Sağlık hizmetleri, finansal hizmetler, kamu sektörü ve diğer sektörlerdeki AWS müşterileri, milyarlarca belgeyi görüntü veya PDF olarak depolar. Amazon Basit Depolama Hizmeti (Amazon S3). Ancak belgelerde kilitli olan bilgileri büyük dil modelleri (LLM'ler) için kullanma gibi içgörüler elde edemiyor veya metni, formları, tabloları ve diğer yapılandırılmış verileri ayıklayana kadar arama yapamıyorlar. AWS akıllı belge işleme (IDP) ile aşağıdakiler gibi AI hizmetlerini kullanırız: Amazon Metin YazısıPDF'lerdeki veya belge görüntülerindeki (TIFF, JPEG, PNG) verileri hızlı ve doğru bir şekilde işlemek için sektör lideri makine öğrenimi (ML) teknolojisinden yararlanabilirsiniz. Metin belgelerden çıkarıldıktan sonra bunu bir temel modeline ince ayar yapmak için kullanabilirsiniz. bir temel modeli kullanarak verileri özetlemekveya bir veritabanına gönderin.
Bu yazıda geniş bir belge koleksiyonunu ham metin dosyalarına dönüştürmeye ve bunları Amazon S3'te depolamaya odaklanıyoruz. Bu kullanım durumu için size iki farklı çözüm sunuyoruz. İlki, Jupyter not defteri de dahil olmak üzere herhangi bir sunucu veya örnekten Python betiğini çalıştırmanıza olanak tanır; bu başlamanın en hızlı yoludur. İkinci yaklaşım, çeşitli altyapı bileşenlerinin anahtar teslimi dağıtımıdır. AWS Bulut Geliştirme Kiti (AWS CDK'sı) yapılar. AWS CDK yapısı, belgelerinizi işlemek ve uçtan uca bir IDP işlem hattı oluşturmak için dayanıklı ve esnek bir çerçeve sağlar. AWS CDK'yi kullanarak işlevselliğini redaksiyon, çıktıyı Amazon OpenSearch'te saklayınveya özel bir tane ekleyin AWS Lambda kendi iş mantığınızla çalışın.
Bu çözümlerin her ikisi de milyonlarca sayfayı hızlı bir şekilde işlemenize olanak tanır. Bu çözümlerden herhangi birini geniş ölçekte çalıştırmadan önce, sonuçların beklentilerinizi karşıladığından emin olmak için belgelerinizin bir alt kümesiyle test yapmanızı öneririz. Aşağıdaki bölümlerde öncelikle komut dosyası çözümünü, ardından AWS CDK yapı çözümünü açıklayacağız.
1. Çözüm: Bir Python betiği kullanın
Bu çözüm, betikte bir hata olması durumunda sürecin kaldığı yerden devam edeceği beklentisiyle Amazon Textract aracılığıyla ham metin belgelerini hizmetin izin verdiği hızda işler. Çözüm üç farklı hizmetten yararlanıyor: Amazon S3, Amazon DinamoDBve Amazon Text.
Aşağıdaki diyagram, komut dosyasındaki olayların sırasını göstermektedir. Komut dosyası sona erdiğinde, tamamlanma durumu ve geçen süre SageMaker stüdyo konsoluna döndürülecektir.
Bu çözümü bir pakette paketledik. .ipynb betiği ve .py komut dosyası. İhtiyaçlarınıza göre dağıtılabilir çözümlerden herhangi birini kullanabilirsiniz.
Önkoşullar
Bu betiği bir Jupyter not defterinden çalıştırmak için AWS Kimlik ve Erişim Yönetimi Not defterine atanan (IAM) rolünün, DynamoDB, Amazon S3 ve Amazon Textract ile etkileşime girmesine izin veren izinlere sahip olması gerekir. Genel yönerge, bu hizmetlerin her biri için en az ayrıcalıklı izinleri sunucunuza sağlamaktır. AmazonSageMaker-ExecutionRole
rol. Daha fazla bilgi edinmek için bkz. AWS tarafından yönetilen politikaları kullanmaya başlayın ve en az ayrıcalıklı izinlere doğru ilerleyin.
Alternatif olarak, bu betiği aşağıdaki gibi diğer ortamlardan da çalıştırabilirsiniz. Amazon Elastik Bilgi İşlem Bulutu (Amazon EC2) Python, Pip3 ve Python için AWS SDK (Boto3) kuruludur. Yine, komut dosyasının çeşitli yönetilen hizmetlerle etkileşime girmesine izin veren aynı IAM politikalarının uygulanması gerekir.
