Bu yazı Thomson Reuters'ten Hesham Fahim tarafından yazılmıştır.
Thomson Reuters (TR) işletmeler ve profesyoneller için dünyanın en güvenilir bilgi kuruluşlarından biridir. Şirketlere güvenilir yanıtlar bulmak için ihtiyaç duydukları zekayı, teknolojiyi ve insan uzmanlığını sağlayarak, daha iyi kararları daha hızlı almalarını sağlar. TR'nin müşterileri finans, risk, hukuk, vergi, muhasebe ve medya pazarlarına yayılmaktadır.
Thomson Reuters, kullanıcıların bir abonelik lisanslama modeli kullanarak kaydolabilecekleri Vergi, Hukuk ve Haber kampanyasında pazar lideri ürünler sunuyor. TR, müşterileri için bu deneyimi geliştirmek amacıyla, satış ekibinin müşterilerine en uygun abonelik paketlerini önermesine olanak tanıyan, müşterilerinin pazara daha iyi hizmet vermesine yardımcı olabilecek ürünler hakkında farkındalık yaratmaya yardımcı olacak öneriler üreten merkezi bir öneri platformu oluşturmak istiyordu. kişiye özel ürün seçimleri.
Bu merkezi platformu oluşturmadan önce TR, yenileme önerileri oluşturmak için eski, kurallara dayalı bir motora sahipti. Bu motordaki kurallar önceden tanımlanmış ve SQL'de yazılmıştı; bu, yönetimi zorlaştırmanın yanı sıra, TR'nin çeşitli entegre veri kaynaklarından gelen verilerin çoğalmasıyla da başa çıkmakta zorlandı. TR müşteri verileri, iş kurallarının değişen müşteri ihtiyaçlarını yansıtacak şekilde gelişebileceğinden daha hızlı değişiyor. TR'nin yeni makine öğrenimi (ML) tabanlı kişiselleştirme motorunun temel gereksinimi, son müşteri eğilimlerini dikkate alan doğru bir öneri sistemine odaklanıyordu. Arzu edilen çözüm, düşük operasyonel ek yüke sahip, iş hedeflerine ulaşmayı hızlandırma becerisine sahip ve değişen tüketici alışkanlıkları ve yeni ürünlerle başa çıkmak için sürekli olarak güncel verilerle eğitilebilen bir kişiselleştirme motoruna sahip bir çözüm olacaktır.
Yenileme önerilerini TR'nin müşterileri için değerli olabilecek ürünlere göre kişiselleştirmek, satış ve pazarlama ekibi için önemli bir iş zorluğuydu. TR, müşteri etkileşimlerinden toplanan ve merkezi bir veri ambarında saklanan, kişiselleştirme için kullanılabilecek zengin bir veriye sahiptir. TR, makine öğrenimini ilk benimseyenlerden biri oldu ve Amazon Adaçayı Yapıcıve AI/ML alanındaki olgunlukları, ekibin bir kişiselleştirme modelini eğitebileceği bir veri ambarında ilgili verilerden oluşan önemli bir veri kümesini derledikleri anlamına geliyordu. TR, AI/ML inovasyonunu sürdürdü ve yakın zamanda yenilenen bir öneri platformu geliştirdi. Amazon Kişiselleştir, kullanıcılara öneriler oluşturmak için kullanıcı etkileşimlerini ve öğelerini kullanan, tam olarak yönetilen bir makine öğrenimi hizmetidir. Bu yazıda TR'nin, müşterilerine en iyi ürün abonelik planlarını ve ilgili fiyatlandırmayı sağlayan ölçeklenebilir, çok kiracılı bir öneri sistemi oluşturmak için Amazon Personalize'ı nasıl kullandığını açıklıyoruz.
Çözüm mimarisi
Çözümün, TR'nin verileri kullanarak kullanıcıları anlamaya yönelik temel operasyonları dikkate alınarak tasarlanması gerekiyordu; bu kullanıcılara geniş bir veri kümesinden kişiselleştirilmiş ve alakalı içerik sağlamak, görev açısından kritik bir gereklilikti. İyi tasarlanmış bir öneri sistemine sahip olmak, her kullanıcının gereksinimlerine göre özelleştirilmiş kaliteli öneriler almanın anahtarıdır.
