In جزء 1 في هذه السلسلة، قدمنا الحل الذي يستخدم أمازون تيتان التضمين المتعدد الوسائط نموذج لتحويل الشرائح الفردية من مجموعة الشرائح إلى التضمينات. قمنا بتخزين التضمينات في قاعدة بيانات متجهة ثم استخدمنا ملف مساعد كبير للغة والرؤية (LLaVA 1.5-7b) نموذج لإنشاء استجابات نصية لأسئلة المستخدم استنادًا إلى الشريحة الأكثر تشابهًا التي تم استردادها من قاعدة بيانات المتجهات. استخدمنا خدمات AWS بما في ذلك أمازون بيدروك, الأمازون SageMakerو أمازون أوبن سيرش سيرفرليس في هذا الحل.
في هذا المقال، نعرض نهجًا مختلفًا. نحن نستخدم ال أنثروبي كلود 3 السوناتة نموذج لإنشاء أوصاف نصية لكل شريحة في مجموعة الشرائح. يتم بعد ذلك تحويل هذه الأوصاف إلى تضمينات نصية باستخدام ملف أمازون تيتان نص التضمين نموذج وتخزينها في قاعدة بيانات المتجهات. ثم نستخدم نموذج Claude 3 Sonnet لإنشاء إجابات لأسئلة المستخدم بناءً على الوصف النصي الأكثر صلة الذي تم استرداده من قاعدة بيانات المتجهات.
يمكنك اختبار كلا الطريقتين لمجموعة البيانات الخاصة بك وتقييم النتائج لمعرفة النهج الذي يمنحك أفضل النتائج. في الجزء 3 من هذه السلسلة، نقوم بتقييم نتائج كلتا الطريقتين.
حل نظرة عامة
يوفر الحل تطبيقًا للإجابة على الأسئلة باستخدام المعلومات الموجودة في النص والعناصر المرئية لمجموعة الشرائح. يعتمد التصميم على مفهوم الجيل المعزز للاسترجاع (RAG). تقليديًا، تم ربط RAG بالبيانات النصية التي يمكن معالجتها بواسطة نماذج اللغة الكبيرة (LLMs). في هذه السلسلة، قمنا بتوسيع RAG ليشمل الصور أيضًا. يوفر هذا إمكانية بحث قوية لاستخراج المحتوى ذي الصلة بالسياق من العناصر المرئية مثل الجداول والرسوم البيانية بالإضافة إلى النص.
يتضمن هذا الحل المكونات التالية:
- Amazon Titan Text Embeddings هو نموذج لتضمين النص يقوم بتحويل نص اللغة الطبيعية، بما في ذلك الكلمات المفردة أو العبارات أو حتى المستندات الكبيرة، إلى تمثيلات رقمية يمكن استخدامها لتعزيز حالات الاستخدام مثل البحث والتخصيص والتجميع بناءً على التشابه الدلالي.
- Claude 3 Sonnet هو الجيل القادم من أحدث الموديلات من Anthropic. Sonnet هي أداة متعددة الاستخدامات يمكنها التعامل مع مجموعة واسعة من المهام، بدءًا من التفكير والتحليل المعقد وحتى المخرجات السريعة، بالإضافة إلى البحث والاسترجاع الفعال عبر كميات هائلة من المعلومات.
- OpenSearch Serverless هو تكوين بدون خادم عند الطلب لخدمة Amazon OpenSearch Service. نحن نستخدم OpenSearch Serverless كقاعدة بيانات متجهة لتخزين عمليات التضمين التي تم إنشاؤها بواسطة نموذج Amazon Titan Text Embeddings. يعمل الفهرس الذي تم إنشاؤه في مجموعة OpenSearch Serverless بمثابة مخزن متجه لحل RAG الخاص بنا.
- ابتلاع Amazon OpenSearch (OSI) عبارة عن أداة تجميع بيانات مُدارة بالكامل بدون خادم وتقوم بتسليم البيانات إلى نطاقات خدمة OpenSearch ومجموعات OpenSearch Serverless. في هذا المنشور، نستخدم واجهة برمجة التطبيقات لخط أنابيب OSI لتوصيل البيانات إلى مخزن المتجهات OpenSearch Serverless.
