วันนี้ เรากำลังเปิดตัวโซลูชันใหม่สำหรับการเรียนรู้ของเครื่องกราฟทางการเงิน (ML) Amazon SageMaker JumpStart. JumpStart ช่วยให้คุณเริ่มต้นใช้งาน ML ได้อย่างรวดเร็ว และมอบชุดโซลูชันสำหรับกรณีการใช้งานที่พบบ่อยที่สุด ซึ่งสามารถฝึกอบรมและปรับใช้ได้ด้วยการคลิกเพียงไม่กี่ครั้ง
โซลูชัน JumpStart ใหม่ (การให้คะแนนเครดิตตามกราฟ) สาธิตวิธีสร้างเครือข่ายองค์กรจากการยื่นเอกสารของ SEC (ข้อมูลข้อความแบบยาว) รวมเข้ากับอัตราส่วนทางการเงิน (ข้อมูลแบบตาราง) และใช้โครงข่ายประสาทเทียมแบบกราฟ (GNN) เพื่อสร้างเครดิต แบบจำลองการทำนายคะแนน ในโพสต์นี้ เราจะอธิบายวิธีที่คุณสามารถใช้โซลูชันที่ปรับแต่งได้อย่างเต็มที่นี้สำหรับการให้คะแนนเครดิต เพื่อให้คุณสามารถเร่งการเดินทาง ML ของกราฟได้ Graph ML กำลังกลายเป็นส่วนที่มีประโยชน์สำหรับ ML ทางการเงิน เนื่องจากทำให้สามารถใช้ข้อมูลเครือข่ายร่วมกับชุดข้อมูลแบบตารางแบบดั้งเดิมได้ สำหรับข้อมูลเพิ่มเติม โปรดดู Amazon ที่ WSDM: อนาคตของโครงข่ายประสาทเทียมแบบกราฟ.
ภาพรวมโซลูชัน
คุณสามารถปรับปรุงการให้คะแนนเครดิตได้โดยการใช้ประโยชน์จากข้อมูลในการเชื่อมโยงทางธุรกิจ ซึ่งคุณสามารถสร้างกราฟซึ่งแสดงเป็น CorpNet (คำย่อสำหรับเครือข่ายองค์กร) ในโซลูชันนี้ จากนั้นคุณสามารถใช้การจัดประเภท ML ของกราฟโดยใช้ GNN บนกราฟนี้และคุณลักษณะแบบตารางที่ตั้งค่าไว้สำหรับโหนด เพื่อดูว่าคุณสามารถสร้างโมเดล ML ที่ดีขึ้นโดยใช้ประโยชน์จากข้อมูลในความสัมพันธ์ของเครือข่ายเพิ่มเติมได้หรือไม่ ดังนั้นโซลูชันนี้จึงเสนอเทมเพลตสำหรับโมเดลธุรกิจที่ใช้ประโยชน์จากข้อมูลเครือข่าย เช่น การใช้กราฟความสัมพันธ์ของห่วงโซ่อุปทาน กราฟเครือข่ายโซเชียล และอื่นๆ
โซลูชันนี้พัฒนาสิ่งใหม่ ๆ มากมายโดยการสร้างเครือข่ายองค์กรและสร้างข้อมูลทางการเงินสังเคราะห์ และรวมข้อมูลทั้งสองรูปแบบเพื่อสร้างแบบจำลองโดยใช้กราฟ ML
โซลูชันนี้แสดงวิธีสร้างเครือข่ายของบริษัทที่เชื่อมต่อกันโดยใช้ส่วน MD&A จากเอกสารที่ยื่นต่อ SEC 10-K/Q บริษัทที่มีข้อความคาดการณ์ล่วงหน้าที่คล้ายกันมีแนวโน้มที่จะเชื่อมโยงกับเหตุการณ์ด้านเครดิต การเชื่อมต่อเหล่านี้แสดงเป็นกราฟ สำหรับคุณลักษณะของโหนดกราฟ โซลูชันจะใช้ตัวแปรในแบบจำลองคะแนน Altman Z และหมวดหมู่อุตสาหกรรมของแต่ละบริษัท สิ่งเหล่านี้มีให้ในชุดข้อมูลสังเคราะห์ที่จัดทำขึ้นเพื่อวัตถุประสงค์ในการสาธิต ข้อมูลกราฟและข้อมูลแบบตารางถูกนำมาใช้เพื่อให้เหมาะสมกับตัวแยกประเภทการให้คะแนนโดยใช้ GNN เพื่อจุดประสงค์ในการอธิบาย เราจะเปรียบเทียบประสิทธิภาพของโมเดลที่มีและไม่มีข้อมูลกราฟ
ใช้โซลูชันการให้คะแนนเครดิตตามกราฟ
หากต้องการเริ่มใช้ JumpStart โปรดดู เริ่มต้นใช้งาน Amazon SageMaker. บัตร JumpStart สำหรับโซลูชันการให้คะแนนเครดิตตามกราฟมีจำหน่ายผ่านทาง สตูดิโอ Amazon SageMaker.
