У цій публікації ми покажемо, як налаштувати нову функцію автентифікації на основі OAuth для використання Сніжинка in Amazon SageMaker Data Wrangler. Snowflake — це хмарна платформа даних, яка надає рішення для зберігання даних для науки про дані. Сніжинка - це Партнер AWS з кількома акредитаціями AWS, включаючи компетенції AWS у сфері машинного навчання (ML), роздрібної торгівлі, даних і аналітики.
Data Wrangler спрощує підготовку даних і процес розробки функцій, скорочуючи час, який займає від тижнів до хвилин, забезпечуючи єдиний візуальний інтерфейс для спеціалістів із обробки даних для вибору та очищення даних, створення функцій і автоматизації підготовки даних у робочих процесах ML без написання коду. Ви можете імпортувати дані з кількох джерел даних, наприклад Служба простого зберігання Amazon (Amazon S3), Амазонка Афіна, Амазонська червона зміна, Amazon EMR, і Сніжинка. За допомогою цієї нової функції ви можете використовувати власного постачальника ідентифікаційної інформації (IdP), наприклад Okta, Azure ADабо Ping Federate для підключення до Snowflake через Data Wrangler.
Огляд рішення
У наступних розділах ми надаємо кроки для адміністратора, щоб налаштувати IdP, Snowflake і Studio. Ми також детально описуємо кроки, які спеціалісти з обробки даних можуть виконати для налаштування потоку даних, аналізу якості даних і додавання перетворень даних. Нарешті, ми покажемо, як експортувати потік даних і навчити використовувати модель Автопілот SageMaker.
Передумови
Для цього покрокового керівництва ви повинні мати такі передумови:
- Для адміністратора:
- Користувач Snowflake із дозволами на створення інтеграції сховища та інтеграції безпеки в Snowflake.
- Обліковий запис AWS із дозволами на створення Управління ідентифікацією та доступом AWS (IAM) політики та ролі.
- Доступ і дозволи для налаштування IDP для реєстрації програми Data Wrangler і налаштування сервера авторизації або API.
- Для спеціаліста з даних:
Налаштування адміністратора
Замість того, щоб ваші користувачі безпосередньо вводили свої облікові дані Snowflake у Data Wrangler, ви можете наказати їм використовувати IdP для доступу до Snowflake.
Щоб увімкнути доступ Data Wrangler OAuth до Snowflake, необхідно виконати наступні кроки:
- Налаштуйте IdP.
- Налаштувати Snowflake.
- Налаштувати SageMaker Studio.
Налаштуйте IdP
Щоб налаштувати IdP, ви повинні зареєструвати програму Data Wrangler і налаштувати сервер авторизації або API.
Зареєструйте програму Data Wrangler у IdP
Зверніться до такої документації щодо IdP, які підтримує Data Wrangler:
Щоб зареєструвати програму Data Wrangler, скористайтеся документацією, наданою вашим IdP. Інформація та процедури в цьому розділі допоможуть вам зрозуміти, як правильно використовувати документацію, надану вашим постачальником ідентифікаційної інформації.
Конкретні налаштування на додачу до кроків у відповідних посібниках описані в підрозділах.
- Виберіть конфігурацію, яка запускає процес реєстрації Data Wrangler як програми.
- Надайте користувачам у межах IdP доступ до Data Wrangler.
- Увімкніть автентифікацію клієнта OAuth, зберігаючи облікові дані клієнта як секрет диспетчера секретів.
- Укажіть URL-адресу переспрямування в такому форматі:
https://domain-ID.studio.AWS Region.sagemaker.aws/jupyter/default/lab
.
Ви вказуєте ідентифікатор домену SageMaker і регіон AWS, які використовуєте для запуску Data Wrangler. Ви повинні зареєструвати URL-адресу для кожного домену та регіону, де ви використовуєте Data Wrangler. Користувачі з домену та регіону, для яких не налаштовано URL-адреси переспрямування, не зможуть пройти автентифікацію за допомогою IdP для доступу до з’єднання Snowflake.
