Amazon SageMaker Ground Truth Plus เป็นบริการติดฉลากข้อมูลที่มีการจัดการซึ่งทำให้ง่ายต่อการติดฉลากข้อมูลสำหรับแอปพลิเคชันแมชชีนเลิร์นนิง (ML) กรณีการใช้งานทั่วไปอย่างหนึ่งคือการแบ่งส่วนความหมาย ซึ่งเป็นเทคนิค Computer Vision ML ที่เกี่ยวข้องกับการกำหนดป้ายกำกับคลาสให้กับแต่ละพิกเซลในรูปภาพ ตัวอย่างเช่น ในเฟรมวิดีโอที่บันทึกโดยยานพาหนะที่กำลังเคลื่อนที่ ป้ายชื่อประเภทอาจรวมถึงยานพาหนะ คนเดินเท้า ถนน สัญญาณไฟจราจร อาคาร หรือพื้นหลัง ช่วยให้เข้าใจตำแหน่งของวัตถุต่างๆ ในภาพได้อย่างแม่นยำ และมักใช้ในการสร้างระบบการรับรู้สำหรับยานยนต์ไร้คนขับหรือหุ่นยนต์ ในการสร้างแบบจำลอง ML สำหรับการแบ่งกลุ่มความหมาย ก่อนอื่นจำเป็นต้องติดป้ายข้อมูลปริมาณมากที่ระดับพิกเซล กระบวนการติดฉลากนี้ซับซ้อน ต้องใช้ผู้ติดฉลากที่มีทักษะและเวลามาก—ภาพบางภาพอาจใช้เวลาถึง 2 ชั่วโมงหรือมากกว่านั้นในการติดฉลากอย่างแม่นยำ!
ใน 2019, เราเปิดตัวเครื่องมือติดฉลากแบบโต้ตอบที่ขับเคลื่อนด้วย ML ซึ่งเรียกว่าการแบ่งส่วนอัตโนมัติสำหรับความจริงพื้นฐาน ที่ช่วยให้คุณสร้างมาสก์การแบ่งส่วนคุณภาพสูงได้อย่างรวดเร็วและง่ายดาย สำหรับข้อมูลเพิ่มเติม โปรดดูที่ เครื่องมือแบ่งส่วนอัตโนมัติ. คุณลักษณะนี้ทำงานโดยอนุญาตให้คุณคลิก "จุดสูงสุด" บน ซ้าย ล่าง และขวาสุดบนวัตถุ โมเดล ML ที่ทำงานอยู่เบื้องหลังจะรับอินพุตของผู้ใช้นี้และส่งคืนมาสก์การแบ่งส่วนคุณภาพสูงที่แสดงผลทันทีในเครื่องมือติดฉลาก Ground Truth อย่างไรก็ตาม คุณลักษณะนี้อนุญาตให้คุณคลิกได้เพียงสี่ครั้งเท่านั้น ในบางกรณี มาสก์ที่สร้างโดย ML อาจพลาดบางส่วนของภาพโดยไม่ได้ตั้งใจ เช่น รอบขอบเขตของวัตถุที่ขอบไม่ชัดเจน หรือที่สี ความอิ่มตัว หรือเงากลมกลืนกับสภาพแวดล้อม
การคลิกจุดมากด้วยจำนวนการคลิกแก้ไขที่ยืดหยุ่น
