Bu, tarafından gönderilen bir konuk postası Ölçeklenebilir Sermaye, dijital varlık yönetimi ve sabit oranlı ticaret aracılık platformu sunan, Avrupa'nın önde gelen FinTech şirketlerinden biridir.
Hızla büyüyen bir şirket olarak Scalable Capital'in hedefleri yalnızca yenilikçi, sağlam ve güvenilir bir altyapı oluşturmak değil, aynı zamanda özellikle müşteri hizmetleri söz konusu olduğunda müşterilerimize en iyi deneyimleri sunmaktır.
Scalable, müşterilerimizden günlük olarak yüzlerce e-posta sorgusu alıyor. Modern bir doğal dil işleme (NLP) modelinin uygulanmasıyla yanıt süreci çok daha verimli bir şekilde şekillendirildi ve müşterilerin bekleme süresi büyük ölçüde azaldı. Makine öğrenimi (ML) modeli, yeni gelen müşteri isteklerini gelir gelmez sınıflandırır ve bunları önceden tanımlanmış kuyruklara yönlendirir; bu, özel müşteri başarı temsilcilerimizin e-postaların içeriğine becerilerine göre odaklanmasına ve uygun yanıtlar vermesine olanak tanır.
Bu yazıda, Hugging Face transformatörlerini kullanmanın teknik faydalarını gösteriyoruz. Amazon Adaçayı Yapıcı, örneğin geniş ölçekte eğitim ve deneme ve artan üretkenlik ve maliyet etkinliği gibi.
Sorun bildirimi
Ölçeklenebilir Sermaye, Avrupa'nın en hızlı büyüyen FinTech'lerinden biridir. Yatırımı demokratikleştirmeyi amaçlayan şirket, müşterilerine finansal piyasalara kolay erişim sağlıyor. Scalable'ın müşterileri, şirketin aracılık ticaret platformu aracılığıyla piyasaya aktif olarak katılabilir veya akıllı ve otomatikleştirilmiş bir şekilde yatırım yapmak için Ölçeklenebilir Varlık Yönetimi'ni kullanabilir. 2021'de Scalable Capital'ın müşteri tabanı on kat artarak onbinlerden yüzbinlere çıktı.
Müşterilerimize ürünler ve müşteri hizmetleri genelinde birinci sınıf (ve tutarlı) bir kullanıcı deneyimi sunmak için şirket, operasyonel mükemmelliği korurken ölçeklenebilir bir çözüm için verimlilik yaratacak otomatik çözümler arıyordu. Scalable Capital'in veri bilimi ve müşteri hizmetleri ekipleri, müşterilerimize hizmet vermedeki en büyük darboğazlardan birinin e-posta sorularına yanıt vermek olduğunu tespit etti. Özellikle darboğaz, çalışanların istek metinlerini günlük olarak okuyup etiketlemek zorunda kaldığı sınıflandırma adımıydı. E-postalar uygun sıralara yönlendirildikten sonra ilgili uzmanlar hızla devreye girip vakaları çözdü.
Bu sınıflandırma sürecini kolaylaştırmak için Scalable'daki veri bilimi ekibi, önceden eğitilmiş verileri temel alan son teknoloji transformatör mimarisini kullanarak çok görevli bir NLP modeli oluşturup devreye aldı. distilbert bazlı alman kasalı Hugging Face tarafından yayınlanan model. distilbert bazlı alman kasalı kullanır bilgi damıtma Orijinal BERT temel modelinden daha küçük bir genel amaçlı dil temsil modelini önceden eğitme yöntemi. Damıtılmış versiyon, daha küçük ve daha hızlı olmasına rağmen orijinal versiyona benzer bir performans elde ediyor. ML yaşam döngüsü sürecimizi kolaylaştırmak amacıyla modellerimizi oluşturmak, dağıtmak, sunmak ve izlemek için SageMaker'ı kullanmaya karar verdik. Bir sonraki bölümde proje mimari tasarımımızı tanıtıyoruz.
Çözüme genel bakış
Scalable Capital'in makine öğrenimi altyapısı iki AWS hesabından oluşur: biri geliştirme aşaması için ortam, diğeri üretim aşaması için.
Aşağıdaki diyagram, e-posta sınıflandırıcı projemizin iş akışını göstermektedir ancak diğer veri bilimi projelerine de genelleştirilebilir.
