স্ট্রাকচার্ড ডেটা, একটি নির্দিষ্ট প্যাটার্ন অনুসরণ করে ডেটা হিসাবে সংজ্ঞায়িত করা হয় যেমন ডেটাবেসের মধ্যে কলামে সংরক্ষিত তথ্য এবং অসংগঠিত ডেটা, যার মধ্যে পাঠ্য, ছবি বা সোশ্যাল মিডিয়া পোস্টের মতো একটি নির্দিষ্ট ফর্ম বা প্যাটার্নের অভাব থাকে, উভয়ই উত্পাদিত এবং খাওয়ার সাথে সাথে বৃদ্ধি পেতে থাকে। বিভিন্ন সংস্থা দ্বারা। উদাহরণস্বরূপ, ইন্টারন্যাশনাল ডেটা কর্পোরেশন (আইডিসি) অনুসারে, 2025 সালের মধ্যে বিশ্বের ডেটা ভলিউম দশগুণ বৃদ্ধি পাবে বলে আশা করা হচ্ছে, একটি উল্লেখযোগ্য অংশের জন্য অসংগঠিত ডেটা অ্যাকাউন্টিং। এন্টারপ্রাইজগুলি বুদ্ধিমানকে প্রসারিত করার জন্য ফাইলের ধরন, তৈরি তারিখ বা আকারের মতো স্ট্যান্ডার্ড মেটাডেটা ছাড়াও নথির প্রকার (W-2 ফর্ম বা paystubs), বিভিন্ন সত্তার ধরন যেমন নাম, সংস্থা এবং ঠিকানার মতো কাস্টম মেটাডেটা যোগ করতে চাইতে পারে নথি খাওয়ার সময় অনুসন্ধান করুন। কাস্টম মেটাডেটা সংস্থা এবং উদ্যোগগুলিকে তাদের পছন্দের উপায়ে তথ্য শ্রেণীবদ্ধ করতে সহায়তা করে। উদাহরণস্বরূপ, মেটাডেটা ফিল্টারিং এবং অনুসন্ধানের জন্য ব্যবহার করা যেতে পারে। গ্রাহকরা ব্যবহার করে কাস্টম মেটাডেটা তৈরি করতে পারেন অ্যামাজন সমঝোতা, নথির বিষয়বস্তু সম্পর্কে অন্তর্দৃষ্টি বের করতে এবং এটিকে প্রবেশ করাতে AWS দ্বারা পরিচালিত একটি প্রাকৃতিক-ভাষা প্রক্রিয়াকরণ (NLP) পরিষেবা আমাজন কেন্দ্র সূচকে তাদের ডেটা সহ। অ্যামাজন কেন্দ্র হল মেশিন লার্নিং (AWS) দ্বারা চালিত একটি অত্যন্ত নির্ভুল এবং সহজেই ব্যবহারযোগ্য এন্টারপ্রাইজ সার্চ পরিষেবা৷ কাস্টম মেটাডেটা তারপর আরও ভালভাবে বিষয়বস্তু সমৃদ্ধ করতে ব্যবহার করা যেতে পারে ফিল্টারিং এবং দিক ক্ষমতা Amazon কেন্দ্রে, দিকগুলি হল অনুসন্ধান ফলাফলের একটি সেটের স্কোপড ভিউ৷ উদাহরণস্বরূপ, আপনি সারা বিশ্বের শহরগুলির জন্য অনুসন্ধান ফলাফল প্রদান করতে পারেন, যেখানে নথিগুলি একটি নির্দিষ্ট শহর দ্বারা ফিল্টার করা হয় যার সাথে তারা যুক্ত। আপনি একটি নির্দিষ্ট লেখক দ্বারা ফলাফল প্রদর্শন করার জন্য দিকগুলিও তৈরি করতে পারেন।
বীমা কোম্পানীগুলিকে ক্রমবর্ধমান সংখ্যক দাবির বোঝা রয়েছে যেগুলি তাদের অবশ্যই প্রক্রিয়া করতে হবে। উপরন্তু, বিভিন্ন ধরনের বীমা নথি জড়িত থাকার কারণে এবং এই নথিগুলির প্রতিটিতে কাস্টম সত্তার কারণে দাবি প্রক্রিয়াকরণের জটিলতাও বাড়ছে। এই পোস্টে, আমরা বীমা প্রদানকারীদের জন্য কাস্টম সামগ্রী সমৃদ্ধকরণের জন্য একটি ব্যবহারের ক্ষেত্রে বর্ণনা করি। বীমা প্রদানকারী বিভিন্ন ধরনের বীমা, যেমন বাড়ি, গাড়ি এবং জীবন বীমার জন্য সুবিধাভোগীর অ্যাটর্নি থেকে পেআউট দাবি গ্রহণ করে। এই ব্যবহারের ক্ষেত্রে, বীমা প্রদানকারীর দ্বারা প্রাপ্ত নথিতে এমন কোনও মেটাডেটা থাকে না যা নির্দিষ্ট সত্তা এবং শ্রেণীর উপর ভিত্তি করে সামগ্রী অনুসন্ধান করার অনুমতি দেয়। বীমা প্রদানকারী কাস্টম সত্তা এবং তাদের ব্যবসার ডোমেনের জন্য নির্দিষ্ট ক্লাসের উপর ভিত্তি করে কেন্দ্রের বিষয়বস্তু ফিল্টার করতে চায়। এই পোস্টটি ব্যাখ্যা করে কিভাবে আপনি Amazon Comprehend দ্বারা কাস্টম মডেল ব্যবহার করে মেটাডেটা তৈরিকে স্বয়ংক্রিয় এবং সহজ করতে পারেন। উৎপন্ন মেটাডেটা আমাজন কেন্দ্রের সাথে ইনজেশন প্রক্রিয়া চলাকালীন কাস্টমাইজ করা যেতে পারে কাস্টম ডকুমেন্ট সমৃদ্ধকরণ (সিডিই) কাস্টম যুক্তি।
ফিল্টারিং এবং ফেসেট ক্ষমতা সহ বা ছাড়াই অ্যামাজন কেন্দ্র অনুসন্ধানের কয়েকটি উদাহরণ দেখি।
নিম্নলিখিত স্ক্রিনশটে, Amazon কেন্দ্র একটি অনুসন্ধান ফলাফল প্রদান করে কিন্তু কোনো ফিল্টার ব্যবহার করে অনুসন্ধানের ফলাফলকে আরও সংকীর্ণ করার কোনো বিকল্প নেই।
নিম্নলিখিত স্ক্রিনশটটি দেখায় যে Amazon কেন্দ্রের অনুসন্ধান ফলাফলগুলি বিভিন্ন দিক ব্যবহার করে ফিল্টার করা যেতে পারে যেমন ল ফার্ম, পলিসি নম্বর, কাস্টম মেটাডেটা দ্বারা তৈরি করা অনুসন্ধান ফলাফলগুলিকে সংকুচিত করতে।
