ডকুমেন্ট প্রসেসিং কি?
ডকুমেন্ট প্রসেসিং হল নথি থেকে স্ট্রাকচার্ড ডেটা নিষ্কাশনের স্বয়ংক্রিয় প্রক্রিয়া। এটি যেকোন নথির জন্য হতে পারে, বলুন একটি চালান, একটি জীবনবৃত্তান্ত, আইডি কার্ড ইত্যাদি। এখানে চ্যালেঞ্জিং অংশটি কেবল ওসিআর নয়। সেখানে কম খরচে অনেক অপশন পাওয়া যায় যা টেক্সট বের করে আপনাকে লোকেশন দিতে পারে। আসল চ্যালেঞ্জ হল এই লেখার টুকরোগুলোকে সঠিকভাবে এবং স্বয়ংক্রিয়ভাবে লেবেল করা।
ডকুমেন্ট প্রসেসিং এর ব্যবসায়িক প্রভাব
বেশ কিছু শিল্প তাদের দৈনন্দিন কাজকর্মের জন্য নথি প্রক্রিয়াকরণের উপর ব্যাপকভাবে নির্ভর করে। আর্থিক সংস্থাগুলির এসইসি ফাইলিং, বীমা ফাইলিংগুলিতে অ্যাক্সেস প্রয়োজন, একটি ই-কমার্স বা সাপ্লাই চেইন কোম্পানির ব্যবহার করা হচ্ছে এমন চালানগুলিতে অ্যাক্সেসের প্রয়োজন হতে পারে, তালিকাটি চলতে থাকে। এই তথ্যের নির্ভুলতা সময় বাঁচানোর মতোই গুরুত্বপূর্ণ, এই কারণেই আমরা সর্বদা উন্নত গভীর শিক্ষার পদ্ধতিগুলি ব্যবহার করার পরামর্শ দিই যা আরও সাধারণীকরণ করে এবং আরও সঠিক।
পিডব্লিউসি-র এই প্রতিবেদন অনুসারে, [লিংক] এমনকি স্ট্রাকচার্ড ডেটা এক্সট্র্যাকশনের সবচেয়ে প্রাথমিক পরিমাণ পিডিএফ থেকে এক্সেল স্প্রেডশীটগুলিতে ম্যানুয়ালি ডেটা কপি এবং পেস্ট করার জন্য কর্মচারীদের 30-50% সময় বাঁচাতে সাহায্য করতে পারে। লেআউটএলএম-এর মতো মডেলগুলি অবশ্যই প্রাথমিক নয়, তারা অত্যন্ত বুদ্ধিমান এজেন্ট হিসাবে তৈরি করা হয়েছে যা বিভিন্ন ব্যবহারের ক্ষেত্রে স্কেলে সঠিক ডেটা নিষ্কাশন করতে সক্ষম। এমনকি আমাদের অনেক গ্রাহকের সাথেও, আমরা ম্যানুয়ালি ডেটা বের করার জন্য প্রয়োজনীয় সময় প্রতি নথিতে 20 মিনিট থেকে কমিয়ে 10 সেকেন্ডের নিচে নিয়ে এসেছি। এটি একটি বিশাল পরিবর্তন, যা কর্মীদের আরও বেশি উত্পাদনশীল হতে এবং সামগ্রিকভাবে উচ্চতর থ্রুপুটের জন্য সক্ষম করে।
তাহলে লেআউটএলএম এর মতো এআই কোথায় প্রয়োগ করা যেতে পারে? Nanonets এ, আমরা এই ধরনের প্রযুক্তি ব্যবহার করেছি
এবং অন্যান্য অনেক ব্যবহারের ক্ষেত্রে।
লেআউটএলএম কেন?
কীভাবে একটি গভীর শিক্ষার মডেল বুঝতে পারে যে প্রদত্ত পাঠ্যটি একটি চালানের একটি আইটেমের বিবরণ, নাকি চালান নম্বর? সহজ কথায়, একটি মডেল কীভাবে সঠিকভাবে লেবেল বরাদ্দ করতে হয় তা শিখবে?