İş akışı aşağıdaki bileşenlerden oluşur:
- Model denemesi – Veri bilimcilerin kullandığı Amazon SageMaker Stüdyosu veri bilimi yaşam döngüsündeki ilk adımları gerçekleştirmek: keşfedici veri analizi (EDA), veri temizleme ve hazırlama ve prototip modeller oluşturma. Keşif aşaması tamamlandığında, kod tabanımızı modülerleştirmek ve üretime geçirmek için uzaktan geliştirme aracımız olarak SageMaker dizüstü bilgisayar tarafından barındırılan VSCode'a dönüyoruz. Farklı model türlerini ve model konfigürasyonlarını keşfetmek ve aynı zamanda deneylerimizi takip etmek için SageMaker Training ve SageMaker Experiments'ı kullanıyoruz.
- Model oluşturma – Üretimde kullanım durumumuz için bir modele karar verdikten sonra bu durumda çoklu görev distilbert bazlı alman kasalı Hugging Face'in önceden eğitilmiş modelinden ince ayar yapılmış model, taahhüt ediyoruz ve kodumuzu Github geliştirme şubesine gönderiyoruz. Github birleştirme olayı, Jenkins CI ardışık düzenimizi tetikler ve bu da test verileriyle bir SageMaker Pipelines işi başlatır. Bu, kodların beklendiği gibi çalıştığından emin olmak için bir test görevi görür. Test amacıyla bir test uç noktası dağıtılır.
- Model dağıtımı – Her şeyin beklendiği gibi çalıştığından emin olduktan sonra veri bilimcileri geliştirme dalını birincil dalla birleştirir. Bu birleştirme olayı artık üretim verilerini eğitim amacıyla kullanan bir SageMaker Pipelines işini tetikliyor. Daha sonra model eserleri üretilir ve bir çıktıda saklanır. Amazon Basit Depolama Hizmeti (Amazon S3) paketini kullanır ve SageMaker model kaydına yeni bir model sürümü kaydedilir. Veri bilimcileri yeni modelin performansını inceliyor ve ardından beklentilere uygun olup olmadığını onaylıyor. Model onay olayı şu şekilde yakalanır: Amazon EventBridgedaha sonra modeli üretim ortamındaki bir SageMaker uç noktasına dağıtır.
- MLO'lar – SageMaker uç noktası özel olduğundan ve VPC dışındaki hizmetler tarafından erişilemediğinden, AWS Lambda fonksiyonu ve Amazon API Ağ Geçidi CRM ile iletişim kurmak için genel uç noktalara ihtiyaç vardır. CRM gelen kutusuna yeni e-postalar geldiğinde, CRM, API Gateway genel uç noktasını çağırır ve bu da özel SageMaker uç noktasını çağırmak için Lambda işlevini tetikler. İşlev daha sonra sınıflandırmayı API Ağ Geçidi genel uç noktası aracılığıyla CRM'ye geri aktarır. Dağıtılan modelimizin performansını izlemek için, modelden gelen tahmin ölçümlerini takip etmek amacıyla CRM ile veri bilimcileri arasında bir geri bildirim döngüsü uyguluyoruz. CRM, deneme ve model eğitimi için kullanılan geçmiş verileri aylık olarak günceller. Kullanırız Apache Airflow için Amazon Tarafından Yönetilen İş Akışları (Amazon MWAA) aylık yeniden eğitimimizin planlayıcısı olarak.
Aşağıdaki bölümlerde veri hazırlama, model denemesi ve model konuşlandırma adımlarını daha ayrıntılı olarak ele alıyoruz.
Veri Hazırlama
Scalable Capital, e-posta verilerini yönetmek ve depolamak için bir CRM aracı kullanır. İlgili e-posta içerikleri konu, gövde ve saklama bankalarından oluşur. Her e-postaya atanacak üç etiket vardır: e-postanın hangi iş kolundan geldiği, hangi kuyruğun uygun olduğu ve e-postanın spesifik konusu.
Herhangi bir NLP modelini eğitmeye başlamadan önce giriş verilerinin temiz olduğundan ve etiketlerin beklentiye göre atandığından emin oluyoruz.
Ölçeklenebilir istemcilerden temiz sorgulama içerikleri almak için ham e-posta verilerinden ve e-posta imzaları, izlenimler, e-posta zincirlerindeki önceki mesajlardan alıntılar, CSS sembolleri vb. gibi ekstra metin ve simgeleri kaldırırız. Aksi takdirde gelecekteki eğitilmiş modellerimizde performans düşüşü yaşanabilir.