ขณะนี้เราได้ปรับปรุงเครื่องมือเพื่อให้สามารถคลิกจุดขอบเขตเพิ่มเติมได้ ซึ่งให้ข้อเสนอแนะตามเวลาจริงไปยังโมเดล ML สิ่งนี้ช่วยให้คุณสร้างมาสก์การแบ่งส่วนได้แม่นยำยิ่งขึ้น ในตัวอย่างต่อไปนี้ ผลลัพธ์ของการแบ่งส่วนเริ่มต้นไม่ถูกต้องเนื่องจากขอบเขตที่อ่อนแอใกล้กับเงา ที่สำคัญ เครื่องมือนี้ทำงานในโหมดที่ให้ข้อเสนอแนะแบบเรียลไทม์ คุณไม่จำเป็นต้องระบุจุดทั้งหมดพร้อมกัน แต่ก่อนอื่น คุณสามารถคลิกเมาส์สี่ครั้ง ซึ่งจะทำให้โมเดล ML สร้างมาสก์การแบ่งส่วน จากนั้นคุณสามารถตรวจสอบมาสก์นี้ ค้นหาความไม่ถูกต้องที่อาจเกิดขึ้น จากนั้นคลิกเพิ่มเติมตามความเหมาะสมเพื่อ "ดัน" โมเดลไปสู่ผลลัพธ์ที่ถูกต้อง
เครื่องมือติดฉลากก่อนหน้านี้ของเราอนุญาตให้คุณคลิกเมาส์สี่ครั้ง (จุดสีแดง) ผลลัพธ์การแบ่งส่วนเริ่มต้น (พื้นที่สีแดงแรเงา) ไม่ถูกต้องเนื่องจากขอบเขตที่อ่อนแอใกล้กับเงา (ด้านล่างซ้ายของหน้ากากสีแดง)
ด้วยเครื่องมือการติดฉลากที่ได้รับการปรับปรุงของเรา ผู้ใช้จะทำการคลิกเมาส์สี่ครั้งก่อนอีกครั้ง (จุดสีแดงในรูปบนสุด) จากนั้นคุณมีโอกาสที่จะตรวจสอบมาสก์การแบ่งส่วนผลลัพธ์ (พื้นที่สีแดงแรเงาในรูปด้านบน) คุณสามารถคลิกเมาส์เพิ่มเติม (จุดสีเขียวในรูปด้านล่าง) เพื่อทำให้โมเดลปรับแต่งมาสก์ (พื้นที่แรเงาสีแดงในรูปด้านล่าง)
เมื่อเทียบกับเครื่องมือรุ่นเดิม รุ่นปรับปรุงให้ผลลัพธ์ที่ดีขึ้นเมื่อวัตถุเปลี่ยนรูปได้ ไม่นูน และมีรูปร่างและลักษณะแตกต่างกัน
เราจำลองประสิทธิภาพของเครื่องมือที่ได้รับการปรับปรุงนี้กับข้อมูลตัวอย่างโดยเรียกใช้เครื่องมือพื้นฐาน (ด้วยการคลิกมากสุดเพียงสี่ครั้ง) เพื่อสร้างมาสก์การแบ่งส่วนและประเมินค่าเฉลี่ยของ Intersection over Union (mIoU) ซึ่งเป็นการวัดความแม่นยำทั่วไปสำหรับมาสก์การแบ่งส่วน จากนั้นเราใช้การคลิกแก้ไขจำลองและประเมินการปรับปรุงใน mIoU หลังจากการคลิกจำลองแต่ละครั้ง ตารางต่อไปนี้สรุปผลลัพธ์เหล่านี้ แถวแรกแสดง mIoU และแถวที่สองแสดงข้อผิดพลาด (ซึ่งกำหนดโดย 100% ลบด้วย mIoU) ด้วยการคลิกเมาส์เพิ่มเติมเพียงห้าครั้ง เราสามารถลดข้อผิดพลาดได้ถึง 9% สำหรับงานนี้!
