פוסט זה נוצר בשיתוף פעולה עם מוחמד אלאודין, מנהל אזורי הנדסת נתונים ומדעי נתונים, וכמאל הוסיין, מדען נתונים ראשי ב-iProperty.com.my, כעת חלק מקבוצת PropertyGuru.
iProperty.com.my הוא פורטל הנכסים המוביל בשוק במלזיה וכעת הוא חלק מקבוצת PropertyGuru. iProperty.com.my מציע חווית חיפוש המאפשרת למחפשי נכסים לעבור על אלפי נכסים זמינים בשוק. למרות שפונקציית החיפוש כבר משרתת את מטרתה בצמצום המאפיינים הפוטנציאליים לצרכנים, iProperty.com.my ממשיך ללא הפוגה לחפש דרכים חדשות לשיפור חווית החיפוש של הצרכן.
הכוח המניע העיקרי של המצאה מחדש עבור צרכנים בתוך iProperty.com.my מעוגן על נתונים ולמידת מכונה (ML), כאשר מודלים של ML עוברים הכשרה, הכשרה מחדש ונפרסת עבור הצרכנים שלהם כמעט על בסיס יומי. חידושים אלה כוללים צפייה בנכסים והמלצות מבוססות מיקום, המציגות סט של רישומים המבוססים על התנהגות החיפוש ופרופילי המשתמש.
עם זאת, עם פריסת עומסי עבודה רבים יותר של ML, החלו לצוץ אתגרים הקשורים בקנה מידה. בפוסט זה, אנו דנים באתגרים הללו וכיצד iProperty.com.my צוות Data Science הפך את זרימות העבודה שלהם לאוטומטיות באמצעות אמזון SageMaker.
אתגרים בהפעלת פרויקטי ML בקנה מידה
כאשר iProperty.com.my צוות Data Science התחיל את מסע ה-ML שלהם, המיקוד העיקרי של הצוות היה זיהוי והפצת תכונות ML שיועילו לצרכנים שלהם. ב iProperty.com.my , ניסוי ואימות של השערות שהוגדרו חדשות במהירות היא מנהג נפוץ. עם זאת, ככל שהטביעת הרגל שלהם ב-ML גדלה, המיקוד של הצוות עבר בהדרגה מגילוי חוויות חדשות להרמה כבדה ללא הבחנה. להלן חלק מהאתגרים שהם נתקלו בהם:
- תקורה תפעולית - עם הזמן, הם הבינו שיש להם מגוון כלים ומסגרות לתחזק, כמו skit-learn, TensorFlow ו-PyTorch. נעשה שימוש במסגרות ML שונות עבור מקרי שימוש שונים. הצוות פנה לניהול עדכוני המסגרת הללו באמצעות תמונות מיכל מרובות בניהול עצמי, דבר שצרך זמן רב. כדי להתעדכן בעדכונים האחרונים עבור כל אחת ממסגרות ה-ML הללו, היה צורך לבצע עדכונים תכופים לתמונות המכולה. זה הביא לרמות גבוהות יותר של תחזוקה, והרחיק את המיקוד של הצוות מבניית חוויות חדשות עבור הצרכנים שלהם.
- היעדר יכולות אוטומציה ושירות עצמי – פרויקטים של ML כללו צוותים שונים, כגון הנדסת נתונים, מדעי נתונים, הנדסת פלטפורמות וצוותי מוצר. ללא אוטומציה מקצה לקצה, השלמת המשימות להשיק תכונה לשוק לקחה יותר זמן, במיוחד עבור משימות שהיה צריך לעבד על ידי צוותים מרובים. ככל שהתגנבו פרויקטים נוספים, זמן ההמתנה בין צוותים גדל, והשפיע על זמן אספקת התכונה לשוק. היעדר יכולות שירות עצמי תרם גם ליותר זמן המתנה אחד לשני.
- עלות גבוהה - ML הוא תהליך איטרטיבי הדורש הסבה מחדש כדי לשמור על מודלים רלוונטיים. בהתאם למקרי השימוש ולנפח הנתונים, הדרכה עשויה להיות יקרה מכיוון שהיא דורשת שימוש במכונות וירטואליות חזקות. הבעיה הנוספת שעמדה בפניה היא שלכל מודל ML שנפרס היה מופע מסקנות משלו, מה שאומר שככל שנפרסו יותר דגמי ML, העלות עלתה באופן ליניארי.
