การพัฒนาเว็บอินเตอร์เฟสเพื่อโต้ตอบกับโมเดลแมชชีนเลิร์นนิง (ML) นั้นเป็นงานที่น่าเบื่อ กับ สตรีมไลท์การพัฒนาแอปพลิเคชันสาธิตสำหรับโซลูชัน ML ของคุณนั้นเป็นเรื่องง่าย สตรีมไลท์ เป็นไลบรารี Python แบบโอเพ่นซอร์สที่ทำให้การสร้างและแชร์เว็บแอปสำหรับ ML และวิทยาศาสตร์ข้อมูลเป็นเรื่องง่าย ในฐานะนักวิทยาศาสตร์ข้อมูล คุณอาจต้องการแสดงสิ่งที่คุณค้นพบสำหรับชุดข้อมูล หรือปรับใช้โมเดลที่ผ่านการฝึกอบรม แอปพลิเคชัน Streamlit มีประโยชน์ในการนำเสนอความคืบหน้าในโครงการแก่ทีมของคุณ รับและแบ่งปันข้อมูลเชิงลึกกับผู้จัดการของคุณ และแม้แต่รับคำติชมจากลูกค้า
ด้วยสภาพแวดล้อมการพัฒนาแบบบูรณาการ (IDE) ของ สตูดิโอ Amazon SageMaker กับ จูปิเตอร์แล็บ3เราสามารถสร้าง เรียกใช้ และให้บริการเว็บแอป Streamlit จากภายในสภาพแวดล้อมเดียวกันเพื่อวัตถุประสงค์ในการพัฒนา โพสต์นี้สรุปวิธีสร้างและโฮสต์แอป Streamlit ใน Studio ในลักษณะที่ปลอดภัยและทำซ้ำได้โดยไม่ต้องเสียเวลาในการพัฒนาส่วนหน้า ตัวอย่างเช่น เราใช้แบบกำหนดเอง ความหมายของ Amazon การสาธิต ซึ่งจะอธิบายและติดป้ายกำกับรูปภาพที่อัปโหลด สิ่งนี้จะทำหน้าที่เป็นจุดเริ่มต้น และสามารถทำให้เป็นมาตรฐานเพื่อสาธิตโมเดล ML ที่กำหนดเองใดๆ ก็ได้ รหัสสำหรับบล็อกนี้สามารถพบได้ในนี้ พื้นที่เก็บข้อมูล GitHub.
ภาพรวมโซลูชัน
ต่อไปนี้เป็นแผนภาพสถาปัตยกรรมของโซลูชันของเรา
ผู้ใช้เข้าถึง Studio ผ่านเบราว์เซอร์ก่อน เซิร์ฟเวอร์ Jupyter ที่เชื่อมโยงกับโปรไฟล์ผู้ใช้จะทำงานภายในอินสแตนซ์ Studio Amazon Elastic Compute Cloud (Amazon EC2) ภายในอินสแตนซ์ Studio EC2 มีโค้ดตัวอย่างและรายการการขึ้นต่อกัน ผู้ใช้สามารถเรียกใช้แอพ Streamlit, app.py ในเทอร์มินัลระบบ Studio เรียกใช้ JupyterLab UI ในเซิร์ฟเวอร์ Jupyter โดยแยกออกจากเคอร์เนลของโน้ตบุ๊ก Jupyter Server มาพร้อมกับพร็อกซีและช่วยให้เราเข้าถึงแอพ Streamlit ของเราได้ เมื่อแอปทำงาน ผู้ใช้สามารถเริ่มต้นเซสชันแยกต่างหากผ่าน AWS Jupyter Proxy โดยการปรับ URL
จากแง่มุมด้านความปลอดภัย AWS Jupyter Proxy ได้รับการขยายโดยการรับรองความถูกต้องของ AWS ตราบใดที่ผู้ใช้มีสิทธิ์เข้าถึงบัญชี AWS, ID โดเมน Studio และโปรไฟล์ผู้ใช้ พวกเขาก็สามารถเข้าถึงลิงก์ได้
สร้าง Studio โดยใช้ JupyterLab 3.0
ต้องติดตั้ง Studio ที่มี JupyterLab 3 เพื่อให้โซลูชันนี้ใช้งานได้ เวอร์ชันเก่าอาจไม่รองรับคุณสมบัติที่ระบุไว้ในโพสต์นี้ สำหรับข้อมูลเพิ่มเติม โปรดดูที่ Amazon SageMaker Studio และ SageMaker Notebook Instance มาพร้อมกับโน้ตบุ๊ก JupyterLab 3 เพื่อเพิ่มประสิทธิภาพการทำงานของนักพัฒนา. ตามค่าเริ่มต้น Studio มาพร้อมกับ JupyterLab 3 คุณควรตรวจสอบเวอร์ชันและเปลี่ยนหากใช้เวอร์ชันเก่ากว่า สำหรับข้อมูลเพิ่มเติม โปรดดูที่ การกำหนดเวอร์ชัน JupyterLab.
