Üretken yapay zeka (üretken yapay zeka) modeller, yüksek kaliteli metin, görseller ve diğer içerikleri oluşturma konusunda etkileyici yetenekler sergilemiştir. Ancak bu modellerin tam potansiyellerine ulaşabilmesi için çok büyük miktarda temiz, yapılandırılmış eğitim verisi gerekir. Gerçek dünya verilerinin çoğu, PDF'ler gibi yapılandırılmamış formatlarda bulunur ve etkili bir şekilde kullanılmadan önce ön işleme tabi tutulması gerekir.
Göre IDCYapılandırılmamış veriler, günümüzde tüm iş verilerinin %80'inden fazlasını oluşturmaktadır. Buna e-postalar, PDF'ler, taranmış belgeler, resimler, ses, video ve daha fazlası gibi formatlar dahildir. Bu veriler değerli bilgiler içerse de, yapısal olmayan yapısı, yapay zeka algoritmalarının bu verileri yorumlayıp öğrenmesini zorlaştırıyor. Bir göre Deloitte'un 2019 araştırmasıİşletmelerin yalnızca %18'i yapılandırılmamış verilerden yararlanabildiğini bildirdi.
Yapay zekanın benimsenmesi hızlandıkça, yapılandırılmamış verileri sindirmek ve bunlardan öğrenmek için etkili mekanizmalar geliştirmek gelecekte daha da kritik hale geliyor. Bu, daha iyi ön işleme araçlarını, yarı denetimli öğrenme tekniklerini ve doğal dil işlemedeki ilerlemeleri içerebilir. Yapılandırılmamış verilerini en etkin şekilde kullanan şirketler yapay zekadan önemli rekabet avantajları elde edecek. İyi model performansı için temiz veriler önemlidir. Çıkarılan metinlerde hala büyük miktarda anlamsız ve standart metinler var (ör. HTML okuma). İnternetten alınan veriler genellikle çok sayıda kopya içerir. Sosyal medyadan, incelemelerden veya kullanıcılar tarafından oluşturulan herhangi bir içerikten elde edilen veriler de toksik ve önyargılı içerikler içerebilir ve bazı ön işleme adımlarını kullanarak bunları filtrelemeniz gerekebilir. Ayrıca, beraberindeki meta veriler kullanılarak filtrelenebilen çok sayıda düşük kaliteli içerik veya bot tarafından oluşturulan metinler de olabilir (örneğin, düşük müşteri puanı alan müşteri hizmetleri yanıtlarını filtreleyin).
Erişim Artırılmış Üretimde veri hazırlığı birçok aşamada önemlidir (RAG) modeller. Bilgi kaynağı belgelerinin, metni temizleme ve anlamsal eklemeler oluşturma gibi ön işlemlere ihtiyacı vardır, böylece verimli bir şekilde dizine eklenebilir ve geri alınabilirler. Kullanıcının doğal dil sorgusu da ön işleme gerektirir, böylece bir vektöre kodlanabilir ve belge yerleştirmeleriyle karşılaştırılabilir. İlgili bağlamları aldıktan sonra, temel model için son istemi oluşturmak amacıyla kullanıcının sorgusuyla birleştirilmeden önce kesme gibi ek ön işlemlere ihtiyaç duyabilirler. Amazon SageMaker Tuval artık tarafından desteklenen kapsamlı veri hazırlama yeteneklerini destekliyor Amazon SageMaker Veri Düzenleyicisi. Bu entegrasyonla SageMaker Canvas, müşterilere veri hazırlamak, makine öğrenimi ve temel modelleri oluşturmak ve kullanmak için verilerden iş içgörülerine kadar geçen süreyi hızlandırmak için uçtan uca kodsuz bir çalışma alanı sağlar. Artık 50'den fazla veri kaynağındaki verileri kolayca keşfedip toplayabilir ve SageMaker Canvas'ın görsel arayüzündeki 300'ün üzerinde yerleşik analiz ve dönüşümü kullanarak verileri keşfedip hazırlayabilirsiniz.