- Переконайтеся, що код авторизації та типи надання маркерів оновлення дозволені для вашої програми Data Wrangler.
Налаштуйте сервер авторизації або API в IdP
У вашому IdP ви повинні налаштувати сервер авторизації або інтерфейс прикладного програмування (API). Для кожного користувача сервер авторизації або API надсилає маркери Data Wrangler із Snowflake як аудиторією.
Сніжинка використовує поняття ролі які відрізняються від ролей IAM, що використовуються в AWS. Ви повинні налаштувати IdP на використання БУДЬ-ЯКОЇ ролі, щоб використовувати роль за замовчуванням, пов’язану з обліковим записом Snowflake. Наприклад, якщо користувач має systems administrator
як роль за замовчуванням у профілі Snowflake підключення від Data Wrangler до Snowflake використовує systems administrator
як роль.
Використовуйте таку процедуру, щоб налаштувати сервер авторизації або API у своєму IdP:
- З вашого IdP почніть процес налаштування сервера або API.
- Налаштуйте сервер авторизації для використання коду авторизації та типів надання маркерів оновлення.
- Укажіть час життя маркера доступу.
- Установіть тайм-аут простою маркера оновлення.
Тайм-аут простою – це час, протягом якого закінчується термін дії маркера оновлення, якщо він не використовується. Якщо ви плануєте завдання в Data Wrangler, ми рекомендуємо зробити час простою більшим, ніж частота завдання обробки. Інакше деякі завдання обробки можуть виникнути збій, оскільки термін дії маркера оновлення минув, перш ніж вони могли бути запущені. Коли термін дії маркера оновлення закінчиться, користувач має повторно пройти автентифікацію, отримавши доступ до підключення, яке він створив до Snowflake через Data Wrangler.
Зауважте, що Data Wrangler не підтримує змінні маркери оновлення. Використання змінних токенів оновлення може призвести до збоїв у доступі або до необхідності часто входити в систему.
Якщо термін дії маркера оновлення закінчується, ваші користувачі повинні пройти повторну автентифікацію, отримавши доступ до підключення, яке вони встановили до Snowflake через Data Wrangler.
- Вказувати
session:role-any
як новий обсяг.
Для Azure AD ви також повинні вказати унікальний ідентифікатор для області.
Після налаштування постачальника OAuth ви надаєте Data Wrangler інформацію, необхідну для підключення до постачальника. Ви можете скористатися документацією свого IdP, щоб отримати значення для таких полів:
- URL маркера – URL-адреса маркера, який IdP надсилає Data Wrangler
- URL авторизації – URL-адреса сервера авторизації IdP
- ідентифікатор клієнта – Ідентифікатор IdP
- Секрет клієнта – Секрет, який розпізнає лише сервер авторизації або API
- Область OAuth – Це лише для Azure AD
Налаштувати Snowflake
Щоб налаштувати Snowflake, виконайте інструкції в Імпорт даних із Snowflake.
Використовуйте документацію Snowflake для вашого IdP, щоб налаштувати зовнішню інтеграцію OAuth у Snowflake. Дивіться попередній розділ Зареєструйте програму Data Wrangler у IdP щоб дізнатися більше про те, як налаштувати зовнішню інтеграцію OAuth.
Коли ви налаштовуєте інтеграцію безпеки в Snowflake, переконайтеся, що ви активували external_oauth_any_role_mode
.
Налаштувати SageMaker Studio
Ви зберігаєте поля та значення в секреті диспетчера секретів і додаєте його до конфігурації життєвого циклу Studio, яку використовуєте для Data Wrangler. Конфігурація життєвого циклу — це сценарій оболонки, який автоматично завантажує облікові дані, збережені в секреті, коли користувач входить у Studio. Інформацію про створення секретів див Перемістіть жорстко закодовані секрети в AWS Secrets Manager. Відомості про використання конфігурацій життєвого циклу в Studio див Використовуйте конфігурації життєвого циклу з Amazon SageMaker Studio.