এই পোস্টে আলোচনা করা সমাধানটি সহজেই অন্যান্য ব্যবসায়/ব্যবহার-ক্ষেত্রে প্রয়োগ করা যেতে পারে, যেমন স্বাস্থ্যসেবা, উত্পাদন এবং গবেষণা।
সমাধান ওভারভিউ
এই প্রস্তাবিত সমাধানে, আমরা 1) বীমা দাবি জমাগুলিকে বিভিন্ন শ্রেণিতে শ্রেণীবদ্ধ করব এবং 2) এই নথিগুলি থেকে বীমা-নির্দিষ্ট সত্তা পুনরুদ্ধার করব। যখন এটি সম্পূর্ণ হয়, নথিটি উপযুক্ত বিভাগে বা ডাউনস্ট্রিম প্রক্রিয়াতে পাঠানো যেতে পারে।
নিম্নলিখিত চিত্রটি প্রস্তাবিত সমাধান আর্কিটেকচারের রূপরেখা দেয়।
অ্যামাজন সমঝোতা কাস্টম শ্রেণীবিভাগ API আপনার নথিগুলিকে আপনার সংজ্ঞায়িত বিভাগগুলিতে (শ্রেণী) সংগঠিত করতে ব্যবহৃত হয়। কাস্টম শ্রেণীবিভাগ একটি দ্বি-পদক্ষেপ প্রক্রিয়া। প্রথমে, আপনি একটি কাস্টম শ্রেণীবিভাগ মডেল (এটি একটি শ্রেণীবিভাগকারীও বলা হয়) প্রশিক্ষিত করুন যাতে আপনার আগ্রহের ক্লাসগুলি চিনতে পারে। তারপর, আপনি যেকোন সংখ্যক নথি সেট শ্রেণীবদ্ধ করতে আপনার মডেল ব্যবহার করুন।
অ্যামাজন সমঝোতা কাস্টম সত্তা স্বীকৃতি বৈশিষ্ট্যটি নির্দিষ্ট সত্তার ধরন সনাক্ত করতে ব্যবহৃত হয় (বীমা কোম্পানির নাম, বীমাকারীর নাম, পলিসি নম্বর) সাধারণ সত্তা প্রকার গতানুগতিক. একটি কাস্টম সত্তা স্বীকৃতি মডেল তৈরি করা নথি থেকে সত্তা বের করতে স্ট্রিং ম্যাচিং বা নিয়মিত এক্সপ্রেশন ব্যবহার করার চেয়ে আরও কার্যকর পদ্ধতি। একটি কাস্টম সত্তা স্বীকৃতি মডেল সেই প্রেক্ষাপট শিখতে পারে যেখানে সেই নামগুলি উপস্থিত হওয়ার সম্ভাবনা রয়েছে৷ অতিরিক্তভাবে, স্ট্রিং ম্যাচিং এমন সত্তা সনাক্ত করবে না যেগুলির টাইপো আছে বা নতুন নামকরণের নিয়মগুলি অনুসরণ করে, যখন এটি একটি কাস্টম মডেল ব্যবহার করে সম্ভব।
আরও গভীরে যাওয়ার আগে, আমাজন কেন্দ্র ঘুরে দেখার জন্য একটু সময় নেওয়া যাক। Amazon কেন্দ্র হল মেশিন লার্নিং দ্বারা চালিত একটি অত্যন্ত নির্ভুল এবং সহজেই ব্যবহারযোগ্য এন্টারপ্রাইজ সার্চ পরিষেবা৷ এটি ব্যবহারকারীদের ওয়েবসাইট এবং ডাটাবেস থেকে শুরু করে ইন্ট্রানেট সাইট পর্যন্ত তাদের প্রতিষ্ঠান জুড়ে ছড়িয়ে থাকা বিপুল পরিমাণ সামগ্রীর মধ্যে তাদের প্রয়োজনীয় তথ্য খুঁজে পেতে অনুমতি দেয়। ডকুমেন্টগুলিকে গ্রাস করার জন্য আমরা প্রথমে একটি অ্যামাজন কেন্দ্র সূচক তৈরি করব। ডেটা খাওয়ার সময়, কাস্টম ডেটা সমৃদ্ধকরণ (সিডিই) ধারণাটি বিবেচনা করা অপরিহার্য। CDE আপনাকে সার্চ ইনডেক্সে বাহ্যিক জ্ঞান অন্তর্ভুক্ত করে অনুসন্ধানের ক্ষমতা বাড়াতে সক্ষম করে। আরো তথ্যের জন্য, পড়ুন ইনজেশনের সময় আপনার নথি সমৃদ্ধ করা. এই পোস্টে, CDE লজিক চিহ্নিত শ্রেণী এবং সত্ত্বাগুলির সাথে নথিগুলিকে সমৃদ্ধ করতে Amazon Comprehend-এর কাস্টম APIগুলিকে আহ্বান করে৷ পরিশেষে, আমরা আমাজন কেন্দ্রের অনুসন্ধান পৃষ্ঠাটি ব্যবহার করে দেখাই যে কীভাবে মেটাডেটা ফেসটিং এবং ফিল্টারিং ক্ষমতা যুক্ত করে অনুসন্ধানের ক্ষমতা বাড়িয়েছে।
এই সমাধানটি বাস্তবায়নের জন্য উচ্চ-স্তরের পদক্ষেপগুলি নিম্নরূপ:
- প্রশিক্ষণ ডেটা ব্যবহার করে Amazon Comprehend কাস্টম ক্লাসিফায়ারকে প্রশিক্ষণ দিন
- প্রশিক্ষণ ডেটা ব্যবহার করে আমাজন কম্প্রিহেন্ড কাস্টম সত্তা স্বীকৃতিকে প্রশিক্ষণ দিন
- Amazon Comprehend কাস্টম ক্লাসিফায়ার এবং কাস্টম সত্তা স্বীকৃতির শেষ পয়েন্ট তৈরি করুন
- পোস্ট এক্সট্রাকশন সমৃদ্ধকরণের জন্য একটি ল্যাম্বডা ফাংশন তৈরি করুন এবং স্থাপন করুন
- আমাজন কেন্দ্রের সূচী তৈরি করুন এবং পপুলেট করুন
- অ্যামাজন কেন্দ্রে অনুসন্ধানগুলি ফিল্টার করতে নিষ্কাশিত সত্তাগুলি ব্যবহার করুন৷
আমরা একটি নমুনা আবেদন প্রদান করেছি গিটহুব রেপো রেফারেন্স জন্য
ডেটা নিরাপত্তা এবং আইএএম বিবেচনা
