Визначення вартості житла є класичним прикладом використання машинного навчання (ML). Значний вплив зробили Гаррісон і Рубінфельд (1978), які опублікували новаторську статтю та набір даних, який неофіційно став відомий як Бостонський набір житлових даних. У цій основоположній роботі запропоновано метод оцінки цін на житло як функції багатьох параметрів, у тому числі якості повітря, що було основним напрямком їхнього дослідження. Майже 50 років потому оцінка цін на житло стала важливим інструментом навчання для студентів і професіоналів, зацікавлених у використанні даних і машинного навчання для прийняття бізнес-рішень.
У цій публікації ми обговорюємо використання моделі з відкритим кодом, спеціально розробленої для завдання візуальної відповіді на запитання (VQA). За допомогою VQA ви можете поставити запитання щодо фотографії природною мовою та отримати відповідь на своє запитання — також простою мовою. Наша мета в цій публікації – надихнути та продемонструвати, що можливо за допомогою цієї технології. Ми пропонуємо використовувати цю можливість з Amazon SageMaker платформа сервісів для підвищення точності регресійної моделі у випадку використання ML, а також незалежно для автоматичного додавання тегів візуальних зображень.
Надаємо відповідний YouTube відео що демонструє те, що тут обговорюється. Відтворення відео почнеться посередині, щоб виділити найбільш важливий момент. Ми пропонуємо вам прочитати це відео з відео, щоб закріпити та отримати глибше розуміння концепції.
Моделі фундаменту
Це рішення базується на використанні базової моделі, опублікованої в репозиторії моделей Hugging Face. Тут ми використовуємо термін модель фундаменту щоб описати можливості штучного інтелекту (ШІ), які були попередньо навчені на великому та різноманітному масиві даних. Основні моделі іноді можуть бути готові до використання без тягаря навчання моделі з нуля. Деякі основні моделі можна точно налаштувати, що означає навчити їх додатковим шаблонам, які мають відношення до вашого бізнесу, але відсутні в оригінальній, узагальненій опублікованій моделі. Інколи потрібне тонке налаштування, щоб надати правильні відповіді, які є унікальними для вашого випадку використання чи обсягу знань.
У Обіймати обличчя репозиторій, є кілька моделей VQA на вибір. Ми вибрали модель із найбільшою кількістю завантажень на момент написання цієї статті. Хоча ця публікація демонструє можливість використання моделі зі сховища моделей з відкритим вихідним кодом, та сама концепція буде застосована до моделі, яку ви навчили з нуля, або використаної від іншого надійного постачальника.
Сучасний підхід до класичного використання
Оцінка ціни на житло традиційно відбувалася за допомогою табличних даних, де характеристики власності використовуються для інформування ціни. Хоча тут можуть бути сотні характеристик, які слід враховувати, деякі фундаментальні приклади – це розмір будинку в готовому приміщенні, кількість спалень і ванних кімнат, а також місце проживання.
Машинне навчання здатне включати різноманітні джерела вхідних даних, окрім табличних даних, наприклад аудіо, нерухомі зображення, анімаційне відео та природну мову. В ШІ термін багатомодальний означає використання різноманітних типів медіа, таких як зображення та табличні дані. У цій публікації ми покажемо, як використовувати мультимодальні дані, щоб знайти та звільнити приховану цінність, замкнену в рясних цифрових вихлопах, створених сучасним світом.
Маючи на увазі цю ідею, ми демонструємо використання моделей основи для вилучення прихованих ознак із зображень власності. Використовуючи інформацію, знайдену на зображеннях, яка раніше була недоступна в табличних даних, ми можемо підвищити точність моделі. І зображення, і табличні дані, які обговорюються в цій публікації, були спочатку доступні та опубліковані GitHub Ахмед і Мустафа (2016).
Картина коштує тисячі слів
Тепер, коли ми зрозуміли можливості VQA, давайте розглянемо два наступних зображення кухонь. Як би ви оцінили вартість будинку за цими зображеннями? Які питання ви б поставили собі? Кожне зображення може викликати у вас десятки питань. Деякі з цих запитань можуть привести до значущих відповідей, які покращать процес оцінки житла.