Walkthrough
Bu çözümü uygulamak için önce depoyu klonlamanız gerekir GitHub.
Komut dosyasını çalıştırmadan önce aşağıdaki değişkenleri ayarlamanız gerekir:
- izleme_tablosu – Oluşturulacak DynamoDB tablosunun adıdır.
- input_bucket – Bu, metin tespiti için Amazon Textract'a göndermek istediğiniz belgeleri içeren Amazon S3'teki kaynak konumunuzdur. Bu değişken için paketin adını girin (ör.
mybucket
. - çıktı_bucket – Bu, Amazon Textract'in sonuçları yazmasını istediğiniz konumu depolamak içindir. Bu değişken için paketin adını girin (ör.
myoutputbucket
. - _input_prefix (isteğe bağlı) – S3 klasörünüzdeki bir klasörden belirli dosyaları seçmek istiyorsanız bu klasör adını giriş öneki olarak belirtebilirsiniz. Aksi takdirde, tümünü seçmek için varsayılanı boş bırakın.
Senaryo aşağıdaki gibidir:
Komut dosyası çalıştırıldığında aşağıdaki DynamoDB tablo şeması oluşturulur:
Komut dosyası ilk kez çalıştırıldığında DynamoDB tablosunun var olup olmadığını kontrol edecek ve gerekirse onu otomatik olarak oluşturacaktır. Tablo oluşturulduktan sonra onu Amazon S3'ten işlemek istediğimiz belge nesnesi referanslarının listesiyle doldurmamız gerekir. Komut dosyası, tasarım gereği, belirtilendeki nesneler üzerinde numaralandırılacaktır. input_bucket
ve çalıştırıldığında tablomuzu otomatik olarak adlarıyla doldurur. 10'den fazla belgenin numaralandırılması ve bu adların komut dosyasından DynamoDB tablosuna doldurulması yaklaşık 100,000 dakika sürer. Bir pakette milyonlarca nesneniz varsa alternatif olarak Amazon S3'ün CSV ad dosyası oluşturan envanter özelliğini kullanabilir, ardından bu listeden DynamoDB tablosunu kendi komut dosyanızla önceden doldurabilir ve adı verilen işlevi kullanmayabilirsiniz. fetchAllObjectsInBucketandStoreName
bunu yorumlayarak. Daha fazla bilgi edinmek için bkz. Amazon S3 Envanterini Yapılandırma.
Daha önce de belirtildiği gibi hem not defteri sürümü hem de Python komut dosyası sürümü vardır. Dizüstü bilgisayar, başlamanın en basit yoludur; basitçe her hücreyi baştan sona çalıştırın.
Python betiğini bir CLI'den çalıştırmaya karar verirseniz tmux gibi bir terminal çoklayıcı kullanmanız önerilir. Bu, SSH oturumunuzun bitmesi durumunda komut dosyasının durmasını önlemek içindir. Örneğin: tmux new -d ‘python3 textractFeeder.py’
.
Şöyledir betiğin giriş noktası; buradan gerekli olmayan yöntemleri yorumlayabilirsiniz:
Komut dosyası DynamoDB tablosunu doldururken aşağıdaki alanlar ayarlanır:
- Nesne adı – Amazon S3'te bulunan ve Amazon Texttract'a gönderilecek belgenin adı
- kovaAdı – Belge nesnesinin depolandığı paket
S3 envanter raporundan bir CSV dosyası kullanmaya karar verirseniz ve komut dosyasında gerçekleşen otomatik doldurma işlemini atlarsanız bu iki alanın doldurulması gerekir.