নিরাপত্তাকে সর্বোচ্চ অগ্রাধিকার দিয়ে, এই সমাধানটি ব্যবহৃত পরিষেবা এবং বৈশিষ্ট্যগুলির জন্য সর্বনিম্ন বিশেষাধিকারের অনুমতি নীতি অনুসরণ করে৷ Amazon Comprehend কাস্টম শ্রেণীবিভাগ এবং কাস্টম সত্তা স্বীকৃতি দ্বারা ব্যবহৃত IAM ভূমিকাতে শুধুমাত্র পরীক্ষার বাকেট থেকে ডেটাসেট অ্যাক্সেস করার অনুমতি রয়েছে। আমাজন কেন্দ্র পরিষেবার একটি নির্দিষ্ট S3 বাকেট এবং ল্যাম্বডা ফাংশনে অ্যাক্সেস রয়েছে যা বোঝার API কল করতে ব্যবহৃত হয়। Lambda ফাংশন শুধুমাত্র Amazon Comprehend API কল করার অনুমতি আছে। আরও তথ্যের জন্য, নোটবুকের অধ্যায় 1.2 এবং 1.3 পর্যালোচনা করুন।
উৎপাদন পরিবেশে সমাধান বাস্তবায়নের আগে আমরা আপনাকে একটি অ-উৎপাদন পরিবেশে নিম্নলিখিতগুলি করার পরামর্শ দিই।
প্রশিক্ষণ ডেটা ব্যবহার করে বোঝার কাস্টম ক্লাসিফায়ারকে প্রশিক্ষণ দিন
অ্যামাজন কম্প্রিহেন্ড কাস্টম ক্লাসিফিকেশন টীকা ফাইলের জন্য দুটি ডেটা বিন্যাস প্রকারকে সমর্থন করে:
যেহেতু আমাদের ডেটা ইতিমধ্যেই CSV ফাইলগুলিতে লেবেলযুক্ত এবং সংরক্ষণ করা হয়েছে, আমরা উদাহরণ হিসাবে টীকা ফাইলের জন্য CSV ফাইল বিন্যাসটি ব্যবহার করব৷ আমাদের একটি CSV ফাইলে UTF-8 এনকোড করা পাঠ্য হিসাবে লেবেলযুক্ত প্রশিক্ষণ ডেটা সরবরাহ করতে হবে। CSV ফাইলে হেডার সারি অন্তর্ভুক্ত করবেন না। আপনার ফাইলে একটি হেডার সারি যোগ করলে রানটাইম ত্রুটি হতে পারে। প্রশিক্ষণ ডেটা CSV ফাইলের একটি উদাহরণ নিম্নরূপ:
ক্লাসিফায়ার প্রশিক্ষণ ডেটা প্রস্তুত করতে, পড়ুন ক্লাসিফায়ার প্রশিক্ষণ ডেটা প্রস্তুত করা হচ্ছে. CSV ফাইলের প্রতিটি সারির জন্য, প্রথম কলামে এক বা একাধিক শ্রেণির লেবেল থাকে। একটি ক্লাস লেবেল যেকোনো বৈধ UTF-8 স্ট্রিং হতে পারে। আমরা এমন স্পষ্ট শ্রেণির নাম ব্যবহার করার পরামর্শ দিই যা অর্থের সাথে ওভারল্যাপ করে না। নাম সাদা স্থান অন্তর্ভুক্ত করতে পারে, এবং আন্ডারস্কোর বা হাইফেন দ্বারা সংযুক্ত একাধিক শব্দ গঠিত হতে পারে। কমাগুলির আগে বা পরে কোনও স্পেস অক্ষর রাখবেন না যা একটি সারিতে মানগুলিকে আলাদা করে।
এর পরে, আপনি হয় ব্যবহার করে প্রশিক্ষণ দেবেন মাল্টি-ক্লাস মোড or মাল্টি-লেবেল মোড. বিশেষত, মাল্টি-ক্লাস মোডে, শ্রেণীবিভাগ প্রতিটি নথির জন্য একটি শ্রেণী বরাদ্দ করে, যখন মাল্টি-লেবেল মোডে, পৃথক শ্রেণীগুলি বিভিন্ন বিভাগকে প্রতিনিধিত্ব করে যেগুলি পারস্পরিকভাবে একচেটিয়া নয়। আমাদের ক্ষেত্রে আমরা প্লেইন-টেক্সট মডেলের জন্য মাল্টি-ক্লাস মোড ব্যবহার করব।
আপনি Amazon Comprehend কাস্টম ক্লাসিফায়ার প্রশিক্ষণ এবং মডেল মূল্যায়নের জন্য পৃথক প্রশিক্ষণ এবং পরীক্ষার ডেটাসেট প্রস্তুত করতে পারেন। অথবা, প্রশিক্ষণ এবং পরীক্ষা উভয়ের জন্য শুধুমাত্র একটি ডেটাসেট প্রদান করুন। কম্প্রেহেন্ড স্বয়ংক্রিয়ভাবে আপনার প্রদত্ত ডেটাসেটের 10% পরীক্ষা ডেটা হিসাবে ব্যবহার করার জন্য নির্বাচন করবে। এই উদাহরণে, আমরা আলাদা প্রশিক্ষণ এবং টেস্টিং ডেটাসেট প্রদান করছি।
নিম্নলিখিত উদাহরণটি বিভিন্ন নথির সাথে যুক্ত শ্রেণির নাম ধারণকারী একটি CSV ফাইল দেখায়।
যখন কাস্টম শ্রেণীবিভাগ মডেল প্রশিক্ষিত হয়, তখন এটি নথিতে (হোম, অটো, বা জীবন বীমা) বিভিন্ন শ্রেণীর বীমা ক্যাপচার করতে পারে।
প্রশিক্ষণ ডেটা ব্যবহার করে Amazon Comprehend কাস্টম সত্তা সনাক্তকারীকে (NER) প্রশিক্ষণ দিন
Amazon Comprehend Custom Entity Recognition (NER)-এর প্রশিক্ষণ ডেটাসেট দুটি ভিন্ন উপায়ের একটিতে প্রস্তুত করা যেতে পারে:
- টীকা - মোড প্রশিক্ষণের জন্য টীকাযুক্ত সত্তা ধারণ করে এমন একটি ডেটা সেট সরবরাহ করে
- সত্তা তালিকা (শুধুমাত্র সাধারণ পাঠ্য) - সত্তাগুলির একটি তালিকা এবং তাদের লেবেল প্রকার (যেমন "বীমা কোম্পানির নাম") এবং মডেল প্রশিক্ষণের জন্য সেই সত্তাগুলি ধারণকারী অনির্ধারিত নথিগুলির একটি সেট সরবরাহ করে
আরও তথ্যের জন্য, দেখুন সত্তা শনাক্তকারী প্রশিক্ষণ ডেটা প্রস্তুত করা হচ্ছে.
