I det här inlägget visar vi hur du konfigurerar en ny OAuth-baserad autentiseringsfunktion för användning Snöflinga in Amazon SageMaker Data Wrangler. Snowflake är en molndataplattform som tillhandahåller datalösningar för datalagring till datavetenskap. Snowflake är en AWS-partner med flera AWS-ackrediteringar, inklusive AWS-kompetens inom maskininlärning (ML), detaljhandel och data och analys.
Data Wrangler förenklar dataförberedelsen och funktionsutvecklingsprocessen, vilket minskar tiden det tar från veckor till minuter genom att tillhandahålla ett enda visuellt gränssnitt för datavetare att välja och rensa data, skapa funktioner och automatisera dataförberedelse i ML-arbetsflöden utan att skriva någon kod. Du kan importera data från flera datakällor, som t.ex Amazon enkel lagringstjänst (Amazon S3), Amazonas Athena, Amazon RedShift, Amazon EMR, och Snowflake. Med denna nya funktion kan du använda din egen identitetsleverantör (IdP) som t.ex Okta, Azure AD, eller Ping Federate för att ansluta till Snowflake via Data Wrangler.
Lösningsöversikt
I följande avsnitt tillhandahåller vi steg för en administratör för att konfigurera IdP, Snowflake och Studio. Vi beskriver också de steg som datavetare kan ta för att konfigurera dataflödet, analysera datakvaliteten och lägga till datatransformationer. Slutligen visar vi hur man exporterar dataflödet och tränar en modell med hjälp av SageMaker autopilot.
Förutsättningar
För detta genomgång bör du ha följande förutsättningar:
- För admin:
- En Snowflake-användare med behörighet att skapa lagringsintegrationer och säkerhetsintegrationer i Snowflake.
- Ett AWS-konto med behörighet att skapa AWS identitets- och åtkomsthantering (IAM) policyer och roller.
- Åtkomst och behörighet att konfigurera IDP för att registrera Data Wrangler-applikationen och ställa in auktoriseringsservern eller API.
- För dataforskare:
Administratörsinställningar
Istället för att låta dina användare skriva in sina Snowflake-uppgifter direkt i Data Wrangler, kan du låta dem använda en IdP för att komma åt Snowflake.
Följande steg är involverade för att aktivera Data Wrangler OAuth-åtkomst till Snowflake:
- Konfigurera IdP.
- Konfigurera Snowflake.
- Konfigurera SageMaker Studio.
Konfigurera IdP
För att ställa in din IdP måste du registrera Data Wrangler-applikationen och ställa in din auktoriseringsserver eller API.
Registrera Data Wrangler-applikationen inom IdP
Se följande dokumentation för de IdP:er som Data Wrangler stöder:
Använd dokumentationen från din IdP för att registrera din Data Wrangler-applikation. Informationen och procedurerna i det här avsnittet hjälper dig att förstå hur du korrekt använder dokumentationen från din IdP.
Specifika anpassningar utöver stegen i respektive guider kallas ut i underavsnitten.
- Välj konfigurationen som startar processen att registrera Data Wrangler som en applikation.
- Ge användarna inom IdP åtkomst till Data Wrangler.
- Aktivera OAuth-klientautentisering genom att lagra klientuppgifterna som en Secrets Manager-hemlighet.
- Ange en omdirigeringsadress med följande format:
https://domain-ID.studio.AWS Region.sagemaker.aws/jupyter/default/lab
.
Du anger SageMaker-domän-ID och AWS-region som du använder för att köra Data Wrangler. Du måste registrera en URL för varje domän och region där du kör Data Wrangler. Användare från en domän och region som inte har omdirigeringsadresser inställda för dem kommer inte att kunna autentisera med IdP för att komma åt Snowflake-anslutningen.
- Se till att tillståndstyperna för auktoriseringskoden och uppdateringstoken är tillåtna för din Data Wrangler-applikation.
Ställ in auktoriseringsservern eller API:t inom IdP
Inom din IdP måste du konfigurera en auktoriseringsserver eller ett applikationsprogrammeringsgränssnitt (API). För varje användare skickar auktoriseringsservern eller API:et tokens till Data Wrangler med Snowflake som publik.