Створіть секрет для облікових даних Snowflake
Щоб створити свій секрет для облікових даних Snowflake, виконайте такі дії:
- На консолі Secrets Manager виберіть Зберігайте новий секрет.
- для Секретний типвиберіть Інший тип секрету.
- Укажіть деталі вашого секрету як пари ключ-значення.
Назви ключів потребують малих літер через чутливість до регістру. Data Wrangler видасть попередження, якщо ви введете щось із цього неправильно. Введіть секретні значення як пари ключ-значення Ключ/значення, якщо хочете, або скористайтеся Простий текст варіант.
Нижче наведено формат секрету, який використовується для Okta. Якщо ви використовуєте Azure AD, вам потрібно додати datasource_oauth_scope
поле.
- Оновіть попередні значення відповідно до вибраного вами IdP та інформації, зібраної після реєстрації програми.
- Вибирати МАЙБУТНІ.
- для Секретна назва, додайте префікс
AmazonSageMaker
(наприклад, наш секретAmazonSageMaker-DataWranglerSnowflakeCreds
). - У Теги додайте тег із ключем
SageMaker
і значенняtrue
. - Вибирати МАЙБУТНІ.
- Решта полів необов’язкові; вибрати МАЙБУТНІ поки у вас не буде можливості вибрати Магазин зберігати секрет.
Після того як ви збережете секрет, ви повернетеся до консолі диспетчера секретів.
- Виберіть секрет, який ви щойно створили, а потім отримайте секретний ARN.
- Збережіть це у своєму бажаному текстовому редакторі для використання пізніше під час створення джерела даних Data Wrangler.
Створіть конфігурацію життєвого циклу Studio
Щоб створити конфігурацію життєвого циклу в Studio, виконайте такі дії:
- На консолі SageMaker виберіть Конфігурації життєвого циклу у навігаційній панелі.
- Вибирати Створити конфігурацію.
- Вибирати Серверний додаток Jupyter.
- Створіть нову конфігурацію життєвого циклу або додайте наявну з таким вмістом:
Конфігурація створює файл із назвою ".snowflake_identity_provider_oauth_config"
, що містить секрет у домашній папці користувача.
- Вибирати Створити конфігурацію.
Встановіть стандартну конфігурацію життєвого циклу
Виконайте наступні кроки, щоб установити конфігурацію життєвого циклу, яку ви щойно створили, як стандартну:
- На консолі SageMaker виберіть Домени у навігаційній панелі.
- Виберіть домен Studio, який ви використовуватимете для цього прикладу.
- на Навколишнє середовище вкладка, в Конфігурації життєвого циклу для персональних програм Studio розділ, вибрати Приєднувати.
- для Sourceвиберіть Існуюча конфігурація.
- Виберіть конфігурацію, яку ви щойно зробили, а потім виберіть Приєднати до домену.
- Виберіть нову конфігурацію та виберіть Встановити за замовчуванням, Потім виберіть Встановити за замовчуванням знову у спливаючому повідомленні.
Тепер ваші нові налаштування мають бути видимі під Конфігурації життєвого циклу для персональних програм Studio за замовчуванням.
- Закрийте програму Studio та перезапустіть її, щоб зміни набули чинності.
Досвід Data Scientist
У цьому розділі ми розповідаємо про те, як дослідники даних можуть підключитися до Snowflake як джерела даних у Data Wrangler і підготувати дані для ML.
Створіть новий потік даних
Щоб створити потік даних, виконайте такі дії:
- На консолі SageMaker виберіть Студія Amazon SageMaker у навігаційній панелі.
- Вибирати Відкрийте Studio.
- На студії Головна сторінку, виберіть Імпортуйте та готуйте дані візуально. Як варіант, на філе спадне меню, виберіть Нові, Потім виберіть SageMaker Data Wrangler Flow.
