Bu, PwC'den Vik Pant ve Kyle Bassett ile birlikte yazılan bir konuk blog yazısıdır.
Makine öğrenimine (ML) giderek daha fazla yatırım yapan kuruluşlarla birlikte, makine öğreniminin benimsenmesi iş dönüştürme stratejilerinin ayrılmaz bir parçası haline geldi. Yeni bir PwC CEO'su anket Kanadalı CEO'ların %84'ünün yapay zekanın (AI) önümüzdeki 5 yıl içinde işlerini önemli ölçüde değiştireceğini ve bu teknolojiyi her zamankinden daha kritik hale getireceğini kabul ettiğini açıkladı. Bununla birlikte, makine öğrenimini üretime uygulamak, özellikle yapay zeka dünyasında güvenli, stratejik ve sorumlu bir şekilde gezinebilmek gibi çeşitli hususları beraberinde getirir. Yapay zeka destekli hale gelmenin ilk adımlarından biri ve özellikle büyük bir zorluk, bulutta sürdürülebilir bir şekilde ölçeklenebilen makine öğrenimi işlem hatlarını etkili bir şekilde geliştirmektir. Makine öğrenimini, kendi başına modeller yerine modelleri oluşturan ve sürdüren işlem hatları açısından düşünmek, ilgili verilerde zaman içinde anlamlı değişikliklere daha iyi dayanabilen çok yönlü ve dayanıklı tahmin sistemlerinin oluşturulmasına yardımcı olur.
Birçok kuruluş, makine öğrenimi dünyasına yolculuklarına model merkezli bir bakış açısıyla başlar. Bir makine öğrenimi pratiği oluşturmanın ilk aşamalarında, verilerden (tipik olarak tarihsel) öğrenilen girdiler (bağımsız değişkenler) ve çıktılar (bağımlı değişkenler) arasındaki ilişkilerin matematiksel temsilleri olan denetimli makine öğrenimi modellerinin eğitimi üzerinde odaklanılır. Modeller, girdi verilerini alan, bunlar üzerinde hesaplamalar ve hesaplamalar yapan ve tahminler veya çıkarımlar üreten matematiksel eserlerdir.
Bu yaklaşım makul ve nispeten basit bir başlangıç noktası olsa da, model eğitimi, ayarlama, test etme ve deneme faaliyetlerinin manuel ve geçici doğası nedeniyle doğası gereği ölçeklenebilir veya özünde sürdürülebilir değildir. ML alanında daha fazla olgunluğa sahip kuruluşlar, sürekli entegrasyon, sürekli teslimat, sürekli dağıtım ve sürekli eğitimi içeren bir ML operasyonları (MLOps) paradigmasını benimser. Bu paradigmanın merkezinde, endüstriyel güçte makine öğrenimi sistemlerinin geliştirilmesi ve işletilmesi için boru hattı merkezli bir bakış açısı vardır.
Bu gönderide, MLOps'a ve avantajlarına genel bir bakışla başlıyoruz, uygulamalarını basitleştirecek bir çözümü açıklıyoruz ve mimari hakkında ayrıntılar veriyoruz. Bu çözümü uygulayan büyük bir AWS ve PwC müşterisinin elde ettiği faydaları vurgulayan bir vaka çalışmasıyla bitiriyoruz.
Olayın Arka Planı
Bir MLOps işlem hattı, üretimde bir veya daha fazla makine öğrenimi modeli oluşturmak, dağıtmak, çalıştırmak ve yönetmek için kullanılan birbiriyle ilişkili bir dizi adımdır. Böyle bir ardışık düzen, veri hazırlama, özellik mühendisliği, model eğitimi, değerlendirme, dağıtım ve izleme dahil ancak bunlarla sınırlı olmamak üzere makine öğrenimi modellerinin oluşturulması, test edilmesi, ayarlanması ve dağıtılmasıyla ilgili aşamaları kapsar. Bu nedenle, bir makine öğrenimi modeli, bir MLOps ardışık düzeninin ürünüdür ve bir ardışık düzen, bir veya daha fazla makine öğrenimi modeli oluşturmaya yönelik bir iş akışıdır. Bu tür boru hatları, makine öğrenimi modellerinin oluşturulması, kalibre edilmesi, değerlendirilmesi ve uygulanması için yapılandırılmış ve sistematik süreçleri destekler ve modellerin kendileri tahminler ve çıkarımlar üretir. Kuruluşlar, ardışık düzen aşamalarının geliştirilmesini ve operasyonel hale getirilmesini otomatikleştirerek modellerin teslim süresini kısaltabilir, modellerin üretimdeki kararlılığını artırabilir ve veri bilimcileri, yazılım mühendisleri ve BT yöneticilerinden oluşan ekipler arasındaki işbirliğini geliştirebilir.