คุณสามารถตั้งค่า Studio โดยใช้ ชุดพัฒนา AWS Cloud (AWS CDK); สำหรับข้อมูลเพิ่มเติม โปรดดูที่ ตั้งค่า Amazon SageMaker Studio ด้วย Jupyter Lab 3 โดยใช้ AWS CDK. อีกทางหนึ่ง คุณสามารถใช้คอนโซล SageMaker เพื่อเปลี่ยนการตั้งค่าโดเมน ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล SageMaker ให้เลือก โดเมน ในบานหน้าต่างนำทาง
- เลือกโดเมนของคุณและเลือก Edit.
- สำหรับ เวอร์ชันเริ่มต้นของ Jupyter Labตรวจสอบให้แน่ใจว่าได้ตั้งค่าเวอร์ชันเป็น จูปิเตอร์แล็บ3.0.
(ไม่บังคับ) สร้างพื้นที่ที่ใช้ร่วมกัน
เราสามารถใช้คอนโซล SageMaker หรือ AWS CLI เพื่อเพิ่มการสนับสนุนสำหรับพื้นที่ที่ใช้ร่วมกันในโดเมนที่มีอยู่โดยทำตามขั้นตอนในเอกสารหรือในบล็อกนี้ การสร้างพื้นที่ที่ใช้ร่วมกันใน AWS มีประโยชน์ดังต่อไปนี้:
- การทำงานร่วมกัน: พื้นที่ที่ใช้ร่วมกันช่วยให้ผู้ใช้หรือทีมหลายคนสามารถทำงานร่วมกันในโครงการหรือชุดของทรัพยากร โดยไม่ต้องทำซ้ำข้อมูลหรือโครงสร้างพื้นฐาน
- ประหยัดค่าใช้จ่าย: แทนที่จะให้ผู้ใช้หรือทีมแต่ละคนสร้างและจัดการทรัพยากรของตนเอง พื้นที่ที่ใช้ร่วมกันจะคุ้มค่ากว่า เนื่องจากทรัพยากรสามารถรวมและแบ่งปันระหว่างผู้ใช้หลายคน
- การจัดการที่ง่ายขึ้น: ด้วยพื้นที่ที่ใช้ร่วมกัน ผู้ดูแลระบบสามารถจัดการทรัพยากรจากส่วนกลาง แทนที่จะต้องจัดการหลายอินสแตนซ์ของทรัพยากรเดียวกันสำหรับผู้ใช้แต่ละคนหรือแต่ละทีม
- ความสามารถในการปรับขนาดที่ดีขึ้น: พื้นที่ที่ใช้ร่วมกันสามารถเพิ่มหรือลดขนาดได้ง่ายขึ้นเพื่อตอบสนองความต้องการที่เปลี่ยนแปลง เนื่องจากสามารถจัดสรรทรัพยากรแบบไดนามิกเพื่อตอบสนองความต้องการของผู้ใช้หรือทีมที่แตกต่างกัน
- การรักษาความปลอดภัยขั้นสูง: ด้วยการรวมศูนย์ทรัพยากรไว้ในพื้นที่ที่ใช้ร่วมกัน ความปลอดภัยสามารถปรับปรุงได้ เนื่องจากการควบคุมการเข้าถึงและการตรวจสอบสามารถใช้งานได้ง่ายและสม่ำเสมอมากขึ้น