Створення нового потоку може зайняти кілька хвилин.
- на Дати імпорту сторінку, виберіть Створити з'єднання.
- Вибирати Сніжинка зі списку джерел даних.
- для Метод автентифікаціївиберіть OAuth.
Якщо ви не бачите OAuth, перевірте попередні кроки налаштування життєвого циклу.
- Введіть дані для Назва облікового запису Snowflake та Інтеграція сховища.
- Введіть назву підключення та виберіть З'єднуватися.
Вас буде перенаправлено на сторінку автентифікації IdP. Для цього прикладу ми використовуємо Okta.
- Введіть своє ім’я користувача та пароль, а потім виберіть Увійти.
Після успішної автентифікації вас буде перенаправлено на сторінку потоку даних Studio.
- на Імпорт даних із Snowflake сторінку, перегляньте об’єкти бази даних або запустіть запит для цільових даних.
- У редакторі запитів введіть запит і попередньо перегляньте результати.
У наступному прикладі ми завантажуємо Дані позики і отримати всі стовпці з 5,000 рядків.
- Вибирати Імпортувати.
- Введіть назву набору даних (для цієї публікації ми використовуємо
snowflake_loan_dataset
) і виберіть додавати.
Ви перенаправлені на Готувати сторінка, де ви можете додавати перетворення та аналізи до даних.
Data Wrangler спрощує завантаження даних і виконання завдань підготовки даних, таких як пошуковий аналіз даних, вибір функцій і розробка функцій. У цьому дописі про підготовку даних ми розглянули лише деякі з можливостей Data Wrangler; ви можете використовувати Data Wrangler для більш розширеного аналізу даних, таких як важливість функцій, цільовий витік і можливість пояснення моделі за допомогою простого та інтуїтивно зрозумілого інтерфейсу користувача.
Проаналізуйте якість даних
Використовувати Звіт про якість даних і статистику щоб виконати аналіз даних, які ви імпортували в Data Wrangler. Data Wrangler створює звіт із вибіркових даних.
- На сторінці потоку Data Wrangler виберіть знак плюс поруч із Типи даних, Потім виберіть Отримайте статистику даних.
- Вибирати Звіт про якість даних і аналіз та цінності Тип аналізу.
- для Цільова колонка, виберіть цільовий стовпець.
- для Тип проблемивиберіть Класифікація.
- Вибирати Створювати.
Звіт про статистику містить короткий підсумок даних, який включає загальну інформацію, як-от відсутні значення, недійсні значення, типи функцій, кількість викидів тощо. Ви можете завантажити звіт або переглянути його онлайн.
Додати перетворення до даних
Data Wrangler має понад 300 вбудованих трансформацій. У цьому розділі ми використовуємо деякі з цих перетворень, щоб підготувати набір даних для моделі ML.
- На сторінці потоку Data Wrangler виберіть знак плюс, а потім виберіть Додати трансформацію.
Якщо ви виконуєте кроки, наведені в дописі, після додавання набору даних вас буде автоматично скеровано сюди.
- Перевірте та змініть тип даних стовпців.
Переглядаючи колонки, ми це ідентифікуємо MNTHS_SINCE_LAST_DELINQ
та MNTHS_SINCE_LAST_RECORD
швидше за все, має бути представлено як тип числа, а не як рядок.
- Після застосування змін і додавання кроку ви можете переконатися, що тип даних стовпця змінено на float.
Переглядаючи дані, ми бачимо, що поля EMP_TITLE
, URL
, DESCRIPTION
та TITLE
швидше за все, не нададуть цінності нашій моделі в нашому варіанті використання, тому ми можемо відмовитися від них.
- Вибирати Додати крок, Потім виберіть Керувати стовпцями.
- для Перетвореннявиберіть Колонка скидання.
- для Колонка для опускання, вкажіть
EMP_TITLE
,URL
,DESCRIPTION
таTITLE
. - Вибирати попередній перегляд та додавати.