Çözüme genel bakış
AWS, MLOps ardışık düzenlerini ölçeklenebilir ve sürdürülebilir bir şekilde geliştirmek ve çalıştırmak için bulutta yerel hizmetlerden oluşan kapsamlı bir portföy sunar. Amazon Adaçayı Yapıcı geliştiricilerin bulutta makine öğrenimi modelleri oluşturmasını, eğitmesini, dağıtmasını, çalıştırmasını ve yönetmesini sağlamak için tam olarak yönetilen bir MLOps hizmeti olarak kapsamlı bir yetenek portföyü içerir. SageMaker, şirketlerin iş önceliklerine ve tercihlerine uyan belirli modelleri seçebilmeleri için yerleşik yüksek performanslı algoritmalar ve gelişmiş otomatik makine öğrenimi (AutoML) deneyleri ile verilerin toplanmasından hazırlanmasına ve eğitilmesine kadar tüm MLOps iş akışını kapsar. SageMaker, kuruluşların proje gecikmelerini riske atmadan veya maliyetleri artırmadan iş sonuçlarına odaklanabilmeleri için MLOps yaşam döngülerinin çoğunu işbirliği içinde otomatikleştirmelerini sağlar. Bu şekilde SageMaker, işletmelerin endüstriyel güç tahmin hizmetlerini güçlendirmekle ilgili altyapı, geliştirme ve bakım konusunda endişelenmeden sonuçlara odaklanmasına olanak tanır.
SageMaker şunları içerir: Amazon SageMaker Hızlı Başlangıç, MLOps yolculuklarını hızlandırmak isteyen kuruluşlar için kullanıma hazır çözüm modelleri sunar. Kuruluşlar, yeniden eğitim ve öğrenimi aktarma yoluyla özel ihtiyaçlarını karşılamak için ince ayar yapılabilen önceden eğitilmiş ve açık kaynaklı modellerle başlayabilir. Ek olarak JumpStart, yaygın kullanım durumlarının üstesinden gelmek için tasarlanmış çözüm şablonlarının yanı sıra önceden yazılmış başlangıç koduna sahip örnek Jupyter not defterleri sağlar. Bu kaynaklara, içindeki JumpStart açılış sayfası ziyaret edilerek erişilebilir. Amazon SageMaker Stüdyosu.
PwC, SageMaker kullanan kuruluşlar için değer elde etme süresini daha da hızlandıran ve yatırım getirisini artıran önceden paketlenmiş bir MLOps hızlandırıcı oluşturmuştur. Bu MLOps hızlandırıcı, tamamlayıcı AWS hizmetlerini entegre ederek JumpStart'ın yerel yeteneklerini geliştirir. PwC'nin MLOps hızlandırıcısı, kod olarak altyapı (IaC) betikleri, veri işleme iş akışları, hizmet entegrasyon kodu ve ardışık düzen yapılandırma şablonları dahil olmak üzere kapsamlı bir teknik eserler paketiyle, üretim sınıfı tahmin sistemlerini geliştirme ve çalıştırma sürecini basitleştirir.
Mimariye genel bakış
AWS'den bulut tabanlı sunucusuz hizmetlerin dahil edilmesi, PwC MLOps hızlandırıcısının mimarisine öncelik verilir. Bu hızlandırıcıya giriş noktası, bir veri bilimcisi veya veri mühendisinin MLOps için bir AWS ortamı talep etmek üzere kullanabileceği Slack gibi herhangi bir işbirliği aracıdır. Böyle bir istek ayrıştırılır ve ardından söz konusu işbirliği aracındaki iş akışı özellikleri kullanılarak tamamen veya yarı otomatik olarak onaylanır. Bir istek onaylandıktan sonra, ayrıntıları IaC şablonlarını parametrelendirmek için kullanılır. Bu IaC şablonlarının kaynak kodu şurada yönetilir: AWS CodeCommit. Bu parametreleştirilmiş IaC şablonları şu adrese gönderilir: AWS CloudFormation AWS yığınlarını ve üçüncü taraf kaynakları modellemek, tedarik etmek ve yönetmek için.
