabora podatkov, zlasti če je nabor podatkov zelo velik. S to novo izkušnjo datoteke manifesta niste omejeni na podmnožico svojega nabora podatkov. Model ML lahko zgradite s SageMaker Autopilot, ki predstavlja vse vaše podatke z uporabo datoteke manifesta, in to uporabite za sklepanje ML in uvajanje proizvodnje. Ta funkcija povečuje operativno učinkovitost s poenostavitvijo usposabljanja modelov ML s SageMaker Autopilot in racionalizacijo delovnih tokov obdelave podatkov.
Dodana podpora za tok sklepanja v ustvarjenih artefaktih
Stranke želijo prevzeti transformacije podatkov, ki so jih uporabili za svoje podatke za usposabljanje modela, kot je kodiranje z eno vročo, PCA, in pripisati manjkajoče vrednosti, ter uporabiti te transformacije podatkov za sklepanje v realnem času ali sklepanje serije v proizvodnji. Če želite to narediti, morate imeti sklepni artefakt SageMaker Data Wrangler, ki ga porabi model SageMaker.
Prej je bilo artefakte sklepanja mogoče ustvariti samo iz uporabniškega vmesnika pri izvozu v usposabljanje SageMaker Autopilot ali izvozu zvezka cevovoda sklepanja. To ni zagotovilo prilagodljivosti, če želite tokove SageMaker Data Wrangler prenesti zunaj Amazon SageMaker Studio okolju. Zdaj lahko ustvarite artefakt sklepanja za katero koli združljivo datoteko toka prek obdelave SageMaker Data Wrangler. To omogoča programske MLOps od konca do konca s tokovi SageMaker Data Wrangler za osebnosti MLOps s prvo kodo, kot tudi intuitivno pot brez kode za pridobitev artefakta sklepanja z ustvarjanjem opravila iz uporabniškega vmesnika.
Racionalizacija priprave podatkov
JSON je postal splošno sprejet format za izmenjavo podatkov v sodobnih podatkovnih ekosistemih. Integracija SageMaker Data Wrangler s formatom JSON vam omogoča brezhibno obdelavo podatkov JSON za preoblikovanje in čiščenje. Z zagotavljanjem izvorne podpore za JSON SageMaker Data Wrangler poenostavlja postopek dela s strukturiranimi in polstrukturiranimi podatki, kar vam omogoča pridobivanje dragocenih vpogledov in učinkovito pripravo podatkov. SageMaker Data Wrangler zdaj podpira format JSON za paketno in realnočasovno uvajanje končne točke.
Pregled rešitev
Za naš primer uporabe uporabljamo vzorec Nabor podatkov o ocenah strank Amazon da pokaže, kako lahko SageMaker Data Wrangler poenostavi operativno prizadevanje za izdelavo novega modela ML z uporabo SageMaker Autopilot. Nabor podatkov o pregledih strank Amazon vsebuje ocene izdelkov in metapodatke iz Amazona, vključno s 142.8 milijona pregledi od maja 1996 do julija 2014.
Na visoki ravni uporabljamo SageMaker Data Wrangler za upravljanje tega velikega nabora podatkov in izvajanje naslednjih dejanj:
- Razvijte model ML v SageMaker Autopilot z uporabo celotnega nabora podatkov, ne le vzorca.
- Zgradite cevovod sklepanja v realnem času z artefaktom sklepanja, ki ga ustvari SageMaker Data Wrangler, in uporabite oblikovanje JSON za vnos in izhod.
Podpora za datoteko manifesta S3 z avtopilotom SageMaker
Pri ustvarjanju poskusa SageMaker Autopilot z uporabo SageMaker Data Wrangler ste lahko prej določili samo eno datoteko CSV ali Parquet. Zdaj lahko uporabite tudi datoteko manifesta S3, ki vam omogoča uporabo velikih količin podatkov za poskuse SageMaker Autopilot. SageMaker Data Wrangler bo samodejno razdelil vhodne podatkovne datoteke v več manjših datotek in ustvaril manifest, ki ga je mogoče uporabiti v poskusu SageMaker Autopilot za pridobivanje vseh podatkov iz interaktivne seje, ne le majhnega vzorca.