একটি পদ্ধতি হল BERT বা GPT-3-এর মতো বিশাল ভাষার মডেল থেকে পাঠ্য এম্বেডিং ব্যবহার করা এবং এটিকে একটি শ্রেণিবদ্ধকারীর মাধ্যমে চালানো - যদিও এটি খুব কার্যকর নয়। এমন অনেক তথ্য রয়েছে যা পাঠ্য ব্যবহার করে বিশুদ্ধভাবে পরিমাপ করা যায় না। অথবা, কেউ ইমেজ ভিত্তিক তথ্য ব্যবহার করতে পারে। R-CNN এবং দ্রুত R-CNN মডেলগুলি ব্যবহার করে এটি অর্জন করা হয়েছিল। যাইহোক, এটি এখনও নথিতে উপলব্ধ তথ্য সম্পূর্ণরূপে ব্যবহার করে না। ব্যবহৃত আরেকটি পদ্ধতি ছিল গ্রাফ কনভোলিউশনাল নিউরাল নেটওয়ার্কের সাথে, যা উভয় অবস্থানগত এবং পাঠ্য তথ্যকে একত্রিত করে, কিন্তু চিত্র তথ্যকে বিবেচনায় নেয়নি।
তাহলে আমরা কীভাবে তথ্যের তিনটি মাত্রা ব্যবহার করব, যেমন টেক্সট, ইমেজ এবং প্রদত্ত টেক্সটের অবস্থানও? সেখানেই LayoutLM-এর মতো মডেলগুলি আসে৷ বহু বছর আগে গবেষণার একটি সক্রিয় ক্ষেত্র হওয়া সত্ত্বেও, LayoutLM হল প্রথম মডেলগুলির মধ্যে একটি যা সাফল্য অর্জন করেছিল টুকরোগুলিকে একত্রিত করে একটি একক মডেল তৈরি করে যা অবস্থানগত তথ্য, পাঠ্য ভিত্তিক তথ্য, ব্যবহার করে লেবেলিং সম্পাদন করে৷ এবং ছবির তথ্যও।
লেআউটএলএম টিউটোরিয়াল
এই নিবন্ধটি অনুমান করে যে আপনি বোঝেন একটি ভাষা মডেল কি। যদি না হয়, চিন্তা করবেন না, আমরা সেই সাথে একটি নিবন্ধ লিখেছিলাম! আপনি যদি ট্রান্সফরমার মডেলগুলি কী এবং কী মনোযোগ দেওয়া হয় সে সম্পর্কে এখানে আরও জানতে চান জে আলামার দ্বারা একটি আশ্চর্যজনক নিবন্ধ.
ধরে নিই যে আমরা এই জিনিসগুলিকে অর্জিত করেছি, আসুন টিউটোরিয়াল দিয়ে শুরু করা যাক। আমরা মূল রেফারেন্স হিসাবে মূল LayoutLM কাগজ ব্যবহার করব।
OCR পাঠ্য নিষ্কাশন
আমরা একটি নথির সাথে প্রথম যে কাজটি করি তা হল নথি থেকে পাঠ্য ভিত্তিক তথ্য বের করা এবং তাদের নিজ নিজ অবস্থানগুলি খুঁজে বের করা। অবস্থান অনুসারে, আমরা 'বাউন্ডিং বক্স' বলে কিছু উল্লেখ করি। একটি বাউন্ডিং বক্স হল একটি আয়তক্ষেত্র যা পৃষ্ঠার পাঠ্যের টুকরোকে এনক্যাপসুলেট করে।
বেশীরভাগ ক্ষেত্রে, এটা ধরে নেওয়া হয় যে বাউন্ডিং বক্সের উৎপত্তি উপরের বাম কোণে, এবং ধনাত্মক x-অক্ষটি মূল থেকে পৃষ্ঠার ডানদিকে নির্দেশিত হয়, এবং ধনাত্মক y-অক্ষটি উৎপত্তি থেকে নির্দেশিত হয় পৃষ্ঠার নীচে, এক পিক্সেলকে পরিমাপের একক হিসাবে বিবেচনা করা হচ্ছে।