সত্তা তালিকা ব্যবহার করে একটি মডেলকে প্রশিক্ষণ দেওয়ার সময়, আমাদের দুটি টুকরো তথ্য সরবরাহ করতে হবে: তাদের সম্পর্কিত কাস্টম সত্তার ধরন সহ সত্তার নামের একটি তালিকা এবং অব্যক্ত নথিগুলির একটি সংগ্রহ যেখানে সত্তাগুলি উপস্থিত হয়৷
স্বয়ংক্রিয় প্রশিক্ষণের জন্য দুটি ধরণের তথ্য থাকা প্রয়োজন: নমুনা নথি এবং সত্তা তালিকা বা টীকা। একবার শনাক্তকারী প্রশিক্ষিত হলে, আপনি আপনার নথিতে কাস্টম সত্তা সনাক্ত করতে এটি ব্যবহার করতে পারেন। আপনি রিয়েল টাইমে পাঠ্যের একটি ছোট অংশ দ্রুত বিশ্লেষণ করতে পারেন, অথবা আপনি একটি অ্যাসিঙ্ক্রোনাস কাজের সাথে নথির একটি বড় সেট বিশ্লেষণ করতে পারেন।
আপনি Amazon Comprehend কাস্টম সত্তা শনাক্তকারী প্রশিক্ষণ এবং মডেল মূল্যায়নের জন্য পৃথক প্রশিক্ষণ এবং পরীক্ষার ডেটাসেট প্রস্তুত করতে পারেন। অথবা প্রশিক্ষণ এবং পরীক্ষার জন্য শুধুমাত্র একটি ডেটাসেট প্রদান করুন। Amazon Comprehend স্বয়ংক্রিয়ভাবে আপনার প্রদত্ত ডেটাসেটের 10% নির্বাচন করবে টেস্টিং ডেটা হিসেবে ব্যবহার করার জন্য। নীচের উদাহরণে, আমরা প্রশিক্ষণের ডেটাসেট হিসাবে উল্লেখ করেছি Documents.S3Uri
অধীনে InputDataConfig
.
নিম্নলিখিত উদাহরণটি সত্তার সমন্বিত একটি CSV ফাইল দেখায়:
একবার কাস্টম সত্তা (এনইআর) মডেল প্রশিক্ষিত হলে, এটি বিভিন্ন সত্তা যেমন "PAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
"।
Amazon Comprehend কাস্টম ক্লাসিফায়ার এবং কাস্টম সত্তা (NER) এন্ডপয়েন্ট তৈরি করুন
Amazon Comprehend এর শেষ পয়েন্টগুলি আপনার কাস্টম মডেলগুলিকে রিয়েল-টাইম শ্রেণীবিভাগের জন্য উপলব্ধ করে। আপনি একটি এন্ডপয়েন্ট তৈরি করার পরে, আপনার ব্যবসার প্রয়োজন অনুযায়ী আপনি এটিতে পরিবর্তন করতে পারেন। উদাহরণস্বরূপ, আপনি আপনার এন্ডপয়েন্ট ব্যবহার নিরীক্ষণ করতে পারেন এবং স্বয়ংক্রিয়ভাবে এন্ডপয়েন্ট প্রভিশনিং সেট করতে অটো স্কেলিং প্রয়োগ করতে পারেন যাতে আপনার ক্ষমতার চাহিদা পূরণ হয়। আপনি একটি একক ভিউ থেকে আপনার সমস্ত এন্ডপয়েন্ট পরিচালনা করতে পারেন এবং যখন আপনার আর কোনো এন্ডপয়েন্টের প্রয়োজন হয় না, আপনি খরচ বাঁচাতে এটি মুছে ফেলতে পারেন। অ্যামাজন কম্প্রেহেন্ড সিঙ্ক্রোনাস এবং অ্যাসিঙ্ক্রোনাস উভয় বিকল্পকে সমর্থন করে, যদি আপনার ব্যবহারের ক্ষেত্রে রিয়েল-টাইম শ্রেণীবিভাগের প্রয়োজন না হয়, আপনি অ্যাসিঙ্ক্রোনাস ডেটা শ্রেণীবিভাগের জন্য অ্যামাজন কম্প্রেহেন্ডে একটি ব্যাচ কাজ জমা দিতে পারেন।
এই ব্যবহারের ক্ষেত্রে, আপনি আপনার কাস্টম মডেলকে রিয়েল-টাইম বিশ্লেষণের জন্য উপলব্ধ করতে একটি এন্ডপয়েন্ট তৈরি করেন।
আপনার টেক্সট প্রসেসিং চাহিদা মেটাতে, আপনি এন্ডপয়েন্টে ইনফারেন্স ইউনিটগুলি বরাদ্দ করেন এবং প্রতিটি ইউনিট প্রতি সেকেন্ডে 100 অক্ষরের একটি থ্রুপুট অনুমতি দেয়। তারপর আপনি থ্রুপুট উপরে বা নিচে সামঞ্জস্য করতে পারেন।
পোস্ট এক্সট্রাকশন সমৃদ্ধকরণের জন্য একটি ল্যাম্বডা ফাংশন তৈরি করুন এবং স্থাপন করুন
পোস্ট-এক্সট্রাকশন ল্যাম্বডা ফাংশন আপনাকে ইনজেস্টেড ডকুমেন্ট থেকে অ্যামাজন কেন্দ্রের এক্সট্রাক্ট করা টেক্সট প্রক্রিয়া করার জন্য যুক্তি প্রয়োগ করতে দেয়। আমরা কনফিগার করা পোস্ট-এক্সট্রাকশন ফাংশনটি কাস্টম এন্টিটি সনাক্ত করতে আমাজন কম্প্রেহেন্ডকে আমন্ত্রণ জানাতে কোডটি প্রয়োগ করে এবং আমাজন কেন্দ্রের দ্বারা নিষ্কাশিত পাঠ্য থেকে নথিগুলিকে কাস্টম শ্রেণীবদ্ধ করে, এবং নথির মেটাডেটা আপডেট করতে সেগুলি ব্যবহার করে, যা একটি অ্যামাজন কেন্দ্র অনুসন্ধানে দিক হিসাবে উপস্থাপিত হয়। . ফাংশন কোড নোটবুক এম্বেড করা হয়. দ্য PostExtractionLambda
কোড নিম্নরূপ কাজ করে:
- পৃষ্ঠার পাঠ্যকে এমন বিভাগে বিভক্ত করে যা বোঝার সর্বোচ্চ বাইট দৈর্ঘ্যের সীমা অতিক্রম করে না
detect_entities
API (দেখা সীমা ).