Автор фотографій Франческа Тосоліні (ліворуч) і Sidekix Media (праворуч) на Unsplash
У наведеній нижче таблиці наведено випадкові приклади взаємодії VQA із показом запитань поруч із відповідними відповідями. Відповіді можуть бути у формі категоричних, безперервних чи двійкових відповідей.
Приклад запитання | Приклад відповіді з Model Foundation |
З чого виготовляють стільниці? | граніт, плитка, мармур, ламінат та ін. |
Це дорога кухня? | так ні |
Скільки є окремих раковин? | 0, 1, 2 |
Еталонна архітектура
У цій публікації ми використовуємо Amazon SageMaker Data Wrangler поставити єдиний набір візуальних запитань для тисяч фотографій у наборі даних. SageMaker Data Wrangler розроблено спеціально для спрощення процесу підготовки даних і розробки функцій. Забезпечуючи понад 300 вбудованих трансформацій, SageMaker Data Wrangler допомагає скоротити час, необхідний для підготовки табличних даних і даних зображень для ML, з тижнів до хвилин. Тут SageMaker Data Wrangler поєднує функції даних з оригінального табличного набору з фотонародженими функціями базової моделі для навчання моделі.
Далі будуємо регресійну модель з використанням Canvas Amazon SageMaker. SageMaker Canvas може створити модель без написання коду та надати попередні результати всього за 2–15 хвилин. У наступному розділі ми надаємо еталонну архітектуру, яка використовується, щоб зробити це керівництво рішенням можливим.
Багато популярних моделей від Hugging Face та інших постачальників можна розгорнути одним клацанням миші Amazon SageMaker JumpStart. У цих сховищах доступні сотні тисяч моделей. Для цієї публікації ми вибираємо модель, недоступну в SageMaker JumpStart, яка потребує розгортання замовником. Як показано на наступному малюнку, ми розгортаємо модель Hugging Face для висновку за допомогою Студія Amazon SageMaker блокнот. Блокнот використовується для розгортання кінцевої точки для висновків у реальному часі. Блокнот використовує ресурси, які включають бінарну модель Hugging Face, вказівник на зображення контейнера та спеціально створений сценарій inference.py, який відповідає очікуваним вхідним і вихідним даним моделі. Поки ви читаєте це, поєднання доступних моделей VQA може змінитися. Важливо переглянути доступні моделі VQA, коли ви читаєте це, і бути готовим розгорнути модель, яку ви виберете, яка матиме власний запит API та договір відповіді.
Після того, як модель VQA обслуговується кінцевою точкою SageMaker, ми використовуємо SageMaker Data Wrangler, щоб організувати конвеєр, який остаточно поєднує табличні дані та функції, отримані з цифрових зображень, і змінює форму даних для навчання моделі. На наступному малюнку показано, як виконується повномасштабне завдання перетворення даних.
На наступному малюнку ми використовуємо SageMaker Data Wrangler для організації завдань підготовки даних і SageMaker Canvas для навчання моделі. По-перше, використовує SageMaker Data Wrangler Служба локації Amazon для перетворення поштових індексів, доступних у необроблених даних, у функції широти та довготи. По-друге, SageMaker Data Wrangler може координувати надсилання тисяч фотографій до кінцевої точки, розміщеної на SageMaker, для висновків у реальному часі, ставлячи уніфікований набір запитань для кожної сцени. Це призводить до великого набору характеристик, які описують характеристики, що спостерігаються на кухнях, ванних кімнатах, екстер’єрах будинків тощо. Після того, як дані були підготовлені SageMaker Data Wrangler, навчальний набір даних доступний у Служба простого зберігання Amazon (Amazon S3). Використовуючи дані S3 як вхідні дані, SageMaker Canvas може навчити модель всього за 2–15 хвилин без написання коду.