Snowflake använder begreppet roller som skiljer sig från IAM-roller som används i AWS. Du måste konfigurera IdP för att använda ALLA roller för att använda standardrollen som är kopplad till Snowflake-kontot. Till exempel om en användare har systems administrator
som standardroll i deras Snowflake-profil, använder anslutningen från Data Wrangler till Snowflake systems administrator
som rollen.
Använd följande procedur för att ställa in auktoriseringsservern eller API:n i din IdP:
- Från din IdP, börja processen med att ställa in servern eller API:et.
- Konfigurera auktoriseringsservern att använda auktoriseringskoden och uppdatera tokenbeviljandetyper.
- Ange livslängden för åtkomsttoken.
- Ställ in tidsgränsen för inaktiv uppdateringstoken.
Inaktiv timeout är den tid som uppdateringstoken löper ut om den inte används. Om du schemalägger jobb i Data Wrangler rekommenderar vi att tiden för inaktiv timeout är längre än frekvensen för bearbetningsjobbet. Annars kan vissa bearbetningsjobb misslyckas eftersom uppdateringstokenen gick ut innan de kunde köras. När uppdateringstoken löper ut måste användaren autentisera sig på nytt genom att komma åt anslutningen som de har gjort till Snowflake genom Data Wrangler.
Observera att Data Wrangler inte stöder roterande uppdateringstoken. Att använda roterande uppdateringstoken kan resultera i åtkomstfel eller att användare behöver logga in ofta.
Om uppdateringstoken går ut måste dina användare autentisera på nytt genom att komma åt anslutningen som de har gjort till Snowflake genom Data Wrangler.
- Ange
session:role-any
som den nya räckvidden.
För Azure AD måste du också ange en unik identifierare för omfattningen.
När du har konfigurerat OAuth-leverantören förser du Data Wrangler med den information den behöver för att ansluta till leverantören. Du kan använda dokumentationen från din IdP för att få värden för följande fält:
- Token URL – URL:en för token som IdP skickar till Data Wrangler
- Auktoriserings-URL – URL-adressen till behörighetsservern för IdP
- kund-ID – ID:t för IdP
- Kundhemlighet – Hemligheten som bara auktoriseringsservern eller API:t känner igen
- OAuth omfattning – Det här är endast för Azure AD
Konfigurera Snowflake
För att konfigurera Snowflake, slutför instruktionerna i Importera data från Snowflake.
Använd Snowflake-dokumentationen för din IdP för att konfigurera en extern OAuth-integration i Snowflake. Se föregående avsnitt Registrera Data Wrangler-applikationen inom IdP för mer information om hur du konfigurerar en extern OAuth-integration.
När du ställer in säkerhetsintegrationen i Snowflake, se till att du aktiverar external_oauth_any_role_mode
.
Konfigurera SageMaker Studio
Du lagrar fälten och värdena i en Secrets Manager-hemlighet och lägger till den i Studio Lifecycle Configuration som du använder för Data Wrangler. En livscykelkonfiguration är ett skalskript som automatiskt laddar inloggningsuppgifterna som lagras i hemligheten när användaren loggar in i Studio. För information om att skapa hemligheter, se Flytta hårdkodade hemligheter till AWS Secrets Manager. För information om hur du använder livscykelkonfigurationer i Studio, se Använd livscykelkonfigurationer med Amazon SageMaker Studio.
Skapa en hemlighet för Snowflake-uppgifter
För att skapa din hemlighet för Snowflake-uppgifter, slutför följande steg:
- Välj på Secrets Manager-konsolen Lagra en ny hemlighet.
- För Hemlig typ, Välj Annan typ av hemlighet.
- Ange detaljerna om din hemlighet som nyckel-värdepar.
Nyckelnamn kräver små bokstäver på grund av skiftlägeskänslighet. Data Wrangler ger en varning om du anger något av dessa felaktigt. Mata in de hemliga värdena som nyckel-värdepar Nyckel/värde om du vill, eller använd Oformatterad text alternativ.
Följande är formatet för hemligheten som används för Okta. Om du använder Azure AD måste du lägga till datasource_oauth_scope
fält.
- Uppdatera de föregående värdena med ditt val av IdP och information som samlats in efter ansökan om registrering.
- Välja Nästa.
- För Hemligt namn, lägg till prefixet
AmazonSageMaker
(till exempel är vår hemlighetAmazonSageMaker-DataWranglerSnowflakeCreds
). - I Tags avsnitt, lägg till en tagg med nyckeln
SageMaker
och värdetrue
. - Välja Nästa.