โซลูชันจะสร้างแบบจำลองสำหรับการอนุมานและปลายทางเพื่อใช้กับโน้ตบุ๊ก
- รอจนกว่าจะพร้อมและสถานะแสดงเป็น
Complete
. - Choose เปิดสมุดบันทึก เพื่อเปิดสมุดบันทึกเครื่องแรกซึ่งมีไว้สำหรับการฝึกอบรมและการปรับใช้อุปกรณ์ปลายทาง
คุณสามารถทำงานผ่านสมุดบันทึกนี้เพื่อเรียนรู้วิธีใช้โซลูชันนี้ จากนั้นปรับเปลี่ยนสำหรับแอปพลิเคชันอื่นๆ ในข้อมูลของคุณเอง โซลูชันนี้มาพร้อมกับข้อมูลสังเคราะห์และใช้ชุดย่อยเพื่อแสดงตัวอย่างขั้นตอนที่จำเป็นในการฝึกโมเดล ปรับใช้กับตำแหน่งข้อมูล จากนั้นเรียกใช้ตำแหน่งข้อมูลเพื่อการอนุมาน สมุดบันทึกยังมีโค้ดเพื่อปรับใช้จุดสิ้นสุดของคุณเอง
- หากต้องการเปิดสมุดบันทึกที่สอง (ใช้สำหรับการอนุมาน) ให้เลือก ใช้จุดสิ้นสุดในโน๊ตบุ๊ค ถัดจากสิ่งประดิษฐ์จุดสิ้นสุด
ในสมุดบันทึกนี้ คุณสามารถดูวิธีเตรียมข้อมูลเพื่อเรียกใช้ตำแหน่งข้อมูลตัวอย่างเพื่อทำการอนุมานกับชุดตัวอย่างได้
ตำแหน่งข้อมูลส่งคืนการให้คะแนนที่คาดการณ์ไว้ ซึ่งใช้ในการประเมินประสิทธิภาพของโมเดล ดังที่แสดงในภาพหน้าจอต่อไปนี้ของบล็อกโค้ดสุดท้ายของสมุดบันทึกการอนุมาน
คุณสามารถใช้โซลูชันนี้เป็นเทมเพลตสำหรับแบบจำลองการจัดอันดับเครดิตที่เสริมกราฟได้ คุณไม่ได้จำกัดอยู่เพียงคุณลักษณะที่ตั้งค่าไว้ในตัวอย่างนี้ คุณสามารถเปลี่ยนทั้งข้อมูลกราฟและข้อมูลแบบตารางสำหรับกรณีการใช้งานของคุณเองได้ ขอบเขตของการเปลี่ยนแปลงโค้ดที่จำเป็นมีเพียงเล็กน้อย เราขอแนะนำให้ดำเนินการผ่านตัวอย่างเทมเพลตของเราเพื่อทำความเข้าใจโครงสร้างของโซลูชัน จากนั้นแก้ไขตามความจำเป็น
โซลูชันนี้มีวัตถุประสงค์เพื่อการสาธิตเท่านั้น ไม่ใช่คำแนะนำทางการเงินและไม่ควรถือเป็นคำแนะนำทางการเงินหรือการลงทุน สมุดบันทึกที่เกี่ยวข้อง รวมถึงโมเดลที่ผ่านการฝึกอบรม ใช้ข้อมูลสังเคราะห์ และไม่ได้มีไว้สำหรับการใช้งานจริง แม้ว่าจะใช้ข้อความจากเอกสารที่ยื่นต่อ SEC แต่ข้อมูลทางการเงินจะถูกสร้างขึ้นแบบสุ่มและสังเคราะห์ และไม่มีความเกี่ยวข้องกับข้อมูลทางการเงินที่แท้จริงของบริษัทใดๆ ดังนั้น อันดับที่สร้างขึ้นแบบสังเคราะห์จึงไม่มีความสัมพันธ์ใดๆ กับอันดับที่แท้จริงของบริษัทจริงใดๆ
ข้อมูลที่ใช้ในโซลูชัน
ชุดข้อมูลมีข้อมูลตารางสังเคราะห์ เช่น อัตราส่วนทางบัญชีต่างๆ (ตัวเลข) และรหัสอุตสาหกรรม (หมวดหมู่) ชุดข้อมูลมี 𝑁=3286 แถว มีการเพิ่มป้ายกำกับการให้คะแนนด้วย นี่คือคุณสมบัติโหนดที่จะใช้กับกราฟ ML