Перетворення даних за допомогою SageMaker Data Wrangler
На наступному знімку екрана показано робочий процес SageMaker Data Wrangler. Робочий процес починається з тисяч фотографій будинків, які зберігаються в Amazon S3. Далі детектор сцени визначає сцену, наприклад кухню чи ванну кімнату. Нарешті, до зображень ставиться набір запитань, пов’язаних із певною сценою, у результаті чого утворюється багатший табличний набір даних, доступний для навчання.
Нижче наведено приклад спеціального коду перетворення SageMaker Data Wrangler, який використовується для взаємодії з моделлю основи та отримання інформації про зображення кухонь. На попередньому знімку екрана, якщо ви виберете вузол функцій кухні, з’явиться такий код:
З міркувань безпеки ви повинні спочатку ввімкнути SageMaker Data Wrangler для виклику кінцевої точки реального часу SageMaker через Управління ідентифікацією та доступом AWS (МЕНІ). Так само будь-які ресурси AWS, які ви викликаєте через SageMaker Data Wrangler, потребуватимуть подібних дозволів.
Структури даних до та після SageMaker Data Wrangler
У цьому розділі ми обговорюємо структуру вихідних табличних даних і розширених даних. Розширені дані містять нові функції даних щодо цього прикладу використання. У своїй заявці знайдіть час, щоб уявити різноманітний набір запитань, доступних на ваших зображеннях, щоб допомогти вам виконати завдання класифікації чи регресії. Ідея полягає в тому, щоб уявити якомога більше запитань, а потім перевірити їх, щоб переконатися, що вони дійсно приносять додаткову цінність.
Структура вихідних табличних даних
Як описано в джерелі GitHub репо, вибірковий набір даних містить 535 табличних записів, включаючи чотири зображення на властивість. Наступна таблиця ілюструє структуру вихідних табличних даних.
особливість | коментар |
кількість спалень | . |
Кількість санвузлів | . |
Площа (квадратних футів) | . |
Поштовий індекс | . |
ціна | Це цільова змінна, яку потрібно передбачити. |
Структура розширених даних
У наведеній нижче таблиці показано розширену структуру даних, яка містить кілька нових функцій, отриманих із зображень.
особливість | коментар |
кількість спалень | . |
Кількість санвузлів | . |
Площа (квадратних футів) | . |
широта | Обчислюється шляхом передачі оригінального поштового індексу в Amazon Location Service. Це значення центроїда для ZIP. |
довгота | Обчислюється шляхом передачі оригінального поштового індексу в Amazon Location Service. Це значення центроїда для ZIP. |
Чи є в спальні склепінчаста стеля? | 0 = ні; 1 = так |
Ванна дорога? | 0 = ні; 1 = так |
Кухня дорога? | 0 = ні; 1 = так |
ціна | Це цільова змінна, яку потрібно передбачити. |
Навчання моделі за допомогою SageMaker Canvas
Завдання з обробки даних SageMaker Data Wrangler повністю готує та робить увесь табличний набір навчальних даних доступним в Amazon S3. Далі SageMaker Canvas розглядає етап створення моделі життєвого циклу машинного навчання. Canvas починається з відкриття навчального набору S3. Здатність зрозуміти модель часто є ключовою вимогою клієнта. Без написання коду та кількома клацаннями миші SageMaker Canvas забезпечує насичений візуальний відгук про продуктивність моделі. Як видно на знімку екрана в наступному розділі, SageMaker Canvas показує, як окремі функції інформують модель.
Модель, навчена оригінальними табличними даними та функціями, отриманими із зображень нерухомості
На наведеному нижче знімку екрана ми бачимо, що функції, створені на основі зображень власності, були важливими. Виходячи з цих результатів, питання «Чи дорога ця кухня» з фотографії було більш значущим, ніж «кількість спалень» у оригінальному табличному наборі, зі значеннями важливості ознак 7.08 і 5.498 відповідно.
Наступний знімок екрана містить важливу інформацію про модель. По-перше, залишковий графік показує більшість точок у наборі, що групуються навколо фіолетової заштрихованої зони. Тут два викиди були вручну анотовані поза SageMaker Canvas для цієї ілюстрації. Ці викиди представляють значні розриви між справжньою вартістю будинку та прогнозованою вартістю. Крім того, Р2 значення, яке має можливий діапазон 0–100%, показано на 76%. Це вказує на те, що модель недосконала та не має достатньо інформаційних точок, щоб повністю врахувати всю різноманітність для повної оцінки вартості будинку.