বিঃদ্রঃ স্ক্রিপ্ট সরলতার জন্য একটি সাদাসিধা অক্ষর দৈর্ঘ্য বিভাজন অ্যালগরিদম ব্যবহার করে – উত্পাদন ব্যবহারের ক্ষেত্রে UTF8 বাইট দৈর্ঘ্যের উপর ভিত্তি করে ওভারল্যাপিং বা বাক্যের সীমানা বিভাজন প্রয়োগ করা উচিত। - পাঠ্যের প্রতিটি বিভাগের জন্য, নিম্নোক্ত সত্তার ধরন সনাক্ত করতে কাস্টম সত্তা এবং কাস্টম শ্রেণীবিভাগের জন্য বোঝার রিয়েল-টাইম এন্ডপয়েন্টগুলিকে কল করে: [“
PAYOUT
","INSURANCE_COMPANY
","LAW_FIRM
","POLICY_HOLDER_NAME
","POLICY_NUMBER
","INSURANCE_TYPE
“]। - আত্মবিশ্বাসের স্কোর থ্রেশহোল্ডের নিচে থাকা শনাক্ত করা সত্তাগুলিকে ফিল্টার করে। আমরা 0.50 থ্রেশহোল্ড ব্যবহার করছি যার মানে 50% এবং আরও বেশি আত্মবিশ্বাসের সাথে শুধুমাত্র সত্তা ব্যবহার করা হবে। এটি ব্যবহারের ক্ষেত্রে এবং প্রয়োজনীয়তার উপর ভিত্তি করে টিউন করা যেতে পারে।
- প্রতিটি সত্তার ফ্রিকোয়েন্সি গণনা ট্র্যাক করে।
- সংঘটনের ফ্রিকোয়েন্সির উপর ভিত্তি করে প্রতিটি পৃষ্ঠার জন্য শুধুমাত্র শীর্ষ N (10) অনন্য সত্তা নির্বাচন করে।
- নথি শ্রেণীবিভাগের জন্য, মাল্টি-ক্লাস ক্লাসিফায়ার প্রতিটি নথির জন্য শুধুমাত্র একটি শ্রেণী নির্ধারণ করে। এই Lambda ফাংশনে, নথিগুলি অটো বীমা, হোম বীমা, বা জীবন বীমা হিসাবে শ্রেণীবদ্ধ করা হবে।
মনে রাখবেন যে এই লেখার মতো, CDE শুধুমাত্র সিঙ্ক্রোনাস কল সমর্থন করে অথবা যদি এটি অ্যাসিঙ্ক্রোনাস হতে হয়, তাহলে একটি সুস্পষ্ট অপেক্ষা লুপ প্রয়োজন। Lambda পোস্ট নিষ্কাশন জন্য সর্বোচ্চ কার্যকর করার সময় হল 1 মিনিট ল্যাম্বডা কাস্টম লজিক আপনার ব্যবহারের ক্ষেত্রে উপযুক্ত প্রয়োজনীয়তার উপর ভিত্তি করে পরিবর্তন করা যেতে পারে।
আমাজন কেন্দ্রের সূচী তৈরি করুন এবং পপুলেট করুন
এই ধাপে, আমরা আমাজন কেন্দ্রের সূচকে ডেটা ইনজেস্ট করব এবং এটি ব্যবহারকারীদের জন্য অনুসন্ধানযোগ্য করে তুলব। ইনজেশনের সময়, আমরা পূর্ববর্তী ধাপে তৈরি করা Lambda ফাংশনটিকে একটি পোস্ট এক্সট্রাকশন ধাপ হিসেবে ব্যবহার করব এবং Lambda ফাংশনটি কাস্টম মেটাডেটা ক্ষেত্র তৈরি করতে কাস্টম শ্রেণীবিভাগ এবং কাস্টম এন্টিটি রিকগনিশন (NER) এন্ডপয়েন্টকে কল করবে।
এই সমাধানটি বাস্তবায়নের জন্য উচ্চ-স্তরের পদক্ষেপগুলি নিম্নরূপ:
- সৃষ্টি আমাজন কেন্দ্র সূচক.
- সৃষ্টি আমাজন কেন্দ্রের তথ্য উৎস - বিভিন্ন ডেটা উত্স রয়েছে যা ডেটাসেট গ্রহণ করতে ব্যবহার করা যেতে পারে। এই পোস্টে আমরা একটি S3 বালতি ব্যবহার করছি।
- ফেসেট তৈরি করুন
Law_Firm
,Payout
,Insurance_Company
,Policy_Number
,Policy_Holder_Name
,Insurance_Type
স্ট্রিং টাইপ সহ 'STRING_LIST_VALUE
'. - কেন্দ্র সিডিই তৈরি করুন এবং এটিকে পূর্বে তৈরি করা পোস্ট-এক্সট্রাকশন ল্যাম্বডা ফাংশনে নির্দেশ করুন।
- ডেটাসেট ইনজেস্ট করতে সিঙ্ক প্রক্রিয়াটি সম্পাদন করুন।
একবার সম্পূর্ণ হয়ে গেলে, আপনি পোস্ট এক্সট্রাকশন ল্যাম্বডা সহ কেন্দ্র সিডিই ব্যবহার করে বীমা ডেটা দিয়ে সূচকটি তৈরি করতে পারেন, আপনি কাস্টম সত্তার ধরন এবং কাস্টম মেটাডেটা ক্ষেত্র হিসাবে কাস্টম শ্রেণিবিন্যাসের উপর ভিত্তি করে অনুসন্ধানগুলি ফিল্টার করতে পারেন।
কেন্দ্রে অনুসন্ধানগুলি ফিল্টার করতে নিষ্কাশিত সত্তাগুলি ব্যবহার করুন৷
এখন সূচকটি জনবহুল এবং ব্যবহারের জন্য প্রস্তুত। অ্যামাজন কেন্দ্র কনসোলে, নির্বাচন করুন ডেটা ম্যানেজমেন্টের অধীনে সূচীকৃত বিষয়বস্তু অনুসন্ধান করুন এবং নিম্নলিখিত করুন।
নিম্নলিখিত জিজ্ঞাসা করুন: দেরী ফাইলিং কারণে বীমা তালিকা ব্যর্থ হয়েছে?