يتكون تصميم الحل من جزأين: الاستيعاب وتفاعل المستخدم. أثناء الاستيعاب، نقوم بمعالجة مجموعة شرائح الإدخال عن طريق تحويل كل شريحة إلى صورة، وإنشاء أوصاف وتضمينات نصية لكل صورة. نقوم بعد ذلك بملء مخزن بيانات المتجهات بالتضمينات والوصف النصي لكل شريحة. يتم إكمال هذه الخطوات قبل خطوات تفاعل المستخدم.
في مرحلة تفاعل المستخدم، يتم تحويل سؤال المستخدم إلى تضمينات نصية. يتم إجراء بحث التشابه في قاعدة بيانات المتجهات للعثور على وصف نصي يتوافق مع شريحة يمكن أن تحتوي على إجابات لسؤال المستخدم. نقوم بعد ذلك بتقديم وصف الشريحة وسؤال المستخدم إلى نموذج Claude 3 Sonnet لإنشاء إجابة للاستعلام. كل الكود الخاص بهذا المنشور متاح في GitHub جيثب: الريبو.
يوضح الرسم البياني التالي بنية العرض.
يتكون سير العمل من الخطوات التالية:
- يتم تحويل الشرائح إلى ملفات صور (واحدة لكل شريحة) بتنسيق JPG وتمريرها إلى نموذج Claude 3 Sonnet لإنشاء وصف نصي.
- يتم إرسال البيانات إلى نموذج Amazon Titan Text Embeddings لإنشاء عمليات التضمين. في هذه السلسلة، نستخدم سطح الشريحة تدريب ونشر Stable Diffusion باستخدام AWS Trainium وAWS Inferentia من قمة AWS في تورونتو، يونيو 2023 لتوضيح الحل. تحتوي مجموعة العينات على 31 شريحة، وبالتالي قمنا بإنشاء 31 مجموعة من التضمينات المتجهة، كل منها تحتوي على 1536 بُعدًا. نضيف حقول بيانات وصفية إضافية لإجراء استعلامات بحث غنية باستخدام إمكانات البحث القوية في OpenSearch.
- يتم استيعاب التضمينات في مسار OSI باستخدام استدعاء API.
- يستوعب خط أنابيب OSI البيانات كمستندات في فهرس OpenSearch Serverless. تم تكوين الفهرس كمخزن لخط الأنابيب هذا ويتم إنشاؤه كجزء من مجموعة OpenSearch Serverless.
يوضح الرسم البياني التالي بنية تفاعل المستخدم.
يتكون سير العمل من الخطوات التالية:
- يرسل المستخدم سؤالاً يتعلق بمجموعة الشرائح التي تم استيعابها.
- يتم تحويل مدخلات المستخدم إلى عمليات التضمين باستخدام نموذج Amazon Titan Text Embeddings الذي يتم الوصول إليه باستخدام Amazon Bedrock. يتم إجراء بحث متجه لخدمة OpenSearch باستخدام هذه التضمينات. نقوم بإجراء بحث عن أقرب جار (k-NN) لاسترداد التضمينات الأكثر صلة التي تطابق استعلام المستخدم.
- تحتوي البيانات التعريفية للاستجابة من OpenSearch Serverless على مسار للصورة ووصف يتوافق مع الشريحة الأكثر صلة.
- يتم إنشاء المطالبة من خلال الجمع بين سؤال المستخدم ووصف الصورة. يتم تقديم المطالبة إلى Claude 3 Sonnet المستضافة على Amazon Bedrock.
- يتم إرجاع نتيجة هذا الاستدلال إلى المستخدم.
نناقش خطوات كلتا المرحلتين في الأقسام التالية، وندرج تفاصيل حول المخرجات.
المتطلبات الأساسية المسبقة
لتنفيذ الحل المقدم في هذا المنشور ، يجب أن يكون لديك ملف حساب AWS والإلمام بـ FMs وAmazon Bedrock وSageMaker وخدمة OpenSearch.
يستخدم هذا الحل نماذج Claude 3 Sonnet وAmazon Titan Text Embeddings المستضافة على Amazon Bedrock. تأكد من تمكين هذه النماذج للاستخدام من خلال الانتقال إلى الوصول إلى النموذج الصفحة على وحدة تحكم Amazon Bedrock.