Ми можемо використовувати викиди, щоб знайти та запропонувати додаткові сигнали для створення більш повної моделі. Наприклад, ці віддалені об’єкти можуть включати басейн або розташовуватися на великих земельних ділянках. Набір даних не включав ці функції; однак ви можете знайти ці дані та навчити нову модель із включеною додатковою функцією «має басейн». В ідеалі під час наступної спроби R2 значення збільшиться, а значення MAE і RMSE зменшаться.
Модель, навчена без функцій, отриманих із зображень нерухомості
Насамкінець, перш ніж перейти до наступного розділу, давайте дослідимо, чи були корисними функції із зображень. На наступному знімку екрана показано ще одну навчену модель SageMaker Canvas без функцій моделі VQA. Ми бачимо, що частота помилок моделі зросла з RMSE 282K до RMSE 352K. З цього можна зробити висновок, що три прості запитання із зображень підвищили точність моделі приблизно на 20%. Не показано, але щоб бути повним, R2 значення для наступної моделі також погіршилося, впавши до значення 62% із значення 76% із наданими функціями VQA. Це приклад того, як SageMaker Canvas спрощує швидке експериментування та використання керованого даними підходу, який дає модель для потреб вашого бізнесу.
Забігаючи вперед
Багато організацій дедалі більше цікавляться базовими моделями, особливо після того, як загальні попередньо підготовлені трансформатори (GPT) офіційно стали основною темою інтересів у грудні 2022 року. Велика частина інтересу до базових моделей зосереджена на задачах великих мовних моделей (LLM). ; однак існують інші різноманітні випадки використання, такі як комп’ютерний зір і, більш вузько, спеціалізоване завдання VQA, описане тут.
Ця публікація є прикладом, який надихає на використання мультимодальних даних для вирішення галузевих ситуацій. Незважаючи на те, що ми продемонстрували використання та переваги VQA в регресійній моделі, його також можна використовувати для позначення та позначення зображень для подальшого пошуку або маршрутизації бізнес-процесу. Уявіть, що ви можете шукати нерухомість, виставлену на продаж чи оренду. Припустімо, ви хочете знайти нерухомість з кахельною підлогою або мармуровою стільницею. Сьогодні вам, можливо, доведеться отримати довгий список властивостей-кандидатів і фільтрувати себе за зовнішнім виглядом під час перегляду кожного кандидата. Натомість уявіть, що ви можете фільтрувати списки, які містять ці функції, навіть якщо людина явно не позначив їх. У страховій галузі уявіть собі можливість оцінити збитки або спланувати наступні дії в бізнес-процесі за допомогою зображень. У соціальних мережах фотографії можна автоматично позначати тегами для подальшого використання.
Підсумки
У цьому дописі продемонстровано, як використовувати комп’ютерне бачення, увімкнене базовою моделлю, для покращення класичного сценарію використання машинного навчання за допомогою платформи SageMaker. У рамках запропонованого рішення ми знайшли популярну модель VQA, доступну в загальнодоступному реєстрі моделей, і розгорнули її за допомогою кінцевої точки SageMaker для висновків у реальному часі.
Далі ми використали SageMaker Data Wrangler, щоб організувати робочий процес, у якому зображенням ставилися одноманітні запитання, щоб створити багатий набір табличних даних. Нарешті, ми використали SageMaker Canvas для навчання регресійної моделі. Важливо зазначити, що зразковий набір даних був дуже простим і, отже, недосконалим за дизайном. Незважаючи на це, SageMaker Canvas дозволяє легко зрозуміти точність моделі та знайти додаткові сигнали для підвищення точності базової моделі.