לאור האתגרים הללו, הצוות הגיע למסקנה שהם צריכים לחשוב מחדש על התהליך שלהם לבנייה, אימון ופריסה של מודלים. הם גם זיהו את הצורך להעריך מחדש את הכלים שלהם כדי לשפר את היעילות התפעולית ולנהל את העלות שלהם בצורה יעילה.
אוטומציה של משלוח ML עם SageMaker
לאחר מחקר רב, הצוות הגיע למסקנה שאמזון SageMaker היא פלטפורמת ה-ML המקיפה ביותר שהתמודדה עם האתגרים שלהם. עם SageMaker, מדעני נתונים ומפתחים יכולים לבנות ולאמן מודלים של ML במהירות ובקלות, ולאחר מכן לפרוס אותם ישירות בסביבה מתארחת מוכנה לייצור. הוא מספק גישה בשירות עצמי למחברות משולבות של Jupyter לגישה קלה למקורות הנתונים לחקירה וניתוח, ללא צורך בניהול שרתים. עם תמיכה מקורית ומובנית מראש עבור מסגרות ML שונות, כגון PyTorch, TensorFlow ו-MXNet, SageMaker מציע אפשרויות אימון מבוזרות גמישות המותאמות לכל זרימת עבודה ספציפית. ההדרכה והאירוח מחויבים על ידי השני, ללא עמלות מינימום וללא התחייבויות מראש. SageMaker מציעה גם תכונות אופטימיזציה אטרקטיביות אחרות כגון אימון נקודתי מנוהל, שיכול להוזיל עלויות עד 90%, תוכניות חיסכון של SageMaker, ו נקודות קצה מרובות-מודלים המאפשרים למארח יחיד לשרת מספר דגמים.
היצירה האחרונה שעטפה הכל יחד הייתה השילוב של SageMaker עם iProperty.com.myהכלי של אינטגרציה מתמשכת ואספקה מתמשכת (CI/CD).
כדי להפוך את אספקת ה-ML שלהם לאוטומטית, הצוות עיצב מחדש את זרימות העבודה של ML עם SageMaker כשירות הבסיסי לפיתוח מודלים, הדרכה ואירוח, יחד עם iProperty.com.myכלי ה-CI/CD של החברה לאוטומטיות את השלבים הנדרשים לשחרור עדכוני יישומי ML חדשים. בסעיפים הבאים, אנו דנים בזרימות העבודה שעוצבו מחדש.
תהליך הכנת נתונים
עם הצגת SageMaker, מחברת SageMaker סיפקה לסביבות שירות עצמי גישה לנתונים מעובדים מראש, מה שאיפשר למדעני נתונים לנוע מהר יותר עם משאבי ה-CPU או ה-GPU שהם צריכים.
הצוות הסתמך על השירות לצורך הכנת נתונים ואצור. הוא סיפק ממשק חזותי מאוחד מבוסס אינטרנט המספק גישה, שליטה וניראות מלאים לכל שלב הנדרש לבנייה, אימון ופריסה של מודלים, ללא צורך בהגדרת מופעי מחשוב ואחסון קבצים.
הצוות גם השתמש ב- Apache Airflow כמנוע זרימת העבודה כדי לתזמן ולהפעיל את צינורות הנתונים המורכבים שלהם. הם משתמשים ב-Apache Airflow כדי להפוך את זרימת העבודה הראשונית של עיבוד הנתונים הראשוניים לאוטומטיים המספקים גישה לנתונים שנאספו.
התרשים הבא ממחיש את זרימת העבודה המעודכנת.
זרימת העבודה של הכנת הנתונים כוללת את השלבים הבאים:
- צוות Data Science בודק נתונים לדוגמה (במחשב הנייד שלהם) מאגם הנתונים ובונה סקריפטים לחילוץ, טרנספורמציה וטעינה (ETL) כדי להכין את הנתונים לחקירה במורד הזרם. סקריפטים אלה מועלים ל- Apache Airflow.
- מספר מערכי נתונים שחולצו מ iProperty.com.myאגם הנתונים של הנתונים עובר שלבים מרובים של שינוי נתונים (כולל חיבורים, סינון והעשרה). זרימת העבודה הראשונית של עיבוד הנתונים מראש מתוכננת ומופעלת על ידי Apache Airflow.
- הנתונים המעובדים מראש, בצורה של פרקט, מאוחסנים וזמינים ב-an שירות אחסון פשוט של אמזון (Amazon S3) דלי נתוני מעורבות.