Çözüme genel bakış
Bu yazıda bir PDF dokümantasyon veri kümesiyle çalışıyoruz.Amazon Ana Kayası kullanıcı Rehberi. Ayrıca RAG için bir veri kümesinin nasıl ön işleme tabi tutulacağını gösteriyoruz. Özellikle veri kümesinin içeriğiyle ilgili soruları yanıtlamak için verileri temizliyor ve RAG yapıtları oluşturuyoruz. Aşağıdaki makine öğrenimi (ML) problemini düşünün: Kullanıcı bir geniş dil modeli (LLM) sorusu sorar: "Amazon Bedrock'ta modeller nasıl filtrelenir ve aranır?". LLM, eğitim veya ince ayar aşamasında belgeleri görmemiştir, bu nedenle soruyu yanıtlayamayacak ve büyük olasılıkla halüsinasyon görecektir. Bu gönderiyle amacımız, PDF'den ilgili bir metin parçası (ör. RAG) bulmak ve bunu isteme eklemek, böylece LLM'nin bu belgeye özel soruları yanıtlamasını sağlamaktır.
Aşağıda tüm bu ana ön işleme adımlarını nasıl yapabileceğinizi gösteriyoruz: Amazon SageMaker Tuval (tarafından desteklenmektedir Amazon SageMaker Veri Düzenleyicisi):
- Bir PDF belgesinden metin çıkarma (Textract tarafından desteklenmektedir)
- Hassas bilgileri kaldırın (Comprehend tarafından desteklenmektedir)
- Metni parçalara ayırın.
- Her parça için yerleştirmeler oluşturun (Bedrock tarafından desteklenmektedir).
- Gömmeyi bir vektör veritabanına yükleyin (OpenSearch tarafından desteklenir)
Önkoşullar
Bu izlenecek yol için aşağıdakilere sahip olmalısınız:
not: Talimatları izleyerek OpenSearch Hizmeti alan adlarını oluşturun okuyun. Basit olması açısından, ayrıntılı erişim kontrolü için ana kullanıcı adı ve parola içeren seçeneği seçelim. Etki alanı oluşturulduktan sonra aşağıdaki eşlemelere sahip bir vektör dizini oluşturun ve vektör boyutu 1536, Amazon Titan yerleştirmeleriyle hizalanır:
Walkthrough
Veri akışı oluşturun
Bu bölümde, PDF'lerden metin ve meta veriler çıkarmak, verileri temizlemek ve işlemek, Amazon Bedrock'u kullanarak yerleştirmeler oluşturmak ve verileri Amazon OpenSearch'te dizine eklemek için nasıl bir veri akışı oluşturabileceğimizi ele alıyoruz.
SageMaker Canvas'ı başlatın
SageMaker Canvas'ı başlatmak için aşağıdaki adımları tamamlayın:
- Amazon'da SageMaker Konsolu, seçmek Alanlar Gezinti bölmesinde.
- Etki alanınızı seçin.
- Başlatma menüsünde şunu seçin: Tuval.
Veri akışı oluşturma
SageMaker Canvas'ta veri akışı oluşturmak için aşağıdaki adımları tamamlayın:
- SageMaker Canvas ana sayfasında, Veri Düzenleyici.
- Klinik oluşturmak sayfanın sağ tarafında, ardından bir veri akışı adı verin ve oluşturmak.
- Bu bir veri akışı sayfasına inecektir.
- Klinik Tarihleri içe aktar, tablo verilerini seçin.
Şimdi verileri Amazon S3 klasöründen içe aktaralım:
- Klinik Tarihleri içe aktar seçin çizelge halinde açılır listeden seçin.
- Veri kaynağı seçin Amazon S3 açılır listeden seçin.
- PDF dosya konumlarını içeren meta veri dosyasına gidin ve dosyayı seçin.
- Artık meta veri dosyası veri hazırlama veri akışına yüklendi; verileri ve dizini Amazon'a dönüştürmek için sonraki adımları eklemeye devam edebiliriz. Aramayı Aç. Bu durumda dosya, her dosyanın Amazon S3 dizinindeki konumuyla birlikte aşağıdaki meta verilere sahiptir.
Yeni bir dönüşüm eklemek için aşağıdaki adımları tamamlayın:
- Artı işaretini seçin ve seçin Dönüşüm Ekle.
- Klinik Adım Ekle Ve seç Özel Dönüşüm.
- Pandas, PySpark, Python kullanıcı tanımlı işlevlerini ve SQL PySpark'ı kullanarak özel bir dönüşüm oluşturabilirsiniz. Seçmek Python (PySpark) bu kullanım durumu için.