Artık tablo oluşturulup belge nesnesi referanslarıyla doldurulduğuna göre komut dosyası Amazon Textract'ı çağırmaya hazırdır StartDocumentTextDetection
API'dir. Amazon Texttract, diğer yönetilen hizmetlere benzer şekilde, varsayılan sınır API'lerde saniye başına işlem (TPS) adı verilir. Gerekirse Amazon Textract konsolundan kota artışı talebinde bulunabilirsiniz. Kod, hizmetin aktarım hızını en üst düzeye çıkarmak için Amazon Textract'ı çağırırken aynı anda birden fazla iş parçacığını kullanacak şekilde tasarlanmıştır. Bunu kod içinde değiştirerek değiştirebilirsiniz. threadCountforTextractAPICall
değişken. Varsayılan olarak bu 20 iş parçacığına ayarlanmıştır. Betik başlangıçta DynamoDB tablosundan 200 satırı okuyacak ve bunları iş parçacığı güvenliği için bir sınıfla sarılmış bir bellek içi listede saklayacak. Daha sonra her arayan iş parçacığı başlatılır ve kendi yüzme şeridinde çalışır. Temel olarak Amazon Textract arayan iş parçacığı, nesne referansımızı içeren bellek içi listeden bir öğe alacaktır. Daha sonra eşzamansızı arayacak start_document_text_detection
API'ye gidin ve iş kimliğini içeren onayı bekleyin. Daha sonra iş kimliği, söz konusu nesnenin DynamoDB satırına güncellenir ve iş parçacığı, listeden bir sonraki öğe alınarak tekrarlanır.
Ana orkestrasyon kodu aşağıdadır senaryo:
Arayanın konuları, listede artık hiçbir öğe kalmayıncaya kadar tekrarlanmaya devam edecek ve bu noktada konuların her biri duracaktır. Yüzme şeritlerinde çalışan tüm iş parçacıkları durdurulduğunda, DynamoDB'den sonraki 200 satır alınır ve 20 iş parçacığı içeren yeni bir dizi başlatılır ve tüm süreç, bir iş kimliği içermeyen her satır DynamoDB'den alınana kadar tekrarlanır ve güncellenmiş. Betik beklenmeyen bir sorun nedeniyle çökerse, betik yeniden çalıştırılabilir. orchestrate()
yöntem. Bu, iş parçacıklarının boş iş kimlikleri içeren satırları işlemeye devam etmesini sağlar. Tekrar çalıştırırken şunu unutmayın orchestrate()
Komut dosyası durdurulduktan sonra bu yöntemi kullanırsanız, birkaç belgenin tekrar Amazon Textract'a gönderilme olasılığı vardır. Bu sayı, kilitlenme anında çalışan iş parçacıklarının sayısına eşit veya bundan daha az olacaktır.
DynamoDB tablosunda boş iş kimliği içeren başka satır kalmadığında komut dosyası duracaktır. Tüm nesneler için Amazon Textract'ın tüm JSON çıktıları şurada bulunacaktır: output_bucket
altında varsayılan olarak textract_output
dosya. İçindeki her alt klasör textract_output
söz konusu nesne için DynamoDB tablosunda saklanan iş kimliğine karşılık gelen iş kimliğiyle adlandırılacaktır. İş kimliği klasöründe, 1'den başlayarak sayısal olarak adlandırılacak ve potansiyel olarak 2, 3 vb. etiketli ek JSON dosyalarını kapsayabilecek JSON'u bulacaksınız. JSON dosyalarının yayılması, çıkarılan içerik miktarının Amazon Textract varsayılan JSON boyutu olan 1,000 bloktan fazla olduğu yoğun veya çok sayfalı belgelerin bir sonucudur. Bakınız Engellemek Bloklar hakkında daha fazla bilgi için. Bu JSON dosyaları, belgelerin içinden çıkarılan metinler de dahil olmak üzere tüm Amazon Textract meta verilerini içerecektir.
Bu çözüme ilişkin Python kod not defteri sürümünü ve komut dosyasını şu adreste bulabilirsiniz: GitHub.
Temizlemek
Python betiği tamamlandığında, onu kapatarak veya durdurarak maliyetlerden tasarruf edebilirsiniz. Amazon SageMaker Stüdyosu döndürdüğünüz defter veya kap.
Şimdi geniş ölçekte belgelere yönelik ikinci çözümümüze geçelim.
2. Çözüm: Sunucusuz bir AWS CDK yapısı kullanın
Bu çözüm kullanır AWS Basamak İşlevleri ve Lambda, IDP hattını düzenlemek için çalışır. biz kullanıyoruz IDP AWS CDK yapılarıBu da Amazon Textract ile geniş ölçekte çalışmayı kolaylaştırır. Ek olarak, bir kullanıyoruz Step Functions dağıtılmış haritası S3 klasöründeki tüm dosyaları yinelemek ve işlemeyi başlatmak için. İlk Lambda işlevi belgelerinizin kaç sayfadan oluştuğunu belirler. Bu, işlem hattının otomatik olarak eşzamanlı (tek sayfalı belgeler için) veya eşzamansız (çok sayfalı belgeler için) API'yi kullanmasını sağlar. Eşzamansız API kullanıldığında, Amazon Textract'in tüm sayfalarınız için üreteceği tüm JSON dosyalarına tek bir JSON dosyası halinde ek bir Lambda işlevi çağrılır ve böylece aşağı akış uygulamalarınızın bilgilerle çalışması kolaylaşır.