- במופע המחברת של SageMaker, צוות Data Science מוריד את הנתונים מדלי נתוני המעורבות S3 לתוך מערכת הקבצים של אמזון אלסטית (Amazon EFS) לביצוע חקר ובדיקות מקומיות.
- פעילויות נוספות של חקר נתונים ועיבוד נתונים מתרחשות כדי להפוך את נתוני המעורבות לתכונות המייצגות טוב יותר את הבעיות הבסיסיות למודלים החזויים.
- הנתונים שנאספו מאוחסנים בדלי הנתונים שנאספו S3.
- לאחר הכנת הנתונים, הצוות מבצע הכשרה מקומית של ML ובדיקות הסקה במופע המחברת של SageMaker. נעשה שימוש בתת-קבוצה של הנתונים שנאספו בשלב זה.
- שלבים 5, 6 ו-7 חוזרים על עצמם באופן איטרטיבי עד להשגת תוצאות משביעות רצון.
הדרכה וזרימת עבודה של מודל ML
זרימת העבודה של ההדרכה והפריסה של מודל ML הסתמכה על מאגר Git הפרטי של הצוות כדי להפעיל את זרימת העבודה המיושמת בצינור ה-CI/CD.
השיטה שיושמה הייתה ש-Git שימש כמקור האמת האחד והיחיד עבור הגדרות תצורה וקוד מקור. גישה זו חייבה את המצב הרצוי של המערכת להיות מאוחסן בבקרת גרסאות, מה שאפשר לכל אחד לצפות בכל מסלול הביקורת של השינויים. כל השינויים במצב הרצוי הם התחייבויות הניתנות למעקב מלא המשויכות לפרטי מתחייבים, מזהי התחייבות וחותמות זמן. המשמעות היא שגם האפליקציה וגם התשתית עוברות גרסאות באמצעות קוד וניתן לביקורת באמצעות מתודולוגיית פיתוח תוכנה ואספקה סטנדרטית.
התרשים הבא ממחיש זרימת עבודה זו.
לזרימת העבודה יש את השלבים הבאים:
- עם הנתונים שנאספו מזרימת העבודה של הכנת הנתונים, הדרכה מקומית ובדיקות הסקת מסקנות מבוצעות באופן איטרטיבי על מופע המחברת של SageMaker.
- כאשר התוצאות הרצויות מושגות, צוות Data Science מחייב את הגדרות התצורה לתוך Git. התצורה כוללת את הדברים הבאים:
- מיקום מקור הנתונים
- סוג וגודל מופע אשכול
- תמונת מיכל בנויה מראש של SageMaker כדי לבחור את מסגרת ה-ML כגון PyTorch, TensorFlow או scikit-learn
- מודל תמחור לבחירת מופעים נקודתיים או לפי דרישה.
- ה-Git commit מפעיל את צינור ה-CI/CD. צינור ה-CI/CD מפעיל סקריפט Python Boto3 כדי לספק את תשתית SageMaker.
- בחשבון הפיתוח של AWS, משרת אימון חדשה של SageMaker מסופקת עם הגדרות התצורה המחויבות עם Spot Instances. מערך הנתונים מדלי S3 של הנתונים שנאספו מורידים לאשכול ההדרכה, כשהאימון מתחיל מיד.
- לאחר סיום עבודת האימון ב-ML, נוצר חפץ דגם ומאוחסן באמזון S3. כל תקופה, מדד הערכה ויומן מעבודת ההדרכה מאוחסנים יומני CloudWatch של אמזון.
- כאשר חפץ דגם מאוחסן ב-Amazon S3, הוא מפעיל אירוע שמפעיל א AWS למבדה פונקציה ליצירת הודעת Slack שעבודת ההדרכה הושלמה. ההודעה כוללת קישור ל-CloudWatch Logs של עבודת ההדרכה לבדיקה.
- אם צוות Data Science מרוצה מדוח ההערכה, הצוות מבטל את חסימת הצינור באמצעות פונקציית אישור בצינור ה-CI/CD ומפעיל סקריפט Python Boto3 כדי לפרוס את מודל ה-ML על תשתית האירוח של SageMaker לצורך בדיקות הסקת מסקנות נוספות.
- לאחר אימות, הצוות מעלה בקשת משיכה של Git iProperty.com.myמהנדסי ML של מבצעים את הסקירה הסופית. מהנדסי ה-ML עשויים להריץ בדיקות נוספות מול נקודת הסיום של SageMaker של סביבת הפיתוח כדי לאמת את התוצאות.