Ölçeklenebilir müşteri hizmetleri ekipleri yenilerini ekledikçe ve iş ihtiyaçlarını karşılamak için mevcut olanları iyileştirdikçe veya kaldırdıkça, e-posta etiketleri zaman içinde gelişir. Eğitim verilerine yönelik etiketlerin ve tahmine yönelik beklenen sınıflandırmaların güncel olduğundan emin olmak için veri bilimi ekibi, etiketlerin doğruluğunu sağlamak üzere müşteri hizmetleri ekibiyle yakın işbirliği içinde çalışır.
Model denemesi
Deneyimize hazır, önceden eğitilmiş araçlarla başlıyoruz. distilbert bazlı alman kasalı Hugging Face tarafından yayınlanan model. Önceden eğitilmiş model genel amaçlı bir dil temsil modeli olduğundan, sinir ağına uygun kafalar ekleyerek mimariyi, sınıflandırma ve soru yanıtlama gibi belirli aşağı yönlü görevleri gerçekleştirecek şekilde uyarlayabiliriz. Kullanım durumumuzda ilgilendiğimiz alt görev, dizi sınıflandırmasıdır. Değişiklik yapmadan mevcut mimari, gerekli kategorilerimizin her biri için önceden eğitilmiş üç ayrı modele ince ayar yapmaya karar veriyoruz. İle SageMaker Sarılma Yüzü Derin Öğrenme Kapsayıcıları (DLC'ler), NLP deneylerini başlatmak ve yönetmek Hugging Face kapsayıcıları ve SageMaker Experiments API ile basitleştirilmiştir.
Aşağıda bir kod pasajı verilmiştir train.py
:
Aşağıdaki kod Hugging Face tahmincisidir:
İnce ayarlı modelleri doğrulamak için, F1-skor e-posta veri kümemizin dengesiz yapısından dolayı değil, aynı zamanda doğruluk, kesinlik ve geri çağırma gibi diğer ölçümleri hesaplamak için de kullanılır. SageMaker Experiments API'nin eğitim işinin metriklerini kaydetmesi için öncelikle metrikleri eğitim işinin yerel konsoluna kaydetmemiz gerekir; bunlar tarafından alınır. Amazon Bulut İzleme. Daha sonra CloudWatch günlüklerini yakalamak için doğru regex formatını tanımlarız. Metrik tanımları, metriklerin adını ve metriklerin eğitim işinden çıkarılmasına yönelik normal ifade doğrulamasını içerir:
Sınıflandırıcı modelinin eğitim yinelemesinin bir parçası olarak, sonucu değerlendirmek için bir karışıklık matrisi ve sınıflandırma raporu kullanıyoruz. Aşağıdaki şekil iş kolu tahmini için karışıklık matrisini göstermektedir.
Aşağıdaki ekran görüntüsü iş kolu tahmini için sınıflandırma raporunun bir örneğini göstermektedir.
Deneyimimizin bir sonraki yinelemesinde, şu avantajlardan yararlanacağız: çok görevli öğrenme Modelimizi geliştirmek için. Çok görevli öğrenme, bir modelin aynı anda birden fazla görevi çözmeyi öğrendiği bir eğitim biçimidir çünkü görevler arasında paylaşılan bilgiler öğrenme verimliliğini artırabilir. Orijinal distilbert mimarisine iki sınıflandırma başlığı daha ekleyerek, müşteri hizmetleri ekibimiz için makul ölçümler elde eden çok görevli ince ayar gerçekleştirebiliyoruz.
Model dağıtımı
Kullanım durumumuzda, e-posta sınıflandırıcısı, CRM boru hattımızın bir grup sınıflandırılmamış e-posta gönderebileceği ve tahminleri geri alabileceği bir uç noktaya yerleştirilecektir. Hugging Face modeli çıkarımına ek olarak girdi verilerini temizleme ve çoklu görev tahminleri gibi başka mantıklarımız da olduğundan, aşağıdaki kurallara uyan özel bir çıkarım komut dosyası yazmamız gerekir. SageMaker standardı.
Aşağıda bir kod pasajı verilmiştir inference.py
:
Her şey hazır ve hazır olduğunda, eğitim hattımızı yönetmek ve MLOps kurulumumuzu tamamlamak üzere altyapımıza eklemek için SageMaker Pipelines'ı kullanıyoruz.