Çözüm, kullanıcı davranışı verilerinin toplanıp hazırlanmasını, Amazon Personalize kullanarak bir makine öğrenimi modelinin eğitilmesini, eğitilen model aracılığıyla kişiselleştirilmiş öneriler oluşturulmasını ve kişiselleştirilmiş önerilerle pazarlama kampanyalarının desteklenmesini gerektiriyordu.
TR, operasyonları basitleştirmek ve farklılaşmamış ağır yükleri azaltmak için mümkün olan yerlerde AWS tarafından yönetilen hizmetlerden yararlanmak istiyordu. TR kullanıldı AWS Tutkal DataBrew ve AWS Toplu İş ML işlem hatlarında çıkarma, dönüştürme ve yükleme (ETL) işlerini gerçekleştirmek için işler ve önerileri uyarlamak için SageMaker ve Amazon Personalize. Eğitim veri hacmi ve çalışma zamanı perspektifinden bakıldığında, çözümün, TR'nin iş ekiplerindeki alt tüketicilere halihazırda taahhüt edilen zaman çerçevesi içinde milyonlarca kaydı işleyecek şekilde ölçeklenebilir olması gerekiyordu.
Aşağıdaki bölümlerde çözümde yer alan bileşenler açıklanmaktadır.
ML eğitim hattı
Kullanıcılar ve içerik arasındaki etkileşimler, müşteri içeriğe tıkladığında oluşturulan tıklama akışı verileri biçiminde toplanır. TR, bunun abonelik planlarının bir parçası mı yoksa abonelik planlarının ötesinde mi olduğunu analiz ederek fiyat ve plan kayıt seçenekleri hakkında ek ayrıntılar sağlayabilir. Çeşitli kaynaklardan gelen kullanıcı etkileşimleri verileri, veri ambarlarında saklanır.
Aşağıdaki şemada ML eğitim hattı gösterilmektedir.
İşlem hattı, verileri veri ambarından çıkaran ve verileri etkileşimler, kullanıcılar ve öğe veri kümeleri oluşturacak şekilde dönüştüren bir AWS Batch işiyle başlar.
Modeli eğitmek için aşağıdaki veri kümeleri kullanılır:
- Yapılandırılmış ürün verileri – Abonelikler, siparişler, ürün kataloğu, işlemler ve müşteri ayrıntıları
- Yarı yapılandırılmış davranış verileri – Kullanıcılar, kullanım ve etkileşimler
Dönüştürülen bu veriler bir Amazon Basit Depolama Hizmeti (Amazon S3) paketi, Amazon Personalize for ML eğitimine aktarılır. TR, kullanıcıları için kişiselleştirilmiş öneriler oluşturmak istediğinden, USER_PERSONALIZATION Çözüm sürümü oluşturma olarak adlandırılan, ML modellerini özel verileri için eğitme tarifi. Çözüm sürümü oluşturulduktan sonra kullanıcılara kişiselleştirilmiş öneriler oluşturmak için kullanılır.
Tüm iş akışı kullanılarak düzenlenir AWS Basamak İşlevleri. Uyarılar ve bildirimler Microsoft Teams kullanılarak yakalanır ve yayınlanır. Amazon Basit Bildirim Servisi (Amazon SNS) ve Amazon EventBridge.
Kişiselleştirilmiş öneriler hattı oluşturma: Toplu çıkarım
Müşteri gereksinimleri ve tercihleri çok sık değişir ve tıklama akışı verilerinde yakalanan en son etkileşimler, müşterinin değişen tercihlerini anlamak için önemli bir veri noktası görevi görür. TR, sürekli değişen müşteri tercihlerine uyum sağlamak için günlük olarak kişiselleştirilmiş öneriler üretir.
Aşağıdaki şemada kişiselleştirilmiş öneriler oluşturmaya yönelik işlem hattı gösterilmektedir.