. | . | จำนวนคลิกแก้ไข | . | |||
. | baseline | 1 | 2 | 3 | 4 | 5 |
มิวยู | 72.72 | 76.56 | 77.62 | 78.89 | 80.57 | 81.73 |
ความผิดพลาด | 27% | 23% | 22% | 21% | 19% | 18% |
การผสานรวมกับ Ground Truth และการทำโปรไฟล์ประสิทธิภาพ
ในการรวมโมเดลนี้เข้ากับ Ground Truth เราทำตามรูปแบบสถาปัตยกรรมมาตรฐานตามที่แสดงในแผนภาพต่อไปนี้ ขั้นแรก เราสร้างโมเดล ML เป็นอิมเมจ Docker และปรับใช้กับ การลงทะเบียน Amazon Elastic Container (Amazon ECR) ซึ่งเป็นรีจีสทรีคอนเทนเนอร์ Docker ที่มีการจัดการเต็มรูปแบบซึ่งทำให้ง่ายต่อการจัดเก็บ แชร์ และปรับใช้อิมเมจคอนเทนเนอร์ ใช้ ชุดเครื่องมือการอนุมาน SageMaker ในการสร้างอิมเมจ Docker ช่วยให้เราสามารถใช้แนวทางปฏิบัติที่ดีที่สุดสำหรับการแสดงโมเดลได้อย่างง่ายดายและบรรลุการอนุมานที่มีเวลาแฝงต่ำ จากนั้นเราก็สร้าง อเมซอน SageMaker จุดสิ้นสุดตามเวลาจริงเพื่อโฮสต์โมเดล เราขอแนะนำ AWS แลมบ์ดา ทำหน้าที่เป็นพร็อกซีหน้าตำแหน่งข้อมูล SageMaker เพื่อนำเสนอการแปลงข้อมูลประเภทต่างๆ ในที่สุดเราก็ใช้ Amazon API Gateway Amazon เป็นวิธีการรวมเข้ากับส่วนหน้าของเรา ซึ่งเป็นแอปพลิเคชันการติดฉลาก Ground Truth เพื่อให้การรับรองความถูกต้องที่ปลอดภัยแก่แบ็กเอนด์ของเรา
คุณสามารถทำตามรูปแบบทั่วไปนี้สำหรับกรณีการใช้งานของคุณเองสำหรับเครื่องมือ ML ที่สร้างขึ้นตามวัตถุประสงค์ และรวมเข้ากับ UI ของงาน Ground Truth ที่กำหนดเอง สำหรับข้อมูลเพิ่มเติม โปรดดูที่ สร้างเวิร์กโฟลว์การติดฉลากข้อมูลแบบกำหนดเองด้วย Amazon SageMaker Ground Truth.
หลังจากจัดเตรียมสถาปัตยกรรมนี้และปรับใช้โมเดลของเราโดยใช้ ชุดพัฒนา AWS Cloud (AWS CDK) เราได้ประเมินลักษณะเวลาแฝงของโมเดลของเราด้วยประเภทอินสแตนซ์ SageMaker ที่แตกต่างกัน สิ่งนี้ตรงไปตรงมามากเพราะเราใช้จุดสิ้นสุดการอนุมานตามเวลาจริงของ SageMaker เพื่อให้บริการโมเดลของเรา จุดสิ้นสุดการอนุมานตามเวลาจริงของ SageMaker ผสานรวมอย่างลงตัวกับ อเมซอน คลาวด์วอตช์ และปล่อยตัวชี้วัดเช่นการใช้หน่วยความจำและเวลาแฝงของแบบจำลองโดยไม่ต้องตั้งค่าที่จำเป็น (ดู เมตริกการเรียกใช้ปลายทางของ SageMaker สำหรับรายละเอียดเพิ่มเติม)
ในรูปต่อไปนี้ เราแสดงเมตริก ModelLatency ที่ปล่อยออกมาโดยกำเนิดโดยจุดสิ้นสุดการอนุมานตามเวลาจริงของ SageMaker เราสามารถใช้ฟังก์ชันทางคณิตศาสตร์เมตริกต่างๆ ใน CloudWatch เพื่อแสดงเปอร์เซ็นต์ไทล์เวลาแฝง เช่น เวลาแฝง p50 หรือ p90 ได้อย่างง่ายดาย
