Generatywna sztuczna inteligencja cieszy się obecnie dużym zainteresowaniem opinii publicznej dzięki produktom takim jak GPT4, ChatGPT, DALL-E2, Bard i wielu innym technologiom sztucznej inteligencji. Wielu klientów prosiło o więcej informacji na temat generatywnych rozwiązań sztucznej inteligencji AWS. Celem tego wpisu jest odpowiedź na te potrzeby.
Ten post zawiera przegląd generatywnej sztucznej inteligencji z rzeczywistym przypadkiem użycia przez klienta, zawiera zwięzły opis i przedstawia jej zalety, odwołuje się do łatwej do naśladowania demonstracji DeepComposer AWS do tworzenia nowych kompozycji muzycznych i opisuje, jak zacząć używać Amazon SageMaker JumpStart do wdrażania GPT2, Stable Diffusion 2.0 i innych generatywnych modeli AI.
Ogólny przegląd sztucznej inteligencji
Generative AI to specyficzna dziedzina sztucznej inteligencji, która koncentruje się na generowaniu nowego materiału. Jest to jedna z najbardziej ekscytujących dziedzin w świecie sztucznej inteligencji, z potencjałem do przekształcenia istniejących firm i umożliwienia wprowadzenia na rynek zupełnie nowych pomysłów biznesowych. Możesz użyć technik generatywnych do:
- Tworzenie nowych dzieł sztuki z wykorzystaniem modelu takiego jak Stable Diffusion 2.0
- Pisanie bestsellerowej książki przy użyciu modelu takiego jak GPT2, Bloom lub Flan-T5-XL
- Komponowanie kolejnej symfonii przy użyciu techniki Transformers w AWS DeepComposer
AWS DeepComposer to narzędzie edukacyjne, które pomaga zrozumieć kluczowe pojęcia związane z uczeniem maszynowym (ML) poprzez język kompozycji muzycznej. Aby dowiedzieć się więcej, patrz Wygeneruj jazzrockowy utwór za pomocą sztucznej inteligencji generatywnej.
Stable Diffusion, GPT2, Bloom i Flan-T5-XL to modele ML. Są to po prostu algorytmy matematyczne, które należy przeszkolić, aby identyfikować wzorce w danych. Po nauczeniu się wzorców są one wdrażane na punktach końcowych, gotowe do procesu znanego jako wnioskowanie. Nowe dane, których model nie widział, są wprowadzane do modelu wnioskowania i tworzony jest nowy kreatywny materiał.
Na przykład dzięki modelom generowania obrazów, takim jak Stable Diffusion, możemy tworzyć wspaniałe ilustracje za pomocą kilku słów. Dzięki modelom generowania tekstu, takim jak GPT2, Bloom i Flan-T5-XL, możemy generować nowe artykuły literackie i potencjalnie książki na podstawie prostego ludzkiego zdania.
Autodesk jest klientem AWS Amazon Sage Maker aby pomóc projektantom produktów w sortowaniu tysięcy iteracji projektów wizualnych dla różnych przypadków użycia i korzystaniu z uczenia maszynowego w celu wybrania optymalnego projektu. W szczególności współpracowali z Edera Safety, aby pomóc w opracowaniu ochraniacza rdzenia kręgowego, który chroni rowerzystów przed wypadkami podczas udziału w imprezach sportowych, takich jak kolarstwo górskie. Aby uzyskać więcej informacji, obejrzyj wideo Uczenie maszynowe AWS umożliwia optymalizację projektu.
Aby dowiedzieć się więcej o tym, co klienci AWS robią z generatywną sztuczną inteligencją i modą, zobacz Wirtualna stylizacja mody z generatywną sztuczną inteligencją przy użyciu Amazon SageMaker.
Teraz, gdy już wiemy, o co chodzi w generatywnej sztucznej inteligencji, przejdźmy do demonstracji JumpStart, aby dowiedzieć się, jak generować nowy tekst lub obrazy za pomocą sztucznej inteligencji.
Wymagania wstępne
Studio Amazon SageMaker to zintegrowane środowisko programistyczne (IDE) w ramach SageMaker, które zapewnia nam wszystkie funkcje ML, których potrzebujemy, w jednej tafli szkła. Zanim będziemy mogli uruchomić JumpStart, musimy skonfigurować Studio. Możesz pominąć ten krok, jeśli masz już uruchomioną własną wersję Studio.