Izvedite naslednje korake:
- Uvozite podatke o ocenah strank Amazona iz datoteke CSV v SageMaker Data Wrangler. Pri uvažanju podatkov ne pozabite onemogočiti vzorčenja.
- Določite transformacije, ki normalizirajo podatke. Za ta primer odstranite simbole in pretvorite vse v male črke z uporabo vgrajenih transformacij SageMaker Data Wrangler.
- Izberite Model vlaka začeti trenirati.
Za usposabljanje modela z avtopilotom SageMaker SageMaker samodejno izvozi podatke v vedro S3. Za velike nabore podatkov, kot je ta, bo samodejno razdelil datoteko na manjše datoteke in ustvaril manifest, ki vključuje lokacijo manjših datotek.
- Najprej izberite vhodne podatke.
Prej SageMaker Data Wrangler ni imel možnosti za ustvarjanje datoteke manifesta za uporabo s SageMaker Autopilot. Danes, z izdajo podpore za datoteko manifesta, bo SageMaker Data Wrangler samodejno izvozil datoteko manifesta v Amazon S3, vnaprej izpolnil lokacijo S3 za usposabljanje SageMaker Autopilot z lokacijo datoteke manifesta S3 in preklopil možnost datoteke manifesta na Da. Za ustvarjanje ali uporabo datoteke manifesta ni potrebno nobeno delo.
- Konfigurirajte svoj preizkus tako, da izberete cilj za model, ki ga želite predvideti.
- Nato izberite način usposabljanja. V tem primeru izberemo Auto in naj avtopilot SageMaker odloči o najboljši metodi usposabljanja glede na velikost nabora podatkov.
- Določite nastavitve razmestitve.
- Nazadnje preglejte konfiguracijo opravila in pošljite poskus avtopilota SageMaker za usposabljanje. Ko avtopilot SageMaker zaključi poskus, si lahko ogledate rezultate usposabljanja in raziščete najboljši model.
Zahvaljujoč podpori za datoteke manifestov lahko za eksperiment SageMaker Autopilot uporabite celoten nabor podatkov, ne le podnabora svojih podatkov.
Za več informacij o uporabi SageMaker Autopilot s SageMaker Data Wrangler glejte Poenotena priprava podatkov in usposabljanje modela z Amazon SageMaker Data Wrangler in Amazon SageMaker Autopilot.
Ustvari artefakte sklepanja iz opravil SageMaker Processing
Zdaj pa poglejmo, kako lahko ustvarimo artefakte sklepanja prek uporabniškega vmesnika SageMaker Data Wrangler in prenosnih računalnikov SageMaker Data Wrangler.
Uporabniški vmesnik SageMaker Data Wrangler
Za naš primer uporabe želimo obdelati naše podatke prek uporabniškega vmesnika in nato uporabiti nastale podatke za usposabljanje in uvajanje modela prek konzole SageMaker. Izvedite naslednje korake:
- Odprite tok podatkov, ki ste ga ustvarili v prejšnjem razdelku.
- Izberite znak plus poleg zadnje transformacije, izberite Dodaj cilj, in izberite Amazon S3. Tu bodo shranjeni obdelani podatki.
- Izberite Ustvari službo.
- Izberite Ustvari artefakte sklepanja v razdelku Parametri sklepanja, da ustvarite artefakt sklepanja.
- Za ime artefakta sklepanja vnesite ime artefakta sklepanja (s pripono datoteke .tar.gz).
- Za izhodno vozlišče Inference vnesite ciljno vozlišče, ki ustreza transformacijam, uporabljenim za vaše podatke o usposabljanju.
- Izberite Konfigurirajte opravilo.