ติดตั้งการอ้างอิงและโคลนตัวอย่างใน Studio
ต่อไป เราเปิด Studio และเปิดเทอร์มินัลระบบ เราใช้ SageMaker IDE เพื่อลอกแบบตัวอย่างของเราและเทอร์มินัลระบบเพื่อเปิดใช้งานแอปของเรา รหัสสำหรับบล็อกนี้สามารถพบได้ในนี้ พื้นที่เก็บข้อมูล GitHub. เราเริ่มต้นด้วยการโคลนที่เก็บ:
จากนั้นเปิด System Terminal
เมื่อโคลนแล้ว ในเทอร์มินัลระบบจะติดตั้งการอ้างอิงเพื่อเรียกใช้โค้ดตัวอย่างของเราโดยเรียกใช้คำสั่งต่อไปนี้ สิ่งนี้จะ pip ติดตั้งการพึ่งพาโดยเรียกใช้ก่อน pip install --no-cache-dir -r requirements.txt
. no-cache-dir
แฟล็กจะปิดใช้งานแคช การแคชช่วยจัดเก็บไฟล์การติดตั้ง (.whl
) ของโมดูลที่คุณติดตั้งผ่าน pip นอกจากนี้ยังจัดเก็บไฟล์ต้นฉบับ (.tar.gz
) เพื่อหลีกเลี่ยงการดาวน์โหลดซ้ำเมื่อยังไม่หมดอายุ ถ้าฮาร์ดไดรฟ์ของเราไม่มีที่ว่างหรือถ้าเราต้องการให้อิมเมจ Docker มีขนาดเล็กที่สุดเท่าที่จะเป็นไปได้ เราสามารถใช้แฟล็กนี้เพื่อให้คำสั่งทำงานจนจบโดยใช้หน่วยความจำน้อยที่สุด ถัดไปสคริปต์จะติดตั้งแพ็คเกจ iproute
และ jq
ซึ่งจะใช้ในขั้นตอนต่อไปsh setup.sh
เรียกใช้การสาธิต Streamlit และสร้างลิงก์ที่แชร์ได้
หากต้องการตรวจสอบว่าการขึ้นต่อกันทั้งหมดติดตั้งสำเร็จและดูการสาธิต Amazon Rekognition ให้รันคำสั่งต่อไปนี้:
หมายเลขพอร์ตที่โฮสต์แอปจะแสดงขึ้น
โปรดทราบว่าในขณะที่กำลังพัฒนา อาจเป็นประโยชน์ในการเรียกใช้สคริปต์อีกครั้งโดยอัตโนมัติเมื่อ app.py
ถูกแก้ไขบนดิสก์ ที่ต้องทำเพื่อให้เราสามารถแก้ไข runOnSave ตัวเลือกการกำหนดค่า โดยเพิ่ม --server.runOnSave true
ตั้งค่าสถานะตามคำสั่งของเรา:
ภาพหน้าจอต่อไปนี้แสดงตัวอย่างสิ่งที่ควรแสดงบนเทอร์มินัล
จากตัวอย่างข้างต้น เราเห็นหมายเลขพอร์ต ID โดเมน และ URL ของสตูดิโอที่เรากำลังเรียกใช้แอปของเรา สุดท้าย เราจะเห็น URL ที่เราต้องใช้เพื่อเข้าถึงแอป streamlit ของเรา สคริปต์นี้กำลังแก้ไข Studio URL โดยแทนที่ lab?