Pierwszą rzeczą, którą musimy zrobić, zanim będziemy mogli korzystać z usług AWS, jest upewnienie się, że zarejestrowaliśmy się i utworzyliśmy konto AWS. Następnie należy utworzyć użytkownika administracyjnego i grupę. Aby uzyskać instrukcje dotyczące obu kroków, patrz Skonfiguruj wymagania wstępne Amazon SageMaker.
Następnym krokiem jest utworzenie domeny SageMaker. Domena konfiguruje całą przestrzeń dyskową i umożliwia dodawanie użytkowników w celu uzyskania dostępu do SageMaker. Aby uzyskać więcej informacji, patrz Na pokładzie do domeny Amazon SageMaker. To demo jest tworzone w regionie AWS us-east-1
.
Na koniec uruchamiasz Studio. W przypadku tego postu zalecamy uruchomienie aplikacji profilu użytkownika. Aby uzyskać instrukcje, patrz Uruchom Amazon SageMaker Studio.
Wybierz rozwiązanie JumpStart
Teraz dochodzimy do ekscytującej części. Powinieneś być teraz zalogowany do Studio i zobaczyć stronę podobną do poniższego zrzutu ekranu.
W okienku nawigacji w obszarze SageMaker Szybki startwybierz Modele, notebooki, rozwiązania.
Przedstawiono szereg rozwiązań, modeli fundamentów i innych artefaktów, które mogą pomóc w rozpoczęciu pracy z określonym modelem lub konkretnym problemem biznesowym lub przypadkiem użycia.
Jeśli chcesz poeksperymentować w określonym obszarze, możesz skorzystać z funkcji wyszukiwania. Możesz też po prostu przeglądać artefakty, aby znaleźć model lub rozwiązanie biznesowe odpowiadające Twoim potrzebom.
Na przykład, jeśli interesują Cię rozwiązania do wykrywania oszustw, wpisz wykrywanie oszustw w pasku wyszukiwania.
Jeśli interesują Cię rozwiązania do generowania tekstu, wpisz generowanie tekstu w pasku wyszukiwania. Jeśli chcesz zapoznać się z różnymi modelami generowania tekstu, dobrym miejscem na rozpoczęcie jest wybranie notatnika Wprowadzenie do JS — Generowanie tekstu.
Zanurzmy się w konkretną demonstrację modelu GPT-2.
Demo modelu JumpStart GPT-2
GPT 2 to model językowy, który pomaga generować tekst podobny do ludzkiego na podstawie danego monitu. Możemy użyć tego typu modelu transformatora do tworzenia nowych zdań i pomóc nam zautomatyzować pisanie. Można to wykorzystać do tworzenia treści, takich jak blogi, posty w mediach społecznościowych i książki.
Model GPT 2 jest częścią rodziny Generative Pre-Trained Transformer, która była poprzednikiem GPT 3. W chwili pisania tego tekstu GPT 3 jest używany jako podstawa aplikacji OpenAI ChatGPT.
Aby rozpocząć przeglądanie wersji demonstracyjnej modelu GPT-2 w programie JumpStart, wykonaj następujące czynności:
- W JumpStart wyszukaj i wybierz GPT 2.
- W Rozmieścić Model sekcja, rozwiń Konfiguracja wdrożenia.
- W razie zamówieenia projektu Instancja hostingu SageMaker, wybierz swoją instancję (w tym poście używamy ml.c5.2xlarge).
Różne typy maszyn mają różne punkty cenowe. W momencie pisania tego tekstu ml.c5.2xlarge, który wybraliśmy, kosztował mniej niż 0.50 USD za godzinę. Aby uzyskać najbardziej aktualne ceny, zobacz Cennik Amazon SageMaker.
- W razie zamówieenia projektu Nazwa punktu końcowego, wpisz demo-hf-textgeneration-gpt2.
- Dodaj Rozmieścić.
Poczekaj na wdrożenie punktu końcowego ML (do 15 minut).
- Po wdrożeniu punktu końcowego wybierz Otwórz notatnik.
Zobaczysz stronę podobną do poniższego zrzutu ekranu.
Dokumentem, którego używamy do zaprezentowania naszej demonstracji, jest notatnik Jupytera, który zawiera cały niezbędny kod Pythona. Pamiętaj, że kod na tym zrzucie ekranu może nieznacznie różnić się od kodu, który masz, ponieważ AWS stale aktualizuje te notebooki i upewnia się, że są one bezpieczne, wolne od wad i zapewniają najlepszą obsługę klienta.