Ми сподіваємося, що ця публікація заохотила вас використовувати мультимодальні дані, які може мати ваша організація. Крім того, ми сподіваємося, що публікація надихнула вас розглянути навчання моделі як ітеративний процес. Чудову модель можна отримати, проявивши терпіння. Моделі, які є майже ідеальними, можуть бути занадто гарними, щоб бути правдою, можливо, результатом цільового витоку або переобладнання. Ідеальний сценарій починається з моделі, яка є хорошою, але не ідеальною. Використовуючи графіки помилок, втрат і залишків, ви можете отримати додаткові сигнали даних, щоб підвищити точність початкової базової оцінки.
AWS пропонує найширший і найглибший набір послуг ML і допоміжну хмарну інфраструктуру, надаючи ML у руки кожному розробнику, досліднику даних і експерту-практику. Якщо вам цікаво дізнатися більше про платформу SageMaker, зокрема SageMaker Data Wrangler і SageMaker Canvas, зв’яжіться зі своєю командою облікових записів AWS і почніть розмову. Також варто прочитати більше про SageMaker Data Wrangler користувальницькі трансформації.
посилання
Ахмед, Е. Г. та Мустафа, М. (2016). Розрахунок ціни будинку за візуальними та текстовими характеристиками. IJCCI 2016 – Матеріали 8-ї міжнародної спільної конференції з обчислювального інтелекту, 3, 62–68.
Harrison Jr, D., & Rubinfeld, DL (1978). Гедонічні ціни на житло та попит на чисте повітря. Журнал економіки та управління природокористуванням, 5(1), 81-102.
Кім, В., Сон, Б. та Кім, І.. (2021). ViLT: Трансформатор зору та мови без згортання чи нагляду за регіонами. Матеріали 38-ї міжнародної конференції з машинного навчання, у Proceedings of Machine Learning Research. 139:5583-5594.
про автора
Чарльз Лафлін є головним архітектором рішень спеціаліста зі штучного інтелекту/ML і працює в групі обслуговування Amazon SageMaker в AWS. Він допомагає формувати дорожню карту надання послуг і щодня співпрацює з різноманітними клієнтами AWS, щоб допомогти трансформувати їхній бізнес за допомогою передових технологій AWS і інтелектуального лідерства. Чарльз має ступінь магістра з управління ланцюгами поставок і докторську ступінь. в Data Science.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
- PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
- ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
- PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/use-foundation-models-to-improve-model-accuracy-with-amazon-sagemaker/
- : має
- :є
- : ні
- :де
- $UP
- 08
- 1
- 100
- 2016
- 2021
- 2022
- 32
- 49
- 50
- 50 років
- 7
- 8
- 8th
- a
- здатність
- Здатний
- МЕНЮ
- рясний
- доступ
- рахунки
- точність
- досягнутий
- дії
- Додатковий
- Додатково
- адреси
- після
- Ахмед
- AI
- AI / ML
- AIR
- ВСІ
- дозволяти
- майже
- пліч-о-пліч
- Також
- хоча
- Amazon
- Amazon SageMaker
- Amazon Web Services
- amp
- an
- та
- Інший
- відповідь
- Відповіді
- будь-який
- API
- з'являтися
- додаток
- Застосовувати
- підхід
- архітектура
- ЕСТЬ
- навколо
- масив
- штучний
- штучний інтелект
- Штучний інтелект (AI)
- AS
- запитати
- запитувач
- оцінити
- Активи
- At
- спроба
- аудіо
- Автоматизований
- доступний
- AWS
- заснований
- Базова лінія
- BE
- стали
- ставати
- становлення