- Adım için bir ad girin. Örnek kod parçacıklarına göz atın ve seçin pdf'den metin çıkarma. Kod pasajında gerekli değişiklikleri yapın ve Ekle.
- Kişisel Tanımlayıcı Bilgiler (PII) verilerini ayıklanan verilerden çıkarmak için bir adım ekleyelim. Amazon Kavramak. Seçin Adım Ekle Ve seç Özel Dönüşüm. Ve seç Python (PySpark).
Örnek kod parçacıklarına göz atın ve seçin maske PII. Kod pasajında gerekli değişiklikleri yapın ve Ekleyin.
- Bir sonraki adım metin içeriğini parçalamaktır. Seçmek Adım Ekle Ve seç Özel Dönüşüm. Ve seç Python (PySpark).
Örnek kod parçacıklarına göz atın ve seçin Parça metni. Kod pasajında gerekli değişiklikleri yapın ve Ekleyin.
- Metin içeriğini vektör yerleştirmelerine dönüştürelim. Amazon Ana Kayası Titan Gömmeler modeli. Seçmek Adım Ekle Ve seç Özel Dönüşüm. Ve seç Python (PySpark).
Örnek kod parçacıklarına göz atın ve seçin Bedrock ile metin katıştırma oluşturun. Kod pasajında gerekli değişiklikleri yapın ve Ekleyin.
- Artık PDF dosya içerikleri için vektör yerleştirmelerimiz mevcut. Devam edelim ve verileri Amazon OpenSearch'e indeksleyelim. Seçmek Adım Ekle Ve seç Özel Dönüşüm. Ve seç Python (PySpark). Tercih ettiğiniz vektör veritabanını kullanmak için aşağıdaki kodu yeniden yazmakta özgürsünüz. Basitlik sağlamak amacıyla, OpenSearch API'lerine erişmek için ana kullanıcı adı ve şifreyi kullanıyoruz; üretim iş yükleri için kuruluşunuzun politikalarına göre seçeneği seçin.
Son olarak oluşturulan veri akışı şu şekilde olacaktır:
Bu veri akışıyla PDF dosyasındaki veriler Amazon OpenSearch'te vektör yerleştirmelerle okundu ve dizine eklendi. Artık dizine eklenen verileri sorgulamak ve Amazon S3 konumuna kaydetmek için sorguları içeren bir dosya oluşturmamızın zamanı geldi. Arama veri akışımızı dosyaya yönlendireceğiz ve ilgili sonuçları içeren bir dosyayı Amazon S3 konumunda yeni bir dosyada yayınlayacağız.
Bir istem hazırlanıyor
PDF'mizden bir bilgi tabanı oluşturduktan sonra, bilgi tabanında birkaç örnek sorgu arayarak bunu test edebiliriz. Her sorguyu aşağıdaki şekilde işleyeceğiz:
- Sorgu için yerleştirme oluşturma (Amazon Bedrock tarafından desteklenir)
- En yakın komşu bağlamı için sorgu vektör veritabanı (Amazon OpenSearch tarafından desteklenmektedir)
- Sorguyu ve bağlamı istemde birleştirin.
- LLM'yi istemle sorgulama (Amazon Bedrock tarafından desteklenmektedir)
- SageMaker Canvas ana sayfasında, Veri Hazırlama.
- Klinik oluşturmak sayfanın sağ tarafında, ardından bir veri akışı adı verin ve oluşturmak.
Şimdi kullanıcı sorularını yükleyelim ve ardından soru ile benzer dokümanları birleştirerek bir bilgi istemi oluşturalım. Bu bilgi LLM'ye kullanıcı sorusuna bir yanıt oluşturmak için sağlanır.
- Kullanıcı sorularını içeren bir csv dosyası yükleyelim. Seçmek Veri Alma seçin çizelge halinde açılır listeden seçin.
- Veri kaynağı, seçin Amazon S3 açılır listeden. Alternatif olarak kullanıcı sorgularını içeren bir dosya yüklemeyi de seçebilirsiniz.
- Verileri vektör yerleştirmelerine dönüştürmek için özel bir dönüşüm ekleyelim, ardından bilgi tabanından sorgu ve bağlamı içeren bir istemi Amazon Bedrock'a göndermeden önce Amazon OpenSearch'ten ilgili yerleştirmeleri arayalım. Sorguya yönelik eklemeler oluşturmak için aynı örnek kod pasajını kullanabilirsiniz. Bedrock ile metin yerleştirme oluşturma yukarıda 7. Adımda bahsedilmiştir.