ชุดข้อมูลยังมีกราฟองค์กรซึ่งไม่มีการกำหนดทิศทางและไม่มีการถ่วงน้ำหนัก โซลูชันนี้ช่วยให้คุณปรับโครงสร้างของกราฟได้โดยการเปลี่ยนวิธีการรวมลิงก์ แต่ละบริษัทในชุดข้อมูลแบบตารางจะแสดงโดยโหนดในกราฟองค์กร ฟังก์ชั่น construct_network_data()
ช่วยสร้างกราฟซึ่งประกอบด้วยรายการโหนดต้นทางและโหนดปลายทาง
ป้ายการให้คะแนนใช้สำหรับการจำแนกประเภทโดยใช้ GNN ซึ่งสามารถเป็นแบบหลายหมวดหมู่สำหรับการให้คะแนนหรือไบนารีทั้งหมด โดยแบ่งระหว่างระดับการลงทุน (AAA, AA, A, BBB) และระดับที่ไม่ใช่การลงทุน (BB, B, CCC, CC, C, ง) D ในที่นี้หมายถึงการผิดนัดชำระหนี้
รหัสที่สมบูรณ์สำหรับอ่านข้อมูลและเรียกใช้โซลูชันมีอยู่ในสมุดบันทึกโซลูชัน ภาพหน้าจอต่อไปนี้แสดงโครงสร้างของข้อมูลตารางสังเคราะห์
ข้อมูลกราฟจะถูกส่งผ่านไปยัง ห้องสมุดกราฟลึก และรวมกับข้อมูลแบบตารางเพื่อทำกราฟ ML หากคุณนำกราฟมาเอง เพียงระบุเป็นชุดของโหนดต้นทางและโหนดปลายทาง
การฝึกโมเดล
สำหรับการเปรียบเทียบ ก่อนอื่นเราจะฝึกโมเดลโดยใช้ข้อมูลแบบตารางเท่านั้น ออโต้กลูออนโดยเลียนแบบแนวทางดั้งเดิมในการจัดอันดับความน่าเชื่อถือของบริษัท จากนั้นเราจะเพิ่มข้อมูลกราฟและใช้ GNN ในการฝึกอบรม รายละเอียดทั้งหมดมีอยู่ในสมุดบันทึก และมีภาพรวมโดยย่อในโพสต์นี้ สมุดบันทึกยังนำเสนอภาพรวมโดยย่อของกราฟ ML พร้อมการอ้างอิงที่เลือก
การฝึกอบรม GNN ดำเนินการดังนี้ เราใช้การปรับตัวของ โมเดลกราฟ SAGE นำไปใช้ในไลบรารีกราฟลึก
- อ่านข้อมูลกราฟได้จาก บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) และสร้างรายการโหนดต้นทางและปลายทางสำหรับ CorpNet
- อ่านในชุดคุณลักษณะของโหนดกราฟ (ฝึกและทดสอบ) ทำให้ข้อมูลเป็นมาตรฐานตามต้องการ
- ตั้งค่าไฮเปอร์พารามิเตอร์ที่ปรับได้ เรียกคอนเทนเนอร์ ML กราฟเฉพาะที่รัน PyTorch เพื่อให้พอดีกับ GNN โดยไม่ต้องเพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์ (HPO)
- ทำซ้ำกราฟ ML ด้วย HPO
เพื่อให้การใช้งานตรงไปตรงมาและมีเสถียรภาพ เราจะเรียกใช้การฝึกโมเดลในคอนเทนเนอร์โดยใช้โค้ดต่อไปนี้ (โค้ดการตั้งค่าก่อนหน้าโค้ดการฝึกนี้จะอยู่ในสมุดบันทึกโซลูชัน):
กระบวนการฝึกอบรมปัจจุบันดำเนินการในการตั้งค่าแบบถ่ายทอด โดยจะใช้คุณลักษณะของชุดข้อมูลทดสอบ (ไม่รวมคอลัมน์เป้าหมาย) เพื่อสร้างกราฟ และโหนดทดสอบจึงรวมอยู่ในกระบวนการฝึกอบรม เมื่อสิ้นสุดการฝึก ระบบจะสร้างและบันทึกการคาดการณ์บนชุดข้อมูลทดสอบ output_location
ในถัง S3