إذا تم تمكين النماذج، سيتم حالة الوصول سوف الدولة تم منح حق الوصول.
إذا لم تكن النماذج متوفرة، قم بتمكين الوصول عن طريق الاختيار إدارة الوصول إلى النموذج، واختيار النماذج، والاختيار طلب الوصول إلى النموذج. النماذج متاحة للاستخدام على الفور.
استخدم AWS CloudFormation لإنشاء حزمة الحلول
يمكنك استخدام AWS CloudFormation لإنشاء حزمة الحلول. إذا قمت بإنشاء الحل للجزء الأول في نفس حساب AWS، فتأكد من حذفه قبل إنشاء هذه الحزمة.
منطقة AWS | لينك |
---|---|
us-east-1 |
|
us-west-2 |
بعد إنشاء المكدس بنجاح ، انتقل إلى علامة تبويب المخرجات في المكدس في وحدة تحكم AWS CloudFormation ولاحظ قيم MultimodalCollectionEndpoint
و OpenSearchPipelineEndpoint
. يمكنك استخدامها في الخطوات اللاحقة.
يُنشئ نموذج CloudFormation الموارد التالية:
- أدوار IAM - الأتى إدارة الهوية والوصول AWS يتم إنشاء أدوار (IAM). قم بتحديث هذه الأدوار لتطبيق أذونات الامتيازات الأقل، كما تمت مناقشته في أفضل ممارسات الأمان.
SMExecutionRole
مع خدمة تخزين أمازون البسيطة (Amazon S3)، وSageMaker، وOpenSearch Service، وAmazon Bedrock الوصول الكامل.OSPipelineExecutionRole
مع إمكانية الوصول إلى مجموعة S3 وإجراءات OSI.
- دفتر SageMaker - يتم تشغيل كافة التعليمات البرمجية لهذا المنشور باستخدام هذا الكمبيوتر الدفتري.
- مجموعة OpenSearch Serverless - هذه هي قاعدة البيانات المتجهة لتخزين واسترجاع التضمينات.
- خط أنابيب OSI – هذا هو خط الأنابيب لاستيعاب البيانات في OpenSearch Serverless.
- دلو S3 - يتم تخزين جميع البيانات الخاصة بهذا المنشور في هذه المجموعة.
يقوم قالب CloudFormation بإعداد تكوين خط الأنابيب المطلوب لتكوين خط أنابيب OSI مع HTTP كمصدر وفهرس OpenSearch Serverless كمصرف. دفتر SageMaker 2_data_ingestion.ipynb
يعرض كيفية استيعاب البيانات في خط الأنابيب باستخدام الطلبات مكتبة HTTP.
يقوم أيضًا بإنشاء قالب CloudFormation شبكة, التشفير و الوصول إلى البيانات السياسات المطلوبة لمجموعة OpenSearch Serverless الخاصة بك. قم بتحديث هذه السياسات لتطبيق أذونات الامتياز الأقل.
تتم الإشارة إلى اسم قالب CloudFormation واسم فهرس خدمة OpenSearch Service في دفتر ملاحظات SageMaker 3_rag_inference.ipynb
. إذا قمت بتغيير الأسماء الافتراضية، فتأكد من تحديثها في دفتر الملاحظات.
اختبر المحلول
بعد إنشاء مكدس CloudFormation، يمكنك اختبار الحل. أكمل الخطوات التالية:
- في وحدة تحكم SageMaker ، اختر دفاتر في جزء التنقل.
- أختار
MultimodalNotebookInstance
واختر افتح جوبيتر لاب. - In متصفح الملفات، انتقل إلى مجلد دفاتر الملاحظات لرؤية دفاتر الملاحظات والملفات الداعمة.
يتم ترقيم دفاتر الملاحظات بالتسلسل الذي تعمل به. تصف الإرشادات والتعليقات الموجودة في كل دفتر ملاحظات الإجراءات التي يقوم بها هذا الدفتر. نقوم بتشغيل هذه الدفاتر واحدا تلو الآخر.
- اختار
1_data_prep.ipynb
لفتحه في JupyterLab. - على يجري القائمة، اختر قم بتشغيل كافة الخلايا لتشغيل التعليمات البرمجية في هذا الكمبيوتر الدفتري.