กับ proxy/[PORT NUMBER]/
. การสาธิตการตรวจจับวัตถุ Rekognition จะแสดงดังที่แสดงในภาพหน้าจอต่อไปนี้
ตอนนี้แอป Streamlit ใช้งานได้แล้ว เราสามารถแชร์ URL นี้กับทุกคนที่มีสิทธิ์เข้าถึง ID โดเมน Studio และโปรไฟล์ผู้ใช้นี้ เพื่อให้การแชร์เดโมเหล่านี้ง่ายขึ้น เราสามารถตรวจสอบสถานะและแสดงรายการแอพ streamlit ที่ทำงานอยู่ทั้งหมดได้ด้วยการรันคำสั่งต่อไปนี้: sh status.sh
เราสามารถใช้สคริปต์วงจรชีวิตหรือพื้นที่ที่ใช้ร่วมกันเพื่อขยายงานนี้ แทนที่จะเรียกใช้เชลล์สคริปต์และติดตั้งการพึ่งพาด้วยตนเอง ให้ใช้ สคริปต์วงจรชีวิต เพื่อปรับปรุงกระบวนการนี้ หากต้องการพัฒนาและขยายแอปนี้กับทีมและแชร์แดชบอร์ดกับเพื่อนร่วมงาน ให้ใช้ พื้นที่ที่ใช้ร่วมกัน. เมื่อสร้างพื้นที่ที่ใช้ร่วมกันใน Studio ผู้ใช้สามารถทำงานร่วมกันในพื้นที่ที่ใช้ร่วมกันเพื่อพัฒนาแอป Streamlit ได้แบบเรียลไทม์ ทรัพยากรทั้งหมดในพื้นที่ที่ใช้ร่วมกันจะถูกกรองและติดแท็ก ทำให้ง่ายต่อการมุ่งเน้นไปที่โครงการ ML และจัดการค่าใช้จ่าย อ้างอิงโค้ดต่อไปนี้เพื่อสร้างแอปพลิเคชันของคุณเองใน Studio
ทำความสะอาด
เมื่อเราใช้แอพเสร็จแล้วเราต้องการเพิ่มพอร์ตการฟัง เพื่อให้กระบวนการทั้งหมดทำงาน streamlit และทำให้ใช้งานได้ฟรี เราสามารถเรียกใช้สคริปต์การล้างข้อมูลของเรา: sh cleanup.sh
สรุป
ในโพสต์นี้ เราแสดงตัวอย่างแบบ end-to-end ของการโฮสต์การสาธิต Streamlit สำหรับงานตรวจจับวัตถุโดยใช้ Amazon Rekognition เราได้ให้รายละเอียดเกี่ยวกับแรงจูงใจในการสร้างเว็บแอปพลิเคชันที่รวดเร็ว ข้อควรพิจารณาด้านความปลอดภัย และการตั้งค่าที่จำเป็นในการเรียกใช้แอป Streamlit ของเราเองใน Studio สุดท้าย เราแก้ไขรูปแบบ URL ในเว็บเบราว์เซอร์เพื่อเริ่มต้นเซสชันแยกต่างหากผ่าน AWS Jupyter Proxy
การสาธิตนี้ช่วยให้คุณอัปโหลดรูปภาพและแสดงภาพผลลัพธ์จาก Amazon Rekognition ผลลัพธ์จะได้รับการประมวลผลด้วย และคุณสามารถดาวน์โหลดไฟล์ CSV พร้อมกรอบขอบทั้งหมดผ่านแอป คุณสามารถขยายงานนี้เพื่อใส่คำอธิบายประกอบและติดป้ายกำกับชุดข้อมูลของคุณเอง หรือแก้ไขโค้ดเพื่อแสดงโมเดลที่คุณกำหนดเอง!