ভাষা এবং অবস্থান এমবেডিং
এর পরে, আমরা পাঁচটি ভিন্ন এমবেডিং স্তর ব্যবহার করি। এক, ভাষা সম্পর্কিত তথ্য এনকোড করা - যেমন টেক্সট এম্বেডিং।
অন্য চারটি অবস্থান এমবেডিংয়ের জন্য সংরক্ষিত। ধরে নিই যে আমরা xmin, ymin, xmax এবং ymax এর মান জানি, আমরা পুরো বাউন্ডিং বক্স নির্ধারণ করতে পারি (যদি আপনি এটি কল্পনা করতে না পারেন, এখানে আপনার জন্য একটি লিঙ্ক). অবস্থানের জন্য তথ্য এনকোড করার জন্য এই স্থানাঙ্কগুলি তাদের নিজ নিজ এম্বেডিং স্তরগুলির মধ্য দিয়ে পাস করা হয়।
পাঁচটি এমবেডিং - একটি পাঠ্যের জন্য এবং চারটি স্থানাঙ্কের জন্য - তারপর লেআউটএলএম-এর মাধ্যমে পাস করা এমবেডিংয়ের চূড়ান্ত মান তৈরি করতে যোগ করা হয়। আউটপুটটিকে লেআউটএলএম এমবেডিং হিসাবে উল্লেখ করা হয়।
ইমেজ এমবেডিং
ঠিক আছে, তাই আমরা তাদের এমবেডিংগুলিকে একত্রিত করে এবং একটি ভাষা মডেলের মাধ্যমে পাস করার মাধ্যমে পাঠ্য এবং অবস্থান সম্পর্কিত তথ্য খুঁজে বের করতে পেরেছি। এখন আমরা কীভাবে এটিতে চিত্র সম্পর্কিত তথ্য একত্রিত করার প্রক্রিয়াটি ঘুরতে পারি?
যখন টেক্সট এবং লেআউট তথ্য এনকোড করা হচ্ছে, সমান্তরালভাবে, আমরা ডকুমেন্টের সাথে সম্পর্কিত টেক্সট অঞ্চলগুলি বের করতে দ্রুত R-CNN ব্যবহার করি। দ্রুত আর-সিএনএন হল একটি ইমেজ মডেল যা বস্তু সনাক্তকরণের জন্য ব্যবহৃত হয়। আমাদের ক্ষেত্রে, আমরা এটিকে পাঠ্যের বিভিন্ন টুকরো সনাক্ত করতে ব্যবহার করি (প্রতিটি শব্দগুচ্ছকে একটি অবজেক্ট বলে ধরে নিই) এবং তারপরে চিত্রগুলির জন্য এমবেডিং তৈরি করতে সহায়তা করার জন্য একটি সম্পূর্ণ সংযুক্ত স্তরের মাধ্যমে বিভক্ত চিত্রগুলিকে পাস করি৷
লেআউটএলএম এমবেডিং এবং ইমেজ এম্বেডিং একটি চূড়ান্ত এম্বেডিং তৈরি করার জন্য একত্রিত করা হয়, যা তারপর ডাউনস্ট্রিম প্রসেসিং করতে ব্যবহার করা যেতে পারে।
প্রাক-প্রশিক্ষণ লেআউটএলএম
উপরের সমস্তটিই তখনই অর্থপূর্ণ হয় যদি আমরা যে পদ্ধতিতে LayoutLM প্রশিক্ষিত হয় তা বুঝতে পারি। সর্বোপরি, আমরা একটি নিউরাল নেটওয়ার্কে যে ধরনের সংযোগ স্থাপন করি না কেন, যতক্ষণ না এটি সঠিক শিক্ষার উদ্দেশ্যের সাথে প্রশিক্ষিত না হয়, ততক্ষণ পর্যন্ত এটি বেশ স্মার্ট নয়। লেআউটএলএম-এর লেখকরা BERT-এর প্রাক-প্রশিক্ষণের জন্য যে পদ্ধতি ব্যবহার করা হয়েছিল তার অনুরূপ একটি পদ্ধতি অনুসরণ করতে চেয়েছিলেন।