Aşağıdaki şema iş akışını göstermektedir.
AWS CloudFormation, AWS'de MLOps için bir ortam sağladıktan sonra ortam, veri bilimcileri, veri mühendisleri ve onların işbirlikçileri tarafından kullanıma hazır hale gelir. PWC hızlandırıcı, üzerinde önceden tanımlanmış roller içerir. AWS Kimlik ve Erişim Yönetimi (IAM), MLOps etkinlikleri ve görevleriyle ilgili. Bu roller, iş profillerine göre çeşitli kullanıcılar tarafından erişilebilen MLOps ortamındaki hizmetleri ve kaynakları belirtir. MLOps ortamına eriştikten sonra, kullanıcılar görevlerini yerine getirmek için SageMaker'daki herhangi bir modaliteye erişebilirler. Bunlar arasında SageMaker not defteri örnekleri, Amazon SageMaker Otomatik Pilot deneyler ve Studio. Model eğitimi, ayarlama, değerlendirme, konuşlandırma ve izleme dahil tüm SageMaker özelliklerinden ve işlevlerinden yararlanabilirsiniz.
Hızlandırıcı ayrıca şu bağlantıları da içerir: Amazon Veri Bölgesi modeller oluşturmak ve zenginleştirmek için organizasyonel sınırlar arasında geniş ölçekte veri paylaşmak, aramak ve keşfetmek için. Benzer şekilde, eğitim, test, doğrulama ve model sapmasını tespit etmeye yönelik veriler, aşağıdakiler de dahil olmak üzere çeşitli hizmetler sağlayabilir: Amazon Kırmızıya Kaydırma, Amazon İlişkisel Veritabanı Hizmeti (Amazon RDS), Amazon Elastik Dosya Sistemi (Amazon EFS) ve Amazon Basit Depolama Hizmeti (Amazon S3). Tahmin sistemleri, SageMaker uç noktaları doğrudan, SageMaker uç noktaları dahil olmak üzere birçok şekilde dağıtılabilir. AWS Lambda işlevleri ve özel kod aracılığıyla çağrılan SageMaker uç noktaları Amazon Elastik Kubernetes Hizmeti (Amazon EKS) veya Amazon Elastik Bilgi İşlem Bulutu (Amazon EC2). Amazon Bulut İzleme tüm yığından (uygulamalar, altyapı, ağ ve hizmetler) alarmları, günlükleri ve olay verilerini gözlemlemek için AWS'de MLOps ortamını kapsamlı bir şekilde izlemek için kullanılır.
Aşağıdaki şema bu mimariyi göstermektedir.
Örnek olay
Bu bölümde, Kanada'daki büyük bir sigorta şirketinden alınan açıklayıcı bir vaka çalışmasını paylaşıyoruz. PwC Canada'nın MLOps hızlandırıcı ve JumpStart şablonlarının uygulanmasının dönüştürücü etkisine odaklanır.
Bu müşteri, verimsiz model geliştirme ve etkisiz devreye alma süreçleri, tutarlılık ve işbirliği eksikliği ve makine öğrenimi modellerini ölçeklendirmedeki zorluklarla ilgili zorlukları çözmek için PwC Canada ve AWS ile ortaklık kurdu. Bu MLOps Accelerator'ın JumpStart şablonlarıyla uyum içinde uygulanması aşağıdakileri sağladı:
- Uçtan uca otomasyon – Otomasyon, veri ön işleme, model eğitimi, hiperparametre ayarı ve model devreye alma ve izleme için gereken süreyi neredeyse yarı yarıya azalttı
- İşbirliği ve standardizasyon – Kuruluş genelinde tutarlılığı teşvik etmek için standartlaştırılmış araçlar ve çerçeveler, model inovasyon oranını neredeyse iki katına çıkardı
- Model yönetişimi ve uyumluluk – Tüm makine öğrenimi modellerinin yasal gereklilikleri karşılamasını ve şirketin risk yönetimi maliyetlerini %40 azaltan etik yönergelerine uymasını sağlamak için bir model yönetişim çerçevesi uyguladılar.
- Ölçeklenebilir bulut altyapısı – Devasa veri hacimlerini etkili bir şekilde yönetmek ve aynı anda birden fazla makine öğrenimi modelini dağıtmak için ölçeklenebilir altyapıya yatırım yaptılar, böylece altyapı ve platform maliyetlerini %50 azalttılar
- Hızlı dağıtım – Önceden paketlenmiş çözüm, üretim süresini %70 kısalttı
Müşterimiz, hızlı dağıtım paketleri aracılığıyla en iyi MLOps uygulamalarını sunarak, MLOps uygulamalarının risklerini azaltabildi ve risk tahmini ve varlık fiyatlandırması gibi bir dizi iş işlevi için makine öğreniminin tüm potansiyelini ortaya çıkardı. Genel olarak, PwC MLOps hızlandırıcısı ile JumpStart arasındaki sinerji, müşterimizin veri bilimi ve veri mühendisliği faaliyetlerini kolaylaştırmasını, ölçeklendirmesini, güvenliğini sağlamasını ve sürdürmesini sağladı.
PwC ve AWS çözümünün sektöre özel olmadığı ve tüm sektörler ve sektörler için geçerli olduğu unutulmamalıdır.
Sonuç
SageMaker ve hızlandırıcıları, kuruluşların makine öğrenimi programlarının üretkenliğini artırmasına olanak tanır. Aşağıdakiler dahil ancak bunlarla sınırlı olmamak üzere birçok faydası vardır:
- Standardizasyondan ticari faydalar elde etmek için işbirliği içinde IaC, MLOps ve AutoML kullanım senaryoları oluşturun
- IaC, MLOps ve AutoML ile geliştirmeden dağıtıma kadar yapay zekayı hızlandırmak için kodlu veya kodsuz verimli deneysel prototip oluşturmayı etkinleştirin
- Özellik mühendisliği ve hiperparametre ayarı gibi sıkıcı, zaman alan görevleri AutoML ile otomatikleştirin
- Makine öğrenimi modeli kullanım riskini kurumsal risk iştahıyla uyumlu hale getirmek için sürekli bir model izleme paradigması kullanın
Lütfen bu yazının yazarlarıyla iletişime geçin, AWS Danışmanlığı Kanadaya da PwC Kanada Jumpstart ve PwC'nin MLOps hızlandırıcısı hakkında daha fazla bilgi edinmek için.
Yazarlar Hakkında
Vik PwC Kanada'da Bulut ve Veri uygulamasında İş Ortağıdır. Toronto Üniversitesi'nden Bilişim Bilimi alanında doktora derecesini almıştır. Biyolojik sinir ağı ile SageMaker'da eğittiği yapay sinir ağları arasında telepatik bir bağlantı olduğuna inanıyor. onunla bağlantı kur LinkedIn.
Kyle PwC Kanada'da Bulut ve Veri uygulamasında bir İş Ortağıdır ve teknoloji simyacılarından oluşan çatlak ekibiyle birlikte, hızlandırılmış iş değeriyle müşterileri büyüleyen büyüleyici MLOP çözümleri dokurlar. Yapay zekanın gücü ve bir tutam sihirbazlıkla donanmış olan Kyle, karmaşık zorlukları dijital peri masallarına dönüştürerek imkansızı mümkün kılıyor. onunla bağlantı kur LinkedIn.
Francois AWS Professional Services Canada'da Baş Danışman Danışmanı ve Veri ve İnovasyon Danışmanlığı için Kanada uygulama lideridir. Vizyon, strateji, iş faktörleri, yönetişim, hedef işletim modelleri ve yol haritalarına odaklanarak müşterilere genel bulut yolculuklarını ve veri programlarını oluşturma ve uygulama konusunda rehberlik eder. onunla bağlantı kur LinkedIn.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoAiStream. Web3 Veri Zekası. Bilgi Genişletildi. Buradan Erişin.
- Adryenn Ashley ile Geleceği Basmak. Buradan Erişin.