ফলাফল নীতির ধরন থেকে একটি উত্তর দেখায় - HOME INSURANCE
এবং আনে text_18
এবং text_14
শীর্ষ ফলাফল হিসাবে।
বাম দিকে "ফিল্টার অনুসন্ধান ফলাফল" নির্বাচন করুন। এখন আপনি Comprehend ব্যবহার করে বের করা সমস্ত সত্তার ধরন এবং শ্রেণীবিভাগ মান দেখতে পাবেন এবং প্রতিটি সত্তার মান এবং শ্রেণীবিভাগের জন্য আপনি মিলিত নথির সংখ্যা দেখতে পাবেন।
অধীনে INSURANCE_TYPE
"অটো-বীমা" নির্বাচন করুন, এবং তারপর আপনি একটি উত্তর পাবেন text_25
ফাইল.
মনে রাখবেন যে আপনার ফলাফল স্ক্রিনশটে দেখানো ফলাফল থেকে সামান্য পরিবর্তিত হতে পারে।
আপনার নিজের প্রশ্নগুলির সাথে অনুসন্ধান করার চেষ্টা করুন এবং অ্যামাজন কম্প্রেহেন্ড দ্বারা চিহ্নিত সত্তা এবং নথির শ্রেণীবিভাগ কীভাবে আপনাকে দ্রুত করতে দেয় তা পর্যবেক্ষণ করুন:
- দেখুন কিভাবে আপনার সার্চের ফলাফল বিভিন্ন বিভাগে বিতরণ করা হয়।
- যেকোন সত্তা/শ্রেণীবিভাগ মান ফিল্টার করে আপনার অনুসন্ধানকে সংকীর্ণ করুন।
পরিষ্কার কর
আপনি অনুসন্ধানের সাথে পরীক্ষা করার পরে এবং Github সংগ্রহস্থলে প্রদত্ত নোটবুকটি চেষ্টা করার পরে, কোনো অবাঞ্ছিত চার্জ এড়াতে আপনার AWS অ্যাকাউন্টে যে পরিকাঠামো প্রদান করেছেন তা মুছুন। আপনি নোটবুকে পরিষ্কারের ঘর চালাতে পারেন। বিকল্পভাবে, আপনি AWS কনসোলের মাধ্যমে ম্যানুয়ালি সংস্থানগুলি মুছতে পারেন:
- আমাজন কেন্দ্র সূচক
- কাস্টম ক্লাসিফায়ার এবং কাস্টম সত্তা স্বীকৃতি (NER) শেষ পয়েন্টগুলি বোঝা
- কাস্টম ক্লাসিফায়ার এবং কাস্টম সত্তা স্বীকৃতি (NER) কাস্টম মডেলগুলি বোঝা
- ল্যাম্বডা ফাংশন
- এস 3 বালতি
- IAM ভূমিকা এবং নীতি
উপসংহার
এই পোস্টে, আমরা দেখিয়েছি কিভাবে Amazon Comprehend কাস্টম সত্তা এবং কাস্টম ক্লাসিফায়ার CDE বৈশিষ্ট্য দ্বারা চালিত অ্যামাজন কেন্দ্র অনুসন্ধান সক্ষম করে যাতে শেষ-ব্যবহারকারীরা কাঠামোগত/অসংগঠিত ডেটাতে আরও ভাল অনুসন্ধান করতে পারে। Amazon Comprehend এবং কাস্টম ক্লাসিফায়ারের কাস্টম সত্তা বিভিন্ন ব্যবহারের ক্ষেত্রে এবং বিভিন্ন ডোমেন নির্দিষ্ট ডেটার জন্য এটিকে খুব উপযোগী করে তোলে। Amazon Comprehend কিভাবে ব্যবহার করবেন সে সম্পর্কে আরও তথ্যের জন্য, পড়ুন আমাজন বিকাশকারী সংস্থানগুলিকে বোঝা এবং আমাজন কেন্দ্রের জন্য, পড়ুন আমাজন কেন্দ্র বিকাশকারী সংস্থান.
আপনার ব্যবহারের ক্ষেত্রে এই সমাধানটি চেষ্টা করে দেখুন। আমরা আপনাকে মন্তব্য বিভাগে আপনার প্রতিক্রিয়া ছেড়ে আমন্ত্রণ.
লেখক সম্পর্কে
অমিত চৌধুরী আমাজন ওয়েব সার্ভিসের একজন সিনিয়র সলিউশন আর্কিটেক্ট। তার ফোকাস ক্ষেত্র হল AI/ML, এবং তিনি গ্রাহকদের জেনারেটিভ AI, বড় ভাষা মডেল এবং প্রম্পট ইঞ্জিনিয়ারিং দিয়ে সাহায্য করেন। কাজের বাইরে, অমিত তার পরিবারের সাথে সময় কাটায়।
ইয়ানিয়ান ঝাং AWS প্রফেশনাল সার্ভিসের সাথে এনার্জি ডেলিভারি টিমের একজন সিনিয়র ডেটা সায়েন্টিস্ট। তিনি গ্রাহকদের এআই/এমএল জ্ঞানের সাথে প্রকৃত সমস্যা সমাধানে সহায়তা করার বিষয়ে উত্সাহী। সম্প্রতি, তার ফোকাস জেনারেটিভ এআই এবং এলএলএম-এর সম্ভাব্যতা অন্বেষণের দিকে রয়েছে। কাজের বাইরে, তিনি ভ্রমণ, কাজ এবং নতুন জিনিস অন্বেষণ ভালবাসেন.
নিখিল ঝা আমাজন ওয়েব সার্ভিসের একজন সিনিয়র টেকনিক্যাল অ্যাকাউন্ট ম্যানেজার। তার ফোকাস এলাকা AI/ML, এবং বিশ্লেষণ অন্তর্ভুক্ত. তার অবসর সময়ে, তিনি তার মেয়ের সাথে ব্যাডমিন্টন খেলা এবং বাইরে ঘুরে বেড়াতে উপভোগ করেন।
- এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
- PlatoData.Network উল্লম্ব জেনারেটিভ Ai. নিজেকে ক্ষমতায়িত করুন। এখানে প্রবেশ করুন.
- প্লেটোএআইস্ট্রিম। Web3 ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
- প্লেটোইএসজি। কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
- প্লেটো হেলথ। বায়োটেক এবং ক্লিনিক্যাল ট্রায়াল ইন্টেলিজেন্স। এখানে প্রবেশ করুন.