- Kliknij pierwszą komórkę i wybierz Ctrl + Enter uruchomić blok kodu.
Gwiazdka (*) pojawia się po lewej stronie bloku kodu, a następnie zmienia się w liczbę. Gwiazdka wskazuje, że kod jest uruchomiony i jest kompletny, gdy pojawi się liczba.
- W następnym bloku kodu wprowadź przykładowy tekst, a następnie naciśnij Ctrl + Enter.
- Dodaj Ctrl + Enter w trzecim bloku kodu, aby go uruchomić.
Po około 30-60 sekundach zobaczysz wyniki wnioskowania.
Dla tekstu wejściowego „Once upon a time there were 18 sandwiches,
” otrzymujemy następujący wygenerowany tekst:
Dla tekstu wejściowego „And for the final time Peter said to Mary,
” otrzymujemy następujący wygenerowany tekst:
Możesz eksperymentować z wielokrotnym uruchamianiem tego trzeciego bloku kodu, a zauważysz, że model za każdym razem tworzy inne prognozy.
Aby dostosować dane wyjściowe przy użyciu niektórych zaawansowanych funkcji, przewiń w dół, aby poeksperymentować z czwartym blokiem kodu.
Aby dowiedzieć się więcej o modelach generowania tekstu, zobacz Uruchom generowanie tekstu za pomocą modeli Bloom i GPT w Amazon SageMaker JumpStart.
Oczyść zasoby
Zanim przejdziemy dalej, nie zapomnij usunąć punktu końcowego po zakończeniu. Na poprzedniej karcie pod Usuń punkt końcowywybierz Usuń.
Jeśli przypadkowo zamknąłeś ten notatnik, możesz również usunąć swój punkt końcowy za pomocą konsoli SageMaker. Pod Wnioskowanie w okienku nawigacji wybierz Punkty końcowe.
Wybierz używany punkt końcowy i na Akcje menu, wybierz Usuń.
Teraz, gdy wiemy, jak używać naszego pierwszego rozwiązania JumpStart, przyjrzyjmy się modelowi stabilnej dyfuzji.
Demo modelu JumpStart Stable Diffusion
Możemy użyć modelu Stable Diffusion 2 do generowania obrazów z prostej linii tekstu. Można to wykorzystać do generowania treści do takich rzeczy, jak posty w mediach społecznościowych, materiały promocyjne, okładki albumów lub wszystko, co wymaga kreatywnej grafiki.
- Wróć do JumpStart, a następnie wyszukaj i wybierz Stabilna dyfuzja 2.
- W Rozmieścić Model sekcja, rozwiń Konfiguracja wdrożenia.
- W razie zamówieenia projektu Instancja hostingu SageMaker, wybierz swoją instancję (w tym poście używamy ml.g5.2xlarge).
- W razie zamówieenia projektu Nazwa punktu końcowego, wchodzić
demo-stabilityai-stable-diffusion-v2
. - Dodaj Rozmieścić.
Ponieważ jest to większy model, wdrożenie może zająć do 25 minut. Gdy jest gotowy, stan punktu końcowego jest wyświetlany jako Czynny.
- Dodaj Otwórz notatnik aby otworzyć notatnik Jupyter z kodem Pythona.
- Uruchom pierwszy i drugi blok kodu.
- W trzecim bloku kodu zmień monit tekstowy, a następnie uruchom komórkę.
Poczekaj około 30–60 sekund, aż pojawi się obraz. Poniższy obraz jest oparty na naszym przykładowym tekście.
Ponownie możesz bawić się zaawansowanymi funkcjami w następnym bloku kodu. Tworzony przez nią obraz jest za każdym razem inny.
Oczyść zasoby
Ponownie, nie zapomnij usunąć punktu końcowego. Tym razem używamy ml.g5.2xlarge, więc wiąże się to z nieco wyższymi opłatami niż wcześniej. W momencie pisania tego tekstu było to nieco ponad 1 USD za godzinę.
Na koniec przejdźmy do AWS DeepComposer.
DeepComposer AWS
AWS DeepComposer to świetny sposób na poznanie generatywnej sztucznej inteligencji. Pozwala używać melodii wbudowanych w modele do generowania nowych form muzycznych. Model, którego używasz, określa sposób przekształcania melodii wejściowej.