মাস্কড ভিজ্যুয়াল ল্যাঙ্গুয়েজ মডেল (MVLM)
মডেলটিকে একটি নির্দিষ্ট স্থানে কোন পাঠ্য থাকতে পারে তা শিখতে সাহায্য করার জন্য, লেখকরা অবস্থান সম্পর্কিত তথ্য এবং এম্বেডিংগুলি ধরে রাখার সময় টেক্সটের কয়েকটি টোকেনকে এলোমেলোভাবে মাস্ক করেছিলেন। এটি লেআউটএলএমকে সহজ মাস্কড ল্যাঙ্গুয়েজ মডেলিংয়ের বাইরে যেতে সক্ষম করেছে, এবং টেক্সট এম্বেডিংগুলিকে অবস্থান সম্পর্কিত পদ্ধতির সাথে সংযুক্ত করতে সহায়তা করেছে।
মাল্টি-লেবেল ডকুমেন্ট ক্লাসিফিকেশন (MDC)
নথির সমস্ত তথ্য এটিকে বিভাগগুলিতে শ্রেণীবদ্ধ করার জন্য ব্যবহার করা মডেলটিকে বুঝতে সাহায্য করে যে কোন তথ্যটি একটি নির্দিষ্ট শ্রেণীর নথির সাথে প্রাসঙ্গিক। যাইহোক, লেখকরা নোট করেছেন যে বড় ডেটাসেটের জন্য, নথি ক্লাসের ডেটা সহজেই উপলব্ধ নাও হতে পারে। তাই, তারা একা MVLM প্রশিক্ষণ এবং MVLM + MDC প্রশিক্ষণ উভয়ের ভিত্তিতে ফলাফল প্রদান করেছে।
ডাউনস্ট্রিম টাস্কের জন্য ফাইন টিউনিং লেআউটএলএম
বেশ কিছু ডাউনস্ট্রিম টাস্ক আছে যেগুলো লেআউটএলএম দিয়ে চালানো যেতে পারে। লেখকেরা যেগুলো নিয়েছিলেন আমরা সেগুলো নিয়ে আলোচনা করব।
ফর্ম বোঝাপড়া
এই কাজটি একটি লেবেল প্রকারকে একটি প্রদত্ত পাঠ্যের সাথে লিঙ্ক করা অন্তর্ভুক্ত করে। এটি ব্যবহার করে, আমরা যেকোনো ধরনের ডকুমেন্ট থেকে স্ট্রাকচার্ড ডেটা বের করতে পারি। চূড়ান্ত আউটপুট দেওয়া, যেমন LayouLM এম্বেডিং + ইমেজ এম্বেডিং, সেগুলি একটি সম্পূর্ণ সংযুক্ত স্তরের মধ্য দিয়ে পাস করা হয় এবং তারপরে একটি প্রদত্ত পাঠ্যের লেবেলের জন্য শ্রেণির সম্ভাব্যতা অনুমান করার জন্য একটি সফ্টম্যাক্সের মাধ্যমে পাস করা হয়।
রসিদ বোঝা
এই টাস্কে, তথ্যের বেশ কয়েকটি স্লট রসিদগুলিতে খালি রেখে দেওয়া হয়েছিল এবং মডেলটিকে তাদের নিজ নিজ স্লটে পাঠ্যের টুকরো সঠিকভাবে অবস্থান করতে হয়েছিল।
ডকুমেন্ট ইমেজ শ্রেণীবিভাগ
ডকুমেন্টের টেক্সট এবং ইমেজ থেকে তথ্য একত্রিত করা হয় যাতে ডকুমেন্টের ক্লাস বুঝতে সাহায্য করা হয় একটি সফটম্যাক্স লেয়ারের মধ্য দিয়ে।