DataBrew işi, mevcut abonelik planına ve son etkinliğe dayalı olarak yenileme sırasında önerilerde bulunmaya uygun olan kullanıcılar için TR veri ambarından verileri çıkarır. DataBrew görsel veri hazırlama aracı, TR veri analistlerinin ve veri bilimcilerinin verileri analitik ve makine öğrenimi için hazırlamak üzere temizlemesini ve normalleştirmesini kolaylaştırır. Veri hazırlama görevlerini otomatikleştirmek için görsel veri hazırlama aracındaki 250'den fazla önceden oluşturulmuş dönüşüm arasından seçim yapabilme yeteneği, hiçbir kod yazmaya gerek kalmadan önemli bir özellikti. DataBrew işi, toplu öneriler işi için etkileşimler ve girdiler için artımlı bir veri kümesi oluşturur ve çıktıyı bir S3 klasöründe saklar. Yeni oluşturulan artımlı veri kümesi, etkileşim veri kümesine aktarılır. Artımlı veri kümesi içe aktarma işi başarılı olduğunda giriş verileriyle bir Amazon Kişiselleştirme toplu öneriler işi tetiklenir. Amazon Personalize, giriş verilerinde sağlanan kullanıcılar için en son önerileri oluşturur ve bunları bir öneri S3 klasöründe saklar.
Fiyat optimizasyonu, yeni oluşturulan önerilerin kullanıma hazır hale gelmesinden önceki son adımdır. TR, oluşturulan öneriler üzerinde bir maliyet optimizasyonu işi yürütüyor ve bu son adımın bir parçası olarak öneriler üzerinde özel modeller çalıştırmak için SageMaker'ı kullanıyor. Bir AWS Glue işi, Amazon Personalize'dan oluşturulan çıktıyı düzenler ve onu SageMaker özel modelinin gerektirdiği giriş formatına dönüştürür. TR, önerileri müşteri firmasının ve son kullanıcıların türüne göre uyarlamak için öneri platformunda hem Amazon Personalize'ı hem de SageMaker'ı kullanarak AWS'nin sağladığı hizmetlerin genişliğinden yararlanabiliyor.
Tüm iş akışı, veri işleme gereksinimlerine bağlı olarak işlem hattını ölçeklendirme esnekliği sağlayan Step Functions kullanılarak ayrıştırılır ve düzenlenir. Uyarılar ve bildirimler Amazon SNS ve EventBridge kullanılarak yakalanır.
E-posta kampanyalarını yönlendirme
Fiyatlandırma sonuçlarıyla birlikte oluşturulan öneriler, e-posta kampanyalarını TR'nin müşterilerine yönlendirmek için kullanılır. Bir AWS Batch işi, her müşteriye yönelik önerileri seçmek ve bunu optimize edilmiş fiyatlandırma bilgileriyle zenginleştirmek için kullanılır. Bu öneriler TR'nin aşağıdaki e-posta kampanyalarını yönlendiren kampanya sistemlerine aktarılmaktadır:
- Müşterinin ilgisini çekebilecek yeni ürünler içeren otomatik abonelik yenileme veya yükseltme kampanyaları
- Daha iyi teklifler, daha alakalı ürünler ve yasal içerik materyalleri içeren sözleşme ortası yenileme kampanyaları
Bu süreçten elde edilen bilgiler aynı zamanda müşteri portalına da kopyalanır, böylece mevcut aboneliklerini inceleyen müşteriler yeni yenileme önerilerini görebilir. TR, yeni öneri platformunun uygulamaya konulmasından bu yana e-posta kampanyalarından daha yüksek bir dönüşüm oranı elde etti ve bu da satış siparişlerinin artmasına yol açtı.
Sırada ne var: Gerçek zamanlı öneriler hattı
Müşteri gereksinimleri ve alışveriş davranışları gerçek zamanlı olarak değişir ve önerileri gerçek zamanlı değişikliklere uyarlamak, doğru içeriği sunmanın anahtarıdır. Toplu öneri sisteminin dağıtımında büyük bir başarı elde eden TR, şimdi Amazon Personalize'ı kullanarak öneriler oluşturmak için gerçek zamanlı bir öneri hattı uygulayarak bu çözümü bir sonraki seviyeye taşımayı planlıyor.
Aşağıdaki şemada gerçek zamanlı öneriler sağlayan mimari gösterilmektedir.