Jeśli jesteś przyzwyczajony do udziału w AWS Deep Racer dni, aby pomóc swoim pracownikom nauczyć się uczenia się przez wzmacnianie, rozważ rozszerzenie i ulepszenie dnia z AWS DeepComposer, aby dowiedzieć się o generatywnej sztucznej inteligencji.
Aby uzyskać szczegółowe wyjaśnienie i łatwą do zrozumienia demonstrację trzech modeli w tym poście, zobacz Wygeneruj jazzrockowy utwór za pomocą sztucznej inteligencji generatywnej.
Sprawdź poniższe fajne przykłady przesłane do SoundCloud przy użyciu AWS DeepComposer.
Chcielibyśmy zobaczyć Twoje eksperymenty, więc skontaktuj się z nami za pośrednictwem mediów społecznościowych (@digitalcolmer) i podziel się swoimi doświadczeniami i eksperymentami.
Wnioski
W tym poście rozmawialiśmy o definicji generatywnej sztucznej inteligencji, zilustrowanej historią klienta AWS. Następnie przeprowadziliśmy Cię przez pierwsze kroki z programami Studio i JumpStart oraz pokazaliśmy, jak rozpocząć pracę z modelami GPT 2 i Stable Diffusion. Zakończyliśmy krótkim omówieniem AWS DeepComposer.
Aby lepiej poznać JumpStart, spróbuj użyć własnych danych do dopracowania istniejącego modelu. Aby uzyskać więcej informacji, patrz Trening przyrostowy z Amazon SageMaker JumpStart. Aby uzyskać informacje na temat precyzyjnego dostrajania modeli stabilnej dyfuzji, zobacz Precyzyjnie dostosuj modele stabilnej dyfuzji tekstu na obraz za pomocą Amazon SageMaker JumpStart.
Aby dowiedzieć się więcej o modelach stabilnej dyfuzji, zobacz Generuj obrazy z tekstu za pomocą stabilnego modelu dyfuzji w Amazon SageMaker JumpStart.
Nie omówiliśmy żadnych informacji na temat modelu Flan-T5-XL, więc aby dowiedzieć się więcej, zapoznaj się z poniższymi informacjami GitHub repo, Przykłady Amazon SageMaker repo obejmuje również szereg dostępnych notatników w GitHub dla różnych produktów SageMaker, w tym JumpStart, obejmujących szereg różnych przypadków użycia.
Aby dowiedzieć się więcej o AWS ML za pośrednictwem szeregu bezpłatnych zasobów cyfrowych, sprawdź nasze Przewodnik po rozbudowie uczenia maszynowego AWS. Możesz także wypróbować nasze darmowe Plan nauki ML opierać się na swojej obecnej wiedzy lub mieć jasny punkt wyjścia. Aby wziąć udział w kursie prowadzonym przez instruktora, gorąco polecamy następujące kursy:
To naprawdę ekscytujący czas w przestrzeni AI/ML. AWS jest tutaj, aby wspierać Twoją podróż w zakresie ML, więc skontaktuj się z nami w mediach społecznościowych. Z niecierpliwością czekamy na Twoją naukę, eksperymenty i zabawę z różnymi usługami ML w nadchodzących miesiącach i cieszymy się z możliwości bycia Twoim instruktorem w Twojej podróży ML.
O autorze
Paweł Kolmer jest starszym trenerem technicznym w Amazon Web Services specjalizującym się w uczeniu maszynowym i generatywnej sztucznej inteligencji. Jego pasją jest pomaganie klientom, partnerom i pracownikom w rozwoju i wzroście poprzez fascynujące opowiadanie historii, dzielenie się doświadczeniami i przekazywanie wiedzy. Z ponad 25-letnim doświadczeniem w branży IT specjalizuje się w zwinnych praktykach kulturowych i rozwiązaniach związanych z uczeniem maszynowym. Paul jest członkiem London College of Music i British Computer Society.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- PlatoAiStream. Analiza danych Web3. Wiedza wzmocniona. Dostęp tutaj.
- Wybijanie przyszłości w Adryenn Ashley. Dostęp tutaj.
- Kupuj i sprzedawaj akcje spółek PRE-IPO z PREIPO®. Dostęp tutaj.