- PREIPO® ile PRE-IPO Şirketlerinde Hisse Al ve Sat. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/accelerate-machine-learning-time-to-value-with-amazon-sagemaker-jumpstart-and-pwcs-mlops-accelerator/
- :vardır
- :dır-dir
- :olumsuzluk
- $UP
- 100
- 7
- a
- Yapabilmek
- Hakkımızda
- hızlandırmak
- hızlandırılmış
- hızlandırıcı
- hızlandırıcılar
- erişim
- erişilen
- erişme
- elde
- karşısında
- faaliyetler
- Ad
- Ayrıca
- adres
- yöneticiler
- benimsemek
- Benimseme
- danışma
- Sonra
- AI
- algoritmalar
- hizalamak
- Türkiye
- izin vermek
- veriyor
- boyunca
- Ayrıca
- Amazon
- Amazon EC2
- Amazon RDS'si
- Amazon Adaçayı Yapıcı
- Amazon SageMaker Hızlı Başlangıç
- Amazon Web Servisleri
- miktar
- an
- ve
- herhangi
- uygulamaları
- yaklaşım
- onaylı
- mimari
- ARE
- silahlı
- yapay
- yapay zeka
- Yapay zeka (AI)
- AS
- Değerlendirme
- varlık
- ilişkili
- At
- Yazarlar
- otomatikleştirmek
- Otomatik
- ayrıca otomasyonun
- Otomasyon
- AutoML
- AWS
- AWS CloudFormation
- AWS Profesyonel Hizmetleri
- merkezli
- BE
- müşterimiz
- olma
- olmak
- yarar
- faydaları
- İYİ
- en iyi uygulamalar
- Daha iyi
- arasında
- Blog
- sınırları
- inşa etmek
- bina
- yapılı
- yerleşik
- iş
- Iş fonksiyonları
- İş transferi
- işletmeler
- fakat
- by
- hesaplamalar
- CAN
- Kanada
- Kanadalı
- yetenekleri
- dava
- örnek olay
- durumlarda
- merkezi
- ceo
- CEO'lar
- meydan okuma
- zorluklar
- değişiklik
- değişiklikler
- Klinik
- müşteri
- istemciler
- bulut
- bulut altyapısı
- kod
- işbirliği
- Toplama
- COM
- geliyor
- ortak
- Şirketler
- şirket
- Şirketin
- tamamlayıcı
- tamamlamak
- karmaşık
- kapsamlı
- aşağıdakileri içerir:
- hesaplamalar
- hesaplamak
- konser
- yapılandırma
- Sosyal medya
- bağ
- Bağlantılar
- hususlar
- danışman
- UAF ile
- sürekli
- maliyetler
- kapaklar
- çatlak
- yaratmak
- Oluşturma
- kritik
- görenek
- müşteri
- Müşteriler
- veri
- Veri Hazırlama
- veri işleme
- veri bilimi
- veri bilimcisi
- veritabanı
- gecikmeleri
- teslim
- teslim
- bağımlı
- dağıtmak
- konuşlandırılmış
- dağıtma
- açılma
- tanımlamak
- tasarlanmış
- ayrıntılar
- geliştiriciler
- gelişen
- gelişme
- Zorluk
- dijital
- direkt olarak
- keşfetme
- domain
- iki katına
- sürücüler
- gereken
- Erken
- Kazanılan
- etkili bir şekilde
- verimli
- etkinleştirmek
- etkin
- sağlar
- kapsar
- mühendis
- Mühendislik
- Mühendisler
- artırmak
- Geliştirir
- zenginleştirmek
- sağlamak
- kuruluş
- Tüm
- giriş
- çevre
- kurmak
- törel
- değerlendirme
- olaylar
- hİÇ
- örnek
- deneyler
- Özellikler(Hazırlık aşamasında)
- Özellikler
- fileto
- bitiş
- Ad
- ilk adımlar
- uygun
- odak
- odaklanır
- odaklanma
- takip etme
- İçin
- iskelet
- çerçeveler
- itibaren
- tam
- tamamen
- fonksiyonlar
- daha fazla
- oluşturmak
- yönetim
- harika
- büyük
- Konuk
- kuralları yenileyerek
- Rehberler
- yarıya
- he
- yardımcı olur
- yüksek performans
- vurgulayarak
- onu
- onun
- tarihsel
- Ancak
- HTML
- http
- HTTPS
- Hiperparametre Ayarı
- Kimlik
- göstermektedir
- darbe
- uygulamak
- uygulama
- uygulanan
- uygulanması
- imkânsız
- iyileştirmek
- in
- dahil
- içerir
- Dahil olmak üzere
- içerme
- Artırmak
- Artışlar
- giderek
- bağımsız
- Endüstri
- sanayi
- verimsiz