Gerçek zamanlı entegrasyon, canlı kullanıcı etkileşimi verilerinin toplanması ve bunların Amazon Personalize'a aktarılmasıyla başlar. Kullanıcılar TR'nin uygulamalarıyla etkileşime girdikçe, tıklama akışı etkinlikleri oluştururlar ve bunlar, TR'de yayınlanır. Amazon Kinesis Veri Akışları. Daha sonra olaylar TR'nin merkezi yayın platformuna aktarılıyor. Kafka için Amazon Tarafından Yönetilen Akış (Amazon MSK'da). Amazon MSK, tam olarak yönetilen Apache Kafka ile akış verilerinin gerçek zamanlı olarak alınmasını ve işlenmesini kolaylaştırır. Bu mimaride Amazon MSK, bir akış platformu olarak hizmet verir ve ham gelen tıklama akışı olaylarında gereken tüm veri dönüşümlerini gerçekleştirir. Sonra bir AWS Lambda Olayları Amazon Personalize veri kümesiyle uyumlu şemaya göre filtrelemek ve bu olayları bir Amazon Personalize olay izleyicisine göndermek için işlev tetiklenir. putEvent
API'dir. Bu, Amazon Personalize'ın kullanıcınızın en son davranışından öğrenmesine ve ilgili öğeleri önerilere dahil etmesine olanak tanır.
TR'nin web uygulamaları, içinde konuşlandırılan bir API'yi çağırır Amazon API Ağ Geçidi bir Lambda işlevini çağırmak üzere tetikleyen öneriler almak için GetRecommendations
Amazon Personalize ile API çağrısı. Amazon Personalize, Lambda ve API Gateway aracılığıyla web uygulamalarına geri gönderilen, kullanıcı davranışına göre seçilmiş en yeni kişiselleştirilmiş öneriler kümesini sağlar.
Bu gerçek zamanlı mimari sayesinde TR, müşterilerine en son davranışlarına göre kişiselleştirilmiş öneriler sunarak ihtiyaçlarını daha iyi karşılayabiliyor.
Sonuç
Bu yazıda TR'nin bir öneri motorunu uygulamak için Amazon Personalize ve diğer AWS hizmetlerini nasıl kullandığını size gösterdik. Amazon Personalize, TR'nin müşterilerine öneriler sunmak için yüksek performanslı modellerin geliştirilmesini ve dağıtımını hızlandırmasını sağladı. TR, aylar öncesine kıyasla artık birkaç hafta içinde yeni bir ürün paketini kullanıma sunabiliyor. TR, Amazon Personalize ve SageMaker ile müşterileri için daha iyi içerik abonelik planları ve fiyatlarıyla müşteri deneyimini geliştirebiliyor.
Bu blogu okumaktan keyif aldıysanız ve Amazon Personalize hakkında daha fazla bilgi edinmek ve kuruluşunuzun öneri sistemleri oluşturmasına nasıl yardımcı olabileceğini öğrenmek istiyorsanız lütfen şuraya bakın: geliştirici kılavuzu.
Yazarlar Hakkında
Heşam Fahim Thomson Reuters'da Baş Makine Öğrenimi Mühendisi ve Kişiselleştirme Motoru Mimarıdır. Büyük işletmelerden orta ölçekli girişimlere kadar akademi ve endüstrideki kuruluşlarla çalıştı. Ölçeklenebilir derin öğrenme mimarilerine odaklanarak mobil robotik, biyomedikal görüntü analizi ve öneri sistemleri konularında deneyime sahiptir. Bilgisayarlardan uzakta, astrofotografiyi, kitap okumayı ve uzun mesafe bisiklet sürmeyi seviyor.
Srinivasa Şaik Boston merkezli AWS'de Çözüm Mimarıdır. Kurumsal müşterilerin buluta yolculuklarını hızlandırmalarına yardımcı oluyor. Konteynerler ve makine öğrenimi teknolojileri konusunda tutkulu. Boş zamanlarında ailesiyle vakit geçirmekten, yemek yapmaktan ve seyahat etmekten hoşlanıyor.
Vamshi Krishna Enabothala AWS'de Kıdemli Uygulamalı Yapay Zeka Uzmanı Mimardır. Yüksek etkili verileri, analitiği ve makine öğrenimi girişimlerini hızlandırmak için farklı sektörlerden müşterilerle birlikte çalışıyor. AI ve ML'deki öneri sistemleri, NLP ve bilgisayarla görme alanları hakkında tutkulu. İş dışında, Vamshi bir RC meraklısıdır, RC ekipmanları (uçaklar, arabalar ve dronlar) inşa eder ve ayrıca bahçecilikten hoşlanır.