Bu çözüm ayrıca iki ek Lambda işlevi içerir. İlk işlev, metni JSON'dan ayrıştırır ve onu Amazon S3'te bir metin dosyası olarak kaydeder. İkinci işlev JSON'u analiz eder ve bunu iş yükündeki ölçümler için saklar.
Aşağıdaki şema, Adım İşlevleri iş akışını göstermektedir.
Önkoşullar
Bu kod tabanı AWS CDK'yı kullanır ve Docker gerektirir. Bunu bir yerden dağıtabilirsiniz. AWS Bulut9 AWS CDK ve Docker'ın zaten kurulu olduğu örnek.
Walkthrough
Bu çözümü uygulamak için öncelikle klonlamanız gerekir. deposu.
Depoyu klonladıktan sonra bağımlılıkları yükleyin:
Ardından AWS CDK yığınını dağıtmak için aşağıdaki kodu kullanın:
Bu çözüm için hem kaynak paketini hem de kaynak önekini (işlemek istediğiniz dosyaların konumu) sağlamanız gerekir.
Dağıtım tamamlandığında durum makinesini görmeniz gereken Step Functions konsoluna gidin ServerlessIDPArchivePipeline
.
Durum makinesi ayrıntıları sayfasını açın ve idamlar sekmesini seçin Yürütmeyi başlat.
Klinik Yürütmeyi başlat durum makinesini çalıştırmak için tekrar.
Durum makinesini başlattıktan sonra harita çalışmasına bakarak işlem hattını izleyebilirsiniz. Bir göreceksin Öğe işleme durumu Aşağıdaki ekran görüntüsündeki gibi bölüm. Gördüğünüz gibi bu, neyin başarılı, neyin başarısız olduğunu çalıştırmak ve takip etmek için tasarlandı. Bu işlem tüm belgeler okununcaya kadar devam edecektir.
Bu çözümle, hangi dosyaların hangi API'ye gönderileceğini veya işlem hattınızda başarısız olan bozuk dosyaları nasıl doğru bir şekilde belirleyeceğiniz konusunda endişelenmeden, AWS hesabınızdaki milyonlarca dosyayı işleyebilmelisiniz. Step Functions konsolu aracılığıyla dosyalarınızı gerçek zamanlı olarak izleyebilecek ve izleyebilirsiniz.
Temizlemek
İşlem hattınızın çalışması tamamlandıktan sonra temizlemek için projenize geri dönüp aşağıdaki komutu girebilirsiniz:
Bu, bu proje için dağıtılan tüm hizmetleri silecektir.
Sonuç
Bu yazıda belge görsellerinizi ve PDF'lerinizi metin dosyalarına dönüştürmeyi kolaylaştıran bir çözüm sunduk. Bu, belgelerinizi üretken yapay zeka ve arama için kullanmanın önemli bir ön koşuludur. Temel modellerinizi eğitmek veya ince ayar yapmak için metin kullanma hakkında daha fazla bilgi edinmek için bkz. Amazon SageMaker JumpStart'ta metin oluşturmak için Llama 2'ye ince ayar yapın. Aramayla kullanmak için bkz. Amazon Texttract ve Amazon OpenSearch ile akıllı belge arama dizinini uygulayın. AWS AI hizmetlerinin sunduğu gelişmiş belge işleme özellikleri hakkında daha fazla bilgi edinmek için bkz. AWS'de Akıllı Belge İşleme Kılavuzu.
Yazarlar Hakkında
Tim Condello Amazon Web Services'te (AWS) kıdemli yapay zeka (AI) ve makine öğrenimi (ML) uzman çözümleri mimarıdır. Odaklandığı konu doğal dil işleme ve bilgisayarlı görmedir. Tim müşteri fikirlerini alıp bunları ölçeklenebilir çözümlere dönüştürmekten hoşlanıyor.