- אם הכל עובד כמצופה, מהנדס ML ממזג את בקשת המשיכה שמפעילה את צינור ה-CI/CD לפריסת המודל החדש בסביבת ייצור הנתונים. צינור ה-CI/CD מריץ סקריפט של Python כדי לפרוס את המודל בנקודת הקצה מרובי הדגמים של SageMaker. עם זאת, אם יש בעיות עם תוצאות ההסקה, בקשת המשיכה תידחה עם משוב מסופק.
- תשתית האירוח של SageMaker מסופקת וזרימת העבודה של CI/CD מריץ סקריפט בדיקת תקינות כנגד נקודת הקצה של SageMaker כדי לאמת את תקינות נקודת הקצה של ההסקה.
הגשה של מודל ML וזרימת עבודה של שכבת API
בכל מקרה של שימוש ב-ML, לפני שמגישים דגמי ML לצרכנים, יש ליישם עליו היגיון עסקי מתאים. ההיגיון העסקי עוטף את הפלט המוסיק מ-ML (מ-SageMaker) עם חישובים וחישובים שונים כדי לעמוד בדרישות מקרה השימוש. ב iProperty.com.myבמקרה של, ההיגיון העסקי מתארח ב-AWS Lambda, עם פונקציית Lambda נפרדת לכל מקרה שימוש ב-ML. AWS Lambda נבחרה בגלל הפשטות והחסכוניות שלה.
Lambda מאפשרת לך להריץ קוד ללא אספקה או ניהול שרתים, כאשר השירות מטפל בקנה מידה וזמינות. אתה משלם רק עבור זמן החישוב שאתה צורך, ואין חיוב כאשר הקוד אינו פועל.
כדי לנהל את פיתוח האפליקציות ללא שרת, iProperty.com.my משתמש ב-Serverless Framework (SLS) כדי לפתח ולתחזק את ההיגיון העסקי שלהם ב- Lambda. צינור ה-CI/CD פורס עדכונים חדשים ל- Lambda.
פונקציות Lambda נחשפות לצרכנים באמצעות ממשקי API של GraphQL המובנים עליהם שירות קוברנט של אמזון (אמזון EKS) עם AWS פרגייט.
התרשים הבא ממחיש זרימת עבודה זו.
זרימת העבודה כוללת את השלבים הבאים:
- ממשיכים מתהליך ההדרכה והפריסה של ML, דגמי ML מרובים עשויים להיפרס על תשתית האירוח של SageMaker. מודלים של ML מצופים בהיגיון עסקי רלוונטי (מיושם על Lambda) לפני שהם מוגשים לצרכנים.
- אם יש עדכונים ללוגיקה העסקית, מדען הנתונים מעדכן את קוד המקור ב-Serverless Framework ומחייב אותו למאגר Git.
- ה-Git commit מפעיל את צינור ה-CI/CD להחליף את פונקציית Lambda בעדכונים האחרונים. פעילות זו פועלת על חשבון הפיתוח ומאומתת לפני שהיא חוזרת על עצמה בחשבון הייצור.
- פונקציות מרובות של Lambda נפרסות עם לוגיקה עסקית משויכת לשאילתות על נקודות הקצה של SageMaker.
עבור כל בקשת API שנעשתה לשכבת ה-API, ה-API של GraphQL מעבד את הבקשה ומעביר את הבקשה לפונקציית Lambda המתאימה. פונקציה שהופעלה עשויה לבצע שאילתה אחת או יותר של נקודת קצה של SageMaker, ומעבדת את ההיגיון העסקי לפני מתן תשובה למבקש.
כדי להעריך את האפקטיביות של דגמי ה-ML שנפרסו, נוצר לוח מחוונים שעוקב אחר המדד (כגון שיעור קליקים או שיעור פתיחה) עבור כל מודל ML כדי להמחיש את הביצועים של דגמי ה-ML בייצור. מדדים אלה שימשו לנו אור מנחה כיצד iProperty.com.my ממשיך להדגיש ולשפר את דגמי ה-ML.
תוצאות עסקיות
השמיים iProperty.com.my הצוות ראה תוצאות בעלות ערך מזרימות העבודה המשופרות.