Simone Zucchet AWS'de Kıdemli Çözüm Mimarıdır. Bulut Mimarı olarak 6 yıldan fazla deneyimi olan Simone, kuruluşların iş sorunlarına yaklaşımını dönüştürmeye yardımcı olan yenilikçi projeler üzerinde çalışmaktan keyif alıyor. AWS'de büyük kurumsal müşterilerin desteklenmesine yardımcı oluyor ve Machine Learning TFC'nin bir parçası. Profesyonel yaşamının dışında araba ve fotoğrafçılıkla uğraşmaktan hoşlanıyor.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-delivers-personalized-content-subscription-plans-at-scale-using-amazon-personalize/
- 100
- 7
- a
- kabiliyet
- Yapabilmek
- Hakkımızda
- Akademi
- hızlandırmak
- Hesap
- muhasebe
- doğru
- karşısında
- etkinlik
- uyarlamak
- Ek
- avantaj
- Sonra
- AI
- AI / ML
- Türkiye
- veriyor
- zaten
- Amazon
- Amazon Kişiselleştir
- analiz
- Analistler
- analytics
- analizler
- ve
- cevaplar
- Apache
- api
- uygulamaları
- uygulamalı
- Yapay Zeka
- yaklaşım
- mimari
- alanlar
- etrafında
- ilişkili
- otomatikleştirmek
- farkındalık
- AWS
- AWS Tutkal
- Arka
- merkezli
- temel
- Çünkü
- önce
- İYİ
- Daha iyi
- arasında
- Ötesinde
- biyomedikal
- Blog
- boston
- genişlik
- inşa etmek
- bina
- yapılı
- iş
- işletmeler
- çağrı
- Kampanya
- kampanya
- Kampanyalar
- arabalar
- katalog
- merkezli
- merkezi
- meydan okuma
- değişiklik
- değişiklikler
- değiştirme
- Klinik
- bulut
- kod
- Toplama
- taahhüt
- Şirketler
- karşılaştırıldığında
- uyumlu
- bileşenler
- bilgisayar
- Bilgisayar görüşü
- bilgisayarlar
- düşünen
- sürekli
- tüketici
- Tüketiciler
- Konteynerler
- içerik
- devam
- Dönüştürme
- çekirdek
- Ücret
- olabilir
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- Oluşturma
- küratörlüğünü
- Curates
- akım
- görenek
- müşteri
- müşteri bilgisi
- müşteri deneyimi
- Müşteriler
- günlük
- veri
- Veri Hazırlama
- veri işleme
- veri kümeleri
- anlaşma
- kararlar
- derin
- derin öğrenme
- teslim
- sağlıyor
- bağlı
- konuşlandırılmış
- dağıtma
- açılma
- tasarlanmış
- ayrıntılar
- gelişmiş
- gelişme
- farklı
- mesafe
- domain
- sürücü
- sürme
- Drones
- sırasında
- her
- Daha erken
- Erken
- YÜKSELTMEK
- uygun
- E-posta
- etkin
- etkinleştirme
- nişan
- Motor
- mühendis
- zenginleştirmek
- kuruluş
- işletmelerin
- hayran
- Tüm
- ekipman
- Etkinlikler
- olaylar
- sürekli değişen
- gelişmek
- deneyim
- Uzmanlık
- Açıklamak
- çıkarmak
- Hulasa
- aile
- Daha hızlı
- Özellikler(Hazırlık aşamasında)
- filtre
- son
- mali
- bulmak
- Firma
- Esneklik
- odak
- takip etme
- Airdrop Formu
- biçim
- oluşturulan
- ÇERÇEVE
- itibaren
- tamamen
- işlev
- fonksiyonlar
- geçit
- oluşturmak
- oluşturulan
- üretir
- üreten
- almak
- alma
- verir
- Goller
- harika
- sahip olan
- yardım et
- yardımcı olur
- yüksek performans
- daha yüksek
- Ne kadar
- HTML
- HTTPS
- insan
- görüntü
- uygulamak
- uygulanması
- ithalat
- önemli
- in