แม้ว่าการฝึกจะเป็นแบบถ่ายทอดสัญญาณ แต่ป้ายกำกับของชุดข้อมูลทดสอบจะไม่ถูกใช้สำหรับการฝึก และแบบฝึกหัดของเรามุ่งเป้าไปที่การทำนายป้ายกำกับเหล่านี้โดยใช้การฝังโหนดสำหรับโหนดชุดข้อมูลทดสอบ คุณลักษณะที่สำคัญของ GraphSAGE คือการเรียนรู้แบบอุปนัยเกี่ยวกับการสังเกตใหม่ๆ ที่ไม่ได้เป็นส่วนหนึ่งของกราฟก็เป็นไปได้เช่นกัน แม้ว่าจะไม่ได้ใช้ประโยชน์ในโซลูชันนี้ก็ตาม
การเพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์
โซลูชันนี้ได้รับการขยายเพิ่มเติมโดยการดำเนินการ HPO บน GNN ซึ่งทำได้ภายใน SageMaker ดูรหัสต่อไปนี้:
จากนั้นเราจึงกำหนดวัตถุประสงค์การฝึกอบรม เพื่อเพิ่มคะแนน F1 สูงสุดในกรณีนี้:
สร้างสภาพแวดล้อมที่เลือกและทรัพยากรการฝึกอบรมบน SageMaker:
สุดท้าย รันงานการฝึกอบรมด้วยการเพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์:
ผลสอบ
การรวมข้อมูลเครือข่ายและการเพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์ทำให้ได้ผลลัพธ์ที่ดีขึ้น หน่วยวัดประสิทธิภาพในตารางต่อไปนี้แสดงให้เห็นถึงประโยชน์ของการเพิ่ม CorpNet ลงในชุดข้อมูลแบบตารางมาตรฐานที่ใช้สำหรับการให้คะแนนเครดิต
ผลลัพธ์สำหรับ AutoGluon ไม่ได้ใช้กราฟ จะใช้เฉพาะข้อมูลแบบตารางเท่านั้น เมื่อเราเพิ่มข้อมูลกราฟและใช้ HPO เราจะได้รับประสิทธิภาพที่เพิ่มขึ้นอย่างมาก
คะแนน F1 | ร็อค AUC | ความถูกต้อง | MCC | ความแม่นยำที่สมดุล | ความแม่นยำ | จำ | |
ออโต้กลูออน | 0.72 | 0.74323 | 0.68037 | 0.35233 | 0.67323 | 0.68528 | 0.75843 |
GCN ที่ไม่มี HPO | 0.64 | 0.84498 | 0.69406 | 0.45619 | 0.71154 | 0.88177 | 0.50281 |
GCN พร้อม HPO | 0.81 | 0.87116 | 0.78082 | 0.563 | 0.77081 | 0.75119 | 0.89045 |
(หมายเหตุ: MCC คือค่าสัมประสิทธิ์สหสัมพันธ์ของแมทธิวส์ https://en.wikipedia.org/wiki/Phi_coefficient.)
ทำความสะอาด
หลังจากคุณใช้สมุดบันทึกนี้เสร็จแล้ว ให้ลบสิ่งประดิษฐ์ของโมเดลและทรัพยากรอื่นๆ เพื่อหลีกเลี่ยงไม่ให้มีค่าใช้จ่ายเพิ่มเติม คุณต้องลบทรัพยากรที่คุณอาจสร้างขึ้นขณะใช้งานโน้ตบุ๊กด้วยตนเอง เช่น บัคเก็ต S3 สำหรับอาร์ติแฟกต์ของโมเดล ชุดข้อมูลการฝึกอบรม การประมวลผลอาร์ติแฟกต์ และ อเมซอน คลาวด์วอตช์ กลุ่มบันทึก
สรุป
ในโพสต์นี้ เราได้แนะนำโซลูชันการให้คะแนนเครดิตตามกราฟใน JumpStart เพื่อช่วยคุณเร่งเส้นทาง ML ของกราฟ โน้ตบุ๊กมีไปป์ไลน์ที่คุณสามารถแก้ไขและใช้ประโยชน์จากกราฟด้วยโมเดลตารางที่มีอยู่เพื่อให้ได้ประสิทธิภาพที่ดีขึ้น
ในการเริ่มต้น คุณสามารถค้นหาโซลูชันการให้คะแนนเครดิตตามกราฟได้ใน JumpStart SageMaker สตูดิโอ.