"על ידי הטמעת זרימות העבודה של מדעי הנתונים שלנו על פני SageMaker וכלי ה-CI/CD הקיימים שלנו, האוטומציה והפחתת התקורה התפעולית אפשרה לנו להתמקד בפעילויות שיפור מודל ML, מה שהאיץ את זמן היציאה לשוק מהר יותר של מודלי ה-ML שלנו ב-60%", אומר מוחמד. אלאודין, ראש תחום מדע והנדסת נתונים. "לא רק זה, עם SageMaker Spot Instances, המופעל באמצעות מתג פשוט, הצלחנו גם להפחית את עלות תשתית מדעי הנתונים שלנו ב-75%. לבסוף, על ידי שיפור זמן היציאה לשוק של מודל ה-ML שלנו, הואצה גם היכולת לאסוף את המשוב של הצרכנים שלנו, מה שאיפשר לנו לצבוט ולשפר את שיעור הקליקים של המלצות הרישום שלנו ב-250%".
סיכום והצעדים הבאים
למרות שהצוות קיבל עידוד עמוק מהתוצאות העסקיות, עדיין יש הרבה מקום לשפר את חוויית הצרכן שלהם. יש להם תוכניות לשפר עוד יותר את זרימת העבודה המשרתת את מודל ה-ML, כולל בדיקת A / B ו ניטור מודלים תכונות.
כדי לצמצם עוד יותר עבודה בלתי מובדלת, הצוות גם בוחן פרויקטים של SageMaker כדי לפשט את הניהול והתחזוקה של זרימות העבודה שלהם ב-ML, וכן צינורות SageMaker לאוטומציה של שלבים כגון טעינת נתונים, טרנספורמציה של נתונים, הדרכה וכוונון ופריסה בקנה מידה.
אודות PropertyGuru Group & iProperty.com.my
iProperty.com.my מטה בקואלה לומפור, מלזיה ומעסיק למעלה מ-200 עובדים. iProperty.com.my הוא פורטל הנכסים המוביל בשוק, המציע חווית חיפוש הן באנגלית והן בהאסה מלזיה. iProperty.com.my מספקת גם פתרונות צרכנים כגון LoanCare - אינדיקטור לזכאות להלוואת בית, ערוץ חדשות ולייף סטייל - תוכן לשיפור מסע הרכוש של הצרכנים, אירועים - לחבר מחפשי נכס עם סוכנים ומפתחים במצב לא מקוון, ועוד הרבה יותר. החברה הינה חלק מקבוצת PropertyGuru, חברת טכנולוגיות הנדל"ן המובילה בדרום מזרח אסיה1.
PropertyGuru היא חברת טכנולוגיות הנכסים המובילה בדרום מזרח אסיה. PropertyGuru, שנוסדה בשנת 2007, גדלה והפכה לשוק הנכסים הדיגיטלי מספר 1 של דרום מזרח אסיה עם עמדות מובילות בסינגפור, וייטנאם, מלזיה ותאילנד. החברה מארחת כיום יותר מ-2.8 מיליון רישומי נדל"ן חודשיים ומשרתת למעלה מ-50 מיליון מחפשי נכסים חודשיים ולמעלה מ-50,000 סוכני נדל"ן פעילים בחמש הכלכלות הגדולות בדרום מזרח אסיה - אינדונזיה, מלזיה, סינגפור, תאילנד וויאטנם.
1 מבחינת נתח שוק מעורבות יחסית המבוסס על נתוני SimilarWeb.
התוכן והדעות בפוסט זה הם של מחבר צד ג 'ו- AWS אינה אחראית לתוכן או לדיוק של פוסט זה.
על הכותבים
מוחמד אלאודין הוא מנהל הנדסה לנתונים בקבוצת PropertyGuru. במהלך 15 השנים האחרונות, הוא תרם לפרויקטים של ניתוח נתונים, הנדסת נתונים ולמידת מכונה בתעשייה הדיגיטלית של Telco, Airline ו- PropTech. הוא גם נואם באירועים ציבוריים של Data & AI. בזמנו הפנוי הוא נהנה מפעילויות בתוך הבית עם המשפחה, קריאה וצפייה בטלוויזיה.
מד' כמאל חוסיין הוא מדען הנתונים המוביל בקבוצת PropertyGuru. הוא מוביל את מרכז המצוינות למדעי הנתונים (DS CoE) לרעיונות, עיצוב וייצור פתרונות AI/ML מקצה לקצה באמצעות שירותי ענן. לכמאל יש עניין מיוחד בלמידת חיזוק ובמדעי הקוגניציה. בזמנו הפנוי, הוא אוהב לקרוא ומשתדל לשמור על קשר עם ילדיו.