- Resten av fälten är valfria; välja Nästa tills du har möjlighet att välja HITTA BUTIK för att lagra hemligheten.
När du har lagrat hemligheten återgår du till Secrets Manager-konsolen.
- Välj hemligheten du just skapat och hämta sedan hemliga ARN.
- Lagra detta i din föredragna textredigerare för användning senare när du skapar Data Wrangler-datakällan.
Skapa en Studio Lifecycle Configuration
För att skapa en livscykelkonfiguration i Studio, utför följande steg:
- Välj på SageMaker-konsolen Livscykelkonfigurationer i navigeringsfönstret.
- Välja Skapa konfiguration.
- Välja Jupyter server app.
- Skapa en ny livscykelkonfiguration eller lägg till en befintlig med följande innehåll:
Konfigurationen skapar en fil med namnet ".snowflake_identity_provider_oauth_config"
, som innehåller hemligheten i användarens hemmapp.
- Välja Skapa konfiguration.
Ställ in standard livscykelkonfiguration
Slutför följande steg för att ställa in den livscykelkonfiguration du just skapade som standard:
- Välj på SageMaker-konsolen domäner i navigeringsfönstret.
- Välj den Studio-domän du ska använda för det här exemplet.
- På Miljö fliken, i Livscykelkonfigurationer för personliga Studio-appar avsnitt väljer Bifoga.
- För Källa, Välj Befintlig konfiguration.
- Välj den konfiguration du just gjorde och välj sedan Bifoga till domän.
- Välj den nya konfigurationen och välj Ange som standardOch välj sedan Ange som standard igen i popup-meddelandet.
Dina nya inställningar bör nu synas under Livscykelkonfigurationer för personliga Studio-appar som standard.
- Stäng av Studio-appen och starta om för att ändringarna ska träda i kraft.
Erfarenhet av dataforskare
I det här avsnittet tar vi upp hur dataforskare kan ansluta till Snowflake som en datakälla i Data Wrangler och förbereda data för ML.
Skapa ett nytt dataflöde
Så här skapar du ditt dataflöde:
- Välj på SageMaker-konsolen Amazon SageMaker Studio i navigeringsfönstret.
- Välja Öppen studio.
- På studion Hem sida, välj Importera och förbered data visuellt. Alternativt på Fil rullgardinsmeny, välj NyaOch välj sedan SageMaker Data Wrangler Flow.
Att skapa ett nytt flöde kan ta några minuter.
- På Importera datum sida, välj Skapa anslutning.
- Välja Snöflinga från listan över datakällor.
- För Autentiseringsmetodväljer OAuth.
Om du inte ser OAuth, verifiera de föregående stegen för livscykelkonfiguration.
- Ange detaljer för Snowflake-kontonamn och Integration av lagring.
- Ange ett anslutningsnamn och välj Kontakta.
Du omdirigeras till en IdP-autentiseringssida. För det här exemplet använder vi Okta.
- Ange ditt användarnamn och lösenord och välj sedan Logga in.
När autentiseringen har lyckats omdirigeras du till Studio-dataflödessidan.
- På Importera data från Snowflake sida, bläddra i databasobjekten eller kör en fråga efter måldata.
- I frågeredigeraren anger du en fråga och förhandsgranskar resultaten.
I följande exempel laddar vi Lånedata och hämta alla kolumner från 5,000 XNUMX rader.
- Välja Importera.
- Ange ett datauppsättningsnamn (för det här inlägget använder vi
snowflake_loan_dataset
) och välj Lägg till.
Du omdirigeras till Förbered sida där du kan lägga till transformationer och analyser till data.
Data Wrangler gör det enkelt att mata in data och utföra uppgifter som förbereder data såsom utforskande dataanalys, funktionsval och funktionsteknik. Vi har bara täckt några av funktionerna i Data Wrangler i det här inlägget om dataförberedelse; du kan använda Data Wrangler för mer avancerad dataanalys såsom funktionsviktighet, målläckage och modellförklaring med ett enkelt och intuitivt användargränssnitt.
Analysera datakvalitet
Använd Rapport för datakvalitet och insikter för att utföra en analys av data som du har importerat till Data Wrangler. Data Wrangler skapar rapporten från samplad data.
- På sidan Data Wrangler-flöde väljer du plustecknet bredvid DatatyperOch välj sedan Få datainsikter.