হাগিংফেস লেআউটএলএম
LayoutLM এত আলোচিত হওয়ার একটি প্রধান কারণ হল মডেলটি কিছুক্ষণ আগে ওপেন সোর্স করা হয়েছিল। এইটা আলিঙ্গন মুখে উপলব্ধ, তাই LayoutLM ব্যবহার করা এখন উল্লেখযোগ্যভাবে সহজ।
আপনি কীভাবে আপনার নিজের প্রয়োজনের জন্য লেআউটএলএমকে সূক্ষ্ম-টিউন করতে পারেন তার সুনির্দিষ্ট বিষয়গুলিতে ডুব দেওয়ার আগে, কয়েকটি বিষয় বিবেচনা করতে হবে।
লাইব্রেরি ইনস্টল করা হচ্ছে
LayoutLM চালানোর জন্য, আপনাকে Hugging Face থেকে ট্রান্সফরমার লাইব্রেরির প্রয়োজন হবে, যা PyTorch লাইব্রেরির উপর নির্ভরশীল। এগুলি ইনস্টল করতে (যদি ইতিমধ্যে ইনস্টল না থাকে), নিম্নলিখিত কমান্ডগুলি চালান
আবদ্ধ বাক্সে
চিত্রের আকার নির্বিশেষে একটি অভিন্ন এম্বেডিং স্কিম তৈরি করতে, বাউন্ডিং বক্স স্থানাঙ্কগুলি 1000 স্কেলে স্বাভাবিক করা হয়
কনফিগারেশন
transformers.LayoutLMConfig ক্লাস ব্যবহার করে, আপনি আপনার প্রয়োজনীয়তা অনুসারে মডেলের আকার নির্ধারণ করতে পারেন, যেহেতু এই মডেলগুলি সাধারণত ভারী হয় এবং বেশ কিছুটা গণনা শক্তির প্রয়োজন হয়৷ এটিকে একটি ছোট মডেলে সেট করা আপনাকে স্থানীয়ভাবে এটি চালাতে সহায়তা করতে পারে। তুমি পারবে এখানে ক্লাস সম্পর্কে আরও জানুন.
নথি শ্রেণীবিভাগের জন্য লেআউটএলএম (লিংক)
আপনি যদি নথির শ্রেণীবিভাগ সঞ্চালন করতে চান, আপনার প্রয়োজন হবে ক্লাস ট্রান্সফরমার। LayoutLMForSequenceClassification. এখানে ক্রমটি হল নথি থেকে পাঠ্যের ক্রম যা আপনি বের করেছেন। এখানে Hugging Face.co থেকে একটি ছোট কোড নমুনা দেওয়া হল যা এটি কীভাবে ব্যবহার করতে হয় তা ব্যাখ্যা করবে
টেক্সট লেবেলিংয়ের জন্য লেআউটএলএম (লিংক)
শব্দার্থিক লেবেলিং সঞ্চালন করতে, যেমন নথিতে পাঠ্যের বিভিন্ন অংশে লেবেল বরাদ্দ করতে, আপনার প্রয়োজন হবে ক্লাস ট্রান্সফরমার। LayoutLMForTokenClassification। আপনি আরো বিস্তারিত জানতে পারেন একই অবস্থাএটি আপনার জন্য কীভাবে কাজ করতে পারে তা দেখতে আপনার জন্য এখানে একটি ছোট কোড নমুনা রয়েছে৷
আলিঙ্গন ফেস লেআউট এলএম সম্পর্কে কিছু পয়েন্ট নোট করুন