- bilgi
- bilgi
- Altyapı
- Yenilikçilik
- giriş
- girişler
- sigorta
- integral
- Bütünleştirme
- bütünleşme
- İstihbarat
- içine
- doğal olarak
- yatırım
- yatırım
- yatırım
- çağrılan
- ilgili
- IT
- ONUN
- İş
- seyahat
- jpg
- Eksiklik
- iniş
- büyük
- öncülük etmek
- ÖĞRENİN
- öğrendim
- öğrenme
- yaşam döngüsü
- Sınırlı
- makine
- makine öğrenme
- korumak
- bakım
- çoğunluk
- Yapımı
- yönetmek
- yönetilen
- yönetim
- yönetme
- tavır
- Manuel
- çok
- masif
- matematiksel
- olgunluk
- anlamlı
- Neden
- ML
- MLO'lar
- model
- modelleri
- izlemek
- izleme
- Daha
- çoklu
- yerli
- Tabiat
- Gezin
- neredeyse
- ihtiyaçlar
- ağ
- ağlar
- sinir ağı
- nöral ağlar
- sonraki
- özellikle
- defter
- ünlü
- gözlemek
- of
- Teklifler
- on
- ONE
- açık kaynak
- işletmek
- işletme
- Operasyon
- or
- kuruluşlar
- örgütsel
- organizasyonlar
- bizim
- tekrar
- tüm
- genel bakış
- paketler
- Kanal
- paradigma
- Bölüm
- Partner
- ortaklık
- desen
- Yapmak
- boru hattı
- platform
- Platon
- Plato Veri Zekası
- PlatoVeri
- Nokta
- portföy
- mümkün
- Çivi
- potansiyel
- güç kelimesini seçerim
- powered
- Açılması
- uygulama
- uygulamalar
- tahmin
- Tahminler
- tercihleri
- hazırlanması
- fiyatlandırma
- Anapara
- öncelik
- süreç
- Süreçler
- işleme
- PLATFORM
- üretim
- verimlilik
- profesyonel
- Profiller
- Programı
- Programlar
- proje
- desteklemek
- prototip
- sağlamak
- sağlar
- PWC
- menzil
- hızlı
- oran
- daha doğrusu
- hazır
- gerçekleştirmek
- makul
- son
- azaltmak
- Indirimli
- azaltarak
- düzenleyici
- ilgili
- İlişkiler
- Nispeten
- uygun
- talep
- Yer Alan Kurallar
- esnek
- Kaynaklar
- Sonuçlar
- dönüş
- Risk
- risk yönetimi
- riske
- Yol haritaları
- rolleri
- koşu
- güvenli bir şekilde
- sagemaker
- ölçeklenebilir
- ölçek
- ölçekleme
- Bilim
- bilim adamı
- bilim adamları
- scriptler
- arama
- Bölüm
- Sektörler
- güvenli
- arayan
- Serverless
- hizmet
- Hizmetler
- set
- paylaş
- paylaşımı
- meli
- önemli ölçüde
- benzer şekilde
- Basit
- basitleştirmek
- sadece
- aynı anda
- gevşek
- So
- Yazılım
- çözüm
- Çözümler
- sofistike
- Kaynak
- kaynak kodu
- özel
- hızları
- istikrar
- yığın
- Yığınları
- aşamaları
- başlama
- XNUMX dakika içinde!
- Basamaklar
- hafızası
- Stratejik olarak
- stratejileri
- Stratejileri
- kolaylaştırmak
- yapılandırılmış
- stüdyo
- Ders çalışma
- gönderilen
- böyle
- süit
- destek
- sürdürülebilir
- sinerji
- Sistemler
- ele almak
- Bizi daha iyi tanımak için
- Hedef
- görevleri
- takım
- takım
- teknoloji
- Teknik
- Teknoloji
- şablonları
- şartlar
- Test yapmak
- göre
- o
- The
- Kaynak
- Dünya
- ve bazı Asya
- Onları
- kendilerini
- sonra
- Orada.
- Bunlar
- onlar
- Düşünme
- üçüncü şahıslara ait
- Re-Tweet
- İçinden
- zaman
- zaman tükeniyor
- için
- araç
- araçlar
- toronto
- Tren
- Eğitim
- trenler
- transfer
- Dönüşüm
- dönüştürücü
- döner
- tipik
- üniversite
- kilidini açmak
- açıkladı
- kullanım
- kullanım
- Kullanılmış
- kullanıcılar
- kullanma
- değer
- çeşitlilik
- çeşitli
- çok yönlü
- vizyonumuz
- hacimleri
- oldu
- Yol..
- yolları
- we
- dokuma
- ağ
- web hizmetleri
- İYİ
- hangi
- DSÖ
- irade
- ile
- içinde
- olmadan
- iş akışları
- Dünya
- Örtülü
- yıl
- Sen
- zefirnet