Oluşturulan vektör yerleştirmeleri için ilgili belgeleri aramak üzere Amazon OpenSearch API'yi çağıralım. Python (PySpark) ile özel bir dönüşüm ekleyin.
Amazon OpenSearch bilgi tabanından belgeleri aktararak sorgu yanıtı için Amazon Bedrock API'sini çağırmak üzere özel bir dönüşüm ekleyelim. Örnek kod parçacıklarına göz atın ve seçin Bedrock'u bağlamla sorgulayın. Kod pasajında gerekli değişiklikleri yapın ve Ekleyin.
Özetle RAG tabanlı soru cevaplama veri akışı şu şekildedir:
ML uygulayıcıları, özellik mühendisliği kodunu hazırlamak, bunu ilk veri kümelerine uygulamak, tasarlanmış veri kümeleri üzerinde modelleri eğitmek ve model doğruluğunu değerlendirmek için çok zaman harcıyor. Bu çalışmanın deneysel doğası göz önüne alındığında, en küçük proje bile birden fazla yinelemeye yol açmaktadır. Aynı özellikli mühendislik kodu sıklıkla tekrar tekrar çalıştırılır ve aynı işlemlerin tekrarlanmasıyla zaman ve bilgi işlem kaynakları israf edilir. Büyük kuruluşlarda bu, daha da büyük bir üretkenlik kaybına neden olabilir; çünkü farklı ekipler sıklıkla aynı işleri yürütür ve hatta daha önceki çalışmalara ilişkin hiçbir bilgileri olmadığından yinelenen özellik mühendisliği kodları yazarlar. Özelliklerin yeniden işlenmesini önlemek için veri akışımızı bir Amazon'a aktaracağız SageMaker boru hattı. Seçelim Sorgunun sağındaki + düğmesi. Veri akışını dışa aktar'ı seçin ve SageMaker Pipeline'ı çalıştırın (Jupyter not defteri aracılığıyla).
Temizlemek
İleride ücret ödememek için bu gönderiyi takip ederken oluşturduğunuz kaynakları silin veya kapatın. bakın Amazon SageMaker Canvas oturumunu kapatma daha fazla ayrıntı için.
Sonuç
Bu yazıda, yüksek lisans için veri hazırlayan bir veri profesyoneli rolünü üstlenerek Amazon SageMaker Canvas'ın uçtan uca yeteneklerinin nasıl olduğunu size gösterdik. Etkileşimli veri hazırlama, bilgilendirici özellikler oluşturmak için verilerin hızlı bir şekilde temizlenmesini, dönüştürülmesini ve analiz edilmesini sağladı. SageMaker Canvas, kodlama karmaşıklıklarını ortadan kaldırarak yüksek kaliteli bir eğitim veri kümesi oluşturmak için hızlı yinelemelere olanak sağladı. Bu hızlandırılmış iş akışı, doğrudan iş etkisi için performanslı bir makine öğrenimi modelinin oluşturulmasına, eğitilmesine ve dağıtılmasına yol açtı. SageMaker Canvas, kapsamlı veri hazırlama ve verilerden içgörülere kadar tümleşik deneyimiyle kullanıcılara makine öğrenimi sonuçlarını iyileştirme gücü verir.
Keşfederek daha fazlasını öğrenmenizi öneririz. Amazon SageMaker Veri Düzenleyicisi, Amazon SageMaker Tuval, Amazon Titanı modelleri, Amazon Ana Kayasıve Amazon Açık Arama Hizmeti Bu gönderide sağlanan örnek uygulamayı ve işletmenizle alakalı bir veri kümesini kullanarak bir çözüm oluşturmak için. Sorularınız veya önerileriniz varsa lütfen yorum bırakın.
Yazarlar Hakkında
Ajjay Govindaram AWS'de Kıdemli Çözüm Mimarıdır. Karmaşık iş sorunlarını çözmek için AI/ML kullanan stratejik müşterilerle çalışıyor. Tecrübesi, orta ila büyük ölçekli AI/ML uygulama devreye alımları için teknik yönlendirme ve tasarım yardımı sağlamada yatmaktadır. Bilgisi, uygulama mimarisinden büyük veriye, analitiğe ve makine öğrenimine kadar uzanıyor. Dinlenirken müzik dinlemekten, dışarıyı deneyimlemekten ve sevdikleriyle vakit geçirmekten hoşlanır.
