تمت كتابة هذا المنشور بالاشتراك مع جريج بنسون، كبير العلماء؛ آرون كيسلر، مدير المنتج الأول؛ وريتش ديل، مهندس حلول المؤسسات من شركة SnapLogic.
يقوم العديد من العملاء ببناء تطبيقات الذكاء الاصطناعي الإبداعية عليها أمازون بيدروك و أمازون CodeWhisperer لإنشاء عناصر التعليمات البرمجية بناءً على اللغة الطبيعية. تسلط حالة الاستخدام هذه الضوء على مدى قدرة نماذج اللغة الكبيرة (LLMs) على أن تصبح مترجمًا بين اللغات البشرية (الإنجليزية والإسبانية والعربية والمزيد) واللغات القابلة للترجمة الآلية (Python وJava وScala وSQL وما إلى ذلك) جنبًا إلى جنب مع اللغات المتطورة. المنطق الداخلي. أجبرت هذه القدرة الناشئة في LLMs مطوري البرامج على استخدام LLMs كأداة لتحسين تجربة المستخدم والأتمتة التي تحول اللغة الطبيعية إلى لغة خاصة بالمجال (DSL): تعليمات النظام، وطلبات واجهة برمجة التطبيقات (API)، وعناصر التعليمات البرمجية، والمزيد. في هذه التدوينة نعرض لك الطريقة سنابلوجيك، أحد عملاء AWS، استخدم Amazon Bedrock لتشغيل خدماته SnapGPT المنتج من خلال الإنشاء الآلي لعناصر DSL المعقدة من اللغة البشرية.
عندما يقوم العملاء بإنشاء كائنات DSL من LLMs، يكون DSL الناتج إما نسخة طبق الأصل أو مشتق من بيانات ومخطط الواجهة الموجودة التي تشكل العقد بين واجهة المستخدم ومنطق الأعمال في خدمة الدعم. يتجه هذا النمط بشكل خاص مع بائعي البرامج المستقلين (ISVs) ومقدمي البرامج المستقلين (SaaS) نظرًا لطريقتهم الفريدة في تمثيل التكوينات من خلال التعليمات البرمجية والرغبة في تبسيط تجربة المستخدم لعملائهم. تتضمن أمثلة حالات الاستخدام ما يلي:
الطريقة الأكثر مباشرة لإنشاء تطبيقات تحويل النص إلى خطوط الأنابيب وتوسيع نطاقها باستخدام شهادات LLM على AWS هي استخدام Amazon Bedrock. Amazon Bedrock هي الطريقة الأسهل لإنشاء تطبيقات الذكاء الاصطناعي التوليدية وتوسيع نطاقها باستخدام النماذج الأساسية (FMs). إنها خدمة مُدارة بالكامل توفر إمكانية الوصول إلى مجموعة مختارة من أجهزة FM الأساسية عالية الأداء من الذكاء الاصطناعي الرائد عبر واجهة برمجة تطبيقات واحدة، إلى جانب مجموعة واسعة من الإمكانات التي تحتاجها لإنشاء تطبيقات ذكاء اصطناعي مولدة تتمتع بالخصوصية والأمان. يعد Anthropic، وهو مختبر أبحاث وسلامة الذكاء الاصطناعي الذي يبني أنظمة ذكاء اصطناعي موثوقة وقابلة للتفسير وقابلة للتوجيه، إحدى شركات الذكاء الاصطناعي الرائدة التي توفر الوصول إلى ماجستير إدارة الأعمال المتطور الخاص بها، كلود، على Amazon Bedrock. كلود هو ماجستير في القانون يتفوق في مجموعة واسعة من المهام، بدءًا من الحوار المدروس وإنشاء المحتوى والتفكير المعقد والإبداع والبرمجة. تقدم Anthropic كلا من نماذج Claude وClaude Instant، وكلها متاحة من خلال Amazon Bedrock. لقد اكتسب كلود شعبية بسرعة في تطبيقات تحويل النص إلى خطوط الأنابيب هذه بسبب قدرته المحسنة على التفكير، مما يسمح له بالتفوق في حل المشكلات الفنية الغامضة. يدعم Claude 2 على Amazon Bedrock نافذة سياق مكونة من 100,000 رمز، وهو ما يعادل حوالي 200 صفحة من النص الإنجليزي. هذه ميزة مهمة بشكل خاص يمكنك الاعتماد عليها عند إنشاء تطبيقات تحويل النص إلى خطوط الأنابيب التي تتطلب تفكيرًا معقدًا وتعليمات تفصيلية وأمثلة شاملة.
خلفية سنابلوجيك
SnapLogic هو أحد عملاء AWS في مهمة تتمثل في جلب أتمتة المؤسسات إلى العالم. يمكّن نظام SnapLogic للتكامل الذكي (IIP) المؤسسات من تحقيق الأتمتة على مستوى المؤسسة من خلال ربط النظام البيئي الكامل للتطبيقات وقواعد البيانات والبيانات الضخمة والآلات والأجهزة وواجهات برمجة التطبيقات والمزيد باستخدام موصلات ذكية مبنية مسبقًا تسمى Snaps. أصدر SnapLogic مؤخرًا ميزة تسمى SnapGPT، والذي يوفر واجهة نصية حيث يمكنك كتابة مسار التكامل المطلوب الذي تريد إنشاءه بلغة بشرية بسيطة. يستخدم SnapGPT نموذج Anthropic's Claude من خلال Amazon Bedrock لأتمتة إنشاء مسارات التكامل هذه كرمز، والتي يتم استخدامها بعد ذلك من خلال حل التكامل الرئيسي الخاص بـ SnapLogic. ومع ذلك، كانت رحلة SnapLogic إلى SnapGPT تتويجًا لسنوات عديدة من العمل في مجال الذكاء الاصطناعي.
رحلة الذكاء الاصطناعي لـ SnapLogic
في مجال منصات التكامل، كانت SnapLogic دائمًا في الطليعة، حيث قامت بتسخير القوة التحويلية للذكاء الاصطناعي. على مر السنين، أصبح التزام الشركة بالابتكار في مجال الذكاء الاصطناعي واضحًا، خاصة عندما نتتبع الرحلة من قزحية إلى ارتباط تلقائي.