เกี่ยวกับผู้เขียน
ดิปิกา คูลาร์ เป็นวิศวกร ML ใน ห้องปฏิบัติการโซลูชัน Amazon ML. เธอช่วยลูกค้ารวมโซลูชัน ML เพื่อแก้ปัญหาทางธุรกิจของพวกเขา ล่าสุด เธอได้สร้างการฝึกอบรมและการอนุมานสำหรับลูกค้าสื่อและแบบจำลองการคาดการณ์สำหรับการตลาด
มาร์เซโล อาแบร์เล่ เป็นวิศวกร ML ในองค์กร AWS AI เขาเป็นผู้นำความพยายามของ MLOps ที่ ห้องปฏิบัติการโซลูชัน Amazon MLช่วยลูกค้าออกแบบและใช้งานระบบ ML ที่ปรับขนาดได้ ภารกิจของเขาคือการแนะนำลูกค้าเกี่ยวกับเส้นทาง ML สำหรับองค์กร และเร่งเส้นทาง ML ไปสู่การผลิต
ยัชชาห์ เป็นผู้จัดการวิทยาศาสตร์ใน ห้องปฏิบัติการโซลูชัน Amazon ML. เขาและทีมนักวิทยาศาสตร์ประยุกต์และวิศวกร ML ทำงานในกรณีการใช้งาน ML ที่หลากหลายตั้งแต่การดูแลสุขภาพ กีฬา ยานยนต์ และการผลิต
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/build-streamlit-apps-in-amazon-sagemaker-studio/
- :เป็น
- $ ขึ้น
- 100
- 7
- a
- ข้างบน
- เร่งความเร็ว
- เข้า
- ลงชื่อเข้าใช้
- ข้าม
- ผู้ดูแลระบบ
- AI
- ทั้งหมด
- จัดสรร
- ช่วยให้
- อเมซอน
- Amazon EC2
- ความหมายของ Amazon
- อเมซอน SageMaker
- สตูดิโอ Amazon SageMaker
- และ
- ทุกคน
- app
- การใช้งาน
- ประยุกต์
- ปพลิเคชัน
- สถาปัตยกรรม
- เป็น
- AS
- แง่มุม
- ที่เกี่ยวข้อง
- At
- การยืนยันตัวตน
- อัตโนมัติ
- ยานยนต์
- AWS
- BE
- ประโยชน์ที่ได้รับ
- บล็อก
- เพิ่ม
- ในกล่องสี่เหลี่ยม
- เบราว์เซอร์
- สร้าง
- การก่อสร้าง
- สร้าง
- ธุรกิจ
- by
- แคช
- CAN
- กรณี
- เปลี่ยนแปลง
- เปลี่ยนแปลง
- ตรวจสอบ
- Choose
- เมฆ
- รหัส
- ร่วมมือ
- อย่างไร
- สมบูรณ์
- เสร็จสิ้น
- คำนวณ
- การพิจารณา
- ปลอบใจ
- การควบคุม
- ค่าใช้จ่ายที่มีประสิทธิภาพ
- ค่าใช้จ่าย
- สร้าง
- การสร้าง
- ประเพณี
- ลูกค้า
- ข้อมูล
- วิทยาศาสตร์ข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- ค่าเริ่มต้น
- ความต้องการ
- การสาธิต
- ปรับใช้
- ออกแบบ
- รายละเอียด
- การตรวจพบ
- พัฒนา
- ผู้พัฒนา
- ที่กำลังพัฒนา
- พัฒนาการ
- ต่าง
- นักเทียบท่า
- โดเมน
- ลง
- ดาวน์โหลด
- ขับรถ
- แบบไดนามิก
- แต่ละ
- ง่ายดาย
- อย่างง่ายดาย
- ความพยายาม
- จบสิ้น
- วิศวกร
- วิศวกร
- Enterprise
- สิ่งแวดล้อม
- แม้
- ตัวอย่าง
- ที่มีอยู่
- ที่มีอยู่
- ขยายออก
- คุณสมบัติ
- ข้อเสนอแนะ
- เนื้อไม่มีมัน
- ไฟล์
- ในที่สุด
- ชื่อจริง
- โฟกัส
- ดังต่อไปนี้
- สำหรับ
- พบ
- ฟรี
- ราคาเริ่มต้นที่
- ดึงดูด
- ได้รับ
- ได้รับ
- ให้คำแนะนำ
- ยาก
- ฮาร์ดไดรฟ์
- มี
- มี
- การดูแลสุขภาพ
- เป็นประโยชน์
- การช่วยเหลือ
- จะช่วยให้
- เจ้าภาพ
- โฮสติ้ง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTML
- HTTPS
- ID
- ภาพ
- การดำเนินการ
- การปรับปรุง
- in
- ข้อมูล
- โครงสร้างพื้นฐาน
- เริ่มต้น
- ข้อมูลเชิงลึก
- ติดตั้ง
- การติดตั้ง
- การติดตั้ง
- ตัวอย่าง
- แทน
- รวบรวม
- แบบบูรณาการ
- โต้ตอบ
- อินเตอร์เฟซ
- IT
- การเดินทาง
- jpg
- เก็บ
- ห้องปฏิบัติการ
- ฉลาก
- เปิดตัว
- ชั้นนำ
- การเรียนรู้
- ห้องสมุด
- วงจรชีวิต
- LINK
- รายการ
- การฟัง
- นาน
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- ทำให้
- การทำ
- จัดการ
- การจัดการ
- ผู้จัดการ
- ผู้จัดการ
- การจัดการ
- ลักษณะ
- ด้วยมือ
- การผลิต
- การตลาด
- อาจ..