Dağıtılan modelin performansını izlemek için, CRM'nin vakalar kapatıldığında bize gizli e-postaların durumunu sunmasını sağlayacak bir geri bildirim döngüsü oluşturuyoruz. Bu bilgilere dayanarak konuşlandırılan modeli iyileştirmek için ayarlamalar yaparız.
Sonuç
Bu yazıda, SageMaker'ın Scalable'daki veri bilimi ekibinin bir veri bilimi projesinin, yani e-posta sınıflandırıcı projesinin yaşam döngüsünü verimli bir şekilde yönetmesini nasıl kolaylaştırdığını paylaştık. Yaşam döngüsü, SageMaker Studio ile veri analizi ve keşfinin ilk aşamasıyla başlar; SageMaker eğitimi, çıkarımı ve Hugging Face DLC'leriyle model denemelerine ve dağıtımına geçiyor; ve diğer AWS hizmetleriyle entegre SageMaker Pipelines'ı içeren bir eğitim hattıyla tamamlanır. Bu altyapı sayesinde yeni modelleri daha verimli bir şekilde yineleyip devreye alabiliyoruz ve bu nedenle Scalable içindeki mevcut süreçlerin yanı sıra müşterilerimizin deneyimlerini de iyileştirebiliyoruz.
Hugging Face ve SageMaker hakkında daha fazla bilgi edinmek için aşağıdaki kaynaklara bakın:
Yazarlar Hakkında
Dr.Sandra Schmid Scalable GmbH'de Veri Analitiği Başkanıdır. Ekipleriyle birlikte şirketteki veri odaklı yaklaşımlardan ve kullanım senaryolarından sorumludur. Ana odak noktası, verilerden mümkün olduğunca fazla iş değeri ve verimlilik elde etmek için makine öğrenimi ve veri bilimi modelleri ile iş hedeflerinin en iyi kombinasyonunu bulmaktır.
huy dang Scalable GmbH'da Veri Bilimcisi. Sorumlulukları arasında veri analitiği, makine öğrenimi modellerinin oluşturulması ve dağıtılmasının yanı sıra veri bilimi ekibi için altyapının geliştirilmesi ve bakımı yer alıyor. Boş zamanlarında kitap okumaktan, yürüyüş yapmaktan, kaya tırmanışından ve en son makine öğrenimi gelişmelerini takip etmekten hoşlanıyor.
Mia Chang Amazon Web Services'te ML Uzman Çözüm Mimarıdır. EMEA'daki müşterilerle çalışıyor ve uygulamalı matematik, bilgisayar bilimi ve AI/ML alanındaki geçmişiyle bulutta AI/ML iş yüklerini çalıştırmaya yönelik en iyi uygulamaları paylaşıyor. NLP'ye özgü iş yüklerine odaklanıyor ve konferans konuşmacısı ve kitap yazarı olarak deneyimini paylaşıyor. Boş zamanlarında yoga yapmaktan, masa oyunlarından ve kahve yapmaktan hoşlanıyor.
Moritz Guertler AWS'de Dijital Yerel İşletmeler segmentinde Hesap Yöneticisi olarak görev yapmaktadır. FinTech alanındaki müşterilere odaklanıyor ve onları güvenli ve ölçeklenebilir bulut altyapısı aracılığıyla inovasyonu hızlandırma konusunda destekliyor.
- 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. Otomotiv / EV'ler, karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
- ChartPrime. Ticaret Oyununuzu ChartPrime ile yükseltin. Buradan Erişin.