Nikita Ivkin Amazon SageMaker Data Wrangler'da makine öğrenimi ve veri temizleme algoritmalarına ilgi duyan Kıdemli Uygulamalı Bilim Adamı.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
- PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
- PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/simplify-data-prep-for-gen-ai-with-amazon-sagemaker-data-wrangler/
- :vardır
- :dır-dir
- :olumsuzluk
- 100
- 14
- 20
- 25
- 28
- 50
- 7
- 8
- 804
- a
- Yapabilmek
- Hakkımızda
- yukarıdaki
- hızlandırmak
- hızlandırılmış
- erişim
- Göre
- Hesaplar
- doğruluk
- eklemek
- Ek
- Benimseme
- gelişmeler
- avantaj
- avantajları
- Sonra
- tekrar
- toplam
- önde
- AI
- AI / ML
- algoritmalar
- Hizalar
- Türkiye
- izin
- Ayrıca
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon SageMaker Veri Düzenleyicisi
- Amazon Web Servisleri
- tutarları
- an
- analizler
- analytics
- analiz
- ve
- cevap
- herhangi
- api
- Uygulama
- uygulamalı
- Uygulanması
- mimari
- ARE
- yapay
- yapay zeka
- AS
- Yardım
- At
- iliştirmek
- ses
- augmented
- mevcut
- önlemek
- AWS
- baz
- merkezli
- BE
- Çünkü
- olur
- olmuştur
- önce
- olmak
- Daha iyi
- önyargılı
- Büyük
- büyük Veri
- inşa etmek
- bina
- yerleşik
- iş
- işletmeler
- düğmesine tıklayın
- by
- çağrı
- CAN
- tuval
- yetenekleri
- dava
- Sebeb olmak
- değişiklikler
- yükler
- Klinik
- çamça
- Temizlik
- kod
- kodlama
- birleştirme
- yorum Yap
- Şirketler
- karşılaştırıldığında
- rekabet
- tamamlamak
- karmaşık
- karmaşıklıklar
- idrak
- kapsamlı
- hesaplamak
- Düşünmek
- konsolos
- içermek
- içeren
- içerik
- içindekiler
- bağlam
- bağlamlar
- devam ediyor
- kontrol
- dönüştürmek
- uyan
- olabilir
- kapak
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- kritik
- görenek
- müşteri
- Müşteri Hizmetleri
- Müşteriler
- veri
- Veri Hazırlama
- veritabanı
- veri kümeleri
- deloitte
- gösterdi
- dağıtma
- dağıtımları
- Dizayn
- ayrıntılar
- gelişen
- farklı
- zor
- Boyut
- yön
- direkt olarak
- keşfetmek
- do
- belge
- belgeleme
- evraklar
- domain
- etki
- aşağı
- sırasında
- e
- her
- kolayca
- etkili bir şekilde
- verimli
- verimli biçimde
- e-postalar
- katıştırma
- olarak güçlendiriyor
- etkin
- etkinleştirme
- teşvik etmek
- son uca
- mühendis
- mühendislik
- Mühendislik
- değerlendirilmesi
- Hatta
- örnek
- var
- deneyim
- yaşıyor
- deneysel
- keşfetmek
- Keşfetmek
- ihracat
- çıkarmak
- Özellikler(Hazırlık aşamasında)
- Özellikler
- az
- Alanlar
- fileto
- filtre
- son
- bulmak
- akış
- takip
- takip etme
- şu
- İçin
- Forbes
- vakıf
- Temeller
- Ücretsiz
- itibaren
- tam
- fonksiyonlar
- daha fazla
- gelecek
- Kazanç
- oluşturmak
- oluşturulan
- üreten
- nesil
- üretken
- üretken yapay zeka
- almak
- Vermek
- verilmiş
- Küresel
- Go
- gol
- Tercih Etmenizin
- büyük
- Var
- he
- başlıkları
- Yüksek kaliteli
- onun
- tutar
- Ana Sayfa
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTML
- HTTPS
- i
- özdeş
- if
- görüntüleri
- darbe
- uygulama
- ithalat
- önemli
- etkileyici
- iyileştirmek
- in
- içerir
- indeks
- endeksli
- bilgi
- aydınlatıcı
- ilk
- anlayışlar
- talimatlar
- bütünleşme
- İstihbarat
- interaktif
- ilgi alanları
- arayüzey
- Internet
- içine
- dahil
- IT
- tekrarlama
- yineleme
- ONUN
- Mesleki Öğretiler
- jpg
- json
- bilgi
- arazi
- dil
- büyük
- büyük ölçekli
- başlatmak
- İlanlar
- ÖĞRENİN
- öğrenme
- Ayrılmak
- Led
- kaldıraç
- yalan
- sevmek
- Liste
- Dinleme
- Yüksek Lisans
- yük
- yer
- yerleri
- kayıp
- Çok
- sevilen
- Düşük
- makine
- makine öğrenme
- Ana
- yapmak
- YAPAR
- maske
- masif
- usta
- Mayıs..