سيتم تنزيل دفتر الملاحظات هذا متاحًا للجمهور الشريحة سطح السفينة، وقم بتحويل كل شريحة إلى تنسيق ملف JPG، وقم بتحميلها إلى مجموعة S3.
- اختار
2_data_ingestion.ipynb
لفتحه في JupyterLab. - على يجري القائمة، اختر قم بتشغيل كافة الخلايا لتشغيل التعليمات البرمجية في هذا الكمبيوتر الدفتري.
في دفتر الملاحظات هذا، يمكنك إنشاء فهرس في مجموعة OpenSearch Serverless. يقوم هذا الفهرس بتخزين بيانات التضمين لمجموعة الشرائح. انظر الكود التالي:
يمكنك استخدام نماذج Claude 3 Sonnet وAmazon Titan Text Embeddings لتحويل صور JPG التي تم إنشاؤها في دفتر الملاحظات السابق إلى تضمينات متجهة. يتم تخزين هذه التضمينات والبيانات التعريفية الإضافية (مثل مسار S3 ووصف ملف الصورة) في الفهرس مع التضمينات. يوضح مقتطف الكود التالي كيف يقوم Claude 3 Sonnet بإنشاء أوصاف الصور:
يتم تمرير أوصاف الصور إلى نموذج Amazon Titan Text Embeddings لإنشاء عمليات تضمين متجهة. يتم تخزين هذه التضمينات والبيانات التعريفية الإضافية (مثل مسار S3 ووصف ملف الصورة) في الفهرس مع التضمينات. يعرض مقتطف التعليمات البرمجية التالي الاتصال بنموذج Amazon Titan Text Embeddings:
يتم استيعاب البيانات في فهرس OpenSearch Serverless عن طريق إجراء استدعاء API لخط أنابيب OSI. يعرض مقتطف الكود التالي المكالمة التي تم إجراؤها باستخدام مكتبة طلبات HTTP:
- اختار
3_rag_inference.ipynb
لفتحه في JupyterLab. - على يجري القائمة، اختر قم بتشغيل كافة الخلايا لتشغيل التعليمات البرمجية في هذا الكمبيوتر الدفتري.
ينفذ هذا الكمبيوتر الدفتري حل RAG: حيث تقوم بتحويل سؤال المستخدم إلى تضمينات، والعثور على وصف صورة مشابه من قاعدة بيانات المتجهات، وتقديم الوصف المسترد إلى Claude 3 Sonnet لإنشاء إجابة لسؤال المستخدم. يمكنك استخدام قالب المطالبة التالي:
يوفر مقتطف التعليمات البرمجية التالي سير عمل RAG:
النتائج
يحتوي الجدول التالي على بعض أسئلة المستخدمين وإجاباتهم الناتجة عن تنفيذنا. ال سؤال يلتقط العمود سؤال المستخدم، و إجابة العمود هو الرد النصي الناتج عن كلود 3 السوناتة. ال صورة يعرض العمود مطابقة شريحة k-NN التي تم إرجاعها بواسطة بحث المتجهات OpenSearch Serverless.
نتائج RAG المتعددة الوسائط
الاستعلام عن الفهرس الخاص بك
يمكنك استخدام لوحات معلومات OpenSearch للتفاعل مع OpenSearch API لإجراء اختبارات سريعة على الفهرس والبيانات المستوعبة.
تنظيف
لتجنب تكبد رسوم مستقبلية، احذف الموارد. يمكنك القيام بذلك عن طريق حذف المكدس باستخدام وحدة تحكم AWS CloudFormation.
وفي الختام
تقوم المؤسسات بإنشاء محتوى جديد طوال الوقت، وتعد مجموعات الشرائح طريقة شائعة لمشاركة المعلومات ونشرها داخليًا داخل المؤسسة وخارجيًا مع العملاء أو في المؤتمرات. مع مرور الوقت، يمكن أن تظل المعلومات الغنية مدفونة ومخفية في أشكال غير نصية مثل الرسوم البيانية والجداول في مجموعات الشرائح هذه.
يمكنك استخدام هذا الحل وقوة FMs متعددة الوسائط مثل Amazon Titan Text Embeddings وClaude 3 Sonnet لاكتشاف معلومات جديدة أو الكشف عن وجهات نظر جديدة حول المحتوى في مجموعات الشرائح. يمكنك تجربة نماذج Claude المختلفة المتوفرة على Amazon Bedrock عن طريق تحديث CLAUDE_MODEL_ID
في ال globals.py
ملف.