- উত্স: https://aws.amazon.com/blogs/machine-learning/use-custom-metadata-created-by-amazon-comprehend-to-intelligently-process-insurance-claims-using-amazon-kendra/
- : আছে
- : হয়
- :না
- :কোথায়
- $ ইউপি
- 1
- 1.3
- 10
- 100
- 19
- 2025
- 33
- 50
- 500
- 7
- 9
- a
- সক্ষম
- সম্পর্কে
- প্রবেশ
- অনুযায়ী
- হিসাব
- হিসাবরক্ষণ
- সঠিক
- দিয়ে
- যোগ
- যোগ
- যোগ
- উপরন্তু
- ঠিকানা
- পর
- AI
- এআই / এমএল
- অ্যালগরিদম
- সব
- অনুমতি
- বরাবর
- ইতিমধ্যে
- এছাড়াও
- মর্দানী স্ত্রীলোক
- অ্যামাজন সমঝোতা
- আমাজন কেন্দ্র
- অ্যামাজন ওয়েব সার্ভিসেস
- পরিমাণ
- an
- বিশ্লেষণ
- বৈশ্লেষিক ন্যায়
- বিশ্লেষণ করা
- এবং
- উত্তর
- কোন
- API
- API গুলি
- প্রদর্শিত
- আবেদন
- ফলিত
- প্রয়োগ করা
- অভিগমন
- যথাযথ
- স্থাপত্য
- রয়েছি
- এলাকায়
- এলাকার
- AS
- যুক্ত
- At
- অ্যাটর্নি
- লেখক
- গাড়ী
- স্বয়ংক্রিয় পদ্ধতি প্রয়োগ করা
- স্বয়ংক্রিয়ভাবে
- সহজলভ্য
- এড়াতে
- ডেস্কটপ AWS
- AWS প্রফেশনাল সার্ভিসেস
- ভিত্তি
- BE
- হয়েছে
- আগে
- নিচে
- উত্তম
- তার পরেও
- শরীর
- উভয়
- সীমানা
- আনে
- ভবন
- ব্যবসায়
- কিন্তু
- by
- কল
- নামক
- কল
- CAN
- ক্ষমতা
- সামর্থ্য
- ধারণক্ষমতা
- গ্রেপ্তার
- কেস
- মামলা
- বিভাগ
- কারণ
- সেল
- কিছু
- পরিবর্তিত
- পরিবর্তন
- চরিত্র
- অক্ষর
- চার্জ
- বেছে নিন
- শহর
- শহর
- দাবি
- শ্রেণী
- ক্লাস
- শ্রেণীবিন্যাস
- শ্রেণীবদ্ধ
- শ্রেণীভুক্ত করা
- পরিষ্কার
- কোড
- সংগ্রহ
- স্তম্ভ
- কলাম
- মন্তব্য
- কোম্পানি
- কোম্পানি
- সম্পূর্ণ
- সম্পন্ন হয়েছে
- জটিলতা
- বোঝা
- ধারণা
- বিশ্বাস
- কনফিগার
- সংযুক্ত
- বিবেচনা
- কনসোল
- ক্ষয়প্রাপ্ত
- ধারণ করা
- ধারণ
- বিষয়বস্তু
- প্রসঙ্গ
- অবিরত
- নিয়মাবলী
- কর্পোরেশন
- খরচ
- পারা
- সৃষ্টি
- নির্মিত
- প্রথা
- গ্রাহকদের
- কাস্টমাইজড
- উপাত্ত
- তথ্য সমৃদ্ধ
- ডাটা ব্যাবস্থাপনা
- তথ্য বিজ্ঞানী
- তথ্য সেট
- ডাটাবেস
- ডেটাসেট
- তারিখ
- গভীর
- ডিফল্ট
- নির্ধারণ করা
- সংজ্ঞায়িত
- বিলি
- বিভাগ
- স্থাপন
- বর্ণনা করা
- সনাক্ত
- সনাক্ত
- বিকাশকারী
- বিভিন্ন
- ভিন্নভাবে
- আলোচনা
- প্রদর্শন
- বণ্টিত
- বিচিত্র
- ডাইভিং
- do
- দলিল
- কাগজপত্র
- ডোমেইন
- ডন
- Dont
- নিচে
- কারণে
- সময়
- e
- E&T
- প্রতি
- সহজে
- ব্যবহার করা সহজ
- কার্যকর
- পারেন
- el
- এম্বেড করা
- সম্ভব
- শেষপ্রান্ত
- শক্তি
- প্রকৌশল
- উন্নত করা
- উন্নত
- সমৃদ্ধ করা
- সমৃদ্ধি
- উদ্যোগ
- উদ্যোগ
- সত্ত্বা
- সত্তা
- পরিবেশ
- ত্রুটি
- অপরিহার্য
- মূল্যায়ন
- গজান
- উদাহরণ
- উদাহরণ
- অতিক্রম করা
- ছাড়া
- ব্যতিক্রম
- একচেটিয়া
- ফাঁসি
- প্রস্থান করা হচ্ছে
- প্রত্যাশিত
- অন্বেষণ করুণ
- এক্সপ্লোরিং
- এক্সপ্রেশন
- প্রসারিত করা
- বহিরাগত
- নির্যাস
- নিষ্কাশন
- মতকে
- ব্যর্থ
- পরিবার
- বৈশিষ্ট্য
- বৈশিষ্ট্য
- প্রতিক্রিয়া
- কয়েক
- ক্ষেত্রসমূহ
- ফাইল
- নথি পত্র
- ফাইলিং
- ছাঁকনি
- ফিল্টারিং
- ফিল্টার
- পরিশেষে
- আবিষ্কার
- দৃঢ়
- প্রথম
- ফিট
- স্থায়ী
- কেন্দ্রবিন্দু
- অনুসরণ করা
- অনুসরণ
- অনুসরণ
- জন্য
- ফর্ম
- বিন্যাস
- ফর্ম
- ফ্রিকোয়েন্সি
- থেকে
- ক্রিয়া
- অধিকতর
- উত্পন্ন
- প্রজন্ম
- সৃজক
- জেনারেটিভ এআই
- পাওয়া
- GitHub
- হত্তয়া
- আছে
- জমিদারি
- he
- স্বাস্থ্যসেবা
- সাহায্য
- সাহায্য
- সাহায্য
- তার
- উচ্চস্তর
- ঊর্ধ্বতন
- সর্বোচ্চ
- অত্যন্ত
- তার
- হোম
- কিভাবে
- কিভাবে
- এইচটিএমএল
- HTTPS দ্বারা
- i
- আইডিসি
- চিহ্নিত
- সনাক্ত করা
- if
- প্রকাশ
- চিত্র
- বাস্তবায়ন
- বাস্তবায়ন
- সরঁজাম
- in
- অন্তর্ভুক্ত করা
- একত্রিত
- বৃদ্ধি
- ক্রমবর্ধমান
- সূচক
- সূচীবদ্ধ
- স্বতন্ত্র
- তথ্য
- পরিকাঠামো
- ইনপুট
- অর্ন্তদৃষ্টি
- উদাহরণ
- বীমা
- বুদ্ধিমান
- স্বার্থ
- আন্তর্জাতিক
- আন্তর্জাতিক ডেটা কর্পোরেশন (আইডিসি)
- মধ্যে
- আমন্ত্রণ করা
- পূজা
- জড়িত
- IT
- কাজ
- JSON
- জ্ঞান
- লেবেল
- লেবেলগুলি
- ভাষা
- বড়
- বিলম্বে
- আইন
- আইন ফার্ম
- শিখতে
- শিক্ষা
- অন্তত
- ত্যাগ
- বাম
- লম্বা
- জীবন
- মত
- সম্ভবত
- LIMIT টি
- তালিকা
- পাখি
- LLM
- যুক্তিবিদ্যা
- আর
- দেখুন
- ভালবাসে
- মেশিন
- মেশিন লার্নিং
- করা
- তৈরি করে
- পরিচালনা করা
- পরিচালিত
- ব্যবস্থাপনা
- পরিচালক
- ম্যানুয়ালি
- উত্পাদন
- ম্যাচিং
- সর্বোচ্চ
- মে..