- mekanizmaları
- medya
- Menü
- Meta
- Metadata
- ML
- model
- modelleri
- mütevazi
- Daha
- çoğu
- çoklu
- Music
- isim
- Doğal (Madenden)
- Doğal Dil İşleme
- Tabiat
- Navigasyon
- gerekli
- gerek
- yeni
- sonraki
- yok hayır
- defter
- şimdi
- of
- sık sık
- on
- bir Zamanlar
- olanlar
- bir tek
- Operasyon
- seçenek
- or
- kuruluşlar
- organizasyonlar
- Diğer
- bizim
- dışarı
- sonuçlar
- açık havada
- çıktı
- tekrar
- Kanal
- pandalar
- bölmesi
- Geçen
- Şifre
- performans
- kişisel
- seçmek
- parça
- parçalar
- boru hattı
- Platon
- Plato Veri Zekası
- PlatoVeri
- Lütfen
- artı
- Nokta
- politikaları
- Çivi
- potansiyel
- powered
- tercihli
- hazırlık
- Hazırlamak
- hazırlanması
- Önceki
- muhtemelen
- Sorun
- sorunlar
- devam etmek
- süreç
- işleme
- üretim
- verimlilik
- profesyonel
- proje
- özellikleri
- sağlanan
- sağlar
- sağlama
- Python
- sorgular
- soru
- Sorular
- hızla
- aralıkları
- hızlı
- değerlendirme
- ulaşmak
- Okumak
- Gerçek dünya
- Alınan
- başvurmak
- ilgili
- uygun
- kaldırma
- Bildirilen
- isteklerinizi
- gerektirir
- gerektirir
- Kaynaklar
- yanıt
- yanıtları
- dayanma
- Sonuçlar
- dönüş
- Yorumları
- krallar gibi yaşamaya
- Rol
- koşmak
- sagemaker
- aynı
- İndirim
- bilim adamı
- Ara
- arama
- Bölüm
- görüldü
- seçmek
- gönderme
- kıdemli
- hassas
- hizmet
- Hizmetler
- ayarlar
- meli
- şov
- gösterdi
- kapamak
- kapatmak
- yan
- işaret
- önemli
- benzer
- basitlik
- basitleştirmek
- beden
- pasajı
- So
- Sosyal Medya
- sosyal medya
- çözüm
- Çözümler
- ÇÖZMEK
- biraz
- Kaynak
- kaynaklar
- özel
- özellikle
- geçirmek
- Harcama
- Aşama
- aşamaları
- adım
- Basamaklar
- Yine
- Stratejik
- yapılandırılmış
- ÖZET
- Destekler
- Anket
- Bizi daha iyi tanımak için
- takım
- Teknik
- teknikleri
- test
- metin
- o
- The
- Gelecek
- ve bazı Asya
- Onları
- sonra
- Orada.
- Bunlar
- onlar
- Re-Tweet
- Böylece
- zaman
- titan
- için
- bugün
- araçlar
- Eğitim
- Dönüştürmek
- Dönüşüm
- dönüşümler
- dönüşüm
- gerçek
- kesme
- tip
- türleri
- birleşik
- us
- kullanım
- Kullanılmış
- kullanıcı
- kullanıcılar
- kullanma
- Değerli
- üzerinden
- Video
- görsel
- örneklerde
- we
- ağ
- web hizmetleri
- İYİ
- hangi
- süre
- DSÖ
- irade
- ile
- İş
- iş akışı
- çalışır
- olur
- yazmak
- Sen
- zefirnet