ตารางต่อไปนี้สรุปผลลัพธ์เหล่านี้สำหรับเครื่องมือคลิกสุดโต่งที่ได้รับการปรับปรุงสำหรับการแบ่งกลุ่มความหมายสำหรับอินสแตนซ์สามประเภท: p2.xlarge, p3.2xlarge และ g4dn.xlarge แม้ว่าอินสแตนซ์ p3.2xlarge จะให้เวลาแฝงที่ต่ำที่สุด แต่อินสแตนซ์ g4dn.xlarge ก็มีอัตราส่วนต้นทุนต่อประสิทธิภาพที่ดีที่สุด อินสแตนซ์ g4dn.xlarge ช้ากว่าอินสแตนซ์ p8xlarge เพียง 35% (3.2 มิลลิวินาที) แต่มีราคาต่อชั่วโมงน้อยกว่า p81xlarge ถึง 3.2% (ดู ราคา Amazon SageMaker สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับประเภทอินสแตนซ์และราคาของ SageMaker)
ประเภทอินสแตนซ์ของ SageMaker | p90 เวลาแฝง (มิลลิวินาที) | |
1 | p2.xlarge | 751 |
2 | p3.2xlarge | 424 |
3 | g4dn.xlarge | 459 |
สรุป
ในโพสต์นี้ เราแนะนำส่วนขยายของคุณสมบัติการแบ่งส่วนอัตโนมัติของ Ground Truth สำหรับงานคำอธิบายประกอบการแบ่งส่วนความหมาย ในขณะที่เครื่องมือเวอร์ชันดั้งเดิมอนุญาตให้คุณทำการคลิกเมาส์สี่ครั้งเท่านั้น ซึ่งจะเรียกใช้โมเดลเพื่อให้มาสก์การแบ่งส่วนคุณภาพสูง ส่วนขยายช่วยให้คุณทำการคลิกที่ถูกต้อง และด้วยเหตุนี้จึงอัปเดตและแนะนำโมเดล ML เพื่อให้คาดการณ์ได้ดีขึ้น เรายังนำเสนอรูปแบบสถาปัตยกรรมพื้นฐานที่คุณสามารถใช้เพื่อปรับใช้และผสานรวมเครื่องมือโต้ตอบเข้ากับ UI การติดฉลาก Ground Truth สุดท้าย เราได้สรุปเวลาแฝงของโมเดล และแสดงให้เห็นว่าการใช้จุดสิ้นสุดการอนุมานตามเวลาจริงของ SageMaker ทำให้ง่ายต่อการตรวจสอบประสิทธิภาพของโมเดลอย่างไร
หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับวิธีที่เครื่องมือนี้สามารถลดต้นทุนการติดฉลากและเพิ่มความแม่นยำ โปรดไปที่ การติดฉลากข้อมูล Amazon SageMaker เพื่อเริ่มการให้คำปรึกษาในวันนี้
เกี่ยวกับผู้แต่ง
โจนาธาน บัค เป็นวิศวกรซอฟต์แวร์ที่ Amazon Web Services ที่ทำงานที่จุดตัดของแมชชีนเลิร์นนิงและระบบกระจาย งานของเขาเกี่ยวข้องกับการผลิตโมเดลแมชชีนเลิร์นนิงและการพัฒนาแอปพลิเคชันซอฟต์แวร์ใหม่ที่ขับเคลื่อนโดยแมชชีนเลิร์นนิงเพื่อให้ลูกค้าได้รับความสามารถล่าสุด
หลี่ เอ้อหราน หลี่ เป็นผู้จัดการวิทยาศาสตร์ประยุกต์ที่บริการ humain-in-the-loop, AWS AI, Amazon ความสนใจในการวิจัยของเขาคือการเรียนรู้เชิงลึก 3 มิติและการเรียนรู้การมองเห็นและการแสดงภาษา ก่อนหน้านี้เขาเป็นนักวิทยาศาสตร์อาวุโสที่ Alexa AI หัวหน้าฝ่ายการเรียนรู้ของเครื่องที่ Scale AI และหัวหน้านักวิทยาศาสตร์ที่ Pony.ai ก่อนหน้านั้น เขาเคยร่วมงานกับทีมการรับรู้ที่ Uber ATG และทีมแพลตฟอร์มการเรียนรู้ของเครื่องที่ Uber ซึ่งทำงานเกี่ยวกับการเรียนรู้ของเครื่องสำหรับการขับรถอัตโนมัติ ระบบการเรียนรู้ของเครื่อง และการริเริ่มเชิงกลยุทธ์ของ AI เขาเริ่มทำงานที่ Bell Labs และเป็นผู้ช่วยศาสตราจารย์ที่มหาวิทยาลัยโคลัมเบีย เขาร่วมสอนบทช่วยสอนที่ ICML'17 และ ICCV'19 และร่วมจัดเวิร์กชอปหลายครั้งที่ NeurIPS, ICML, CVPR, ICCV เกี่ยวกับการเรียนรู้ของเครื่องสำหรับการขับขี่อัตโนมัติ การมองเห็น 3 มิติและวิทยาการหุ่นยนต์ ระบบการเรียนรู้ของเครื่อง และการเรียนรู้ของเครื่องที่เป็นปฏิปักษ์ เขาจบปริญญาเอกด้านวิทยาการคอมพิวเตอร์ที่ Cornell University เขาเป็นเพื่อน ACM และเพื่อน IEEE
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/few-click-segmentation-mask-labeling-in-amazon-sagemaker-ground-truth-plus/
- :เป็น
- $ ขึ้น
- 1
- 100
- 2019
- 3d
- 7
- a
- เกี่ยวกับเรา
- ความถูกต้อง
- ถูกต้อง
- บรรลุ
- พลอากาศเอก
- เพิ่มเติม
- ขัดแย้ง
- หลังจาก
- AI
- Alexa
- ทั้งหมด
- การอนุญาต
- ช่วยให้
- แม้ว่า
- อเมซอน
- อเมซอน SageMaker
- ความจริงของ Amazon SageMaker
- Amazon Web Services
- และ
- API
- การใช้งาน
- การใช้งาน
- ประยุกต์
- เหมาะสม
- ในเชิงสถาปัตยกรรม
- สถาปัตยกรรม
- เป็น
- AREA
- รอบ
- AS
- At
- การยืนยันตัวตน
- รถยนต์
- อิสระ
- ยานพาหนะอิสระ
- AWS
- แบ็กเอนด์
- พื้นหลัง
- ภูมิหลัง
- baseline
- ขั้นพื้นฐาน
- รากฐาน
- เพราะ
- ก่อน
- ระฆัง
- ที่ดีที่สุด
- ปฏิบัติที่ดีที่สุด
- ดีกว่า
- การผสมผสาน
- ด้านล่าง
- เขตแดน
- สร้าง
- การก่อสร้าง
- by
- ที่เรียกว่า
- CAN
- ความสามารถในการ
- ความก้าวหน้า
- กรณี
- กรณี
- ก่อให้เกิด
- บาง
- ลักษณะ
- หัวหน้า
- ชั้น
- คลิก
- เมฆ
- สี
- COLUMBIA
- ร่วมกัน
- ซับซ้อน
- คอมพิวเตอร์
- วิทยาการคอมพิวเตอร์
- วิสัยทัศน์คอมพิวเตอร์
- ภาชนะ
- ราคา
- สร้าง
- ประเพณี
- ลูกค้า
- ข้อมูล
- ลึก
- การเรียนรู้ลึก ๆ
- ปรับใช้
- ปรับใช้
- รายละเอียด
- ที่กำลังพัฒนา
- พัฒนาการ
- ต่าง
- กระจาย
- ระบบกระจาย
- นักเทียบท่า
- ไม่
- การขับขี่
- แต่ละ
- อย่างง่ายดาย
- ช่วยให้
- ปลายทาง
- วิศวกร
- ที่เพิ่มขึ้น
- ความผิดพลาด
- ประเมิน
- เผง
- ตัวอย่าง
- แพง
- นามสกุล
- พิเศษ
- สุดโต่ง
- ลักษณะ
- ข้อเสนอแนะ
- มนุษย์
- รูป
- ในที่สุด
- ชื่อจริง
- มีความยืดหยุ่น
- ปฏิบัติตาม
- ดังต่อไปนี้
- สำหรับ
- ด้านหน้า
- ปลายด้านหน้า
- อย่างเต็มที่
- ฟังก์ชัน
- ฟังก์ชั่น
- สร้าง
- กำหนด
- สีเขียว
- พื้น
- ให้คำแนะนำ
- มือ
- มี
- หัว
- ที่มีคุณภาพสูง
- เจ้าภาพ
- ชั่วโมง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- อย่างไรก็ตาม
- HTML
- ที่ http