פביאן טאן הוא אדריכל פתרונות ראשי בשירותי האינטרנט של אמזון. יש לו תשוקה עזה לפיתוח תוכנה, מסדי נתונים, ניתוח נתונים ולמידת מכונה. הוא עובד בשיתוף פעולה הדוק עם קהילת המפתחים במלזיה כדי לעזור להם להגשים את הרעיונות שלהם.
- '
- &
- 000
- 100
- 7
- 84
- גישה
- חֶשְׁבּוֹן
- פעיל
- פעילויות
- סוכנים
- AI
- חברת תעופה
- תעשיות
- אמזון בעברית
- אמזון SageMaker
- אמזון שירותי אינטרנט
- אנליזה
- ניתוח
- אַפָּשׁ
- API
- ממשקי API
- בקשה
- פיתוח אפליקציות
- אסיה
- בדיקה
- אוטומטי
- אוטומציה
- זמינות
- AWS
- AWS למבדה
- לִבנוֹת
- בִּניָן
- עסקים
- מקרים
- תשלום
- ענן
- שירותי ענן
- קוד
- קוגניטיבית
- שיתוף פעולה
- Common
- קהילה
- חברה
- לחשב
- לצרוך
- צרכן
- צרכנים
- מכולה
- תוכן
- ממשיך
- תרם
- לוח מחוונים
- נתונים
- ניתוח נתונים
- אגם דאטה
- מדע נתונים
- מדען נתונים
- מאגרי מידע
- מסירה
- עיצוב
- לפתח
- מפתח
- מפתחים
- צעצועי התפתחות
- דיגיטלי
- נהיגה
- יְעִילוּת
- עובדים
- נקודת קצה
- מהנדס
- הנדסה
- מהנדסים
- אנגלית
- סביבה
- אחוזה
- אירוע
- אירועים
- ניסיון
- חוויות
- חקירה
- משפחה
- מאפיין
- תכונות
- אגרות
- בסופו של דבר
- להתמקד
- לצרכנים
- טופס
- מסגרת
- פונקציה
- Git
- GPU
- grafql
- קְבוּצָה
- ראש
- בְּרִיאוּת
- עמוד הבית
- אירוח
- איך
- HTTPS
- כולל
- אינדונזיה
- תעשייה
- מידע
- תשתית
- השתלבות
- אינטרס
- מעורב
- בעיות
- IT
- עבודה
- הילדים
- קוברנט
- מחשב נייד
- האחרון
- לשגר
- עוֹפֶרֶת
- מוביל
- למידה
- אורח חיים
- אוֹר
- קשר
- רישום
- רישומים
- לִטעוֹן
- להלוות
- מקומי
- למידת מכונה
- מכונה
- גדול
- מלזיה
- ניהול
- שוק
- מובילה בשוק
- שוק
- מדדים
- מִילִיוֹן
- ML
- מודל
- המהלך
- מחשבים ניידים
- הודעה
- הצעה
- המיוחדות שלנו
- לפתוח
- דעות
- אפשרויות
- אחר
- תשלום
- ביצועים
- פלטפורמה
- שפע
- כניסה
- מנהל
- פְּרָטִי
- המוצר
- הפקה
- פרופילים
- פרויקטים
- רכוש
- ציבורי
- פיתון
- פיטורך
- מעלה
- קריאה
- מקרקעין
- להפחית
- למידה חיזוק
- לדווח
- דרישות
- מחקר
- משאבים
- תגובה
- תוצאות
- הסבה מקצועית
- סקירה
- הפעלה
- ריצה
- בעל חכמים
- סולם
- דרוג
- מדע
- מדענים
- חיפוש
- שירות עצמי
- ללא שרת
- שירותים
- הגשה
- סט
- שיתוף
- דומה
- פָּשׁוּט
- סינגפור
- רָפוּי
- תוכנה
- פיתוח תוכנה
- פתרונות
- דרום מזרח אסיה
- מסחרי
- החל
- מדינה
- אחסון
- תמיכה
- משטח
- מתג
- מערכת
- טכנולוגיה
- Telco
- tensorflow
- בדיקות
- בדיקות
- תאילנד
- המקור
- זמן
- הדרכה
- טרנספורמציה
- tv
- עדכונים
- us
- בקרת גרסאות
- וייטנאם
- לצפיה
- וירטואלי
- ראות
- כֶּרֶך
- לחכות
- אינטרנט
- שירותי אינטרנט
- בתוך
- תיק עבודות
- זרימת עבודה
- עובד
- שנים