Далі ми хочемо шукати категоричні дані в нашому наборі даних. Data Wrangler має вбудовану функцію для кодування категоріальних даних, використовуючи як порядкове, так і однооперативне кодування. Дивлячись на наш набір даних, ми бачимо, що TERM
, HOME_OWNERSHIP
та PURPOSE
усі колонки мають категоричний характер.
- Додайте ще один крок і виберіть Закодувати категоричне.
- для Перетвореннявиберіть Одне гаряче кодування.
- для Вхідний стовпецьвиберіть
TERM
. - для Стиль виведеннявиберіть Колони.
- Залиште всі інші налаштування за замовчуванням і виберіть попередній перегляд та додавати.
Команда HOME_OWNERSHIP
стовпець має чотири можливі значення: RENT
, MORTGAGE
, OWN
, та інші.
- Повторіть попередні кроки, щоб застосувати підхід одноразового кодування до цих значень.
Нарешті, PURPOSE
стовпець має кілька можливих значень. Для цих даних ми також використовуємо підхід одноразового кодування, але ми встановлюємо вихід у вектор, а не у стовпці.
- для Перетвореннявиберіть Одне гаряче кодування.
- для Вхідний стовпецьвиберіть
PURPOSE
. - для Стиль виведеннявиберіть вектор.
- для Вихідний стовпець, ми називаємо цей стовпець
PURPOSE_VCTR
.
Це зберігає оригінал PURPOSE
стовпець, якщо ми вирішимо використовувати його пізніше.
- Залиште всі інші налаштування за замовчуванням і виберіть попередній перегляд та додавати.
Експортуйте потік даних
Нарешті, ми експортуємо весь цей потік даних у сховище функцій із завданням SageMaker Processing, яке створює блокнот Jupyter із попередньо заповненим кодом.
- На сторінці потоку даних виберіть знак плюс і Експортувати в.
- Виберіть, куди експортувати. Для нашого випадку використання ми вибираємо Магазин функцій SageMaker.
Експортований блокнот тепер готовий до запуску.
Експорт даних і навчання моделі за допомогою автопілота
Тепер ми можемо навчити модель за допомогою Автопілот Amazon SageMaker.
- На сторінці потоку даних виберіть Навчання Вкладка.
- для Розташування Amazon S3, введіть місце для збереження даних.
- Вибирати Експорт і поїзд.
- Укажіть параметри в Ціль і особливості, Метод тренування, Розгортання та додаткові налаштування та Перегляньте та створіть розділи.
- Вибирати Створіть експеримент щоб знайти найкращу модель для вашої проблеми.
Прибирати
Якщо ваша робота з Data Wrangler завершена, закрийте свій екземпляр Data Wrangler щоб уникнути додаткових комісій.
Висновок
У цій публікації ми продемонстрували підключення Data Wrangler до Snowflake за допомогою OAuth, трансформуючи й аналізуючи набір даних і, нарешті, експортуючи його в потік даних, щоб його можна було використовувати в блокноті Jupyter. Зокрема, ми створили конвеєр для підготовки даних без необхідності писати будь-який код.
Щоб почати роботу з Data Wrangler, див Підготуйте дані ML за допомогою Amazon SageMaker Data Wrangler.
Про авторів
Аджай Говіндарам є старшим архітектором рішень в AWS. Він працює зі стратегічними клієнтами, які використовують AI/ML для вирішення складних бізнес-завдань. Його досвід полягає в наданні технічного керівництва, а також у допомозі в розробці скромних і великомасштабних розгортань програм AI/ML. Його знання варіюються від архітектури додатків до великих даних, аналітики та машинного навчання. Йому подобається слухати музику під час відпочинку, гуляти на природі та проводити час зі своїми близькими.