- HTTPS
- อีอีอี
- ภาพ
- ภาพ
- ทันที
- การปรับปรุง
- การปรับปรุง
- in
- ประกอบด้วย
- เพิ่ม
- เป็นรายบุคคล
- ข้อมูล
- แรกเริ่ม
- ความคิดริเริ่ม
- อินพุต
- ตัวอย่าง
- แทน
- รวบรวม
- การบูรณาการ
- การโต้ตอบ
- ผลประโยชน์
- การตัด
- แนะนำ
- แนะนำ
- IT
- ITS
- jpg
- ฉลาก
- การติดฉลาก
- ป้ายกำกับ
- ห้องปฏิบัติการ
- ภาษา
- ใหญ่
- ความแอบแฝง
- ล่าสุด
- เรียนรู้
- การเรียนรู้
- ชั้น
- วันหยุด
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- ทำให้
- การจัดการ
- ผู้จัดการ
- หน้ากาก
- มาสก์
- คณิตศาสตร์
- วัด
- หน่วยความจำ
- เมตริก
- ตัวชี้วัด
- ML
- โหมด
- แบบ
- โมเดล
- การตรวจสอบ
- ข้อมูลเพิ่มเติม
- การย้าย
- MS
- ใกล้
- จำเป็น
- นวนิยาย
- จำนวน
- วัตถุ
- วัตถุ
- of
- เสนอ
- on
- ONE
- ดำเนินการ
- โอกาส
- เป็นต้นฉบับ
- ของตนเอง
- แบบแผน
- ความเข้าใจ
- การปฏิบัติ
- พิกเซล
- สถานที่
- เวที
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- บวก
- จุด
- จุด
- โพสต์
- ที่มีศักยภาพ
- ขับเคลื่อน
- การปฏิบัติ
- การคาดการณ์
- นำเสนอ
- ก่อน
- ก่อนหน้านี้
- การตั้งราคา
- กระบวนการ
- ก่อ
- ศาสตราจารย์
- ให้
- ให้
- หนังสือมอบฉันทะ
- ใส่
- อย่างรวดเร็ว
- อัตราส่วน
- เรียลไทม์
- สีแดง
- ลด
- รีจิสทรี
- การเผยแพร่
- วาทกรรม
- การแสดง
- ต้องการ
- จำเป็นต้องใช้
- ต้อง
- การวิจัย
- ผล
- ส่งผลให้
- ผลสอบ
- กลับ
- หุ่นยนต์
- แถว
- วิ่ง
- sagemaker
- ขนาด
- ขนาดไอ
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- ได้อย่างลงตัว
- ที่สอง
- ปลอดภัย
- ส่วน
- การแบ่งส่วน
- ระดับอาวุโส
- ให้บริการ
- บริการ
- บริการ
- การให้บริการ
- การติดตั้ง
- หลาย
- เงา
- รูปร่าง
- Share
- โชว์
- แสดง
- แสดงให้เห็นว่า
- สัญญาณ
- สำคัญ
- มีฝีมือ
- ซอฟต์แวร์
- วิศวกรซอฟต์แวร์
- มาตรฐาน
- เริ่มต้น
- ข้อความที่เริ่ม
- จัดเก็บ
- ซื่อตรง
- ยุทธศาสตร์
- ต่อจากนั้น
- อย่างเช่น
- ระบบ
- ตาราง
- เอา
- งาน
- งาน
- ทีม
- ที่
- พื้นที่
- พวกเขา
- ดังนั้น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- สาม
- ไปยัง
- ในวันนี้
- เครื่องมือ
- เครื่องมือ
- ด้านบน
- การจราจร
- การแปลง
- เรียก
- บทเรียน
- ชนิด
- Uber
- ความเข้าใจ
- สหภาพ
- มหาวิทยาลัย
- บันทึก
- us
- ใช้
- ใช้กรณี
- ผู้ใช้งาน
- ต่างๆ
- พาหนะ
- ยานพาหนะ
- รุ่น
- วีดีโอ
- วิสัยทัศน์
- เยี่ยมชมร้านค้า
- ปริมาณ
- ทาง..
- เว็บ
- บริการเว็บ
- ที่
- จะ
- กับ
- งาน
- การทำงาน
- โรงงาน
- การประชุมเชิงปฏิบัติการ
- คุณ
- ของคุณ
- ลมทะเล