البدايات المتواضعة مع إيريس
في عام 2017، كشفت SnapLogic عن Iris، وهو أول مساعد تكامل يعمل بالذكاء الاصطناعي في الصناعة. تم تصميم Iris لاستخدام خوارزميات التعلم الآلي (ML) للتنبؤ بالخطوات التالية في بناء خط أنابيب البيانات. من خلال تحليل الملايين من عناصر البيانات الوصفية وتدفقات البيانات، يمكن لـ Iris تقديم اقتراحات ذكية للمستخدمين، وإضفاء الطابع الديمقراطي على تكامل البيانات والسماح حتى لأولئك الذين ليس لديهم خلفية تقنية عميقة بإنشاء مسارات عمل معقدة.
الارتباط التلقائي: بناء الزخم
بناءً على النجاح والتعلم من Iris، قدمت SnapLogic ميزة AutoLink، وهي ميزة تهدف إلى تبسيط عملية تعيين البيانات بشكل أكبر. أصبحت المهمة الشاقة المتمثلة في تعيين الحقول يدويًا بين أنظمة المصدر والهدف أمرًا سهلاً باستخدام الارتباط التلقائي. باستخدام الذكاء الاصطناعي، يقوم الرابط التلقائي بتحديد المطابقات المحتملة واقتراحها تلقائيًا. عمليات التكامل التي كانت تستغرق ساعات في السابق، يمكن تنفيذها في دقائق معدودة.
القفزة الإنتاجية مع SnapGPT
أحدث غزوة SnapLogic في مجال الذكاء الاصطناعي تقدم لنا SnapGPT، الذي يهدف إلى إحداث ثورة في التكامل بشكل أكبر. باستخدام SnapGPT، يقدم SnapLogic أول حل للتكامل التوليدي في العالم. لا يقتصر الأمر على تبسيط العمليات الحالية فحسب، بل يتعلق أيضًا بإعادة تصور كيفية تصميم عمليات التكامل بالكامل. يمكن لقوة الذكاء الاصطناعي التوليدي إنشاء مسارات تكامل كاملة من الصفر، وتحسين سير العمل بناءً على النتائج المرجوة وخصائص البيانات.
يعد SnapGPT مؤثرًا للغاية بالنسبة لعملاء SnapLogic لأنهم قادرون على تقليل مقدار الوقت المطلوب بشكل كبير لإنشاء أول مسار SnapLogic خاص بهم. تقليديًا، يحتاج عملاء SnapLogic إلى قضاء أيام أو أسابيع في تكوين مسارات التكامل من البداية. الآن، أصبح بإمكان هؤلاء العملاء ببساطة أن يطلبوا من SnapGPT، على سبيل المثال، "إنشاء خط أنابيب سينقل جميع عملاء SFDC النشطين إلى WorkDay." يتم إنشاء مسودة أولية عاملة لمسار التكامل تلقائيًا لهذا العميل، مما يقلل بشكل كبير من وقت التطوير المطلوب لإنشاء قاعدة مسار التكامل الخاص به. يتيح ذلك للعميل النهائي قضاء المزيد من الوقت في التركيز على ما له تأثير حقيقي على الأعمال بدلاً من العمل على تكوينات مسار التكامل. يوضح المثال التالي كيف يمكن لعميل SnapLogic إدخال وصف في ميزة SnapGPT لإنشاء مسار سريعًا، باستخدام اللغة الطبيعية.
لقد تعاونت AWS وSnapLogic بشكل وثيق خلال عملية إنشاء هذا المنتج وتعلمتا الكثير على طول الطريق. سيركز باقي هذا المنشور على الدروس التقنية التي حصلت عليها AWS وSnapLogic حول استخدام LLMs لتطبيقات تحويل النص إلى خطوط الأنابيب.
حل نظرة عامة
لحل مشكلة تحويل النص إلى مسار، صممت AWS وSnapLogic حلاً شاملاً موضحًا في البنية التالية.
يمر طلب SnapGPT عبر سير العمل التالي:
- يقوم المستخدم بإرسال وصف للتطبيق.
- يستخدم SnapLogic أسلوب إنشاء الاسترجاع المعزز (RAG) لاسترداد الأمثلة ذات الصلة لخطوط أنابيب SnapLogic المشابهة لطلب المستخدم.
- يتم دمج هذه الأمثلة ذات الصلة المستخرجة مع مدخلات المستخدم وتخضع لبعض المعالجة المسبقة للنص قبل إرسالها إلى Claude على Amazon Bedrock.
- ينتج كلود قطعة أثرية JSON تمثل خط أنابيب SnapLogic.
- تم دمج قطعة JSON مباشرة في منصة تكامل SnapLogic الأساسية.
- يتم تقديم خط أنابيب SnapLogic للمستخدم بطريقة مرئية سهلة الاستخدام.
من خلال التجارب المختلفة بين AWS وSnapLogic، وجدنا أن الخطوة الهندسية السريعة لمخطط الحل مهمة للغاية لإنشاء مخرجات عالية الجودة لمخرجات تحويل النص إلى مسار. يتطرق القسم التالي إلى بعض التقنيات المحددة المستخدمة مع كلود في هذا المجال.
التجريب الفوري
طوال مرحلة تطوير SnapGPT، وجدت AWS وSnapLogic أن التكرار السريع للمطالبات التي يتم إرسالها إلى Claude كان مهمة تطوير حاسمة لتحسين دقة وملاءمة مخرجات تحويل النص إلى مسار في مخرجات SnapLogic. باستخدام أمازون ساجميكر ستوديو دفاتر الملاحظات التفاعلية، تمكن فريق AWS وSnapLogic من العمل بسرعة من خلال إصدارات مختلفة من المطالبات باستخدام اتصال Boto3 SDK بـ Amazon Bedrock. سمح التطوير المعتمد على الكمبيوتر المحمول للفرق بإنشاء اتصالات من جانب العميل بسرعة مع Amazon Bedrock، وتضمين أوصاف نصية إلى جانب رمز Python لإرسال المطالبات إلى Amazon Bedrock، وعقد جلسات هندسية سريعة مشتركة حيث تم إجراء التكرارات بسرعة بين عدة أشخاص.