เกี่ยวกับผู้เขียน
ดร.ซันจิฟ ดาส เป็นนักวิชาการ Amazon และศาสตราจารย์ Terry สาขาการเงินและวิทยาศาสตร์ข้อมูลที่มหาวิทยาลัยซานตาคลารา เขาสำเร็จการศึกษาระดับปริญญาโทสาขาการเงิน (M.Phil และ Ph.D. จากมหาวิทยาลัยนิวยอร์ก) และวิทยาการคอมพิวเตอร์ (MS จาก UC Berkeley) และปริญญาโทสาขาบริหารธุรกิจจาก Indian Institute of Management, Ahmedabad ก่อนที่จะเป็นนักวิชาการ เขาเคยทำงานในธุรกิจอนุพันธ์ในภูมิภาคเอเชียแปซิฟิกในตำแหน่งรองประธานที่ Citibank เขาทำงานเกี่ยวกับแมชชีนเลิร์นนิงหลายรูปแบบในด้านการใช้งานทางการเงิน
ดร.ซิน หวาง เป็นนักวิทยาศาสตร์ประยุกต์ให้กับ Amazon SageMaker JumpStart และ อัลกอริทึมในตัวของ Amazon SageMaker. เขามุ่งเน้นไปที่การพัฒนาอัลกอริธึมการเรียนรู้ของเครื่องที่ปรับขนาดได้ งานวิจัยของเขามีความสนใจในด้านการประมวลผลภาษาธรรมชาติ การเรียนรู้เชิงลึกเกี่ยวกับข้อมูลแบบตาราง และการวิเคราะห์เชิงลึกของการจัดกลุ่มกาล-อวกาศแบบไม่อิงพารามิเตอร์
โซจิ อาเดชินะ เป็นนักวิทยาศาสตร์ประยุกต์ที่ AWS ซึ่งเขาพัฒนาแบบจำลองที่ใช้เครือข่ายประสาทเทียมแบบกราฟสำหรับการเรียนรู้ของเครื่องบนงานกราฟพร้อมแอปพลิเคชันเพื่อการฉ้อโกงและการละเมิด กราฟความรู้ ระบบผู้แนะนำ และวิทยาศาสตร์ชีวภาพ ในเวลาว่าง เขาชอบอ่านหนังสือและทำอาหาร
แพทริค หยาง เป็นวิศวกรพัฒนาซอฟต์แวร์ที่ Amazon SageMaker เขามุ่งเน้นที่การสร้างเครื่องมือและผลิตภัณฑ์การเรียนรู้ของเครื่องสำหรับลูกค้า
- คอยน์สมาร์ท การแลกเปลี่ยน Bitcoin และ Crypto ที่ดีที่สุดในยุโรป
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าฟรี
- คริปโตฮอว์ก เรดาร์ Altcoin ทดลองฟรี.