- Välja Rapport för datakvalitet och insikter för Analystyp.
- För Målkolumn, välj din målkolumn.
- För Problemtyp, Välj Klassificering.
- Välja Skapa.
Insiktsrapporten har en kort sammanfattning av data, som inkluderar allmän information som saknade värden, ogiltiga värden, funktionstyper, antal extremvärden och mer. Du kan antingen ladda ner rapporten eller se den online.
Lägg till transformationer i data
Data Wrangler har över 300 inbyggda transformationer. I det här avsnittet använder vi några av dessa omvandlingar för att förbereda datamängden för en ML-modell.
- På sidan Data Wrangler-flöde väljer du plustecken och väljer sedan Lägg till transform.
Om du följer stegen i inlägget dirigeras du automatiskt hit efter att du har lagt till din datamängd.
- Verifiera och ändra datatypen för kolumnerna.
När vi tittar igenom kolumnerna identifierar vi det MNTHS_SINCE_LAST_DELINQ
och MNTHS_SINCE_LAST_RECORD
bör med största sannolikhet representeras som en nummertyp snarare än sträng.
- När du har tillämpat ändringarna och lagt till steget kan du verifiera att kolumndatatypen har ändrats till flytande.
Om vi tittar igenom data kan vi se att fälten EMP_TITLE
, URL
, DESCRIPTION
och TITLE
kommer sannolikt inte att ge värde till vår modell i vårt användningsfall, så vi kan släppa dem.
- Välja Lägg till stegOch välj sedan Hantera kolumner.
- För Förvandlaväljer Släpp kolumn.
- För Kolumn att släppa, specificera
EMP_TITLE
,URL
,DESCRIPTION
ochTITLE
. - Välja Förhandsvisning och Lägg till.
Därefter vill vi leta efter kategoriska data i vår dataset. Data Wrangler har en inbyggd funktionalitet för att koda kategoriska data med både ordinal och en-hot-kodning. När vi tittar på vår dataset kan vi se att TERM
, HOME_OWNERSHIP
och PURPOSE
kolumner verkar alla vara kategoriska.
- Lägg till ytterligare ett steg och välj Koda kategoriskt.
- För Förvandlaväljer En het kodning.
- För Inmatningskolumnväljer
TERM
. - För Outputstilväljer Kolonner.
- Lämna alla andra inställningar som standard och välj sedan Förhandsvisning och Lägg till.
Smakämnen HOME_OWNERSHIP
kolumnen har fyra möjliga värden: RENT
, MORTGAGE
, OWN
, och andra.
- Upprepa föregående steg för att tillämpa en en-het-kodningsmetod på dessa värden.
Slutligen PURPOSE
kolumnen har flera möjliga värden. För dessa data använder vi också en en-hot-kodningsmetod, men vi ställer in utdata till en vektor snarare än kolumner.
- För Förvandlaväljer En het kodning.
- För Inmatningskolumnväljer
PURPOSE
. - För Outputstilväljer vektor.
- För Utgångskolumn, vi kallar den här kolumnen
PURPOSE_VCTR
.
Detta behåller originalet PURPOSE
om vi bestämmer oss för att använda den senare.
- Lämna alla andra inställningar som standard och välj sedan Förhandsvisning och Lägg till.
Exportera dataflödet
Slutligen exporterar vi hela detta dataflöde till en funktionsbutik med ett SageMaker-bearbetningsjobb, vilket skapar en Jupyter-anteckningsbok med koden förfylld.
- På dataflödessidan väljer du plustecknet och Exportera till.
- Välj var du vill exportera. För vårt användningsfall väljer vi SageMaker Feature Store.
Den exporterade anteckningsboken är nu redo att köras.
Exportera data och träna en modell med autopilot
Nu kan vi träna modellen med hjälp av Amazon SageMaker autopilot.
- På dataflödessidan väljer du Utbildning fliken.
- För Amazon S3 plats, ange en plats för data som ska sparas.
- Välja Exportera och träna.
- Ange inställningarna i Mål och funktioner, Träningsmetod, Implementerings- och förhandsinställningaroch Granska och skapa sektioner.
- Välja Skapa experiment för att hitta den bästa modellen för ditt problem.
Städa upp
Om ditt arbete med Data Wrangler är klart, stäng av din Data Wrangler-instans för att undvika extra avgifter.