هذا هو الجزء الثاني من سلسلة مكونة من ثلاثة أجزاء. استخدمنا Amazon Titan Multimodal Embeddings ونموذج LLaVA في الجزء الأول. وفي الجزء الثالث، سنقارن الأساليب من الجزء الأول والجزء الثاني.
يتم إصدار أجزاء من هذا الكود تحت ترخيص أباتشي 2.0.
عن المؤلفين
اميت أرورا هو مهندس متخصص في الذكاء الاصطناعي والتعلم الآلي في Amazon Web Services ، مما يساعد عملاء المؤسسات على استخدام خدمات التعلم الآلي المستندة إلى السحابة لتوسيع نطاق ابتكاراتهم بسرعة. وهو أيضًا محاضر مساعد في برنامج علوم وتحليلات بيانات MS في جامعة جورج تاون في واشنطن العاصمة
مانجو براساد هو مهندس حلول أول في Amazon Web Services. وهي تركز على تقديم التوجيه الفني في مجموعة متنوعة من المجالات التقنية، بما في ذلك الذكاء الاصطناعي/التعلم الآلي. قبل انضمامها إلى AWS، قامت بتصميم وبناء حلول للشركات في قطاع الخدمات المالية وأيضًا للشركات الناشئة. إنها شغوفة بمشاركة المعرفة وتعزيز الاهتمام بالمواهب الناشئة.
ارشانا اينابودي هو أحد كبار مهندسي الحلول في AWS، حيث يدعم العملاء الاستراتيجيين. تتمتع بأكثر من عقد من الخبرة في مختلف الصناعات في قيادة المبادرات التقنية الإستراتيجية. تعد Archana عضوًا طموحًا في المجتمع الميداني التقني للذكاء الاصطناعي/تعلم الآلة في AWS. قبل انضمامها إلى AWS، قادت Archana عملية الترحيل من مصادر البيانات المنعزلة التقليدية إلى Hadoop في إحدى شركات الرعاية الصحية. إنها متحمسة لاستخدام التكنولوجيا لتسريع النمو وتوفير القيمة للعملاء وتحقيق نتائج الأعمال.
عنتارا رايسة هو مهندس حلول الذكاء الاصطناعي وتعلم الآلة في Amazon Web Services، حيث يدعم العملاء الاستراتيجيين المقيمين في دالاس، تكساس. تتمتع أيضًا بخبرة سابقة في العمل مع شركاء المؤسسات الكبيرة في AWS، حيث عملت كمهندس حلول نجاح الشركاء للعملاء الذين يركزون على التكنولوجيا الرقمية.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/talk-to-your-slide-deck-using-multimodal-foundation-models-hosted-on-amazon-bedrock-and-amazon-sagemaker-part-2/
- :لديها
- :يكون
- :ليس
- :أين
- $ UP
- 1
- 10
- 100
- 12
- 15%
- 17
- 173
- 175
- 20
- 2019
- 2020
- 2023
- 23
- 24
- 27
- 30
- 31
- 7
- 8
- 9
- a
- القدرات
- حول المستشفى
- تسريع
- الوصول
- الوصول
- حسابي
- التأهيل
- في
- الإجراءات
- تضيف
- إضافي
- مساعد
- تبني
- مزايا
- AI
- نماذج الذكاء الاصطناعى
- AI / ML
- خوارزميات
- الكل
- على طول
- أيضا
- أمازون
- Amazon EC2
- خدمة Amazon OpenSearch
- أمازون ويب سيرفيسز
- المبالغ
- an
- تحليل
- تحليلات
- و
- والبنية التحتية
- إجابة
- الإجابة
- الأجوبة
- أنثروبي
- أي وقت
- اى شى
- API
- تطبيق
- تطوير التطبيقات
- التطبيقات
- التقديم
- نهج
- اقتراب
- ما يقرب من
- هندسة معمارية
- هي
- مصطنع