- Źródło: https://aws.amazon.com/blogs/machine-learning/get-started-with-generative-ai-on-aws-using-amazon-sagemaker-jumpstart/
- :Jest
- :nie
- $W GÓRĘ
- 1
- 11
- 15%
- 50
- 500
- 7
- 8
- 9
- 937
- a
- O nas
- dostęp
- wypadki
- Konto
- Dodaj
- adres
- administracyjny
- zaawansowany
- Po
- zwinny
- AI
- AI / ML
- zmierzać
- Album
- Algorytmy
- Wszystkie kategorie
- dopuszczać
- pozwala
- już
- również
- Amazonka
- Amazon Sage Maker
- Amazon SageMaker JumpStart
- Amazon Web Services
- an
- i
- każdy
- wszystko
- Aplikacja
- zjawić się
- Zastosowanie
- SĄ
- POWIERZCHNIA
- na około
- Sztuka
- towary
- sztuczny
- sztuczna inteligencja
- Praca plastyczna
- AS
- Aktywa
- powiązany
- At
- przywiązany
- Uwaga
- autodesk
- zautomatyzować
- dostępny
- AWS
- Klient AWS
- bar
- na podstawie
- BE
- bo
- Wołowina
- być
- zanim
- Początek
- Korzyści
- BEST
- błogosławieństwo
- Blokować
- Bloki
- blogi
- Kwitnąć
- książka
- Książki
- obie
- Brytyjski
- budować
- wbudowany
- biznes
- Pomysły biznesowe
- biznes
- ale
- by
- CAN
- walizka
- Etui
- zmiana
- Opłaty
- ChatGPT
- ZOBACZ
- Dodaj
- jasny
- zamknięte
- kod
- Studentki
- jak
- przyjście
- zniewalający
- kompletny
- całkowicie
- komputer
- Koncepcje
- Skontaktuj się
- Rozważać
- Konsola
- stale
- zawartość
- Tworzenie treści
- kurs
- kursy
- pokrywa
- pokrycie
- obejmuje
- Stwórz
- stworzony
- tworzy
- Tworzenie
- tworzenie
- Twórczy
- kulturalny
- Aktualny
- klient
- doświadczenie klienta
- Klientów
- dane
- dzień
- Dni
- Śmierć
- Demo
- rozwijać
- wdrażane
- wdrażanie
- opis
- Wnętrze
- projektanci
- projekty
- szczegółowe
- Wykrywanie
- określa
- rozwijać
- oprogramowania
- różne
- Transmitowanie
- cyfrowy
- Zasoby cyfrowe
- do
- dokument
- robi
- domena
- nie
- na dół
- każdy
- edukacyjny
- pracowników
- Umożliwia
- obejmuje
- Punkt końcowy
- wzmocnienie
- Wchodzę
- Środowisko
- Eter (ETH)
- wydarzenia
- Każdy
- przykład
- ekscytujący
- Przede wszystkim system został opracowany
- Rozszerzać
- doświadczenie
- Doświadczenia
- eksperyment
- eksperymenty
- wyjaśnienie
- odkryj
- Exploring
- członków Twojej rodziny
- Moda
- Korzyści
- nakarmiony
- czuć
- facet
- kilka
- pole
- Łąka
- finał
- Znajdź
- i terminów, a
- koncentruje
- następujący
- jedzenie
- W razie zamówieenia projektu
- formularze
- Naprzód
- Fundacja
- cztery
- Czwarty
- oszustwo
- wykrywanie oszustw
- Darmowy
- od
- zabawa
- funkcjonować
- zyskuje
- Generować
- wygenerowane
- generujący
- generacja
- generatywny
- generatywna sztuczna inteligencja
- otrzymać
- GitHub
- dany
- szkło
- dobry
- wspaniały
- Zarządzanie
- Rosnąć
- ręka
- Have
- he
- wysłuchany
- pomoc
- pomoc
- pomaga
- tutaj
- wyższy
- wysoko
- jego
- Hosting
- godzina
- W jaki sposób
- How To
- HTML
- HTTPS
- człowiek
- pomysły
- zidentyfikować
- if
- obraz
- generowanie obrazu
- zdjęcia
- in
- obejmuje
- Włącznie z
- wskazuje
- przemysł
- Informacja
- wkład
- przykład
- instrukcje
- zintegrowany
- Inteligencja
- zainteresowany
- najnowszych
- IT
- Branża IT
- iteracje
- JEGO
- podróż
- jpg
- skok
- Notebook Jupyter
- właśnie
- Klawisz
- wiedza
- transfer wiedzy
- znany
- język
- większe
- uruchomić
- wodowanie
- UCZYĆ SIĘ
- dowiedziałem
- nauka
- lewo
- lubić
- Linia
- życie
- zalogowany
- Londyn
- Popatrz
- Partia
- miłość
- maszyna
- uczenie maszynowe
- zrobiony
- robić
- WYKONUJE
- Dokonywanie
- wiele
- rynek
- materiał
- matematyczny
- Media
- minuty
- ML
- model
- modele
- miesięcy
- jeszcze
- większość
- Góra
- ruch
- wielokrotność
- Muzyka
- musical
- Nazwa
- Nawigacja
- niezbędny
- Potrzebować
- wymagania
- Nowości
- Następny
- noty
- notatnik
- laptopy
- Zauważyć..