Slutsats
I det här inlägget demonstrerade vi anslutning Data Wrangler till Snowflake med OAuth, transformera och analysera en datauppsättning och slutligen exportera den till dataflödet så att den kan användas i en Jupyter-anteckningsbok. Framför allt skapade vi en pipeline för databeredning utan att behöva skriva någon kod alls.
För att komma igång med Data Wrangler, se Förbered ML-data med Amazon SageMaker Data Wrangler.
Om författarna
Ajjay Govindaram är Senior Solutions Architect på AWS. Han arbetar med strategiska kunder som använder AI/ML för att lösa komplexa affärsproblem. Hans erfarenhet ligger i att tillhandahålla teknisk ledning samt designhjälp för blygsamma till storskaliga AI/ML-applikationer. Hans kunskap sträcker sig från applikationsarkitektur till big data, analys och maskininlärning. Han tycker om att lyssna på musik medan han vilar, uppleva utomhus och umgås med sina nära och kära.
Bosco Albuquerque är Sr. Partner Solutions Architect på AWS och har över 20 års erfarenhet av att arbeta med databas- och analysprodukter från företagsdatabasleverantörer och molnleverantörer. Han har hjälpt stora teknikföretag att designa dataanalyslösningar och har lett ingenjörsteam med att designa och implementera dataanalysplattformar och dataprodukter.
Matt Marzillo är Sr. Partner Sales Engineer på Snowflake. Han har 10 års erfarenhet av roller inom datavetenskap och maskininlärning både inom konsultverksamhet och med branschorganisationer. Matt har erfarenhet av att utveckla och distribuera AI- och ML-modeller inom många olika organisationer inom områden som marknadsföring, försäljning, drift, klinisk och ekonomi, samt rådgivning i konsultroller.
Huong Nguyen är produktledare för Amazon SageMaker Data Wrangler på AWS. Hon har 15 års erfarenhet av att skapa kundbesatta och datadrivna produkter för både företags- och konsumentutrymmen. På fritiden tycker hon om ljudböcker, trädgårdsarbete, vandring och att umgås med familj och vänner.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/access-snowflake-data-using-oauth-based-authentication-in-amazon-sagemaker-data-wrangler/
- :är
- $UPP
- 000
- 10
- 100
- 15 år
- 20 år
- 7
- 8
- 9
- a
- Able
- Om Oss
- tillgång
- Tillgång till data
- åtkomst
- Konto
- tvärs
- Ad
- Dessutom
- Annat
- administration
- avancera
- avancerat
- rådgivning
- Efter
- AI
- AI / ML
- Alla
- amason
- Amazon SageMaker
- Amazon SageMaker Data Wrangler
- analyser
- analys
- analytics
- analysera
- analys
- och
- Annan
- api
- app
- visas
- Ansökan
- Ansök
- Tillämpa
- tillvägagångssätt
- appar
- arkitektur
- ÄR
- områden
- AS
- Bistånd
- associerad
- At
- bifoga
- publik
- audio
- autentisera
- Autentisering
- tillstånd
- automatisera
- automatiskt
- AWS
- Azure
- BE
- därför att
- innan
- börja
- BÄST
- Stor
- Stora data
- kropp
- Böcker
- inbyggd
- företag
- by
- Ring
- kallas
- KAN
- kapacitet
- Vid
- KATT
- Förändringar
- val
- Välja
- klient
- Klinisk
- cloud
- koda
- Kolumn
- Kolonner
- Företag
- fullborda
- komplex
- begrepp
- konfiguration
- Kontakta
- Anslutning
- anslutning
- Konsol
- rådgivning
- Konsumenten
- innehåll
- kunde
- täcka
- omfattas
- skapa
- skapas
- skapar
- Skapa
- referenser
- Kunder
- datum
- dataanalys
- Data Analytics
- Dataplattform
- Förberedelse av data
- datavetenskap
- datavetare
- data driven
- Databas
- beslutar
- Standard
- demonstreras
- utplacera
- distributioner
- Designa
- design
- detalj
- detaljer
- utveckla
- olika
- riktning
- direkt
- distinkt
- dokumentation
- inte
- domän
- inte
- ner
- ladda ner
- Drop
- varje
- redaktör
- effekt
- antingen
- möjliggöra
- ingenjör
- Teknik
- ange
- Företag
- Miljö
- exempel
- befintliga
- erfarenhet
- upplever
- Utforskande dataanalys
- export
- extern
- MISSLYCKAS
- familj
- Leverans
- Funktioner
- avgifter
- få
- fält
- Fält
- Fil
- Slutligen
- finansiering
- hitta
- Flyta
- flöda
- efter
- För
- format
- Frekvens
- ofta
- vänner
- från
- funktionalitet
- Allmänt
- skaffa sig
- ger
- bevilja
- större
- Guider
- Har
- har
- hjälpa
- hjälpte
- här.