- Source: https://aws.amazon.com/blogs/machine-learning/build-a-corporate-credit-ratings-classifier-using-graph-machine-learning-in-amazon-sagemaker-jumpstart/
- "
- 100
- 70
- 9
- เร่งความเร็ว
- การบัญชี
- คำแนะนำ
- อัลกอริทึม
- ทั้งหมด
- แม้ว่า
- อเมซอน
- การวิเคราะห์
- การใช้งาน
- เข้าใกล้
- สถาปัตยกรรม
- AREA
- รอบ
- ใช้ได้
- AWS
- สมควร
- กำลัง
- ประโยชน์
- เบิร์กลีย์
- ปิดกั้น
- ชายแดน
- สร้าง
- การก่อสร้าง
- built-in
- ธุรกิจ
- โทรศัพท์
- กรณี
- หมวดหมู่
- โซ่
- เปลี่ยนแปลง
- โหลด
- Choose
- การจัดหมวดหมู่
- รหัส
- คอลัมน์
- รวม
- ร่วมกัน
- บริษัท
- บริษัท
- บริษัท
- คอมพิวเตอร์
- วิทยาการคอมพิวเตอร์
- งานที่เชื่อมต่อ
- การเชื่อมต่อ
- ภาชนะ
- มี
- ไทม์ไลน์การ
- สร้าง
- ที่สร้างขึ้น
- เครดิต
- ปัจจุบัน
- ลูกค้า
- ปรับแต่งได้
- ข้อมูล
- วิทยาศาสตร์ข้อมูล
- สาธิต
- ปรับใช้
- นำไปใช้
- การใช้งาน
- สัญญาซื้อขายล่วงหน้า
- รายละเอียด
- ที่กำลังพัฒนา
- พัฒนาการ
- พลวัต
- ปลายทาง
- วิศวกร
- สิ่งแวดล้อม
- เหตุการณ์
- ตัวอย่าง
- การออกกำลังกาย
- ที่มีอยู่
- เอาเปรียบ
- ลักษณะ
- คุณสมบัติ
- เงินทุน
- ทางการเงิน
- ข้อมูลทางการเงิน
- การเงิน
- บริษัท
- ชื่อจริง
- พอดี
- มุ่งเน้นไปที่
- ดังต่อไปนี้
- รูปแบบ
- สุขุม
- การหลอกลวง
- เต็ม
- ฟังก์ชัน
- ต่อไป
- อนาคต
- การสร้าง
- กลุ่ม
- ความสูง
- ช่วย
- จะช่วยให้
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- ถือ
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTTPS
- การดำเนินงาน
- การดำเนินการ
- สำคัญ
- ปรับปรุง
- การปรับปรุง
- รวม
- รวมทั้ง
- รวม
- อุตสาหกรรม
- ข้อมูล
- ผลประโยชน์
- การลงทุน
- IT
- การสัมภาษณ์
- งาน
- ความรู้
- ป้ายกำกับ
- ภาษา
- เรียนรู้
- การเรียนรู้
- ห้องสมุด
- วิทยาศาสตร์สิ่งมีชีวิต
- น่าจะ
- การเชื่อมโยง
- รายการ
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- การจัดการ
- ด้วยมือ
- วัสดุ
- ตัวชี้วัด
- ML
- แบบ
- โมเดล
- การตรวจสอบ
- ข้อมูลเพิ่มเติม
- มากที่สุด
- โดยธรรมชาติ
- เครือข่าย
- ข้อมูลเครือข่าย
- ตามเครือข่าย
- เครือข่าย
- นิวยอร์ก
- โหนด
- สมุดบันทึก
- เสนอ
- เสนอ
- เปิด
- การเพิ่มประสิทธิภาพ
- อื่นๆ
- ของตนเอง
- การปฏิบัติ
- สระ
- เป็นไปได้
- คำทำนาย
- การคาดการณ์
- เตรียมการ
- ประธาน
- ก่อน
- กระบวนการ
- การประมวลผล
- การผลิต
- ผลิตภัณฑ์
- ให้
- วัตถุประสงค์
- วัตถุประสงค์
- รวดเร็ว
- อย่างรวดเร็ว
- อันดับ
- การให้คะแนน
- การอ่าน
- แนะนำ
- ความสัมพันธ์
- ความสัมพันธ์
- จำเป็นต้องใช้
- การวิจัย
- แหล่งข้อมูล
- ผลสอบ
- รับคืน
- วิ่ง
- วิ่ง
- ซานตา
- ที่ปรับขนาดได้
- วิทยาศาสตร์
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- ค้นหา
- สำนักงานคณะกรรมการ ก.ล.ต.
- เลือก
- ชุด
- การตั้งค่า
- การติดตั้ง
- สั้น
- คล้ายคลึงกัน
- ง่าย
- So
- สังคม
- เครือข่ายทางสังคม
- ซอฟต์แวร์
- การพัฒนาซอฟต์แวร์
- ของแข็ง
- ทางออก
- โซลูชัน
- เฉพาะ
- มาตรฐาน
- ยืน
- เริ่มต้น
- ข้อความที่เริ่ม
- งบ
- Status
- การเก็บรักษา
- ประสบความสำเร็จ
- จัดหาอุปกรณ์
- ห่วงโซ่อุปทาน
- ระบบ
- เป้า
- งาน
- ทดสอบ
- ที่มา
- ดังนั้น
- ตลอด
- เวลา
- เครื่องมือ
- แบบดั้งเดิม
- การฝึกอบรม
- เข้าใจ
- มหาวิทยาลัย
- ใช้
- การตรวจสอบ
- ต่างๆ
- Vice President
- ในขณะที่
- วิกิพีเดีย
- ภายใน
- ไม่มี
- งาน
- ทำงาน
- การทำงาน
- โรงงาน