David Kız kurumsal sistemleri tasarlama, yönetme ve geliştirme konusunda yirmi yılı aşkın deneyime sahip kıdemli bir AI/ML çözümleri mimarıdır. David, müşterilerin bu son derece yetenekli hizmetleri öğrenmelerine, yenilik yapmalarına ve kendi kullanım örneklerine yönelik verileriyle kullanmalarına yardımcı olmaya odaklanan uzman bir ekibin parçası.
- 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/create-a-document-lake-using-large-scale-text-extraction-from-documents-with-amazon-textract/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 000
- 1
- 10
- 100
- 12
- 20
- 200
- 7
- 710
- 8
- a
- Yapabilmek
- Hakkımızda
- erişim
- Hesap
- tam olarak
- eklemek
- Ek
- Ayrıca
- ilerlemek
- ileri
- avantaj
- Sonra
- tekrar
- AI
- AI hizmetleri
- AI / ML
- Türkiye
- izin vermek
- veriyor
- boyunca
- zaten
- Ayrıca
- Amazon
- Amazon EC2
- Amazon Adaçayı Yapıcı
- Amazon Metin Yazısı
- Amazon Web Servisleri
- Amazon Web Services (AWS)
- miktar
- an
- analizler
- ve
- herhangi
- api
- API'ler
- uygulamaları
- uygulamalı
- yaklaşım
- yaklaşık olarak
- ARE
- yapay
- yapay zeka
- Yapay zeka (AI)
- AS
- atanmış
- At
- Oto
- otomatik olarak
- AWS
- Arka
- baz
- temel olarak
- BE
- olmuştur
- önce
- milyarlarca
- Blokları
- Çizme atkısı
- her ikisi de
- inşa etmek
- yapılı
- iş
- by
- çağrı
- denilen
- Arayan
- çağrı
- CAN
- yetenekleri
- yetenekli
- dava
- durumlarda
- hücre
- belli
- değişiklik
- Kontrol
- Klinik
- sınıf
- çamça
- bulut
- kod
- kod tabanı
- Toplamak
- yorum Yap
- yorumlarında
- tamamlamak
- tamamlama
- bileşenler
- hesaplamak
- bilgisayar
- Bilgisayar görüşü
- konsolos
- kurmak
- içermek
- Konteyner
- içeren
- içerik
- devam etmek
- dönüştürmek
- tekabül
- maliyetler
- olabilir
- Crash
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- görenek
- müşteri
- Müşteriler
- veri
- veritabanı
- David
- karar vermek
- Varsayılan
- bağımlılıklar
- dağıtmak
- konuşlandırılmış
- açılma
- tanımlamak
- Dizayn
- tasarlanmış
- tasarım
- ayrıntılar
- Bulma
- Belirlemek
- belirleyen
- gelişen
- gelişme
- farklı
- dağıtıldı
- liman işçisi
- belge
- evraklar
- Değil
- aşağı
- gereken
- her
- Daha erken
- ya
- sağlar
- son uca
- uçları
- Keşfet
- kuruluş
- giriş
- ortamları
- eşit
- olaylar
- Her
- örnek
- aşıyor
- infaz
- var
- beklenti
- beklentileri
- deneyim
- uzatmak
- çıkarmak
- çıkarma
- başarısız
- başarısız
- Başarısızlık
- Özellikler(Hazırlık aşamasında)
- az
- Alanlar
- fileto
- dosyalar
- mali
- finansal hizmetler
- bulmak
- bitiş
- Ad
- ilk kez
- esnek
- odak
- odaklanır
- takip
- takip etme
- şu
- İçin
- formlar
- bulundu
- vakıf
- iskelet
- itibaren
- işlev
- işlevsellik
- fonksiyonlar
- Kazanç
- genel
- üretir
- nesil
- üretken
- üretken yapay zeka
- almak
- Go
- rehberlik
- olur
- Var
- sağlık
- yardım
- okuyun
- büyük ölçüde
- onun
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTML
- http
- HTTPS
- i
- ID
- fikirler
- Kimlik
- kimlikleri
- if
- göstermektedir
- görüntüleri
- uygulamak
- in
- dahil
- Dahil olmak üzere
- Artırmak
- indeks
- Endüstri