- অর্থ
- মানে
- মিডিয়া
- সম্মেলন
- মেটাডাটা
- মিনিট
- মোড
- মডেল
- মডেল
- মুহূর্ত
- মনিটর
- অধিক
- সেতু
- বহু
- অবশ্যই
- পরস্পর
- নাম
- নাম
- নামকরণ
- সংকীর্ণ
- প্রয়োজন
- প্রয়োজন
- চাহিদা
- নতুন
- NLP
- না।
- নোটবই
- এখন
- সংখ্যা
- সংখ্যার
- লক্ষ্য
- বস্তু
- মান্য করা
- ঘটা
- of
- on
- একদা
- ONE
- কেবল
- পছন্দ
- অপশন সমূহ
- or
- সংগঠন
- সংগঠন
- অন্যান্য
- আমাদের
- বাইরে
- বিদেশে
- প্রান্তরেখা
- বাহিরে
- নিজের
- পৃষ্ঠা
- যুগল
- কামুক
- প্যাটার্ন
- প্রতি
- সম্পাদন করা
- অনুমতি
- টুকরা
- সমভূমি
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- কেলি
- বিন্দু
- নীতি
- জনবহুল
- অংশ
- সম্ভব
- পোস্ট
- পোস্ট
- সম্ভাব্য
- চালিত
- পছন্দের
- প্রস্তুত করা
- প্রস্তুত
- উপস্থাপন
- আগে
- পূর্বে
- নীতি
- পূর্বে
- অগ্রাধিকার
- সুবিধা
- সমস্যা
- প্রক্রিয়া
- প্রক্রিয়াজাতকরণ
- প্রযোজনা
- উত্পাদনের
- পেশাদারী
- প্রস্তাবিত
- প্রদান
- প্রদত্ত
- প্রদানকারী
- প্রদানকারীর
- উপলব্ধ
- প্রদানের
- প্রশ্নের
- দ্রুত
- কোট
- রেঞ্জিং
- পড়া
- প্রস্তুত
- বাস্তব
- প্রকৃত সময়
- গৃহীত
- পায়
- সম্প্রতি
- স্বীকার
- চেনা
- স্বীকৃত
- সুপারিশ করা
- পড়ুন
- উল্লেখ
- নিয়মিত
- সংগ্রহস্থলের
- চিত্রিত করা
- প্রয়োজনীয়
- আবশ্যকতা
- প্রয়োজন
- গবেষণা
- Resources
- ফল
- ফলাফল
- প্রত্যাবর্তন
- এখানে ক্লিক করুন
- ভূমিকা
- ভূমিকা
- সারিটি
- চালান
- রানটাইম
- একই
- সংরক্ষণ করুন
- আরোহী
- বিজ্ঞানী
- স্কোর
- লিপি
- সার্চ
- অনুসন্ধান
- অনুসন্ধানের
- দ্বিতীয়
- অধ্যায়
- বিভাগে
- নিরাপত্তা
- দেখ
- নির্বাচন করা
- জ্যেষ্ঠ
- বাক্য
- আলাদা
- সেবা
- সেবা
- সেট
- সেট
- সে
- উচিত
- প্রদর্শনী
- দেখিয়েছেন
- প্রদর্শিত
- শো
- গুরুত্বপূর্ণ
- সরলতা
- সহজতর করা
- একক
- সাইট
- আয়তন
- ছোট
- So
- সামাজিক
- সামাজিক মাধ্যম
- সামাজিক মিডিয়া পোস্ট
- সমাধান
- সলিউশন
- সমাধান
- সোর্স
- স্থান
- নির্দিষ্ট
- বিশেষভাবে
- নিদিষ্ট
- খরচ
- টুকরা
- বিস্তার
- মান
- ধাপ
- প্রারম্ভিক ব্যবহারের নির্দেশাবলী
- দোকান
- সঞ্চিত
- স্ট্রিং
- জমা
- জমা
- এমন
- সমর্থন
- সমর্থন
- সুসংগত.
- গ্রহণ করা
- টীম
- কারিগরী
- পরীক্ষা
- পরীক্ষামূলক
- পাঠ
- চেয়ে
- যে
- সার্জারির
- তথ্য
- বিশ্ব
- তাদের
- তাহাদিগকে
- তারপর
- সেখানে।
- এইগুলো
- তারা
- কিছু
- এই
- সেগুলো
- গোবরাট
- দ্বারা
- থ্রুপুট
- সময়
- থেকে
- শীর্ষ
- পথ
- রেলগাড়ি
- প্রশিক্ষিত
- প্রশিক্ষণ
- ভ্রমণ
- আচরণ করা
- চেষ্টা
- চেষ্টা
- টিউন
- দুই
- আদর্শ
- ধরনের
- অধীনে
- আন্ডারস্কোর
- অনন্য
- একক
- ইউনিট
- অনাবশ্যক
- আপডেট
- ব্যবহার
- ব্যবহার ক্ষেত্রে
- ব্যবহৃত
- ব্যবহারকারী
- ব্যবহারসমূহ
- ব্যবহার
- বৈধ
- মূল্য
- মানগুলি
- বিভিন্ন
- সুবিশাল
- খুব
- চেক
- মতামত
- আয়তন
- অপেক্ষা করুন
- প্রয়োজন
- চায়
- উপায়..
- উপায়
- we
- ওয়েব
- ওয়েব সার্ভিস
- ওয়েবসাইট
- আমরা একটি
- কি
- কখন
- যে
- যখন
- সাদা
- ইচ্ছা
- সঙ্গে
- মধ্যে
- ছাড়া
- শব্দ
- হয়া যাই ?
- কাজ
- কাজের বাইরে
- কাজ
- বিশ্ব
- বিশ্বের
- লেখা
- লিখিত
- আপনি
- আপনার
- zephyrnet