Боско Альбукерке є старшим архітектором партнерських рішень в AWS і має понад 20 років досвіду роботи з базами даних і аналітичними продуктами від постачальників корпоративних баз даних і хмарних провайдерів. Він допомагав великим технологічним компаніям розробляти рішення для аналітики даних і очолював команди інженерів у розробці та впровадженні аналітичних платформ і продуктів даних.
Метт Марзілло є старшим інженером з продажу партнерів у Snowflake. Він має 10-річний досвід роботи в галузі науки про дані та машинного навчання як у консалтингу, так і в галузевих організаціях. Метт має досвід розробки та впровадження моделей штучного інтелекту та машинного навчання в різних організаціях у таких сферах, як маркетинг, продажі, операції, клініка та фінанси, а також надає консультаційні функції.
Хуонг Нгуєн є лідером продуктів Amazon SageMaker Data Wrangler в AWS. Вона має 15-річний досвід створення орієнтованих на клієнтів і керованих даними продуктів як для підприємств, так і для споживачів. У вільний час вона захоплюється аудіокнигами, садівництвом, походами та проводить час із сім’єю та друзями.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- Платоблокчейн. Web3 Metaverse Intelligence. Розширені знання. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/access-snowflake-data-using-oauth-based-authentication-in-amazon-sagemaker-data-wrangler/
- :є
- $UP
- 000
- 10
- 100
- 15 роки
- 20 роки
- 7
- 8
- 9
- a
- Здатний
- МЕНЮ
- доступ
- Доступ до даних
- доступ до
- рахунки
- через
- Ad
- доповнення
- Додатковий
- адмін
- просування
- просунутий
- консультування
- після
- AI
- AI / ML
- ВСІ
- Amazon
- Amazon SageMaker
- Amazon SageMaker Data Wrangler
- Аналіз
- аналіз
- аналітика
- аналізувати
- Аналізуючи
- та
- Інший
- API
- додаток
- з'являтися
- додаток
- Застосовувати
- Застосування
- підхід
- додатка
- архітектура
- ЕСТЬ
- області
- AS
- Допомога
- асоційований
- At
- приєднувати
- аудиторія
- аудіо
- перевіряти справжність
- Authentication
- авторизації
- автоматизувати
- автоматично
- AWS
- Лазурний
- BE
- оскільки
- перед тим
- починати
- КРАЩЕ
- Великий
- Великий даних
- тіло
- книги
- вбудований
- бізнес
- by
- call
- званий
- CAN
- можливості
- випадок
- КПП
- Зміни
- вибір
- Вибирати
- клієнт
- Клінічний
- хмара
- код
- Колонка
- Колони
- Компанії
- повний
- комплекс
- концепція
- конфігурація
- З'єднуватися
- З'єднувальний
- зв'язку
- Консоль
- консалтинг
- споживач
- зміст
- може
- обкладинка
- покритий
- створювати
- створений
- створює
- створення
- Повноваження
- Клієнти
- дані
- аналіз даних
- Analytics даних
- Платформа даних
- Підготовка даних
- наука про дані
- вчений даних
- керовані даними
- Database
- вирішувати
- дефолт
- продемонстрований
- розгортання
- розгортання
- дизайн
- проектування
- деталь
- деталі
- розвивається
- різний
- напрям
- безпосередньо
- чіткий
- документація
- Ні
- домен
- Не знаю
- вниз
- скачати
- Падіння
- кожен
- редактор
- ефект
- або
- включіть
- інженер
- Машинобудування
- Що натомість? Створіть віртуальну версію себе у
- підприємство
- Навколишнє середовище
- приклад
- існуючий
- досвід
- зазнають
- Дослідницький аналіз даних
- експорт
- зовнішній
- FAIL
- сім'я
- особливість
- риси
- Інформація про оплату