- було
- перед тим
- починати
- буття
- користь
- між
- За
- тіло
- Бостон
- обидва
- будувати
- Створюємо
- вбудований
- тягар
- бізнес
- підприємства
- але
- by
- call
- CAN
- кандидат
- полотно
- можливості
- можливості
- здатний
- випадок
- випадків
- стелю
- центр
- Центри
- ланцюг
- зміна
- характеристика
- Чарльз
- Вибирати
- стверджувати
- classic
- класифікація
- очистити
- хмара
- інфраструктура хмари
- Кластеризація
- код
- Коди
- співпрацює
- color
- комбінати
- Приходити
- повний
- всеосяжний
- обчислювальна
- комп'ютер
- Комп'ютерне бачення
- концепція
- укладає
- конференція
- Вважати
- розгляду
- містити
- Контейнер
- містить
- безперервний
- контракт
- Розмова
- конвертувати
- координувати
- виправити
- Відповідний
- може
- кредит
- цікавий
- виготовлений на замовлення
- клієнт
- Клієнти
- передовий
- щодня
- дані
- Підготовка даних
- наука про дані
- вчений даних
- набір даних
- Структура даних
- керовані даними
- Грудень
- Прийняття рішень
- зменшити
- найглибший
- доставляти
- Попит
- демонструвати
- продемонстрований
- демонструє
- розгортання
- розгорнути
- розгортання
- Отриманий
- описувати
- описаний
- дизайн
- призначений
- визначає
- розвиненою
- Розробник
- цифровий
- розміри
- обговорювати
- обговорювалися
- Різне
- do
- робить
- Ні
- завантажень
- безліч
- Випадання
- e
- кожен
- легко
- Економіка
- включіть
- включений
- заохочувати
- Кінцева точка
- Машинобудування
- підвищена
- досить
- Весь
- навколишній
- помилка
- помилки
- особливо
- оцінити
- і т.д.
- Навіть
- Кожен
- приклад
- Приклади
- очікуваний
- дорогий
- експеримент
- експерт
- явно
- дослідити
- витяг
- Face
- особливість
- риси
- зворотний зв'язок
- ноги
- кілька
- Рисунок
- фільтрувати
- в кінці кінців
- знайти
- Перший
- Поверх
- Сфокусувати
- стежити
- після
- слідує
- для
- форма
- знайдений
- фонд
- чотири
- від
- повномасштабний
- повністю
- функція
- Функції
- фундаментальний
- Отримувати
- прогалини
- Загальне
- породжувати
- отримати
- мета
- добре
- графік
- великий
- новаторський
- керівництво
- Руки
- Мати
- he
- допомога
- корисний
- допомагає
- тут
- прихований
- Виділіть
- тримає
- Головна
- Будинку
- надія
- відбувся
- будинок
- житло
- Як
- How To
- Однак
- HTTP
- HTTPS
- Сотні
- i
- ідея
- ідеальний
- в ідеалі
- Особистість
- if
- ілюструє
- зображення
- зображень
- картина
- імпорт
- значення
- важливо
- удосконалювати
- поліпшений
- in
- включати
- включені
- У тому числі
- включення
- Augmenter
- збільшений
- все більше і більше
- самостійно
- вказує
- промисловість
- вплив
- повідомити
- інформація
- Інфраструктура
- початковий
- вхід
- розуміння
- вселяти
- натхненний
- замість
- страхування
- Інтелект
- взаємодіяти
- Взаємодії
- інтерес
- зацікавлений
- Міжнародне покриття
- в
- IT
- ЙОГО
- робота
- спільна
- JPG
- json
- ключ
- Кім
- знання
- відомий
- етикетка
- земля
- мова
- великий
- пізніше
- вести
- Керівництво
- УЧИТЬСЯ
- вивчення
- Життєвий цикл
- список
- Перераховані
- оголошення
- трохи
- LLM
- розташований
- розташування
- замкнений
- Довго
- втрати
- машина
- навчання за допомогою машини
- made
- Mainstream
- зробити
- РОБОТИ
- управління
- вручну
- багато
- сірники
- Може..