- Blok Ofsetleri. Çevre Dengeleme Sahipliğini Modernleştirme. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/accelerate-client-success-management-through-email-classification-with-hugging-face-on-amazon-sagemaker/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 1
- 100
- 13
- İNDİRİM
- 17
- 2021
- İNDİRİM
- 32
- 500
- 7
- a
- Yapabilmek
- Hakkımızda
- yukarıdaki
- hızlandırmak
- hızlanan
- Kabul et
- erişim
- Karşılamak
- Göre
- Hesap
- Hesaplar
- doğruluk
- Elde Ediyor
- karşısında
- aktif
- eylemler
- uyarlamak
- eklemek
- ilave
- ayarlamaları
- benimsemek
- avantaj
- Sonra
- sonradan
- ajanları
- AI / ML
- amaç
- veriyor
- Ayrıca
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon Web Servisleri
- arasında
- an
- analiz
- analytics
- ve
- herhangi
- Apache
- api
- uygulamalı
- yaklaşımlar
- uygun
- onay
- onaylamak
- mimari
- ARE
- argümanlar
- AS
- atanmış
- At
- iliştirmek
- yazar
- Otomatik
- mevcut
- AWS
- Arka
- arka fon
- Bankalar
- baz
- merkezli
- temel
- BE
- Çünkü
- olmuştur
- olmak
- faydaları
- İYİ
- en iyi uygulamalar
- arasında
- yazı tahtası
- Masa Oyunları
- vücut
- kitap
- şube
- mola
- komisyonculuk
- inşa etmek
- bina
- yapılı
- iş
- işletmeler
- fakat
- by
- CAN
- Başkent
- sermaye
- ele geçirmek
- Yakalanan
- taşımak
- dava
- durumlarda
- kategoriler
- zincirler
- sınıflandırma
- sınıflandırılmış
- Temizlik
- müşteri
- istemciler
- Tırmanma
- Kapanış
- kapalı
- bulut
- bulut altyapısı
- kod
- kod tabanı
- kodları
- Kahve
- işbirliği
- kombinasyon
- geliyor
- işlemek
- iletişim kurmak
- şirket
- Şirketin
- karşılaştırılabilir
- tamamlamak
- Tamamladı
- bileşenler
- hesaplamak
- bilgisayar
- Bilgisayar Bilimleri
- Konferans
- karışıklık
- tutarlı
- oluşur
- konsolos
- Konteynerler
- içerik
- içindekiler
- doğru
- CRM
- CSS
- veli
- görenek
- müşteri
- Müşteriler
- günlük
- veri
- veri analizi
- Veri Analizi
- Veri Hazırlama
- veri bilimi
- veri bilimcisi
- veri-güdümlü
- Tarih
- karar vermek
- karar
- adanmış
- derin
- derin öğrenme
- Varsayılan
- tanımlamak
- tanımlı
- tanımları
- demokratikleştirmek
- göstermek
- dağıtmak
- konuşlandırılmış
- dağıtma
- açılma
- dağıtır
- Dizayn
- ayrıntı
- geliştirmek
- gelişen
- gelişme
- gelişmeler
- farklı
- dijital
- dijital varlık yönetimi
- aşağı
- gereken
- her
- kolay
- verimlilikleri
- verimli biçimde
- başka
- E-posta
- e-postalar
- EMEA
- çalışanların
- etkinleştirmek
- Son nokta
- nişanlı
- sağlamak
- çevre
- çağ
- özellikle
- AVRUPA
- değerlendirmek
- değerlendirme
- Etkinlikler
- her şey
- gelişmek
- muayene etmek
- örnek
- Mükemmellik
- yürütme
- mevcut
- beklenti
- beklentileri
- beklenen
- deneyim
- deneyimli
- Deneyimler
- deneme
- deneyler
- keşif
- Açıklayıcı Veri Analizi
- keşfetmek
- ekstra
- f1
- Yüz
- kolaylaştırmak
- kolaylaştırır
- Moda
- Daha hızlı
- hızlı
- En hızlı büyüyen
- geribesleme
- şekil
- mali
- bulma
- fintech
- fintechs
- Ad
- ilk adımlar
- düz
- odak
- odaklanır
- takip etme
- İçin
- Airdrop Formu
- biçim
- Ücretsiz
- itibaren
- işlev
- gelecek
- Kazanç
- Games
- geçit
- genel amaçlı
- oluşturmak
- almak
- GitHub
- GmBH
- Goller
- Büyüyen
- Konuk
- Misafir Mesaj
- vardı
- Var
- he
- baş
- kafalar
- onu
- onun
- tarihsel
- ev sahipliği yaptı
- Ne kadar
- HTML
- http
- HTTPS
- Yüzlerce
- tespit
- if
- uygulamak
- uygulanması