- বর্তমানে, Hugging Face LayoutLM মডেলটি পাঠ্য নিষ্কাশনের জন্য Tesseract ওপেন সোর্স লাইব্রেরি ব্যবহার করে, যা খুব সঠিক নয়। আপনি AWS Textract বা Google ক্লাউড ভিশনের মতো একটি ভিন্ন, অর্থপ্রদত্ত OCR টুল ব্যবহার করার কথা বিবেচনা করতে পারেন
- বিদ্যমান মডেল শুধুমাত্র ভাষা মডেল প্রদান করে, যেমন লেআউটএলএম এম্বেডিং, এবং চূড়ান্ত স্তরগুলি নয় যা ভিজ্যুয়াল বৈশিষ্ট্যগুলিকে একত্রিত করে। বিন্যাসLMv2 (পরবর্তী বিভাগে আলোচনা করা হয়েছে) ভিজ্যুয়াল বৈশিষ্ট্য এমবেডিং সক্ষম করতে ডিটেক্ট্রন লাইব্রেরি ব্যবহার করে।
- লেবেলগুলির শ্রেণীবিভাগ একটি শব্দ স্তরে ঘটে, তাই এটি একটি ক্ষেত্রের সমস্ত শব্দ একটি অবিচ্ছিন্ন ক্রমানুসারে রয়েছে তা নিশ্চিত করা ওসিআর পাঠ্য নিষ্কাশন ইঞ্জিনের উপর নির্ভর করে, অথবা একটি ক্ষেত্র দুটি হিসাবে ভবিষ্যদ্বাণী করা যেতে পারে।
লেআউটLMv2
লেআউটএলএম কীভাবে নথি থেকে ডেটা বের করা হয় তাতে একটি বিপ্লব হিসাবে এসেছিল। যাইহোক, যতদূর গভীর শিক্ষার গবেষণা যায়, মডেলগুলি সময়ের সাথে সাথে আরও বেশি উন্নতি করে। LayoutLM একইভাবে LayoutLMv2 দ্বারা সফল হয়েছিল, যেখানে লেখকরা মডেলটিকে কীভাবে প্রশিক্ষিত করা হয়েছিল তাতে কয়েকটি উল্লেখযোগ্য পরিবর্তন করেছিলেন।
1-D স্থানিক এম্বেডিং এবং ভিজ্যুয়াল টোকেন এম্বেডিং সহ
LayoutLMv2 1-D আপেক্ষিক অবস্থান সম্পর্কিত তথ্য, সেইসাথে সামগ্রিক চিত্র সম্পর্কিত তথ্য অন্তর্ভুক্ত করেছে। এটি গুরুত্বপূর্ণ হওয়ার কারণ হল নতুন প্রশিক্ষণের উদ্দেশ্য, যা আমরা এখন আলোচনা করব
নতুন প্রশিক্ষণের উদ্দেশ্য
LayoutLMv2 কিছু পরিবর্তিত প্রশিক্ষণের উদ্দেশ্য অন্তর্ভুক্ত করেছে। এগুলি নিম্নরূপ:
- মাস্কড ভিজ্যুয়াল ল্যাঙ্গুয়েজ মডেলিং: এটি লেআউটএলএম-এর মতোই
- টেক্সট ইমেজ অ্যালাইনমেন্ট: টেক্সট এলোমেলোভাবে ইমেজ থেকে কভার করা হয়েছে, যখন টেক্সট টোকেন মডেলে দেওয়া হয়েছে। প্রতিটি টোকেনের জন্য, মডেলটিকে শিখতে হয়েছিল যে প্রদত্ত পাঠ্যটি কভার করা হয়েছে কিনা। এর মাধ্যমে, মডেলটি ভিজ্যুয়াল এবং টেক্সচুয়াল উভয় পদ্ধতি থেকে তথ্য একত্রিত করতে সক্ষম হয়েছিল
- টেক্সট ইমেজ ম্যাচিং: প্রদত্ত ইমেজ প্রদত্ত টেক্সটের সাথে মিল আছে কিনা তা পরীক্ষা করতে মডেলটিকে বলা হয়। নেতিবাচক নমুনাগুলি হয় মিথ্যা চিত্র হিসাবে খাওয়ানো হয়, বা কোনও চিত্র এম্বেডিং দেওয়া হয় না। পাঠ্য এবং চিত্রগুলি কীভাবে সম্পর্কিত তা সম্পর্কে মডেলটি আরও শিখতে পারে তা নিশ্চিত করার জন্য এটি করা হয়৷