- значущим
- засоби
- Медіа
- метод
- На півдорозі
- може бути
- mind
- хвилин
- відсутній
- змішувати
- ML
- модель
- Моделі
- сучасний
- більше
- найбільш
- рух
- переміщення
- повинен
- Природний
- Необхідність
- необхідний
- Нові
- Нові можливості
- наступний
- немає
- вузол
- ноутбук
- номер
- численний
- отримувати
- сталося
- of
- Пропозиції
- Офіційно
- часто
- on
- тільки
- з відкритим вихідним кодом
- відкриття
- or
- порядок
- організація
- організації
- оригінал
- спочатку
- Інше
- наші
- з
- чуже
- вихід
- поза
- власний
- Папір
- частина
- Проходження
- Терпіння
- моделі
- для
- ідеальний
- продуктивність
- може бути
- Дозволи
- людина
- фаза
- фото
- фотографії
- картина
- фотографії
- трубопровід
- одноколірний
- платформа
- Платформи
- plato
- Інформація про дані Платона
- PlatoData
- будь ласка
- точка
- точок
- басейн
- популярний
- частина
- володіти
- це можливо
- пошта
- передвіщений
- попередньо
- підготовка
- Готувати
- підготовлений
- Готує
- раніше
- price
- ціни
- Головний
- Праці
- процес
- обробка
- Вироблений
- професіонали
- властивості
- власність
- пропонувати
- запропонований
- забезпечувати
- за умови
- Постачальник
- провайдери
- забезпечує
- забезпечення
- громадськість
- опублікований
- Поклавши
- якість
- питання
- питань
- швидко
- R
- діапазон
- ставка
- Сировина
- досягати
- Читати
- читання
- готовий
- реального часу
- отримати
- облік
- зменшити
- посилання
- відноситься
- регіон
- реєстру
- зміцнювати
- відносний
- доречний
- оренда
- Сховище
- представляти
- запросити
- вимога
- Вимагається
- дослідження
- переробити
- Резиденція
- ресурси
- відповідно
- відповідь
- відповіді
- результат
- в результаті
- результати
- повертати
- огляд
- Багаті
- багатший
- Дорожня карта
- Маршрут
- Маршрутизація
- прогін
- час виконання
- s
- мудрець
- sale
- то ж
- Зразок набору даних
- сценарій
- сцена
- наука
- вчений
- Скотт
- сценарій
- Пошук
- другий
- розділ
- безпеку
- побачити
- Шукати
- бачив
- обраний
- відправка
- служити
- служив
- обслуговування
- Послуги
- комплект
- кілька
- Форма
- Показувати
- показаний
- Шоу
- зір
- сигнали
- значний
- аналогічний
- Аналогічно
- простий
- спростити
- з
- один
- Розмір
- So
- соціальна
- соціальні медіа
- соціальні медіа-платформи
- рішення
- ВИРІШИТИ
- деякі
- іноді
- її
- Source
- Джерела
- Простір
- спеціаліст
- спеціалізований
- конкретно
- площа
- старт
- Як і раніше
- зберігання
- зберігати
- просто
- структура
- структур
- Студентам
- наступні
- такі
- пропонувати
- нагляд
- поставка
- ланцюжка поставок
- робота з постачальниками
- Підтримуючий
- Переконайтеся
- таблиця
- TAG
- Приймати
- приймає
- Мета
- Завдання
- завдання
- Навчання
- команда
- Технології
- Технологія
- термін
- тест
- текстуальний
- ніж
- Що
- Команда
- Джерело
- їх
- Їх
- потім
- Там.
- отже
- Ці
- вони
- річ
- це
- ті
- думка
- думка лідерства
- тисяча
- тисячі
- три
- через
- час
- до
- сьогодні
- сьогоднішній
- занадто
- інструмент
- тема
- традиційно
- поїзд
- навчений
- Навчання
- Перетворення
- Перетворення
- перетворень
- трансформатор
- Трансформатори
- правда
- Довірений
- два
- тип
- Типи
- Зрештою
- розуміти
- розуміння
- створеного
- Unsplash
- використання
- використання випадку
- використовуваний
- використовує
- використання
- використовує
- Оцінка
- значення
- Додано значення
- Цінності
- змінна
- різноманітність
- дуже
- Відео
- вид
- видимий
- бачення
- візуальний
- W
- хотіти
- було
- we
- Web
- веб-сервіси
- тижня
- ДОБРЕ
- були
- Що
- Що таке
- який
- ВООЗ
- волі
- windows
- з
- в
- без
- дерево
- Work
- робочий
- працює
- світ
- вартість
- б
- лист
- років
- врожайність
- Ти
- вашу
- себе
- YouTube
- зефірнет
- нуль
- Zip