- iyileştirmek
- in
- dahil
- Gelen
- Artırmak
- artmış
- bilgi
- Altyapı
- ilk
- Yenilikçilik
- yenilikçi
- giriş
- Araştırma
- soruşturma
- entegre
- Akıllı
- ilgili
- içine
- tanıtmak
- Yatırım yapmak
- yatırım
- çağırır
- IT
- tekrarlama
- ONUN
- İş
- json
- tutmak
- anahtar
- etiket
- Etiketler
- dil
- büyük
- son
- önemli
- ÖĞRENİN
- öğrenme
- yaşam döngüsü
- çizgi
- yük
- yerel
- log
- giriş
- bakıyor
- kayıp
- makine
- makine öğrenme
- yapılmış
- Bakımı
- yapmak
- Yapımı
- yönetmek
- yönetilen
- yönetim
- yönetme
- pazar
- Piyasalar
- matematik
- Matris
- gitmek
- birleştirme etkinliği
- mesajları
- yöntem
- metrik
- Metrikleri
- olabilir
- ML
- MLO'lar
- model
- modelleri
- Modern
- izlemek
- aylık
- Daha
- hamle
- çok
- çoklu
- isim
- yani
- yerli
- Doğal (Madenden)
- Doğal Dil İşleme
- Tabiat
- gerek
- ihtiyaçlar
- ağ
- sinir
- sinir ağı
- yeni
- sonraki
- nlp
- defter
- şimdi
- numara
- of
- Teklifler
- on
- ONE
- olanlar
- bir tek
- işletme
- or
- sipariş
- orijinal
- Diğer
- aksi takdirde
- bizim
- dışarı
- çıktı
- dışında
- tekrar
- Bölüm
- katılmak
- Yapmak
- performans
- faz
- seçilmiş
- boru hattı
- platform
- Platon
- Plato Veri Zekası
- PlatoVeri
- mümkün
- Çivi
- uygulamalar
- Hassas
- tahmin
- Tahminler
- hazırlık
- önceki
- birincil
- özel
- süreç
- Süreçler
- işleme
- Üretilmiş
- üretim
- verimlilik
- Ürünler
- proje
- Projeler
- uygun
- prototip
- sağlamak
- sağlar
- halka açık
- yayınlanan
- amaçlı
- Itmek
- soru
- hızla
- tırnak işareti
- yükseltmek
- oran
- Çiğ
- ulaştı
- Okumak
- Okuma
- hazır
- makul
- alır
- kayıtlar
- Indirimli
- başvurmak
- arıtmak
- regex
- kayıt olmak
- kayıt
- uygun
- güvenilir
- uzak
- Kaldır
- rapor
- temsil
- talep
- isteklerinizi
- gereklidir
- çözüldü
- Kaynaklar
- bu
- yanıt
- yanıt
- yanıtları
- sorumlulukları
- sorumlu
- sonuç
- dönüş
- gürbüz
- kaya
- koşu
- sagemaker
- SageMaker Boru Hatları
- aynı
- ölçeklenebilir
- ölçek
- Bilim
- bilim adamı
- bilim adamları
- senaryo
- Bölüm
- bölümler
- güvenli
- bölüm
- göndermek
- ayrı
- Dizi
- hizmet vermek
- hizmet
- Hizmetler
- kurulum
- şeklinde
- Paylaşılan
- Paylar
- o
- Gösteriler
- İmzalar
- Basit
- aynı anda
- becerileri
- daha küçük
- pasajı
- So
- çözüm
- Çözümler
- ÇÖZMEK
- yakında
- uzay
- konuşmacı
- uzman
- uzmanlar
- özel
- özellikle
- Aşama
- başlama
- XNUMX dakika içinde!
- başlar
- state-of-the-art
- Durum
- kalma
- adım
- Basamaklar
- hafızası
- saklı
- depolamak
- kolaylaştırmak
- stüdyo
- konu
- başarı
- böyle
- Destekler
- elbette
- Bizi daha iyi tanımak için
- Görev
- görevleri
- takım
- takım
- Teknik
- onlarca
- test
- Test yapmak
- metin
- göre
- Teşekkür
- o
- The
- ve bazı Asya
- Onları
- sonra
- Orada.
- bu nedenle
- onlar
- Re-Tweet
- Binlerce
- üç
- İçinden
- zaman
- için
- birlikte
- araç
- konu
- meşale
- iz
- Trading
- İşlem Platformu
- Tren
- eğitilmiş
- Eğitim
- transformatör
- transformatörler
- müthiş
- DÖNÜŞ
- iki
- tip
- türleri
- Güncellemeler
- us
- kullanım
- kullanım durumu
- Kullanılmış
- kullanıcı
- Kullanıcı Deneyimi
- kullanım
- kullanma
- DOĞRULA
- onaylama
- değer
- versiyon
- Bekleyen
- oldu
- we
- servet
- varlık Yönetimi
- ağ
- web hizmetleri
- İYİ
- vardı
- ne zaman
- her ne zaman
- hangi
- süre
- ile
- içinde
- olmadan
- iş akışı
- iş akışları
- çalışır
- yazmak
- Yoga
- zefirnet