أنثروبي كلود الأساليب الهندسية السريعة
في هذا القسم، نصف بعض الأساليب التكرارية التي استخدمناها لإنشاء مطالبة عالية الأداء بناءً على طلب توضيحي للمستخدم: "قم بإنشاء خط أنابيب يستخدم قاعدة بيانات exampleCompany التي تسترد جميع العملاء النشطين." لاحظ أن هذا المثال ليس هو المخطط الذي يدعمه SnapGPT، ويستخدم فقط لتوضيح تطبيق تحويل النص إلى مسار.
لتحديد الأساس الهندسي الفوري لدينا، نستخدم المطالبة الأصلية التالية:
قم بإنشاء خط أنابيب يستخدم قاعدة بيانات exampleCompany التي تسترد جميع العملاء النشطين
الناتج المتوقع هو كما يلي:
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
التحسين رقم 1: استخدام التعليقات التوضيحية البشرية والمساعدية
يُعلم إجراء تدريب كلود وزير الخارجية فهم الحوار بين الإنسان والمساعد في بنيته السريعة. يمكن لمستخدمي Claude الاستفادة من هذه البنية من خلال إنهاء المطالبة الخاصة بهم في المساعد:، الأمر الذي سيحفز Claude لبدء إنشاء الرد على استعلام بناءً على ما قاله الإنسان. لاحظ أنه نظرًا لأن Claude سيستمر في إنشاء النص حتى يُطلب منه التوقف، فتأكد من استخدام تسلسل إيقاف nnHuman: في طلب واجهة برمجة التطبيقات إلى Amazon Bedrock عند استخدام Claude. سيضمن هذا أنك تتلقى الرد من المساعد فقط وليس الرد التالي المتوقع من الإنسان في سلسلة الحوار. لا تساعد هذه المؤشرات البشرية والمساعدات في الحد من استجابة كلود للمعلومات ذات الصلة فحسب، بل تساعد أيضًا في توفير ترسيم واضح بين المدخلات البشرية الأساسية والاستجابات المساعدة من التفاعلات الأخرى. يساعد هذا بشكل خاص في إعداد الموجهات السريعة حيث يمكنك الحصول على استعلامات واستجابات متعددة مع الاستعلامات الموسومة بـ nnHuman والاستجابات السابقة الموسومة بـ nnAssistant. دعونا نلقي نظرة على المطالبة المحسنة واستدعاء واجهة برمجة التطبيقات التوضيحية المرتبطة بها إلى Amazon Bedrock عبر Boto3 SDK.
نستخدم الموجه التالي:
الإنسان: قم بإنشاء خط أنابيب يستخدم قاعدة بيانات exampleCompany التي تسترد جميع العملاء النشطين
مساعد:
الإخراج كما يلي:
فيما يلي خط أنابيب MongoDB لاسترداد كافة العملاء النشطين من قاعدة بيانات exampleCompany:
pipeline = [ { '$match': { 'database': 'ExampleCompany', 'status': 'active' } } ] db.customers.aggregate(pipeline)
الخطوات الرئيسية هي:
– `$match` لتصفية المستندات إلى تلك الموجودة في قاعدة بيانات exampleCompany فقط والتي تكون الحالة فيها "نشطة".
– يقوم `db.customers.aggregate()` بتشغيل التدفق على مجموعة العملاء وإرجاع النتائج التي تمت تصفيتها.
سيؤدي ذلك إلى إرجاع جميع مستندات العميل من قاعدة بيانات شركة exampleCompany حيث تم تعيين حقل الحالة على "نشط".
لاحظ كيف يقوم كلود في النتيجة بتأليف إجابة لسؤالنا دون أي سياق. من المحتمل أن تكون الإجابة مفيدة، ولكنها ليست محددة للمشكلة التي نحاول حلها لأنها لا تحتوي على سياق كافٍ. من المهم أيضًا ملاحظة أن Anthropic يتطلب هذا التنسيق البشري والمساعد عند استخدام نماذج Claude؛ إذا لم تقم بتضمين هذه الخطوة، فسوف تقوم Amazon Bedrock بإرجاع خطأ.
التحسين رقم 2: قم بتضمين سياق محدد للغاية لكلود قبل أن يتم إخباره بما يجب فعله
يؤدي كلود أفضل أداء عندما يتم إعطاؤه سياقًا جيدًا حول ما يحتاج إلى تحقيقه وكذلك كيف من المفترض أن ينجز هذه المهمة. فيما يلي بعض الأمثلة على الأشياء التي يجب تضمينها كسياق لكلود قبل أن تخبره بالمهمة:
- قم بوصف الوظيفة التي تريد من كلود أن يقوم بها. من خلال القيام بذلك، فإنك تجعل كلود يفكر في دور شخص يعمل في تلك الوظيفة، أو أشبه بشخص تم تعيينه للتو في هذا الدور الوظيفي المحدد. سيساعد هذا كلود في صياغة الإجابة من منظور الدور الوظيفي المحدد، مما يقلل من الهلوسة والعشوائية في الإجابة.
- قم بتضمين التفاصيل الفنية المتعلقة بتنسيق الإخراج. تعد النماذج الأساسية جيدة بشكل عام في متابعة الإجراءات، لذا فإن مطالبة Claude بإنشاء المخرجات بتنسيق أو مخطط معين باستخدام مثال واحد أو بضعة أمثلة سيساعد Claude على تقديم الإجابة بالتنسيق الصحيح، مما يقلل الحاجة إلى تصفية المخرجات ومعالجتها بعد ذلك. يوضح المثال الموجود في الموجه التالي مخططًا وهميًا يطابق المخرجات المتوقعة.
دعونا ندمج هذه الاقتراحات لتحسين مطالبتنا الأصلية:
الإنسان: مهمتك هي أن تكون خبيرًا في خطوط أنابيب ETL. على وجه التحديد، مهمتك هي إنشاء تمثيل JSON لخط أنابيب ETL والذي سيحل طلب المستخدم المقدم لك.
يجب أن يتبع إخراج JSON التنسيق التالي:
ها هي مهمتك: إنشاء خط أنابيب يستخدم قاعدة بيانات exampleCompany التي تسترد جميع العملاء النشطين
مساعد:
الإخراج كما يلي:
فيما يلي تمثيل JSON لخط أنابيب ETL لاسترداد جميع العملاء النشطين من قاعدة بيانات exampleCompany:
يستخدم خط الأنابيب هذا قاعدة بيانات exampleCompany واستعلام SQL لتحديد كافة السجلات من جدول العملاء حيث تكون الحالة "نشطة".