এই নতুন পদ্ধতি এবং এম্বেডিংগুলি ব্যবহার করে, মডেলটি LayoutLM হিসাবে প্রায় সমস্ত পরীক্ষার ডেটাসেটে উচ্চতর F1 স্কোর অর্জন করতে সক্ষম হয়েছিল।
- সম্পর্কে
- প্রবেশ
- হিসাব
- সঠিক
- অর্জন
- দিয়ে
- সক্রিয়
- অগ্রসর
- এজেন্ট
- AI
- সব
- ইতিমধ্যে
- যদিও
- পরিমাণ
- অন্য
- অভিগমন
- এলাকায়
- কাছাকাছি
- প্রবন্ধ
- লেখক
- সহজলভ্য
- ডেস্কটপ AWS
- ভিত্তি
- হচ্ছে
- সর্বোত্তম
- বিট
- বক্স
- কার্ড
- মামলা
- চ্যালেঞ্জ
- শ্রেণীবিন্যাস
- মেঘ
- কোড
- মিলিত
- কোম্পানি
- গনা
- কনফিগারেশন
- সংযোগ
- বিবেচনা
- খরচ
- পারা
- গ্রাহকদের
- উপাত্ত
- দিন
- সত্ত্বেও
- সনাক্তকরণ
- DID
- বিভিন্ন
- কাগজপত্র
- নিচে
- ই-কমার্স
- কার্যকর
- সক্রিয়
- স্থাপন করা
- সীমা অতিক্রম করা
- মুখ
- দ্রুত
- বৈশিষ্ট্য
- বৈশিষ্ট্য
- প্রতিপালিত
- আর্থিক
- প্রথম
- অনুসরণ
- উত্পাদন করা
- GitHub
- গুগল
- সাহায্য
- সাহায্য
- এখানে
- কিভাবে
- কিভাবে
- HTTPS দ্বারা
- ভাবমূর্তি
- প্রভাব
- গুরুত্বপূর্ণ
- উন্নত করা
- অন্তর্ভুক্ত
- শিল্প
- তথ্য
- বীমা
- বুদ্ধিমান
- IT
- লেবেল
- লেবেলগুলি
- ভাষা
- বৃহত্তর
- শিখতে
- শিক্ষা
- উচ্চতা
- লাইব্রেরি
- LINK
- তালিকা
- স্থানীয়ভাবে
- অবস্থান
- অবস্থানগুলি
- ম্যানুয়ালি
- বৃহদায়তন
- ম্যাচিং
- ব্যাপার
- মডেল
- মডেল
- সেতু
- নেটওয়ার্ক
- নেটওয়ার্ক
- খোলা
- ওপেন সোর্স
- অপারেশনস
- অপশন সমূহ
- ক্রম
- সংগঠন
- অন্যান্য
- দেওয়া
- কাগজ
- টুকরা
- ক্ষমতা
- প্রক্রিয়া
- উপলব্ধ
- পিডব্লিউসি
- কারণে
- সুপারিশ করা
- রিপোর্ট
- প্রয়োজনীয়
- আবশ্যকতা
- গবেষণা
- ফলাফল
- জীবনবৃত্তান্ত
- চালান
- স্কেল
- পরিকল্পনা
- এসইসি
- অনুভূতি
- সেট
- বিন্যাস
- পরিবর্তন
- গুরুত্বপূর্ণ
- অনুরূপ
- সহজ
- আয়তন
- ছোট
- স্মার্ট
- So
- কিছু
- শুরু
- সাফল্য
- সরবরাহ
- সরবরাহ শৃঙ্খল
- কাজ
- প্রযুক্তিঃ
- পরীক্ষা
- দ্বারা
- সময়
- টোকেন
- টোকেন
- শীর্ষ
- প্রশিক্ষণ
- বোঝা
- ব্যবহার
- সদ্ব্যবহার করা
- মূল্য
- কি
- কিনা
- শব্দ
- হয়া যাই ?
- শ্রমিকদের
- বছর