- Pod Konfiguracija delovnega mesta, vnesite pot za Lokacija datoteke toka S3. Imenovana mapa
data_wrangler_flows
bo ustvarjen na tej lokaciji in artefakt sklepanja bo naložen v to mapo. Če želite spremeniti lokacijo nalaganja, nastavite drugo lokacijo S3. - Za vse druge možnosti pustite privzete in izberite ustvarjanje za ustvarjanje opravila obdelave.
Posel obdelave bo ustvaril atarball (.tar.gz)
ki vsebuje spremenjeno datoteko pretoka podatkov z novo dodanim razdelkom za sklepanje, ki vam omogoča, da jo uporabite za sklepanje. Potrebujete enotni identifikator vira S3 (URI) artefakta sklepanja, da zagotovite artefakt modelu SageMaker pri uvajanju vaše rešitve sklepanja. URI bo v obliki{Flow file S3 location}/data_wrangler_flows/{inference artifact name}.tar.gz
. - Če teh vrednosti niste zabeležili prej, lahko izberete povezavo do opravila obdelave, da poiščete ustrezne podrobnosti. V našem primeru je URI
s3://sagemaker-us-east-1-43257985977/data_wrangler_flows/example-2023-05-30T12-20-18.tar.gz.
- Kopirajte vrednost Obdelava slike; ta URI potrebujemo tudi pri ustvarjanju našega modela.
- Zdaj lahko uporabimo ta URI za ustvarjanje modela SageMaker na konzoli SageMaker, ki ga lahko kasneje razmestimo v končno točko ali opravilo paketnega preoblikovanja.
- Pod Nastavitve modela¸ vnesite ime modela in določite svojo vlogo IAM.
- za Možnosti vnosa vsebnikatako, da izberete Zagotovite artefakte modela in lokacijo sklepne slike.
- za Lokacija slike sklepne kode, vnesite URI slike za obdelavo.
- za Lokacija artefaktov modela, vnesite URI artefakta sklepanja.
- Poleg tega, če imajo vaši podatki ciljni stolpec, ki ga bo predvidel usposobljen model ML, podajte ime tega stolpca pod Spremenljivke okoljas
INFERENCE_TARGET_COLUMN_NAME
as Ključne in ime stolpca kot vrednost. - Končajte ustvarjanje modela z izbiro Ustvari model.
Zdaj imamo model, ki ga lahko namestimo na končno točko ali opravilo paketnega preoblikovanja.
Prenosni računalniki SageMaker Data Wrangler
Za pristop s prvo kodo za ustvarjanje artefakta sklepanja iz opravila obdelave lahko najdemo primer kode tako, da izberemo Izvozi v v meniju vozlišča in izbiro katerega koli Amazon S3, SageMaker cevovodiali Sklepni cevovod SageMaker. Izberemo Sklepni cevovod SageMaker v tem primeru.
V tem zvezku je del z naslovom Ustvari procesor (to je enako v prenosniku SageMaker Pipelines, v prenosniku Amazon S3 pa bo enakovredna koda pod Konfiguracije opravil razdelek). Na dnu tega razdelka je konfiguracija za naš artefakt sklepanja, imenovan inference_params
. Vsebuje iste informacije, kot smo jih videli v uporabniškem vmesniku, in sicer ime artefakta sklepanja in izhodno vozlišče sklepanja. Te vrednosti bodo vnaprej izpolnjene, vendar jih je mogoče spremeniti. Poleg tega obstaja parameter, imenovan use_inference_params
, ki ga je treba nastaviti na True
za uporabo te konfiguracije v opravilu obdelave.
Nižje je razdelek z naslovom Določite korake cevovoda, kje za inference_params
konfiguracija je dodana seznamu argumentov opravila in posredovana v definicijo za korak obdelave SageMaker Data Wrangler. V prenosnem računalniku Amazon S3, job_arguments
je definiran takoj za Konfiguracije opravil oddelek.