ومع إضافة السياق، أصبح النموذج الآن قادرًا على قطع معظم الطريق للوصول إلى إجابتنا. إنه يعرف الآن كيفية تنظيم الإخراج ويدرك أنه يحتاج إلى كتابة عبارة SQL لحل المهمة. ومع ذلك، ستلاحظ أن النموذج لا يستخدم بشكل صحيح تسمية ec_prod.customers التي نتوقعها. مجال للتحسين! لاحظ أيضًا، من الناحية العملية، ستحتاج إلى تضمين سياق أكبر بكثير مما قدمناه في هذا المثال للحصول على نتائج عالية الجودة في حالات استخدام تحويل النص إلى مسار.
التحسين رقم 3: تضمين الأمثلة في علامات XML
يعد التعلم باللقطات القليلة طريقة شائعة لزيادة الدقة مع FMs حيث يكون لديك أمثلة ذات صلة لتوجيه FM في مهمتهم. يعد هذا مهمًا بشكل خاص عند العمل في تطبيقات تحويل النص إلى خطوط الأنابيب نظرًا لأن مخرجات خطوط الأنابيب شديدة التحديد هذه لا يتم تضمينها عادةً في أي مجموعة بيانات عامة لأنها خاصة بتمثيل بيانات العميل الفردي. عند استخدام Claude، يمكنك الاستفادة من معرفته الفطرية بعلامات XML العشوائية من أجل تقديم هذه الأمثلة بتنسيق بضع لقطات. في المطالبة المحسنة التالية، لاحظ إضافة الأمثلة المضمنة في علامات XML. يمكنك أيضًا استخدام اختصارات Human ومساعد H وA لتوفير سياق لكلود دون جعله يعتقد أن هذه كانت أجزاء محددة من الحوار الذي حدث بالفعل.
نستخدم الموجه التالي:
الإنسان: مهمتك هي أن تكون خبيرًا في خطوط أنابيب ETL. على وجه التحديد، مهمتك هي إنشاء تمثيل JSON لخط أنابيب ETL والذي سيحل طلب المستخدم المقدم لك.
يجب أن يتبع إخراج JSON التنسيق التالي:
فيما يلي بعض الأمثلة على طلبات المستخدم ومخرجات JSON المرتبطة بها والتي تحل المهمة المقدمة بشكل صحيح. تأكد من استخدام نفس التسميات الواردة في الأمثلة إذا كنت تستخدم نفس قواعد البيانات.
ح: الاستعلام عن قاعدة بيانات شركة المثال عن أي طلبات نشطة للعميل رقم 1234
A:
سبب هذا الاستعلام هو أنه تمت تصفية العميل رقم 1234 ونحن نبحث في جدول "الطلبات" عن أي سجلات موجودة بعد عامل التصفية "النشط".
ح: قم بإزالة جميع العملاء الموجودين في قاعدة بيانات exampleCompany والذين لم يكونوا نشطين في الشهر الماضي
A:
سبب هذا الاستعلام هو أن الجدول "ec_prod.customers" هو الجدول الوحيد في قاعدة بيانات exampleCompany الذي يحتوي على سجلات العملاء.
ها هي مهمتك: إنشاء خط أنابيب يستخدم قاعدة بيانات exampleCompany التي تسترد جميع العملاء النشطين.
مساعد:
الإخراج كما يلي:
فيما يلي تمثيل JSON لخط أنابيب ETL لاسترداد جميع العملاء النشطين من قاعدة بيانات exampleCompany:
المنطق هو:
تم تحديد قاعدة بيانات exampleCompany كقاعدة بيانات سيتم استخدامها
يحتوي جدول ec_prod.customers على بيانات العميل
يشير حقل الحالة إلى ما إذا كان العميل نشطًا، وبالتالي يتم تصفية الاستعلام للعملاء النشطين فقط
يجب أن يقوم هذا باسترداد كافة سجلات العملاء النشطة من قاعدة بيانات exampleCompany. اسمحوا لي أن أعرف إذا كنت بحاجة إلى أي توضيح أو لديك متطلبات إضافية لخط أنابيب ETL!
أصبح لدى مخرجات JSON الآن تسمية قاعدة البيانات الصحيحة، والتي تمكن كلود من استخدامها بسبب الأمثلة التي قدمناها. إن اقتران المؤشرات البشرية والمساعدية بعلامات XML يجعل من السهل على كلود فهم المهمة والإجابة في الأمثلة المشابهة مع فصل واضح جدًا بين الأمثلة القليلة المتعددة. كلما كان من الأسهل على كلود أن يفهم، كلما كانت الإجابة أفضل وأكثر صلة بالموضوع، مما يقلل من فرصة إصابة النموذج بالهلوسة وتقديم إجابات عشوائية غير ذات صلة.
التحسين رقم 4: تحفيز Claude لبدء إنشاء JSON باستخدام علامات XML
يتمثل أحد التحديات الصغيرة في تطبيقات تحويل النص إلى خطوط الأنابيب باستخدام FMs في الحاجة إلى تحليل مخرجات النص الناتج بدقة بحيث يمكن تفسيرها على أنها تعليمات برمجية في تطبيق المصب. إحدى الطرق لحل هذه المشكلة مع Claude هي الاستفادة من فهم علامة XML الخاصة به ودمج ذلك مع تسلسل توقف مخصص. في الموجه التالي، طلبنا من كلود أن يرفق المخرجات علامات XML. وبعد ذلك قمنا بإضافة علامة إلى نهاية المطالبة. وهذا يضمن أن النص الأول الذي يخرج من Claude سيكون بداية إخراج JSON. إذا لم تفعل ذلك، فغالبًا ما يستجيب كلود ببعض نصوص المحادثة، ثم الاستجابة الرمزية الحقيقية. من خلال توجيه كلود للبدء فورًا في إنشاء المخرجات، يمكنك بسهولة إيقاف عملية الإنشاء عندما ترى الإغلاق بطاقة شعار. يظهر هذا في استدعاء Boto3 API المحدث. فوائد هذه التقنية ذات شقين. أولاً، أنت قادر على تحليل استجابة الكود من كلود بدقة. ثانيًا، أنت قادر على تقليل التكلفة لأن Claude يقوم بإنشاء مخرجات التعليمات البرمجية فقط ولا يوجد نص إضافي. يؤدي هذا إلى تقليل التكلفة على Amazon Bedrock لأنه يتم محاسبتك على كل رمز مميز يتم إنتاجه كمخرجات من جميع FMs.
نستخدم الموجه التالي:
الإنسان: مهمتك هي أن تكون خبيرًا في خطوط أنابيب ETL. على وجه التحديد، مهمتك هي إنشاء تمثيل JSON لخط أنابيب ETL والذي سيحل طلب المستخدم المقدم لك.
يجب أن يتبع إخراج JSON التنسيق التالي:
فيما يلي بعض الأمثلة على طلبات المستخدم ومخرجات JSON المرتبطة بها والتي تحل المهمة المقدمة بشكل صحيح. تأكد من استخدام نفس التسميات الواردة في الأمثلة إذا كنت تستخدم نفس قواعد البيانات.
ح: الاستعلام عن قاعدة بيانات شركة المثال عن أي طلبات نشطة للعميل رقم 1234
A:
سبب هذا الاستعلام هو أنه تمت تصفية العميل رقم 1234 ونحن نبحث في جدول "الطلبات" عن أي سجلات موجودة بعد عامل التصفية "النشط".
ح: قم بإزالة جميع العملاء الموجودين في قاعدة بيانات exampleCompany والذين لم يكونوا نشطين في الشهر الماضي
A:
سبب هذا الاستعلام هو أن الجدول "ec_prod.customers" هو الجدول الوحيد في قاعدة بيانات exampleCompany الذي يحتوي على سجلات العملاء.
تذكر دائمًا تضمين مخرجات JSON الخاصة بك العلامات.
ها هي مهمتك: إنشاء خط أنابيب يستخدم قاعدة بيانات exampleCompany التي تسترد جميع العملاء النشطين.
مساعد:
نستخدم الكود التالي:
body = json.dumps({"prompt": prompt, "stop_sequences": ['nnHuman:', '</json>']})
response = bedrock.invoke_model( body=body, modelId='anthropic.claude-v2'
)
الإخراج كما يلي:
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
لقد وصلنا الآن إلى المخرجات المتوقعة مع إرجاع كائن JSON فقط! باستخدام هذه الطريقة، نحن قادرون على إنشاء قطعة أثرية تقنية قابلة للاستخدام على الفور بالإضافة إلى تقليل تكلفة الإنشاء عن طريق تقليل الرموز المميزة للمخرجات.
وفي الختام
للبدء اليوم باستخدام SnapGPT، اطلب أ تجربة مجانية لبرنامج SnapLogic or طلب عرض توضيحي للمنتج. إذا كنت ترغب في استخدام هذه المفاهيم لبناء التطبيقات اليوم، فإننا نوصي بذلك تجربة التدريب العملي من خلال قسم الهندسة السريعة في هذا المنشور، واستخدام نفس التدفق في حالة استخدام مختلفة لجيل DSL التي تناسب عملك، والتعمق أكثر في ميزات RAG المتوفرة من خلال Amazon Bedrock.
تمكنت SnapLogic وAWS من الشراكة بشكل فعال لبناء مترجم متقدم بين اللغة البشرية والمخطط المعقد لخطوط تكامل SnapLogic التي تدعمها Amazon Bedrock. طوال هذه الرحلة، رأينا كيف يمكن تحسين المخرجات التي تم إنشاؤها بواسطة Claude في تطبيقات تحويل النص إلى خطوط أنابيب باستخدام تقنيات هندسية سريعة محددة. إن AWS وSnapLogic متحمسان لمواصلة هذه الشراكة في Geneative AI ويتطلعان إلى التعاون والابتكار في المستقبل في هذا المجال سريع الحركة.
حول المؤلف
جريج بنسون هو أستاذ علوم الكمبيوتر في جامعة سان فرانسيسكو وكبير العلماء في SnapLogic. انضم إلى قسم علوم الكمبيوتر بجامعة جنوب فلوريدا في عام 1998 وقام بتدريس دورات البكالوريوس والدراسات العليا بما في ذلك أنظمة التشغيل، وهندسة الكمبيوتر، ولغات البرمجة، والأنظمة الموزعة، والبرمجة التمهيدية. قام جريج بنشر أبحاث في مجالات أنظمة التشغيل والحوسبة المتوازية والأنظمة الموزعة. منذ انضمامه إلى SnapLogic في عام 2010، ساعد جريج في تصميم وتنفيذ العديد من ميزات النظام الأساسي الرئيسية بما في ذلك المعالجة العنقودية ومعالجة البيانات الضخمة والهندسة السحابية والتعلم الآلي. يعمل حاليًا على الذكاء الاصطناعي التوليدي لتكامل البيانات.
آرون كيسلر هو مدير المنتج الأول لمنتجات وخدمات الذكاء الاصطناعي في SnapLogic، ويطبق آرون أكثر من عشر سنوات من الخبرة في إدارة المنتجات لريادة تطوير منتجات الذكاء الاصطناعي/التعلم الآلي ونشر الخدمات عبر المؤسسة. وهو مؤلف الكتاب القادم "ما هي مشكلتك؟" تهدف إلى توجيه مديري المنتجات الجديدة من خلال مهنة إدارة المنتجات. بدأت رحلته في ريادة الأعمال مع شركته الناشئة في الكلية، STAK، والتي استحوذت عليها شركة Carvertise لاحقًا، وساهم آرون بشكل كبير في الاعتراف بها كأفضل شركة ناشئة في مجال التكنولوجيا لعام 2015 في ولاية ديلاوير. بالإضافة إلى مساعيه المهنية، يجد آرون متعة في لعب الجولف مع والده، واستكشاف ثقافات وأطعمة جديدة أثناء رحلاته، وممارسة القيثارة.
الشبت الغني هو مهندس الحلول الرئيسي الذي يتمتع بخبرة في القطع على نطاق واسع عبر مجالات متعددة من التخصص. سجل حافل من النجاح يشمل برامج المؤسسات متعددة المنصات وSaaS. معروف جيدًا بتحويل دعم العملاء (العمل كصوت العميل) إلى ميزات ومنتجات جديدة مدرة للدخل. أثبتت قدرتها على دفع المنتجات المتطورة إلى السوق والمشاريع حتى تكتمل في الموعد المحدد وبأقل من الميزانية في بيئات برية وبحرية سريعة الخطى. طريقة بسيطة لوصفي: عقل عالم، وقلب مستكشف، وروح فنان.
كلاي إلمور هو مهندس حلول متخصص في الذكاء الاصطناعي/تعلم الآلة في AWS. وبعد قضاء ساعات طويلة في معمل أبحاث المواد، سرعان ما تخلى عن خلفيته في الهندسة الكيميائية لمتابعة اهتمامه بالتعلم الآلي. لقد عمل على تطبيقات تعلم الآلة في العديد من الصناعات المختلفة بدءًا من تجارة الطاقة إلى تسويق الضيافة. يتمحور عمل Clay الحالي في AWS حول مساعدة العملاء على جلب ممارسات تطوير البرامج إلى أعباء عمل تعلم الآلة والذكاء الاصطناعي التوليدية، مما يسمح للعملاء ببناء حلول قابلة للتكرار وقابلة للتطوير في هذه البيئات المعقدة. في أوقات فراغه، يستمتع كلاي بالتزلج وحل مكعبات الروبيك والقراءة والطهي.
سينا سجودي هو مدير تنفيذي للتكنولوجيا، ومهندس أنظمة، وقائد منتج، ومؤسس سابق ومستشار للشركات الناشئة. انضم إلى AWS في مارس 2021 بصفته مهندس الحلول الرئيسي. يشغل سينا حاليًا منصب مهندس الحلول الرائد في منطقة غرب الولايات المتحدة ISV. وهو يعمل مع شركات برمجيات SaaS وB2B لبناء أعمالها وتنميتها على AWS. قبل منصبه في Amazon، كان سينا مديرًا تنفيذيًا للتكنولوجيا في VMware وPivotal Software (الاكتتاب العام في عام 2018، VMware M&A في عام 2020) وخدم في أدوار قيادية متعددة بما في ذلك المهندس المؤسس في Xtreme Labs (الاستحواذ المحوري في عام 2013). كرس سينا الخمسة عشر عامًا الماضية من خبرته العملية لبناء منصات وممارسات برمجية للمؤسسات وشركات البرمجيات والقطاع العام. إنه رائد في الصناعة ولديه شغف بالابتكار. سينا حاصل على درجة البكالوريوس من جامعة واترلو حيث درس الهندسة الكهربائية وعلم النفس.
سانديب روهيلا هو أحد كبار مهندسي الحلول في AWS، حيث يدعم عملاء ISV في منطقة غرب الولايات المتحدة. وهو يركز على مساعدة العملاء على تصميم الحلول التي تستفيد من الحاويات والذكاء الاصطناعي التوليدي على سحابة AWS. سانديب شغوف بفهم المشاكل التجارية للعملاء ومساعدتهم على تحقيق أهدافهم من خلال التكنولوجيا. انضم إلى AWS بعد أن عمل لأكثر من عقد من الزمن كمهندس حلول، مستفيدًا من خبرته التي تمتد إلى 17 عامًا. سانديب حاصل على درجة الماجستير. دكتوراه في هندسة البرمجيات من جامعة غرب إنجلترا في بريستول بالمملكة المتحدة.
د.فاروق صابر هو مهندس حلول متخصص في الذكاء الاصطناعي وتعلم الآلة في AWS. وهو حاصل على درجتي الدكتوراه والماجستير في الهندسة الكهربائية من جامعة تكساس في أوستن ودرجة الماجستير في علوم الكمبيوتر من معهد جورجيا للتكنولوجيا. لديه أكثر من 15 عامًا من الخبرة العملية ويحب أيضًا تعليم وإرشاد طلاب الجامعات. في AWS ، يساعد العملاء على صياغة مشاكل أعمالهم وحلها في علوم البيانات والتعلم الآلي ورؤية الكمبيوتر والذكاء الاصطناعي والتحسين العددي والمجالات ذات الصلة. من مقره في دالاس ، تكساس ، يحب هو وعائلته السفر والقيام برحلات طويلة على الطريق.
- 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/how-snaplogic-built-a-text-to-pipeline-application-with-amazon-bedrock-to-translate-business-intent-into-action/
- :لديها
- :يكون
- :ليس
- :أين
- $ UP
- 10
- 100
- 121
- 14
- 15 سنة
- 15%
- 150
- 17
- 1998
- 200
- 2013
- 2015
- 2017
- 2018
- 2020
- 2021
- 31
- 33
- 7
- 8
- 9
- a
- هارون
- القدرة
- ماهرون
- من نحن
- الوصول
- إنجاز
- دقة
- التأهيل
- المكتسبة
- استحواذ
- في
- عمل
- اكشن
- الإجراءات
- نشط
- وأضاف
- إضافة
- إضافي
- متقدم
- مميزات
- المستشار
- الدعوة
- بعد
- AI
- أنظمة الذكاء الاصطناعي
- AI-بالطاقة
- AI / ML
- تهدف
- وتهدف
- خوارزميات
- الكل
- سمح
- السماح
- يسمح
- على طول
- جنبا إلى جنب
- سابقا
- أيضا
- أمازون
- أمازون ويب سيرفيسز
- كمية
- an
- تحليل
- و
- إجابة
- الأجوبة
- أنثروبي
- أي وقت
- API
- واجهات برمجة التطبيقات
- تطبيق
- التطبيقات
- ينطبق
- نهج
- التطبيقات
- العربية
- هندسة معمارية
- هي
- المنطقة
- المناطق
- حول
- وصل
- فنـون
- مصطنع
- الذكاء الاصطناعي
- الذكاء الاصطناعي وآلة التعلم
- فنان
- AS
- تطلب
- يسأل
- المساعد
- أسوشيتد
- At
- المعزز
- أوستن
- المؤلفة
- أتمتة
- الآلي
- تلقائيا
- أتمتة
- متاح
- AWS
- عميل AWS
- دليل الشركات
- خلفية
- دعم
- قاعدة
- على أساس
- خط الأساس
- BE
- دب
- وأصبح
- لان
- أصبح
- كان
- قبل
- بدأ
- بدأ
- وراء
- يجري
- الفوائد
- أفضل
- أفضل
- ما بين
- Beyond
- كبير
- البيانات الكبيرة
- كتاب
- على حد سواء
- نسيم
- جلب
- وبذلك
- يجلب
- بريستول
- واسع
- بصورة عامة
- ميزانية
- نساعدك في بناء
- ابني
- يبني
- بنيت
- الأعمال
- الأعمال
- لكن
- by
- دعوة
- تسمى
- CAN
- قدرات
- التوظيف
- حقيبة
- الحالات
- مراكز
- سلسلة
- تحدى
- فرصة
- الخصائص
- متهم
- مادة كيميائية
- رئيس
- خيار
- واضح
- عن كثب
- إغلاق
- سحابة
- كتلة
- الكود
- البرمجة
- تعاونت
- للاتعاون
- مجموعة شتاء XNUMX
- كلية
- دمج
- الجمع بين
- يأتي
- التزام
- الشركات
- الشركة
- اضطرت
- إكمال
- مجمع
- شامل
- الكمبيوتر
- علوم الكمبيوتر
- رؤية الكمبيوتر
- الحوسبة
- المفاهيم
- تكوين
- الرابط
- صلة
- التواصل
- باتساق
- حاويات
- يحتوي
- محتوى
- انشاء محتوى
- سياق الكلام
- استمر
- عقد
- المساهمة
- تحادثي
- جوهر
- تصحيح
- بشكل صحيح
- التكلفة
- استطاع
- دورات
- خلق
- خلق
- خلق
- الإبداع
- حرج
- حالياًّ
- حاليا
- على
- زبون
- العملاء
- قطع
- المتطور والحديث
- دالاس
- البيانات
- معالجة المعلومات
- علم البيانات
- قاعدة البيانات
- قواعد البيانات
- أيام
- عقد
- تخفيض
- مخصصة
- عميق
- أعمق
- ولاية ديلاوير
- عرض
- الديمقراطية
- القسم
- المشتق
- وصف
- وصف
- تصميم
- تصميم
- رغبة
- مطلوب
- مفصلة
- تفاصيل
- المطورين
- التطوير التجاري
- الأجهزة
- حوار
- مختلف
- مباشرة
- وزعت
- الانظمة الموزعة
- غوص
- do
- وثائق
- لا
- فعل
- المجالات
- لا
- إلى أسفل
- مسودة
- بشكل جذري
- قيادة
- اثنان
- كل
- أسهل
- أسهل
- بسهولة
- النظام الإيكولوجي
- على نحو فعال
- إما
- عناصر
- تمكن
- النهاية
- إنهاء
- طاقة
- مهندس
- الهندسة
- إنكلترا
- انجليزي
- كاف
- ضمان
- يضمن
- أدخل
- مشروع
- المشاريع والبرامج
- الشركات
- كامل
- تماما
- الأعمال الحرة
- البيئات
- متساو
- معادل
- خطأ
- خاصة
- حتى
- واضح
- بالضبط
- مثال
- أمثلة
- Excel
- متحمس
- تنفيذي
- القائمة
- متوقع
- تتوقع
- الخبره في مجال الغطس
- خبير
- خبرة
- مستكشف
- استكشاف
- احتفل على
- جدا
- للعائلات
- سريع الحركة
- خطى سريعة
- الميزات
- المميزات
- قليل
- حقل
- مجال
- تصفية
- تصفية
- مرشحات
- ويرى
- الاسم الأول
- الرائد
- تدفق
- يطفو
- تركز
- ويركز
- التركيز
- اتباع
- متابعيك
- متابعات
- الأطعمة
- في حالة
- غزوة
- طليعة
- شكل
- أشكال
- إلى الأمام
- وجدت
- دورة تأسيسية
- تأسيس
- فرانسيسكو
- ودود
- تبدأ من
- الوفاء
- تماما
- وظيفة
- إضافي
- مستقبل
- اكتسبت
- على العموم
- توليد
- ولدت
- يولد
- توليد
- جيل
- توليدي
- الذكاء الاصطناعي التوليدي
- جورجيا
- دولار فقط واحصل على خصم XNUMX% على جميع
- GIF
- معطى
- Go
- الأهداف
- يذهب
- خير
- خريج
- النمو
- توجيه
- كان
- يد
- تسخير
- يملك
- he
- قلب
- مساعدة
- ساعد
- مفيد
- مساعدة
- يساعد
- هنا
- عالية الأداء
- عالي الجودة
- ويبرز
- له
- عقد
- يحمل
- حسن الضيافة
- ساعات العمل
- كيفية
- كيفية
- لكن
- HTML
- HTTPS
- الانسان
- متواضع
- محدد
- if
- توضيح
- فورا
- التأثير
- تأثيرا
- تنفيذ
- أهمية
- تحسن
- تحسن
- تحسين
- in
- تتضمن
- شامل
- بما فيه
- القيمة الاسمية
- مستقل
- يشير
- من مؤشرات
- فرد
- الصناعات
- العالمية
- معلومات
- فطري
- ابتكار
- الابتكار
- إدخال
- المدخلات
- لحظة
- بدلًا من ذلك
- معهد
- تعليمات
- المتكاملة
- التكامل
- التكاملات
- رؤيتنا
- ذكي
- نية
- التفاعلات
- التفاعلية
- مصلحة
- السطح البيني
- داخلي
- إلى
- أدخلت
- يدخل
- استهلالي
- IPO
- آي إس
- IT
- تكرير
- التكرارات
- انها
- جافا
- وظيفة
- انضم
- انضمام
- مشترك
- رحلة
- joy
- JPG
- جسون
- م
- القفل
- علم
- المعرفة
- معروف
- يعرف
- مختبر
- مختبرات
- لغة
- اللغات
- كبير
- اسم العائلة
- الى وقت لاحق
- آخر
- قيادة
- زعيم
- القيادة
- قيادة
- قفز
- تعلم
- تعلم
- اليسار
- اسمحوا
- الاستفادة من
- مثل
- الإعجابات
- الحد من
- LLM
- منطق
- طويل
- بحث
- الكثير
- حب
- M & A
- آلة
- آلة التعلم
- الآلات
- صنع
- جعل
- يصنع
- القيام ب
- تمكن
- إدارة
- مدير
- مديرو
- أسلوب
- يدويا
- كثير
- رسم الخرائط
- مارس
- تجارة
- التسويق
- اعواد الثقاب
- المواد
- me
- معلمه
- أسعار الصرف السوقية
- البيانات الوصفية
- طريقة
- ملايين
- مانع
- دقيقة
- المهمة
- ML
- نموذج
- عارضات ازياء
- MongoDB
- الأكثر من ذلك
- أكثر
- خطوة
- MS
- منصة متعددة
- متعدد
- my
- الاسم
- طبيعي
- حاجة
- إحتياجات
- جديد
- مزايا جديدة
- منتج جديد
- التالي
- لا
- لاحظ
- يلاحظ..
- الآن
- موضوع
- الأجسام
- حدث
- of
- عروض
- غالبا
- on
- مرة
- ONE
- فقط
- تعمل
- أنظمة التشغيل
- التحسين
- تحسين
- or
- طلب
- الطلبات
- منظمة
- المنظمات
- أصلي
- أخرى
- لنا
- خارج
- نتيجة
- الناتج
- النتائج
- على مدى
- صفحات
- موازية
- خاصة
- الشريكة
- الشراكة
- شغف
- عاطفي
- الماضي
- نمط
- ينفذ
- منظور
- مرحلة جديدة
- رسالة دكتوراه
- قطعة
- رائد
- خط أنابيب
- محوري
- المكان
- المنصة
- منصات التداول
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- الرائج
- شعبية
- منشور
- محتمل
- يحتمل
- قوة
- مدعوم
- ممارسة
- الممارسات
- تنبأ
- وتوقع
- سابق
- ابتدائي
- رئيسي
- خصوصية
- الخصوصية والأمن
- المشكلة
- مشاكل
- الإجراءات
- عملية المعالجة
- العمليات
- معالجة
- أنتج
- ينتج عنه
- المنتج
- تطوير المنتج
- ادارة المنتج
- مدير المنتج
- المنتجات
- محترف
- البروفيسور
- برمجة وتطوير
- لغات البرمجة
- مشروع ناجح
- مطالبات
- ثبت
- تزود
- المقدمة
- ويوفر
- توفير
- السيكولوجيا
- جمهور
- نشرت
- لاحق
- بايثون
- الاستفسارات
- سؤال
- بسرعة
- عشوائية
- العشوائية
- نطاق
- تتراوح
- سريع
- نادي القراءة
- أدرك
- مملكة
- تسلم
- مؤخرا
- اعتراف
- نوصي
- سجل
- تسجيل
- تخفيض
- يقلل
- تقليص
- بخصوص
- منطقة
- إعادة تخيل
- ذات صلة
- صدر
- ذات الصلة
- الخدمة الموثوقة
- اعتمد
- تذكر
- إزالة
- المقدمة
- تكرار
- رد
- التمثيل
- تمثل
- يمثل
- طلب
- طلبات
- تطلب
- مطلوب
- المتطلبات الأساسية
- يتطلب
- بحث
- استجابة
- ردود
- REST
- مما أدى
- النتائج
- عائد أعلى
- عائدات
- ثور
- النوادي الثرية
- حق
- طريق
- النوع
- الأدوار
- غرفة
- يجري
- يدير
- ادارة العلاقات مع
- السلامة
- sagemaker
- قال
- نفسه
- سان
- سان فرانسيسكو
- تحجيم
- حجم
- جدول
- علوم
- عالم
- خدش
- الإستراحة
- البحث
- الثاني
- القسم
- القطاع
- أمن
- انظر تعريف
- رأيت
- حدد
- إرسال
- كبير
- أرسلت
- تسلسل
- لمرضى
- الخدمة
- خدماتنا
- خدمة
- دورات
- طقم
- ضبط
- عدة
- ينبغي
- إظهار
- أظهرت
- يظهر
- بشكل ملحوظ
- مماثل
- الاشارات
- تبسيط
- تبسيط
- ببساطة
- منذ
- عزباء
- صغير
- So
- تطبيقات الكمبيوتر
- البرمجيات كخدمة
- مطوري البرامج
- تطوير البرمجيات
- هندسة البرمجيات
- حل
- الحلول
- حل
- حل
- بعض
- شخص ما
- متطور
- مصدر
- الفضاء
- الإسبانية
- توتر
- متخصص
- محدد
- على وجه التحديد
- محدد
- أنفق
- الإنفاق
- بداية
- بدأت
- بدء التشغيل
- ملخص الحساب
- الحالة
- خطوة
- خطوات
- قلة النوم
- صريح
- بناء
- عدد الطلبة
- مدروس
- تحقيق النجاح
- دعم
- الدعم
- مفترض
- بالتأكيد
- نظام
- أنظمة
- جدول
- TAG
- أخذ
- الهدف
- مهمة
- المهام
- يعلم
- فريق
- فريق
- التكنولوجيا
- بدء التشغيل التكنولوجيا
- تقني
- تقنية
- تقنيات
- تكنولوجيا
- اقول
- عشرة
- تكساس
- نص
- من
- أن
- •
- الغرب
- العالم
- من مشاركة
- منهم
- then
- تشبه
- هم
- الأشياء
- اعتقد
- هؤلاء
- عبر
- طوال
- الوقت
- إلى
- اليوم
- رمز
- الرموز
- قال
- استغرق
- أداة
- أثر
- مسار
- سجل تتبع
- تجارة
- تقليديا
- قادة الإيمان
- التحويلية
- التحويلات
- ترجمه
- سفر
- يسافر
- جديدة
- محاكمة
- يثير
- اثار
- صحيح
- كود صحيح
- يحاول
- تحول
- نوع
- ui
- Uk
- مع
- فهم
- فهم
- يفهم
- فريد من نوعه
- جامعة
- حتى
- كشف النقاب
- المقبلة
- تحديث
- بناء على
- us
- صالح للإستعمال
- تستخدم
- حالة الاستخدام
- مستعمل
- مستخدم
- تجربة المستخدم
- المستخدمين
- يستخدم
- استخدام
- عادة
- ux
- مختلف
- الباعة
- الإصدارات
- جدا
- بواسطة
- رؤيتنا
- بصري
- في إم وير
- صوت
- تريد
- وكان
- طريق..
- we
- الويب
- خدمات ويب
- أسابيع
- حسن
- كان
- West Side
- ابحث عن
- ما هي تفاصيل
- متى
- التي
- واسع
- مدى واسع
- سوف
- نافذة
- مع
- بدون
- للعمل
- ساعات العمل
- عمل
- سير العمل
- سير العمل
- عامل
- أعمال
- العالم
- العالم
- سوف
- اكتب
- XML
- عام
- سنوات
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- موقع YouTube
- زفيرنت