- endüstri lideri
- bilgi
- Altyapı
- başlangıçta
- başlatmak
- yenilik yapmak
- giriş
- anlayışlar
- kurmak
- yüklü
- örnek
- İstihbarat
- Akıllı
- Akıllı belge işleme
- etkileşim
- içine
- envanter
- IT
- ürün
- ONUN
- İş
- jpg
- json
- anahtar
- göl
- şerit
- dil
- büyük
- büyük ölçekli
- önemli
- ÖĞRENİN
- öğrenme
- Ayrılmak
- sol
- az
- sevmek
- Liste
- lama
- bulunan
- yer
- kilitli
- mantık
- uzun
- bakıyor
- makine
- makine öğrenme
- Ana
- yapmak
- YAPAR
- yönetmek
- yönetilen
- çok
- harita
- Maksimuma çıkarmak
- Neden
- adı geçen
- Metadata
- yöntem
- yöntemleri
- Metrikleri
- milyonlarca
- dakika
- ML
- model
- modelleri
- izlemek
- Daha
- çoğu
- hareket
- çoklu
- şart
- isim
- adlı
- isimleri
- Doğal (Madenden)
- Doğal Dil İşleme
- Gezin
- gerek
- gerekli
- yeni
- sonraki
- yok hayır
- notlar
- defter
- şimdi
- numara
- nesne
- nesneler
- of
- kapalı
- sunulan
- on
- ONE
- işletme
- or
- orkestrasyon
- Diğer
- aksi takdirde
- bizim
- dışarı
- çıktı
- tekrar
- kendi
- paketlenmiş
- Kanal
- sayfaları
- Bölüm
- başına
- izinleri
- seçmek
- boru hattı
- Platon
- Plato Veri Zekası
- PlatoVeri
- Nokta
- politikaları
- nüfuslu
- Çivi
- potansiyel
- potansiyel
- sundu
- önlemek
- Sorun
- süreç
- Süreçler
- işleme
- üretmek
- proje
- uygun şekilde
- sağlamak
- sağlanan
- sağlar
- halka açık
- koymak
- Python
- En hızlı
- hızla
- Çiğ
- Okumak
- hazır
- gerçek
- gerçek zaman
- tavsiye etmek
- Tavsiye edilen
- kayıt
- kayıtlar
- başvurmak
- referans
- referanslar
- tekrar et
- rapor
- Depo
- talep
- gereklidir
- Yer Alan Kurallar
- gerektirir
- esnek
- sonuç
- Sonuçlar
- Rol
- SIRA
- koşmak
- koşu
- ishal
- güvenli
- Güvenlik
- sagemaker
- aynı
- İndirim
- ölçeklenebilir
- ölçek
- senaryo
- sdk
- Ara
- İkinci
- Bölüm
- bölümler
- sektör
- görmek
- seçmek
- göndermek
- kıdemli
- gönderdi
- Dizi
- sunucu
- Serverless
- hizmet
- Hizmetler
- Oturum
- set
- meli
- kapanıyor
- benzer
- Basit
- sadece
- beden
- akıllı
- So
- çözüm
- Çözümler
- biraz
- Kaynak
- karış
- gerginlik
- uzman
- Belirtilen
- eğirilmiş
- yığın
- başlama
- başladı
- XNUMX dakika içinde!
- Eyalet
- Durum
- adım
- dur
- durdu
- durdurma
- hafızası
- mağaza
- saklı
- mağaza
- depolamak
- basit
- dizi
- yapılandırılmış
- stüdyo
- başarılı
- böyle
- elbette
- Sistemler
- tablo
- Bizi daha iyi tanımak için
- alınan
- alır
- alma
- takım
- Teknoloji
- terminal
- Test yapmak
- metin
- göre
- o
- The
- Bilgi
- Kaynak
- Devlet
- ve bazı Asya
- Onları
- sonra
- Orada.
- Bunlar
- onlar
- Re-Tweet
- Bu
- üç
- İçinden
- verim
- Tim
- zaman
- için
- karşı
- tps
- iz
- Tren
- işlemler
- Dönüş
- anahtar teslimi
- iki
- aciz
- altında
- Beklenmedik
- kadar
- güncellenmiş
- kullanım
- kullanım durumu
- kullanım
- kullanma
- kullanmak
- kullanır
- değişken
- çeşitli
- versiyon
- vizyonumuz
- beklemek
- istemek
- oldu
- İzle
- Yol..
- we
- ağ
- web hizmetleri
- vardı
- Ne
- ne zaman
- hangi
- bütün
- irade
- ile
- içinde
- olmadan
- İş
- iş akışı
- endişe verici
- olur
- Örtülü
- yazmak
- yıl
- Sen
- zefirnet