S temi preprostimi konfiguracijami bo opravilo obdelave, ki ga ustvari ta prenosnik, ustvarilo artefakt sklepanja na isti lokaciji S3 kot naša datoteka toka (definirana prej v našem prenosniku). To lokacijo S3 lahko programsko določimo in ta artefakt uporabimo za ustvarjanje modela SageMaker z uporabo SDK SageMaker Python, ki je prikazan v zvezku SageMaker Inference Pipeline.
Enak pristop je mogoče uporabiti za katero koli kodo Python, ki ustvari opravilo obdelave SageMaker Data Wrangler.
Podpora za format datoteke JSON za vnos in izhod med sklepanjem
Za spletna mesta in aplikacije je precej običajno, da uporabljajo JSON kot zahtevo/odgovor za API-je, tako da je informacije enostavno razčleniti z različnimi programskimi jeziki.
Prej, ko ste imeli usposobljen model, ste lahko z njim komunicirali le prek CSV kot vhodnega formata v cevovodu sklepanja SageMaker Data Wrangler. Danes lahko uporabljate JSON kot vhodni in izhodni format, kar zagotavlja večjo prilagodljivost pri interakciji z vsebniki sklepanja SageMaker Data Wrangler.
Če želite začeti uporabljati JSON za vnos in izhod v zvezku cevovoda sklepanja, dokončajte naslednje korake:
- Določite koristni tovor.
Za vsako koristno obremenitev model pričakuje ključ z imenovanimi primerki. Vrednost je seznam objektov, od katerih je vsak zasebna podatkovna točka. Objekti zahtevajo ključ, imenovan funkcije, vrednosti pa bi morale biti značilnosti ene same podatkovne točke, ki naj bi bila predložena modelu. V eni zahtevi je mogoče oddati več podatkovnih točk, do skupne velikosti 6 MB na zahtevo.
Glej naslednjo kodo:
- določite
ContentType
asapplication/json
. - Zagotovite podatke modelu in prejmite sklepanje v formatu JSON.
Poglej Pogosti formati podatkov za sklepanje za vzorčne vhodne in izhodne primere JSON.
Čiščenje
Ko nehate uporabljati SageMaker Data Wrangler, priporočamo, da zaustavite instanco, na kateri se izvaja, da se izognete dodatnim stroškom. Za navodila o tem, kako zaustaviti aplikacijo SageMaker Data Wrangler in povezan primerek, glejte Zaustavite Data Wrangler.
zaključek
Nove funkcije SageMaker Data Wrangler, vključno s podporo za datoteke manifesta S3, zmožnostmi sklepanja in integracijo formata JSON, spreminjajo operativno izkušnjo priprave podatkov. Te izboljšave poenostavijo uvoz podatkov, avtomatizirajo transformacije podatkov in poenostavijo delo s podatki JSON. S temi funkcijami lahko izboljšate svojo operativno učinkovitost, zmanjšate ročni napor in z lahkoto pridobite dragocene vpoglede iz svojih podatkov. Sprejmite moč novih funkcij SageMaker Data Wrangler in odklenite polni potencial svojih delovnih tokov za pripravo podatkov.
Če želite začeti uporabljati SageMaker Data Wrangler, si oglejte najnovejše informacije o Stran izdelka SageMaker Data Wrangler.
O avtorjih
Munish Dabra je glavni arhitekt rešitev pri Amazon Web Services (AWS). Trenutno se osredotoča na AI/ML in opazljivost. Ima močno ozadje na področju načrtovanja in gradnje razširljivih porazdeljenih sistemov. Uživa v pomoči strankam pri inovacijah in preoblikovanju njihovega poslovanja v AWS. LinkedIn: /mdabra
Patrick Lin je inženir za razvoj programske opreme pri Amazon SageMaker Data Wrangler. Zavezan je k temu, da bo Amazon SageMaker Data Wrangler postal orodje številka ena za pripravo podatkov za produkcijske poteke dela ML. Zunaj službe ga lahko najdete med branjem, poslušanjem glasbe, pogovorom s prijatelji in služenjem v svoji cerkvi.