- Hem
- Hur ser din drömresa ut
- How To
- html
- http
- HTTPS
- ID
- identifierare
- identifiera
- Identitet
- Idle
- genomföra
- importera
- vikt
- in
- innefattar
- Inklusive
- felaktigt
- industrin
- informationen
- ingång
- insikt
- insikter
- instruktioner
- integrering
- integrationer
- Gränssnitt
- intuitiv
- involverade
- IT
- Jobb
- Lediga jobb
- jpg
- Nyckel
- kunskap
- Large
- storskalig
- ledare
- inlärning
- Led
- ligger
- livscykel
- livstid
- tycka om
- sannolikt
- Lista
- Lyssna
- läsa in
- laster
- läge
- se
- du letar
- älskade
- Maskinen
- maskininlärning
- gjord
- göra
- GÖR
- Framställning
- chef
- många
- Marknadsföring
- meddelande
- kanske
- minuter
- saknas
- ML
- modell
- modeller
- modifiera
- mer
- mest
- multipel
- Musik
- namn
- namn
- Natur
- Navigering
- Behöver
- behöver
- behov
- Nya
- Nästa
- i synnerhet
- anteckningsbok
- antal
- oauth
- objekt
- of
- OKTA
- on
- ONE
- nätet
- Verksamhet
- Alternativet
- organisationer
- ursprungliga
- Övriga
- annat
- utomhus
- produktion
- egen
- sida
- par
- panelen
- partnern
- Lösenord
- Utföra
- behörigheter
- personlig
- rörledning
- plattform
- Plattformar
- plato
- Platon Data Intelligence
- PlatonData
- plus
- Strategier
- pop-up
- möjlig
- Inlägg
- föredragen
- Förbered
- förutsättningar
- Förhandsvisning
- föregående
- Problem
- problem
- förfaranden
- process
- bearbetning
- Produkt
- Produkter
- Profil
- Programmering
- ordentligt
- ge
- förutsatt
- leverantör
- leverantörer
- ger
- tillhandahålla
- kvalitet
- snarare
- redo
- rekommenderar
- dirigera om
- reducerande
- region
- registrera
- registrera
- Registrering
- nystart
- rapport
- representerade
- kräver
- att
- REST
- resultera
- Resultat
- detaljhandeln
- Roll
- roller
- Körning
- rinnande
- sagemaker
- försäljning
- schemaläggning
- Vetenskap
- Forskare
- vetenskapsmän
- omfattning
- Secret
- §
- sektioner
- säkerhet
- Val
- senior
- Känslighet
- in
- inställning
- inställningar
- flera
- Shell
- skall
- show
- signera
- Enkelt
- enda
- So
- Lösningar
- LÖSA
- några
- Källa
- Källor
- utrymmen
- Spendera
- igång
- startar
- Steg
- Steg
- förvaring
- lagra
- lagras
- misslyckande
- Strategisk
- Sträng
- studio
- framgångsrik
- sådana
- SAMMANFATTNING
- stödja
- Stöder
- MÄRKA
- Ta
- tar
- Målet
- riktade
- uppgifter
- lag
- Teknisk
- Teknologi
- teknikföretag
- den där
- Smakämnen
- den information
- deras
- Dem
- Dessa
- Genom
- tid
- till
- token
- tokens
- Tåg
- Förvandla
- transformationer
- omvandla
- typer
- under
- förstå
- unika
- Uppdatering
- URL
- användning
- användningsfall
- Användare
- Användargränssnitt
- användare
- värde
- Värden
- försäljare
- verifiera
- via
- utsikt
- synlig
- genomgång
- varning
- veckor
- VÄL
- som
- medan
- VEM
- Hela
- kommer
- med
- inom
- utan
- Arbete
- arbetsflöden
- arbetssätt
- fungerar
- skriva
- skrivning
- år
- Om er
- Din
- zephyrnet