- już dziś
- numer
- of
- on
- ONE
- koncepcja
- OpenAI
- Okazja
- Optymalny
- or
- Inne
- ludzkiej,
- na zewnątrz
- wytyczne
- wydajność
- koniec
- przegląd
- własny
- strona
- chleb
- część
- uczestnictwo
- szczególny
- wzmacniacz
- pasja
- wzory
- Paweł
- Ludzie
- Piotr
- obraz
- Miejsce
- plato
- Analiza danych Platona
- PlatoDane
- Grać
- Proszę
- punkt
- zwrotnica
- Post
- Wiadomości
- potencjał
- potencjalnie
- praktyki
- poprzednik
- Przewidywania
- teraźniejszość
- przedstawione
- naciśnij
- poprzedni
- Cena
- wycena
- Problem
- wygląda tak
- Wytworzony
- Produkt
- Produkty
- Profil
- promocyjny
- zapewniać
- zapewnia
- publiczny
- Python
- zasięg
- raczej
- dosięgnąć
- gotowy
- real
- polecić
- referencje
- region
- Wymaga
- restauracja
- Efekt
- jeźdźcy
- skała
- run
- bieganie
- Bezpieczeństwo
- sagemaker
- Powiedział
- SAINT
- przewijać
- Szukaj
- druga
- sekund
- Sekcja
- bezpieczne
- widzieć
- widzenie
- widziany
- wybrany
- senior
- wyrok
- usługa
- Usługi
- zestaw
- Zestawy
- Share
- shared
- powinien
- prezentacja
- Targi
- podpisana
- podobny
- Prosty
- po prostu
- pojedynczy
- trochę inny
- So
- Obserwuj Nas
- Media społecznościowe
- Posty w mediach społecznościowych
- Społeczeństwo
- rozwiązanie
- Rozwiązania
- kilka
- SoundCloud
- Typ przestrzeni
- specjalizuje się
- specjalizujący się
- specyficzny
- swoiście
- stabilny
- początek
- rozpoczęty
- Startowy
- Rynek
- Ewolucja krok po kroku
- Cel
- przechowywanie
- Historia
- opowiadanie
- studio
- Oszałamiający
- taki
- wsparcie
- pewnie
- Brać
- Mówić
- Techniczny
- Techniki
- Technologies
- generowanie tekstu
- niż
- że
- Połączenia
- ich
- następnie
- Tam.
- Te
- one
- rzecz
- rzeczy
- Trzeci
- to
- tych
- tysiące
- trzy
- Przez
- czas
- czasy
- do
- narzędzie
- śledzić
- przeszkolony
- Trening
- przenieść
- Przekształcać
- przekształcony
- transformator
- Transformatory
- naprawdę
- włącza
- rodzaj
- typy
- dla
- zrozumieć
- nowomodny
- aktualizowanie
- przesłanych
- na
- us
- posługiwać się
- przypadek użycia
- używany
- Użytkownik
- Użytkownicy
- za pomocą
- różnorodny
- wersja
- przez
- Wideo
- Czekanie
- chcieć
- była
- Droga..
- we
- sieć
- usługi internetowe
- były
- Co
- jeśli chodzi o komunikację i motywację
- który
- Podczas
- KIM
- będzie
- w
- w ciągu
- słowa
- pracował
- działa
- świat
- by
- Owinięty
- pisanie
- lat
- ty
- Twój
- zefirnet