- 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.
- BlockOffsets. Posodobitev okoljskega offset lastništva. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/optimize-data-preparation-with-new-features-in-aws-sagemaker-data-wrangler/
- :ima
- : je
- :ne
- :kje
- $GOR
- 100
- 1996
- 2014
- 7
- 8
- 9
- a
- dejavnosti
- dodano
- Dodatne
- Poleg tega
- sprejet
- po
- AI / ML
- vsi
- Dovoli
- omogoča
- Prav tako
- Amazon
- Amazon SageMaker
- Amazonski SageMaker avtopilot
- Amazon SageMaker Data Wrangler
- Amazon Web Services
- Amazonske spletne storitve (AWS)
- zneski
- an
- in
- kaj
- API-ji
- aplikacija
- aplikacije
- uporabna
- Uporabi
- pristop
- SE
- območja
- Argumenti
- AS
- povezan
- At
- avtomatizirati
- samodejno
- izogniti
- AWS
- ozadje
- temeljijo
- BE
- postanejo
- počutje
- BEST
- Big
- tako
- Bottom
- Break
- izgradnjo
- Building
- vgrajeno
- poslovni
- vendar
- by
- se imenuje
- CAN
- Zmogljivosti
- primeru
- spremenite
- Stroški
- preveriti
- Izberite
- izbiri
- Cerkev
- čiščenje
- Koda
- Stolpec
- storjeno
- Skupno
- združljiv
- dokončanje
- Zaključi
- konfiguracija
- Konzole
- porabi
- Zabojniki
- Vsebuje
- pogovorov
- Ustrezno
- bi
- ustvarjajo
- ustvaril
- ustvari
- Ustvarjanje
- kritično
- Trenutna
- stranka
- Stranke, ki so
- datum
- Izmenjava podatkov
- podatkovne točke
- Priprava podatkov
- obdelava podatkov
- Podatkov usmerjenih
- nabor podatkov
- dan
- odloča
- privzeto
- opredeljen
- opredelitev
- potopite
- Dokazano
- razporedi
- uvajanja
- uvajanje
- zasnovan
- oblikovanje
- destinacija
- Podrobnosti
- Ugotovite,
- Razvoj
- drugačen
- razpravlja
- porazdeljena
- porazdeljeni sistemi
- do
- navzdol
- med
- vsak
- prej
- enostavnost
- lažje
- lahka
- Ekosistemi
- učinkovitosti
- učinkovite
- učinkovito
- prizadevanje
- bodisi
- objem
- omogoča
- omogočanje
- konec koncev
- Končna točka
- inženir
- Inženiring
- okrepi
- izboljšave
- Izboljša
- Vnesite
- Celotna
- okolje
- Enakovredna
- zlasti
- VEDNO
- Tudi vsak
- vsak dan
- vse
- Primer
- Primeri
- Izmenjava
- pričakovati
- izkušnje
- poskus
- Poskusi
- raziskovanje
- raziskuje
- izvoz
- Izvoz
- razširitev
- ekstrakt
- Feature
- Lastnosti
- Nekaj
- file
- datoteke
- Najdi
- prilagodljivost
- Pretok
- Tokovi
- Osredotočite
- sledi
- po
- za
- obrazec
- format
- prijatelji
- iz
- polno
- nadalje
- ustvarjajo
- ustvarila
- dobili
- zelo
- imel
- ročaj
- Imajo
- ob
- he
- pomoč
- visoka
- poudarjanje
- ga
- njegov
- Kako
- Kako
- HTML
- HTTPS
- i
- enako
- identifikator
- if
- slika
- takoj
- uvoz
- uvoz
- izboljšanje
- in
- vključuje
- Vključno
- Podatki
- inovacije
- vhod
- vpogledi
- primer
- Navodila
- integracija
- namenjen
- interakcijo
- medsebojno delovanje
- interaktivno
- vmesnik
- v
- intuitivno
- IT
- ITS
- JavaScript
- Job
- jpg
- json
- julij
- samo
- Ključne
- jeziki
- velika
- Zadnja
- pozneje
- Zadnji
- kosilo
- učenje
- Naj
- Stopnja
- kot
- Limited
- LINK
- Seznam
- Poslušanje
- seznami
- kraj aktivnosti
- Poglej
- stroj
- strojno učenje
- Znamka
- Izdelava
- upravljanje
- Navodilo
- Maj ..