- الذكاء الاصطناعي
- الذكاء الاصطناعي وآلة التعلم
- AS
- تطلب
- تطمح
- المساعد
- أسوشيتد
- At
- المعزز
- المصادقة
- متاح
- تجنب
- AWS
- تكوين سحابة AWS
- على أساس
- BE
- كان
- قبل
- أفضل
- أفضل
- ما بين
- مليار
- الجسدي
- على حد سواء
- بنيت
- الأعمال
- لكن
- by
- دعوة
- CAN
- لا تستطيع
- قدرات
- قدرة
- يلتقط
- الحالات
- تغيير
- اسعارنا محددة من قبل وزارة العمل
- اختار
- اختيار
- زبون
- المجموعات
- الكود
- مجموعة شتاء XNUMX
- مجموعات
- جامع
- عمود
- الجمع بين
- تعليقات
- مشترك
- مجتمع
- الشركات
- حول الشركة
- مماثل
- قارن
- مقارنة
- مقارنة
- مقارنة
- إكمال
- الطلب مكتمل
- مجمع
- مكونات
- مفهوم
- مختصرا
- المؤتمرات
- الاعداد
- تكوين
- يتكون
- كنسولات
- تحتوي على
- الواردة
- يحتوي
- محتوى
- سياق الكلام
- متواصل
- تحول
- تحويلها
- التحول
- المقابلة
- استطاع
- خلق
- خلق
- يخلق
- خلق
- أوراق اعتماد
- زبون
- العملاء
- دورة
- دالاس
- لوحات
- البيانات
- علم البيانات
- قاعدة البيانات
- عقد
- على سطح السفينة
- الترتيب
- نقل
- يسلم
- الطلب
- شرح
- نشر
- وصف
- يصف
- وصف
- تصميم
- تصميم
- تفاصيل
- تطوير
- التطوير التجاري
- رسم بياني
- DICT
- فرق
- مختلف
- التوزيع
- بعد
- الأبعاد
- اكتشف
- بحث
- ناقش
- العرض
- يعرض
- do
- وثائق
- هل
- المجالات
- بإمكانك تحميله
- قيادة
- قيادة
- أثناء
- e
- كل
- فعال
- عناصر
- تضمين
- الناشئة
- تمكين
- تمكين
- تمكين
- محرك
- مشروع
- خطأ
- تقييم
- حتى
- إلا
- استثناء
- الخبره في مجال الغطس
- خبرة
- مد
- خارجيا
- استخراج
- معرفة
- حقل
- مجال
- قم بتقديم
- ملفات
- مالي
- الخدمات المالية
- ويركز
- متابعيك
- في حالة
- شكل
- تعزيز
- دورة تأسيسية
- تبدأ من
- وقود
- بالإضافة إلى
- تماما
- إضافي
- مستقبل
- توليد
- ولدت
- يولد
- توليد
- جيل
- توليدي
- الذكاء الاصطناعي التوليدي
- جورجتاون
- GitHub جيثب:
- معطى
- يعطي
- الذهاب
- الرسوم البيانية
- التسويق
- توجيه
- كان
- مقبض
- يملك
- he
- الرعاية الصحية
- مساعدة
- مخفي
- أعلى
- ويبرز
- المشاهدات
- مضيف
- استضافت
- المضيفين
- كيفية
- كيفية
- لكن
- HTML
- HTTP
- HTTPS
- الانسان
- i
- هوية
- if
- يوضح
- صورة
- صور
- فورا
- تنفيذ
- التنفيذ
- الأدوات
- تحسينات
- in
- تتضمن
- يشمل
- بما فيه
- مؤشر
- المؤشرات
- فرد
- معلومات
- البنية التحتية
- المبادرات
- الابتكار
- الابتكارات
- إدخال
- مثل
- تعليمات
- رؤيتنا
- تفاعل
- تفاعل
- مصلحة
- داخليا
- إلى
- استثمار
- IT
- انضمام
- JPG
- جسون
- يونيو
- القفل
- علم
- المعرفة
- لغة
- كبير
- كمون
- قيادة
- يؤدي
- تعلم
- ليد
- المكتبة
- حقوق الملكية الفكرية
- مثل
- محلي
- خفض
- آلة
- آلة التعلم
- صنع
- الرئيسية
- جعل
- القيام ب
- تمكن
- كثير
- مباراة
- مطابقة
- ماكس
- عضو
- ذكر
- القائمة
- رسائل