- кілька
- поле
- Поля
- філе
- в кінці кінців
- фінансування
- знайти
- Поплавок
- потік
- після
- для
- формат
- частота
- часто
- друзі
- від
- функціональність
- Загальне
- отримати
- дає
- надавати
- великий
- Гід
- Мати
- має
- допомога
- допоміг
- тут
- Головна
- Як
- How To
- HTML
- HTTP
- HTTPS
- ID
- ідентифікатор
- ідентифікувати
- Особистість
- Idle
- реалізації
- імпорт
- значення
- in
- includes
- У тому числі
- невірно
- промисловість
- інформація
- вхід
- розуміння
- розуміння
- інструкції
- інтеграція
- інтеграцій
- інтерфейс
- інтуїтивний
- залучений
- IT
- робота
- Джобс
- JPG
- ключ
- знання
- великий
- масштабний
- лідер
- вивчення
- Led
- лежить
- Життєвий цикл
- термін
- як
- Ймовірно
- список
- Прослуховування
- загрузка
- вантажі
- розташування
- подивитися
- шукати
- улюблене
- машина
- навчання за допомогою машини
- made
- зробити
- РОБОТИ
- Робить
- менеджер
- багато
- Маркетинг
- повідомлення
- може бути
- хвилин
- відсутній
- ML
- модель
- Моделі
- змінювати
- більше
- найбільш
- множинний
- музика
- ім'я
- Імена
- природа
- навігація
- Необхідність
- нужденних
- потреби
- Нові
- наступний
- особливо
- ноутбук
- номер
- oauth
- об'єкти
- of
- ОКТА
- on
- ONE
- онлайн
- операції
- варіант
- організації
- оригінал
- Інше
- інакше
- на відкритому повітрі
- вихід
- власний
- сторінка
- пар
- pane
- партнер
- Пароль
- Виконувати
- Дозволи
- персонал
- трубопровід
- платформа
- Платформи
- plato
- Інформація про дані Платона
- PlatoData
- плюс
- Політика
- спливаючий
- це можливо
- пошта
- переважним
- Готувати
- передумови
- попередній перегляд
- попередній
- Проблема
- проблеми
- Процедури
- процес
- обробка
- Product
- Продукти
- профіль
- Програмування
- правильно
- забезпечувати
- за умови
- Постачальник
- провайдери
- забезпечує
- забезпечення
- якість
- швидше
- готовий
- рекомендувати
- переадресовувати
- зниження
- регіон
- реєструвати
- реєструючий
- Реєстрація
- відновлення
- звітом
- представлений
- вимагати
- ті
- REST
- результат
- результати
- роздрібна торгівля
- Роль
- ролі
- прогін
- біг
- мудрець
- продажів
- планування
- наука
- вчений
- Вчені
- сфера
- секрет
- розділ
- розділам
- безпеку
- вибір
- старший
- Чутливість
- комплект
- установка
- налаштування
- кілька
- Склад
- Повинен
- Показувати
- підпис
- простий
- один
- So
- Рішення
- ВИРІШИТИ
- деякі
- Source
- Джерела
- пробіли
- Витрати
- почалася
- починається
- Крок
- заходи
- зберігання
- зберігати
- зберігати
- зберігання
- Стратегічний
- рядок
- студія
- успішний
- такі
- РЕЗЮМЕ
- підтримка
- Опори
- TAG
- Приймати
- приймає
- Мета
- цільове
- завдання
- команди
- технічний
- Технологія
- технологічні компанії
- Що
- Команда
- інформація
- їх
- Їх
- Ці
- через
- час
- до
- знак
- Жетони
- поїзд
- Перетворення
- перетворень
- перетворення
- Типи
- при
- розуміти
- створеного
- Оновити
- URL
- використання
- використання випадку
- користувач
- Інтерфейс користувача
- користувачі
- значення
- Цінності
- постачальники
- перевірити
- через
- вид
- видимий
- покрокове керівництво
- попередження
- тижня
- ДОБРЕ
- який
- в той час як
- ВООЗ
- всі
- волі
- з
- в
- без
- Work
- Робочі процеси
- робочий
- працює
- запис
- лист
- років
- Ти
- вашу
- зефірнет