- Meni
- metapodatki
- Metoda
- morda
- milijonov
- Minute
- manjka
- ML
- MLOps
- Model
- modeli
- sodobna
- spremembe
- več
- učinkovitejše
- več
- Glasba
- morajo
- Ime
- Imenovan
- in sicer
- materni
- potrebno
- Nimate
- potrebe
- Novo
- Nove funkcije
- na novo
- Naslednja
- št
- Vozel
- prenosnik
- zdaj
- Številka
- predmet
- predmeti
- of
- on
- ONE
- samo
- operativno
- optimalna
- Optimizirajte
- Možnost
- možnosti
- or
- Ostalo
- naši
- ven
- izhod
- zunaj
- lastne
- parameter
- parametri
- opravil
- pot
- za
- Izvedite
- kramp
- plinovod
- platon
- Platonova podatkovna inteligenca
- PlatoData
- plus
- Točka
- točke
- Prispevek
- potencial
- moč
- napovedati
- napovedano
- Priprava
- Pripravimo
- pripravljeni
- precej
- prej
- , ravnateljica
- Postopek
- Predelano
- obravnavati
- Izdelek
- Artiklov
- proizvodnja
- programsko
- Programiranje
- programskih jezikov
- Projekt
- zagotavljajo
- zagotavljanje
- Python
- reading
- v realnem času
- prejeti
- Priporočamo
- zmanjša
- zmanjšuje
- sprostitev
- pomembno
- odstrani
- predstavljajo
- predstavlja
- zahteva
- zahteva
- vir
- rezultat
- Rezultati
- pregleda
- Mnenja
- Pravica
- vloga
- deluje
- s
- sagemaker
- Sklep SageMaker
- SageMaker cevovodi
- Enako
- Videl
- razširljive
- brezšivne
- brez težav
- Oddelek
- glej
- izbiranje
- izbor
- Storitve
- služijo
- Zasedanje
- nastavite
- nastavitve
- več
- shouldnt
- Prikaži
- Zaustavite
- podpisati
- Enostavno
- poenostavljeno
- poenostavitev
- poenostavitev
- sam
- Velikosti
- majhna
- manj
- So
- Software
- Razvoj programske opreme
- Rešitev
- rešitve
- napetost
- posebej
- po delih
- Začetek
- začel
- Korak
- Koraki
- shranjevanje
- shranjeni
- racionalizirati
- racionalizacijo
- močna
- strukturirano
- predloži
- predložen
- taka
- podpora
- Podpira
- Preverite
- sistemi
- Bodite
- meni
- ciljna
- da
- O
- informacije
- njihove
- POTEM
- Tukaj.
- te
- ta
- tisti,
- skozi
- čas
- z naslovom
- do
- danes
- tudi
- orodje
- orodja
- Skupaj za plačilo
- Vlak
- usposobljeni
- usposabljanje
- Transform
- Preoblikovanje
- transformacije
- preoblikovati
- transformacije
- Dvakrat
- ui
- pod
- odklepanje
- naložili
- uporaba
- primeru uporabe
- Rabljeni
- uporabo
- dragocene
- vrednost
- Vrednote
- zelo
- preko
- Poglej
- vizualizacija
- želeli
- hotel
- we
- web
- spletne storitve
- spletne strani
- Weeks
- Dobro
- kdaj
- ki
- pogosto
- bo
- z
- delo
- potek dela
- delovnih tokov
- deluje
- Vi
- Vaša rutina za
- zefirnet