- ภาพบรรยากาศ
- พบ
- หน่วยความจำ
- อาจ
- ต่ำสุด
- ภารกิจ
- ML
- ม.ป.ป
- แบบ
- โมเดล
- การแก้ไข
- แก้ไข
- โมดูล
- การตรวจสอบ
- ข้อมูลเพิ่มเติม
- มากที่สุด
- แรงจูงใจ
- หลาย
- การเดินเรือ
- จำเป็นต้อง
- ความต้องการ
- ถัดไป
- สมุดบันทึก
- จำนวน
- วัตถุ
- การตรวจจับวัตถุ
- of
- on
- เปิด
- โอเพนซอร์ส
- organizacja
- ที่ระบุไว้
- โครงร่าง
- ของตนเอง
- แพคเกจ
- บานหน้าต่าง
- เส้นทาง
- แบบแผน
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- จุด
- เป็นไปได้
- โพสต์
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- แปรรูปแล้ว
- กระบวนการ
- การผลิต
- โปรไฟล์
- ความคืบหน้า
- โครงการ
- โครงการ
- หนังสือมอบฉันทะ
- วัตถุประสงค์
- หลาม
- รวดเร็ว
- พิสัย
- ค่อนข้าง
- จริง
- เรียลไทม์
- เมื่อเร็ว ๆ นี้
- กรุ
- จำเป็นต้องใช้
- ความต้องการ
- แหล่งข้อมูล
- ผลสอบ
- วิ่ง
- วิ่ง
- sagemaker
- เดียวกัน
- เงินออม
- scalability
- ที่ปรับขนาดได้
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- นักวิทยาศาสตร์
- สคริปต์
- ปลอดภัย
- ความปลอดภัย
- แยก
- ให้บริการ
- เซสชั่น
- ชุด
- การตั้งค่า
- การติดตั้ง
- Share
- ที่ใช้ร่วมกัน
- ใช้งานร่วมกัน
- เปลือก
- น่า
- แสดง
- แสดง
- แสดงให้เห็นว่า
- เล็ก
- So
- ทางออก
- โซลูชัน
- แก้
- แหล่ง
- ช่องว่าง
- ช่องว่าง
- กีฬา
- เริ่มต้น
- ที่เริ่มต้น
- Status
- ขั้นตอน
- ขั้นตอน
- จัดเก็บ
- ร้านค้า
- เพรียวลม
- สตูดิโอ
- ประสบความสำเร็จ
- สนับสนุน
- ระบบ
- ระบบ
- งาน
- ทีม
- ทีม
- สถานีปลายทาง
- ที่
- พื้นที่
- ที่มา
- ของพวกเขา
- พวกเขา
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- ตลอด
- เวลา
- ต้องใช้เวลามาก
- ไปยัง
- ผ่านการฝึกอบรม
- การฝึกอบรม
- ui
- อัปโหลด
- URL
- us
- การใช้
- ใช้
- ผู้ใช้งาน
- ผู้ใช้
- ตรวจสอบ
- รุ่น
- รายละเอียด
- เว็บ
- เว็บแอปพลิเคชัน
- เว็บเบราเซอร์
- อะไร
- ที่
- ในขณะที่
- WHO
- จะ
- กับ
- ภายใน
- ไม่มี
- งาน
- การทำงาน
- คุณ
- ของคุณ
- ลมทะเล