- البيانات الوصفية
- طريقة
- طرق
- هجرة
- ML
- نموذج
- عارضات ازياء
- الأكثر من ذلك
- أكثر
- MS
- الاسم
- أسماء
- طبيعي
- معالجة اللغات الطبيعية
- التنقل
- التنقل
- قائمة الإختيارات
- حاجة
- جديد
- التالي
- بدون اضاءة
- لاحظ
- مفكرة
- مرقمة
- أرقام
- of
- عرض
- on
- على الطلب
- ONE
- جاكيت
- التحسين
- or
- منظمة
- OS
- أخرى
- لنا
- خارج
- النتائج
- الناتج
- النتائج
- على مدى
- صفحة
- خبز
- المعلمة
- المعلمات
- جزء
- الشريكة
- شركاء
- أجزاء
- مرت
- عاطفي
- مسار
- إلى
- نفذ
- أداء
- تنفيذ
- أذونات
- التخصيص
- وجهات نظر
- مرحلة جديدة
- عبارات
- فيزياء
- خط أنابيب
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- سياسات الخصوصية والبيع
- منشور
- يحتمل
- قوة
- قوي
- قدم
- سابق
- قبل
- عملية المعالجة
- معالجتها
- معالجة
- البرنامج
- تقدم
- HAS
- تزود
- المقدمة
- ويوفر
- توفير
- علانية
- الكواركات
- الاستفسارات
- سؤال
- سؤال
- الأسئلة المتكررة
- سريع
- R
- خرقة
- نطاق
- سريع
- بسرعة
- عرض
- تلقى
- المشار إليه
- ذات صلة
- صدر
- ذات الصلة
- تعتمد
- لا تزال
- طلبات
- مطلوب
- بحث
- الموارد
- استجابة
- ردود
- نتيجة
- النتائج
- استرجاع
- عائد أعلى
- النوادي الثرية
- النوع
- الأدوار
- يجري
- تشغيل
- sagemaker
- نفسه
- عينة
- قول
- حجم
- علوم
- بحث
- أقسام
- القطاع
- انظر تعريف
- بدا
- اختيار
- دلالات الألفاظ
- كبير
- أرسلت
- تسلسل
- مسلسلات
- Serverless
- يخدم
- الخدمة
- خدماتنا
- الجلسة
- باكجات
- إعدادات
- مشاركة
- مشاركة
- هي
- ينبغي
- يظهر
- منعزل
- مماثل
- الاشارات
- عزباء
- المقاس
- slide
- الشرائح
- قصاصة
- حل
- الحلول
- بعض
- مصدر
- مصادر
- متخصص
- محدد
- مستقر
- كومة
- مراحل
- بدء التشغيل
- الولايه او المحافظه
- دولة من بين الفن
- خطوات
- تخزين
- متجر
- تخزين
- فروعنا
- تخزين
- إستراتيجي
- لاحق
- تحقيق النجاح
- بنجاح
- هذه
- ملخص
- قمة
- الدعم
- مدعومة
- دعم
- بالتأكيد
- جدول
- الموهوبين
- حديث
- المهام
- تقني
- التكنولوجيا
- تكنولوجيا
- قالب
- تجربه بالعربي
- اختبارات
- تكساس
- نص
- نصي
- من
- أن
- •
- المعلومات
- من مشاركة
- منهم
- then
- وبالتالي
- تشبه
- هم
- الإنتاجية
- الوقت
- مرات
- عملاق
- إلى
- أداة
- أدوات
- تورونتو
- تقليدي
- تقليديا
- طريق مختصر
- صحيح
- محاولة
- منعطف أو دور
- اثنان
- نوع
- أنواع
- كشف
- مع
- جامعة
- تحديث
- تحديث
- تستخدم
- استخدم حالات
- مستعمل
- مستخدم
- يستخدم
- استخدام
- قيمنا
- القيم
- تشكيلة
- كبير
- متعدد الجوانب
- بصري
- واشنطن
- طريق..
- we
- الويب
- خدمات ويب
- حسن
- ابحث عن
- ما هي تفاصيل
- التي
- في حين
- واسع
- مدى واسع
- على نطاق أوسع
- سوف
- مع
- في غضون
- كلمات
- عمل
- سير العمل
- عامل
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت