هذا هو وظيفة ضيف من رأس مال قابل للتطوير، شركة FinTech الرائدة في أوروبا والتي تقدم إدارة الثروات الرقمية ومنصة وساطة بسعر تداول ثابت.
باعتبارها شركة سريعة النمو، فإن أهداف Scalable Capital لا تتمثل فقط في بناء بنية تحتية مبتكرة وقوية وموثوقة، ولكن أيضًا في توفير أفضل التجارب لعملائنا، خاصة عندما يتعلق الأمر بخدمات العملاء.
تتلقى Scalable مئات الاستفسارات عبر البريد الإلكتروني من عملائنا يوميًا. من خلال تطبيق نموذج معالجة اللغة الطبيعية الحديث (NLP)، تم تشكيل عملية الاستجابة بشكل أكثر كفاءة، وتم تقليل وقت انتظار العملاء بشكل كبير. يقوم نموذج التعلم الآلي (ML) بتصنيف طلبات العملاء الواردة الجديدة بمجرد وصولها وإعادة توجيهها إلى قوائم الانتظار المحددة مسبقًا، مما يسمح لوكلاء نجاح العملاء المتفانين لدينا بالتركيز على محتويات رسائل البريد الإلكتروني وفقًا لمهاراتهم وتقديم الاستجابات المناسبة.
في هذا المنشور، نعرض الفوائد التقنية لاستخدام محولات Hugging Face المنتشرة معها الأمازون SageMaker، مثل التدريب والتجريب على نطاق واسع ، وزيادة الإنتاجية وفعالية التكلفة.
بيان المشكلة
تعد Scalable Capital واحدة من أسرع شركات التكنولوجيا المالية نموًا في أوروبا. بهدف إضفاء الطابع الديمقراطي على الاستثمار، توفر الشركة لعملائها سهولة الوصول إلى الأسواق المالية. يمكن لعملاء Scalable المشاركة بنشاط في السوق من خلال منصة تداول الوساطة الخاصة بالشركة، أو استخدام Scalable Wealth Management للاستثمار بطريقة ذكية ومؤتمتة. وفي عام 2021، شهدت Scalable Capital زيادة في قاعدة عملائها بمقدار عشرة أضعاف، من عشرات الآلاف إلى مئات الآلاف.
لتزويد عملائنا بتجربة مستخدم من الدرجة الأولى (ومتسقة) عبر المنتجات وخدمة العملاء، كانت الشركة تبحث عن حلول تلقائية لتوليد كفاءات لحل قابل للتطوير مع الحفاظ على التميز التشغيلي. حددت فرق علوم البيانات وخدمة العملاء في Scalable Capital أن إحدى أكبر الاختناقات في خدمة عملائنا كانت الرد على استفسارات البريد الإلكتروني. على وجه التحديد، كان عنق الزجاجة هو خطوة التصنيف، حيث كان على الموظفين قراءة نصوص الطلب وتسميتها بشكل يومي. بعد توجيه رسائل البريد الإلكتروني إلى قوائم الانتظار المناسبة لها، قام المتخصصون المعنيون بالتعامل بسرعة مع الحالات وحلها.
ولتبسيط عملية التصنيف هذه، قام فريق علوم البيانات في Scalable ببناء ونشر نموذج البرمجة اللغوية العصبية (NLP) متعدد المهام باستخدام بنية المحولات الحديثة، استنادًا إلى البنية التحتية المدربة مسبقًا. المقطر-قاعدة-الألمانية-غلاف النموذج الذي نشرته Hugging Face. المقطر-قاعدة-الألمانية-غلاف يستخدم تقطير المعرفة طريقة للتدريب المسبق على نموذج تمثيل لغة للأغراض العامة أصغر من النموذج الأساسي BERT الأصلي. وتحقق النسخة المقطرة أداءً مشابهًا للنسخة الأصلية، مع كونها أصغر حجمًا وأسرع. لتسهيل عملية دورة حياة التعلم الآلي لدينا، قررنا اعتماد SageMaker لبناء نماذجنا ونشرها وخدمتها ومراقبتها. في القسم التالي، نقدم التصميم المعماري لمشروعنا.
حل نظرة عامة
تتكون البنية التحتية لتعلم الآلة في Scalable Capital من حسابين على AWS: أحدهما كبيئة لمرحلة التطوير والآخر لمرحلة الإنتاج.
يوضح الرسم البياني التالي سير العمل لمشروع مصنف البريد الإلكتروني الخاص بنا، ولكن يمكن أيضًا تعميمه على مشاريع علوم البيانات الأخرى.
يتكون سير العمل من المكونات التالية:
- تجريب النموذج – يستخدم علماء البيانات أمازون ساجميكر ستوديو لتنفيذ الخطوات الأولى في دورة حياة علم البيانات: تحليل البيانات الاستكشافية (EDA)، وتنظيف البيانات وإعدادها، وبناء نماذج أولية. عند اكتمال المرحلة الاستكشافية، ننتقل إلى VSCode الذي يستضيفه دفتر ملاحظات SageMaker كأداة التطوير عن بعد الخاصة بنا لتكوين قاعدة التعليمات البرمجية الخاصة بنا وإنتاجها. لاستكشاف أنواع مختلفة من النماذج وتكوينات النماذج، وفي الوقت نفسه لتتبع تجاربنا، نستخدم تدريب SageMaker وتجارب SageMaker.
- بناء النموذج – بعد أن نقرر نموذجًا لحالة استخدام الإنتاج لدينا، وهي في هذه الحالة متعددة المهام المقطر-قاعدة-الألمانية-غلاف بعد أن تم ضبطه بدقة من النموذج المُدرب مسبقًا من Hugging Face، فإننا نلتزم وندفع الكود الخاص بنا إلى فرع تطوير Github. يؤدي حدث دمج Github إلى تشغيل مسار Jenkins CI الخاص بنا، والذي بدوره يبدأ مهمة SageMaker Pipelines ببيانات الاختبار. يعمل هذا بمثابة اختبار للتأكد من أن الرموز تعمل كما هو متوقع. يتم نشر نقطة نهاية الاختبار لأغراض الاختبار.
- نشر النموذج – بعد التأكد من أن كل شيء يسير كما هو متوقع، يقوم علماء البيانات بدمج فرع التطوير في الفرع الأساسي. يؤدي حدث الدمج هذا الآن إلى تشغيل مهمة SageMaker Pipelines باستخدام بيانات الإنتاج لأغراض التدريب. بعد ذلك، يتم إنتاج المصنوعات اليدوية النموذجية وتخزينها في المخرجات خدمة تخزين أمازون البسيطة (Amazon S3)، ويتم تسجيل إصدار نموذج جديد في سجل نموذج SageMaker. يقوم علماء البيانات بفحص أداء النموذج الجديد، ثم يوافقون عليه إذا كان يتماشى مع التوقعات. يتم التقاط حدث الموافقة على النموذج بواسطة أمازون إيفينت بريدج، والذي يقوم بعد ذلك بنشر النموذج إلى نقطة نهاية SageMaker في بيئة الإنتاج.
- MLOps – نظرًا لأن نقطة نهاية SageMaker خاصة ولا يمكن الوصول إليها عن طريق خدمات خارج VPC، فإن AWS لامدا وظيفة و بوابة أمازون API مطلوبة نقطة النهاية العامة للتواصل مع CRM. عند وصول رسائل بريد إلكتروني جديدة إلى صندوق الوارد الخاص بـ CRM، يقوم CRM باستدعاء نقطة النهاية العامة لـ API Gateway، والتي بدورها تقوم بتشغيل وظيفة Lambda لاستدعاء نقطة نهاية SageMaker الخاصة. تقوم الوظيفة بعد ذلك بترحيل التصنيف مرة أخرى إلى CRM من خلال نقطة النهاية العامة لـ API Gateway. لمراقبة أداء نموذجنا المنشور، نقوم بتنفيذ حلقة تعليقات بين إدارة علاقات العملاء وعلماء البيانات لتتبع مقاييس التنبؤ من النموذج. على أساس شهري، يقوم نظام إدارة علاقات العملاء (CRM) بتحديث البيانات التاريخية المستخدمة للتجريب والتدريب النموذجي. نحن نستخدم تدفقات عمل أمازون المدارة لتدفق أباتشي (Amazon MWAA) كمجدول لإعادة تدريبنا الشهري.
في الأقسام التالية، نقوم بتفصيل خطوات إعداد البيانات وتجريب النموذج ونشر النموذج بمزيد من التفاصيل.
إعداد البيانات
يستخدم Scalable Capital أداة CRM لإدارة وتخزين بيانات البريد الإلكتروني. تتكون محتويات البريد الإلكتروني ذات الصلة من الموضوع والنص والبنوك الوصية. هناك ثلاث تصنيفات لتعيينها لكل بريد إلكتروني: نوع العمل الذي ينتمي إليه البريد الإلكتروني، وقائمة الانتظار المناسبة، والموضوع المحدد للبريد الإلكتروني.
قبل أن نبدأ في تدريب أي نماذج البرمجة اللغوية العصبية، نتأكد من أن البيانات المدخلة نظيفة ويتم تعيين التسميات وفقًا للتوقعات.
لاسترداد محتويات الاستعلام النظيفة من عملاء Scalable، نقوم بإزالة بيانات البريد الإلكتروني الأولية والنصوص والرموز الإضافية، مثل توقيعات البريد الإلكتروني ورسائل الظهور واقتباسات الرسائل السابقة في سلاسل البريد الإلكتروني ورموز CSS وما إلى ذلك. وإلا فإن نماذجنا المدربة في المستقبل قد تواجه انخفاضًا في الأداء.
تتطور تسميات رسائل البريد الإلكتروني بمرور الوقت حيث تقوم فرق خدمة العملاء القابلة للتطوير بإضافة تسميات جديدة وتحسين أو إزالة التصنيفات الحالية لتلبية احتياجات العمل. للتأكد من أن تسميات بيانات التدريب وكذلك التصنيفات المتوقعة للتنبؤ محدثة، يعمل فريق علم البيانات بالتعاون الوثيق مع فريق خدمة العملاء لضمان صحة التسميات.
تجريب النموذج
نبدأ تجربتنا مع المدربين مسبقًا والمتاحين بسهولة المقطر-قاعدة-الألمانية-غلاف النموذج الذي نشرته Hugging Face. نظرًا لأن النموذج الذي تم تدريبه مسبقًا هو نموذج تمثيل لغة للأغراض العامة، فيمكننا تكييف البنية لأداء مهام محددة - مثل التصنيف والإجابة على الأسئلة - عن طريق ربط الرؤوس المناسبة بالشبكة العصبية. في حالة الاستخدام الخاصة بنا، المهمة النهائية التي نهتم بها هي تصنيف التسلسل. دون تعديل الهندسة المعمارية القائمة، قررنا تحسين ثلاثة نماذج منفصلة مدربة مسبقًا لكل فئة من الفئات المطلوبة لدينا. مع ال حاويات التعلم العميق من SageMaker تعانق الوجه (المحتوى القابل للتنزيل)، أصبح بدء تجارب البرمجة اللغوية العصبية وإدارتها أمرًا بسيطًا باستخدام حاويات Hugging Face وواجهة برمجة تطبيقات SageMaker Experiments API.
وفيما يلي مقتطف من التعليمات البرمجية train.py
:
الكود التالي هو مقدر Hugging Face:
للتحقق من صحة النماذج المضبوطة بدقة، نستخدم درجة F1 نظرًا للطبيعة غير المتوازنة لمجموعة بيانات البريد الإلكتروني لدينا، ولكن أيضًا لحساب المقاييس الأخرى مثل الدقة والإحكام والتذكر. لكي تتمكن واجهة برمجة تطبيقات SageMaker Experiments API من تسجيل مقاييس مهمة التدريب، نحتاج أولاً إلى تسجيل المقاييس في وحدة التحكم المحلية لمهمة التدريب، والتي يتم انتقاؤها بواسطة الأمازون CloudWatch. ثم نحدد تنسيق regex الصحيح لالتقاط سجلات CloudWatch. تتضمن تعريفات المقاييس اسم المقاييس والتحقق من صحة التعبير العادي لاستخراج المقاييس من مهمة التدريب:
كجزء من تكرار التدريب لنموذج المصنف، نستخدم مصفوفة ارتباك وتقرير تصنيف لتقييم النتيجة. يوضح الشكل التالي مصفوفة الارتباك للتنبؤ بخط الأعمال.
تعرض لقطة الشاشة التالية مثالاً لتقرير التصنيف الخاص بتنبؤ خط الأعمال.
كتكرار تالي لتجربتنا، سنستفيد منها التعلم متعدد المهام لتحسين نموذجنا. التعلم متعدد المهام هو شكل من أشكال التدريب حيث يتعلم النموذج حل مهام متعددة في وقت واحد، لأن المعلومات المشتركة بين المهام يمكن أن تحسن كفاءات التعلم. من خلال ربط رأسي تصنيف إضافيين ببنية التقطير الأصلية، يمكننا تنفيذ الضبط الدقيق للمهام المتعددة، مما يحقق مقاييس معقولة لفريق خدمة العملاء لدينا.
نشر النموذج
في حالة الاستخدام الخاصة بنا، سيتم نشر مصنف البريد الإلكتروني إلى نقطة النهاية، حيث يمكن لخط أنابيب CRM لدينا إرسال مجموعة من رسائل البريد الإلكتروني غير المصنفة واستعادة التوقعات. نظرًا لأن لدينا منطقًا آخر - مثل تنظيف بيانات الإدخال والتنبؤات متعددة المهام - بالإضافة إلى استدلال نموذج Hugging Face، نحتاج إلى كتابة نص استدلالي مخصص يلتزم بـ معيار سيج ميكر.
وفيما يلي مقتطف من التعليمات البرمجية inference.py
:
عندما يكون كل شيء جاهزًا وجاهزًا، نستخدم SageMaker Pipelines لإدارة مسار التدريب الخاص بنا وإرفاقه بالبنية التحتية لدينا لإكمال إعداد MLOps الخاص بنا.
لمراقبة أداء النموذج الذي تم نشره، نقوم ببناء حلقة تعليقات لتمكين إدارة علاقات العملاء (CRM) من تزويدنا بحالة رسائل البريد الإلكتروني السرية عند إغلاق الحالات. وبناءً على هذه المعلومات، نقوم بإجراء تعديلات لتحسين النموذج المنشور.
وفي الختام
في هذا المنشور، شاركنا كيف يقوم SageMaker بتسهيل فريق علوم البيانات في Scalable لإدارة دورة حياة مشروع علم البيانات بكفاءة، وبالتحديد مشروع مصنف البريد الإلكتروني. تبدأ دورة الحياة بالمرحلة الأولية لتحليل البيانات واستكشافها باستخدام SageMaker Studio؛ ينتقل إلى تجربة النماذج ونشرها باستخدام تدريب SageMaker والاستدلال والمحتوى القابل للتنزيل Hugging Face؛ ويكتمل بمسار التدريب مع SageMaker Pipelines المتكامل مع خدمات AWS الأخرى. بفضل هذه البنية التحتية، نحن قادرون على تكرار ونشر نماذج جديدة بشكل أكثر كفاءة، وبالتالي قادرون على تحسين العمليات الحالية ضمن Scalable وكذلك تجارب عملائنا.
لمعرفة المزيد حول Hugging Face وSageMaker، راجع الموارد التالية:
حول المؤلف
الدكتورة ساندرا شميد هو رئيس تحليلات البيانات في شركة Scalable GmbH. وهي مسؤولة عن الأساليب المستندة إلى البيانات وحالات الاستخدام في الشركة مع فرقها. ينصب تركيزها الأساسي على إيجاد أفضل مزيج من نماذج التعلم الآلي وعلوم البيانات وأهداف العمل من أجل الحصول على أكبر قدر ممكن من قيمة الأعمال والكفاءات من البيانات.
هوي دانغ عالم بيانات في Scalable GmbH. تشمل مسؤولياته تحليلات البيانات، وبناء ونشر نماذج التعلم الآلي، بالإضافة إلى تطوير وصيانة البنية التحتية لفريق علوم البيانات. وفي أوقات فراغه، يستمتع بالقراءة والمشي لمسافات طويلة وتسلق الصخور ومواكبة أحدث تطورات التعلم الآلي.
ميا تشانغ هو مهندس حلول متخصص في ML لخدمات الويب من Amazon. وهي تعمل مع العملاء في أوروبا والشرق الأوسط وأفريقيا وتشارك أفضل الممارسات لتشغيل أعباء عمل الذكاء الاصطناعي/تعلم الآلة على السحابة بفضل خلفيتها في الرياضيات التطبيقية وعلوم الكمبيوتر والذكاء الاصطناعي/تعلم الآلة. وهي تركز على أعباء العمل الخاصة بالبرمجة اللغوية العصبية، وتشارك تجربتها كمتحدثة في المؤتمر ومؤلفة كتاب. وفي أوقات فراغها، تستمتع باليوجا وألعاب الطاولة وتحضير القهوة.
موريتز جيرتلر هو مدير حسابات في قطاع الأعمال الرقمية الأصلية في AWS. وهو يركز على العملاء في مجال التكنولوجيا المالية ويدعمهم في تسريع الابتكار من خلال بنية تحتية سحابية آمنة وقابلة للتطوير.
- 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 السيارات / المركبات الكهربائية ، كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- تشارت بريم. ارفع مستوى لعبة التداول الخاصة بك مع ChartPrime. الوصول هنا.
- BlockOffsets. تحديث ملكية الأوفست البيئية. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/accelerate-client-success-management-through-email-classification-with-hugging-face-on-amazon-sagemaker/
- :لديها
- :يكون
- :ليس
- :أين
- $ UP
- 1
- 100
- 13
- 15%
- 17
- 2021
- 26%
- 32
- 500
- 7
- a
- ماهرون
- من نحن
- فوق
- تسريع
- تسريع
- استمر
- الوصول
- استيعاب
- وفقا
- حسابي
- الحسابات
- دقة
- يحقق
- في
- بنشاط
- الأفعال
- تكيف
- تضيف
- إضافة
- تعديلات
- تبنى
- مميزات
- بعد
- بعدئذ
- عملاء
- AI / ML
- هدف
- يسمح
- أيضا
- أمازون
- الأمازون SageMaker
- أمازون ويب سيرفيسز
- من بين
- an
- تحليل
- تحليلات
- و
- أي وقت
- أباتشي
- API
- تطبيقي
- اقتراب
- مناسب
- موافقة
- الموافقة على
- هندسة معمارية
- هي
- الحجج
- AS
- تعيين
- At
- يرفق
- المؤلفة
- الآلي
- متاح
- AWS
- الى الخلف
- خلفية
- البنوك
- قاعدة
- على أساس
- أساس
- BE
- لان
- كان
- يجري
- الفوائد
- أفضل
- أفضل الممارسات
- ما بين
- مجلس
- العاب طاولة
- الجسدي
- كتاب
- الفرع
- استراحة
- سمسرة
- نساعدك في بناء
- ابني
- بنيت
- الأعمال
- الأعمال
- لكن
- by
- CAN
- الموارد
- رأس المال
- أسر
- القبض
- حمل
- حقيبة
- الحالات
- الفئات
- السلاسل
- تصنيف
- مبوب
- سوائل التنظيف
- زبون
- عميل
- التسلق
- اغلاق
- صندوق توظيف برأس مال محدود
- سحابة
- البنية التحتية السحابية
- الكود
- قاعدة التعليمات البرمجية
- رموز
- قهوة
- للاتعاون
- مجموعة
- يأتي
- ارتكاب
- التواصل
- حول الشركة
- الشركة
- مماثل
- إكمال
- يكمل
- مكونات
- إحصاء
- الكمبيوتر
- علوم الكمبيوتر
- مؤتمر
- ارتباك
- ثابتة
- يتكون
- كنسولات
- حاويات
- محتوى
- محتويات
- تصحيح
- CRM
- CSS
- وصي
- على
- زبون
- العملاء
- يوميا
- البيانات
- تحليل البيانات
- تحليلات البيانات
- تحضير البيانات
- علم البيانات
- عالم البيانات
- تعتمد على البيانات
- التاريخ
- تقرر
- قررت
- مخصصة
- عميق
- التعلم العميق
- الترتيب
- حدد
- تعريف
- التعاريف
- دمقرطة
- شرح
- نشر
- نشر
- نشر
- نشر
- ينشر
- تصميم
- التفاصيل
- تطوير
- تطوير
- التطوير التجاري
- التطورات
- مختلف
- رقمي
- إدارة الثروات الرقمية
- إلى أسفل
- اثنان
- كل
- سهل
- الكفاءات
- بكفاءة
- آخر
- البريد الإلكتروني
- رسائل البريد الإلكتروني
- EMEA
- الموظفين
- تمكين
- نقطة النهاية
- مخطوب
- ضمان
- البيئة
- عصر
- خاصة
- أوروبا
- تقييم
- تقييم
- الحدث/الفعالية
- كل شىء
- يتطور
- بحث
- مثال
- التشغيلي
- تنفيذي
- القائمة
- توقع
- التوقعات
- متوقع
- الخبره في مجال الغطس
- تمكنت
- خبرة
- تجربة
- تجارب
- استكشاف
- تحليل البيانات استكشافية
- اكتشف
- احتفل على
- f1
- الوجه
- تسهيل
- يسهل
- الأزياء
- أسرع
- أسرع
- الأسرع نموا
- ردود الفعل
- الشكل
- مالي
- العثور على
- FINTECH
- fintechs
- الاسم الأول
- الخطوات الأولى
- مسطحة
- تركز
- ويركز
- متابعيك
- في حالة
- النموذج المرفق
- شكل
- مجانا
- تبدأ من
- وظيفة
- مستقبل
- ربح
- ألعاب
- بوابة
- هدف عام
- توليد
- دولار فقط واحصل على خصم XNUMX% على جميع
- GitHub جيثب:
- شركة محدودة
- الأهداف
- متزايد
- ضيف
- زائر رد
- كان
- يملك
- he
- رئيس
- رأس
- لها
- له
- تاريخي
- استضافت
- كيفية
- HTML
- HTTP
- HTTPS
- مئات
- محدد
- if
- تنفيذ
- تحقيق
- تحسن
- in
- تتضمن
- الوارد
- القيمة الاسمية
- زيادة
- معلومات
- البنية التحتية
- في البداية
- الابتكار
- مبتكرة
- إدخال
- استفسارات
- تحقيق
- المتكاملة
- ذكي
- يستفد
- إلى
- تقديم
- استثمر
- استثمار
- يتضرع
- IT
- تكرير
- انها
- وظيفة
- جسون
- احتفظ
- القفل
- تُشير
- ملصقات
- لغة
- أكبر
- آخر
- قيادة
- تعلم
- تعلم
- دورة حياة
- خط
- تحميل
- محلي
- سجل
- تسجيل الدخول
- أبحث
- خسارة
- آلة
- آلة التعلم
- صنع
- الحفاظ على
- جعل
- القيام ب
- إدارة
- تمكن
- إدارة
- إدارة
- تجارة
- الأسواق
- الرياضيات
- مصفوفة
- دمج
- حدث دمج
- رسائل
- طريقة
- متري
- المقاييس
- ربما
- ML
- MLOps
- نموذج
- عارضات ازياء
- تقدم
- مراقبة
- شهريا
- الأكثر من ذلك
- التحركات
- كثيرا
- متعدد
- الاسم
- أي
- محلي
- طبيعي
- معالجة اللغات الطبيعية
- الطبيعة
- حاجة
- إحتياجات
- شبكة
- عصبي
- الشبكة العصبية
- جديد
- التالي
- البرمجة اللغوية العصبية
- مفكرة
- الآن
- عدد
- of
- عروض
- on
- ONE
- منها
- فقط
- تشغيل
- or
- طلب
- أصلي
- أخرى
- وإلا
- لنا
- خارج
- الناتج
- في الخارج
- على مدى
- جزء
- شارك
- نفذ
- أداء
- مرحلة جديدة
- التقطت
- خط أنابيب
- المنصة
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- ممكن
- منشور
- الممارسات
- دقة
- تنبؤ
- تنبؤات
- سابق
- ابتدائي
- خاص
- عملية المعالجة
- العمليات
- معالجة
- أنتج
- الإنتــاج
- إنتاجية
- المنتجات
- تنفيذ المشاريع
- مشروع ناجح
- لائق
- النموذج
- تزود
- ويوفر
- جمهور
- نشرت
- أغراض
- دفع
- سؤال
- بسرعة
- يقتبس
- رفع
- معدل
- الخام
- التي تم الوصول إليها
- عرض
- نادي القراءة
- استعداد
- معقول
- يتلقى
- تسجيل
- عقار مخفض
- الرجوع
- صقل
- رجإكس
- تسجيل جديد
- سجل
- ذات الصلة
- الخدمة الموثوقة
- عن بعد
- إزالة
- تقرير
- التمثيل
- طلب
- طلبات
- مطلوب
- حل
- الموارد
- هؤلاء
- الاستجابة
- استجابة
- ردود
- المسؤوليات
- مسؤول
- نتيجة
- عائد أعلى
- قوي
- صخرة
- تشغيل
- sagemaker
- خطوط الأنابيب SageMaker
- نفسه
- تحجيم
- حجم
- علوم
- عالم
- العلماء
- سيناريو
- القسم
- أقسام
- تأمين
- قطعة
- إرسال
- مستقل
- تسلسل
- خدمة
- الخدمة
- خدماتنا
- الإعداد
- شكل
- شاركت
- مشاركة
- هي
- يظهر
- التوقيعات
- الاشارات
- معا
- مهارات
- الأصغر
- قصاصة
- So
- حل
- الحلول
- حل
- قريبا
- الفضاء
- مكبرات الصوت
- متخصص
- المتخصصين
- محدد
- على وجه التحديد
- المسرح
- بداية
- ابتداء
- يبدأ
- دولة من بين الفن
- الحالة
- البقاء
- خطوة
- خطوات
- تخزين
- تخزين
- تخزين
- تبسيط
- ستوديو
- موضوع
- تحقيق النجاح
- هذه
- الدعم
- بالتأكيد
- أخذ
- مهمة
- المهام
- فريق
- فريق
- تقني
- عشرات
- تجربه بالعربي
- الاختبار
- نص
- من
- شكر
- أن
- •
- من مشاركة
- منهم
- then
- هناك.
- وبالتالي
- هم
- الآلاف
- ثلاثة
- عبر
- الوقت
- إلى
- سويا
- أداة
- موضوع
- شعلة
- مسار
- تجارة
- منصة التداول
- قطار
- متدرب
- قادة الإيمان
- محول
- محولات
- جدا
- منعطف أو دور
- اثنان
- نوع
- أنواع
- آخر التحديثات
- us
- تستخدم
- حالة الاستخدام
- مستعمل
- مستخدم
- تجربة المستخدم
- يستخدم
- استخدام
- التحقق من صحة
- التحقق من صحة
- قيمنا
- الإصدار
- انتظار
- وكان
- we
- ثروة
- إدارة الثروة
- الويب
- خدمات ويب
- حسن
- كان
- متى
- كلما
- التي
- في حين
- مع
- في غضون
- بدون
- سير العمل
- سير العمل
- أعمال
- اكتب
- اليوغا
- زفيرنت