- dahil
- Gelen
- artmış
- sanayi
- bilgi
- girişimler
- Yenilikçilik
- yenilikçi
- giriş
- entegre
- bütünleşme
- İstihbarat
- etkileşim
- etkileşimleri
- faiz
- ilgili
- IT
- ürün
- İş
- Mesleki Öğretiler
- seyahat
- anahtar
- büyük
- Soyad
- son
- öncülük etmek
- önemli
- ÖĞRENİN
- öğrenme
- miras
- Yasal Şartlar
- seviye
- ruhsat verme
- hayat
- kaldırma
- yaşamak
- yük
- Uzun
- Düşük
- makine
- makine öğrenme
- yapmak
- YAPAR
- yönetmek
- yönetilen
- pazar
- Pazar lideri
- Pazarlama
- Piyasalar
- olgunluk
- medya
- Microsoft
- microsoft takımları
- olabilir
- milyonlarca
- ML
- Telefon
- model
- modelleri
- ay
- Daha
- çoğu
- gerek
- ihtiyaçlar
- yeni
- Yeni ürünler
- haber
- sonraki
- nlp
- tebliğ
- bildirimleri
- Teklifler
- Teknede
- ONE
- işletme
- Operasyon
- optimizasyon
- optimize
- Opsiyonlar
- emir
- kuruluşlar
- organizasyonlar
- Diğer
- dışında
- paketler
- Bölüm
- tutkulu
- Yapmak
- gerçekleştirir
- Kişiselleştirme
- kişiselleştirmek
- Kişiselleştirilmiş
- perspektif
- fotoğrafçılık
- boru hattı
- plan
- planlama
- ağladım
- platform
- Platon
- Plato Veri Zekası
- PlatoVeri
- Lütfen
- Nokta
- Portal
- mümkün
- Çivi
- tercihleri
- Hazırlamak
- hazırlanması
- fiyat
- Fiyatlar
- fiyatlandırma
- sorunlar
- süreç
- işleme
- PLATFORM
- Ürünler
- profesyonel
- profesyoneller
- Projeler
- sağlamak
- sağlanan
- sağlar
- sağlama
- yayınlanan
- Itmek
- kalite
- hızla
- yükseltmek
- değişen
- oran
- Çiğ
- Okuma
- hazır
- gerçek
- gerçek zaman
- son
- geçenlerde
- yemek tarifi
- Tavsiye
- tavsiyeler
- kayıtlar
- azaltmak
- Referans
- yansıtmak
- uygun
- çoğaltılmış
- gereklidir
- gereklilik
- Yer Alan Kurallar
- Sonuçlar
- reuters
- gözden
- Risk
- robotik
- kurallar
- koşmak
- sagemaker
- satış
- ölçeklenebilir
- ölçek
- ölçekleme
- bilim adamları
- bölümler
- Sektörler
- görme
- kıdemli
- hizmet vermek
- vermektedir
- hizmet
- Hizmetler
- servis
- set
- Alışveriş
- işaret
- önemli
- Basit
- basitleştirmek
- beri
- So
- çözüm
- Çözümler
- Kaynak
- kaynaklar
- uzman
- Harcama
- başlar
- Startups
- adım
- hafızası
- saklı
- mağaza
- akış
- abone
- abonelikleri
- başarı
- başarılı
- süit
- destek
- sistem
- Sistemler
- ısmarlama
- Bizi daha iyi tanımak için
- alır
- görevleri
- vergi
- takım
- takım
- Teknolojileri
- Teknoloji
- The
- ve bazı Asya
- Thomson Reuters
- İçinden
- zaman
- için
- araç
- üst
- Tren
- eğitilmiş
- Eğitim
- işlemler
- Dönüştürmek
- dönüşümler
- transforme
- Seyahat
- Trendler
- tetiklenir
- Güvenilir
- anlamak
- anlayış
- aktüel
- yükseltmek
- kullanım
- kullanım
- kullanıcı
- kullanıcılar
- Değerli
- çeşitli
- versiyon
- üzerinden
- vizyonumuz
- hacim
- aranan
- servet
- ağ
- Web Uygulamaları
- Haftalar
- Ne
- hangi
- DSÖ
- içinde
- olmadan
- İş
- işlenmiş
- çalışma
- çalışır
- Dünyanın en
- olur
- yazmak
- yazılı
- yıl
- Sen
- zefirnet