Σε αυτήν την ανάρτηση, συζητάμε μια λύση μηχανικής εκμάθησης (ML) για σύνθετες αναζητήσεις εικόνων χρησιμοποιώντας Amazon Kendra και Αναγνώριση Amazon. Συγκεκριμένα, χρησιμοποιούμε το παράδειγμα των διαγραμμάτων αρχιτεκτονικής για σύνθετες εικόνες λόγω της ενσωμάτωσής τους σε πολλά διαφορετικά οπτικά εικονίδια και κείμενο.
Με το Διαδίκτυο, η αναζήτηση και η απόκτηση μιας εικόνας δεν ήταν ποτέ ευκολότερη. Τις περισσότερες φορές, μπορείτε να εντοπίσετε με ακρίβεια τις εικόνες που επιθυμείτε, όπως να αναζητήσετε τον επόμενο προορισμό διακοπών σας. Οι απλές αναζητήσεις είναι συχνά επιτυχείς, επειδή δεν σχετίζονται με πολλά χαρακτηριστικά. Πέρα από τα επιθυμητά χαρακτηριστικά εικόνας, τα κριτήρια αναζήτησης συνήθως δεν απαιτούν σημαντικές λεπτομέρειες για τον εντοπισμό του απαιτούμενου αποτελέσματος. Για παράδειγμα, εάν ένας χρήστης προσπάθησε να αναζητήσει έναν συγκεκριμένο τύπο μπλε φιάλης, θα εμφανιστούν αποτελέσματα πολλών διαφορετικών τύπων μπλε φιαλών. Ωστόσο, το επιθυμητό μπλε μπουκάλι ενδέχεται να μην βρεθεί εύκολα λόγω γενικών όρων αναζήτησης.
Η ερμηνεία του πλαισίου αναζήτησης συμβάλλει επίσης στην απλοποίηση των αποτελεσμάτων. Όταν οι χρήστες έχουν στο μυαλό τους μια επιθυμητή εικόνα, προσπαθούν να την πλαισιώσουν σε ένα ερώτημα αναζήτησης που βασίζεται σε κείμενο. Η κατανόηση των αποχρώσεων μεταξύ των ερωτημάτων αναζήτησης για παρόμοια θέματα είναι σημαντική για την παροχή συναφών αποτελεσμάτων και την ελαχιστοποίηση της προσπάθειας που απαιτείται από τον χρήστη για τη μη αυτόματη ταξινόμηση των αποτελεσμάτων. Για παράδειγμα, το ερώτημα αναζήτησης "Ο ιδιοκτήτης του σκύλου παίζει fetch" επιδιώκει να εμφανίσει αποτελέσματα εικόνων που δείχνουν έναν ιδιοκτήτη σκύλου να παίζει ένα παιχνίδι προσαγωγής με έναν σκύλο. Ωστόσο, τα πραγματικά αποτελέσματα που δημιουργούνται ενδέχεται να επικεντρωθούν σε έναν σκύλο που φέρνει ένα αντικείμενο χωρίς να εμφανίζει τη συμμετοχή του ιδιοκτήτη. Οι χρήστες μπορεί να χρειαστεί να φιλτράρουν χειροκίνητα τα ακατάλληλα αποτελέσματα εικόνων όταν ασχολούνται με σύνθετες αναζητήσεις.
Για την αντιμετώπιση των προβλημάτων που σχετίζονται με σύνθετες αναζητήσεις, αυτή η ανάρτηση περιγράφει λεπτομερώς πώς μπορείτε να επιτύχετε μια μηχανή αναζήτησης που να είναι σε θέση να αναζητά σύνθετες εικόνες ενσωματώνοντας το Amazon Kendra και το Amazon Rekognition. Το Amazon Kendra είναι μια έξυπνη υπηρεσία αναζήτησης που υποστηρίζεται από ML και το Amazon Rekognition είναι μια υπηρεσία ML που μπορεί να αναγνωρίσει αντικείμενα, άτομα, κείμενο, σκηνές και δραστηριότητες από εικόνες ή βίντεο.
Ποιες εικόνες μπορεί να είναι πολύ περίπλοκες για να μπορούν να αναζητηθούν; Ένα παράδειγμα είναι τα διαγράμματα αρχιτεκτονικής, τα οποία μπορούν να συσχετιστούν με πολλά κριτήρια αναζήτησης ανάλογα με την πολυπλοκότητα της περίπτωσης χρήσης και τον αριθμό των απαιτούμενων τεχνικών υπηρεσιών, γεγονός που οδηγεί σε σημαντική προσπάθεια χειροκίνητης αναζήτησης για τον χρήστη. Για παράδειγμα, εάν οι χρήστες θέλουν να βρουν μια λύση αρχιτεκτονικής για την περίπτωση χρήσης της επαλήθευσης πελάτη, θα χρησιμοποιούν συνήθως ένα ερώτημα αναζήτησης παρόμοιο με το "Διαγράμματα αρχιτεκτονικής για επαλήθευση πελάτη". Ωστόσο, τα γενικά ερωτήματα αναζήτησης θα καλύπτουν ένα ευρύ φάσμα υπηρεσιών και σε διαφορετικές ημερομηνίες δημιουργίας περιεχομένου. Οι χρήστες θα πρέπει να επιλέξουν με μη αυτόματο τρόπο τους κατάλληλους αρχιτέκτονες με βάση συγκεκριμένες υπηρεσίες και να εξετάσουν τη συνάφεια των επιλογών σχεδιασμού αρχιτεκτονικής σύμφωνα με την ημερομηνία δημιουργίας περιεχομένου και την ημερομηνία ερωτήματος.
Το παρακάτω σχήμα δείχνει ένα παράδειγμα διαγράμματος που απεικονίζει μια ενορχηστρωμένη αρχιτεκτονική λύση εξαγωγής, μετασχηματισμού και φόρτωσης (ETL).
Για χρήστες που δεν είναι εξοικειωμένοι με τις προσφορές υπηρεσιών που παρέχονται στην πλατφόρμα cloud, ενδέχεται να παρέχουν διαφορετικούς γενικούς τρόπους και περιγραφές κατά την αναζήτηση ενός τέτοιου διαγράμματος. Ακολουθούν μερικά παραδείγματα για το πώς θα μπορούσε να γίνει αναζήτηση:
- "Ενορχηστρώστε τη ροή εργασιών ETL"
- "Πώς να αυτοματοποιήσετε τη μαζική επεξεργασία δεδομένων"
- "Μέθοδοι για τη δημιουργία ενός αγωγού για τον μετασχηματισμό δεδομένων"
Επισκόπηση λύσεων
Σας καθοδηγούμε στα ακόλουθα βήματα για να εφαρμόσετε τη λύση:
- Εκπαιδεύστε ένα Προσαρμοσμένες ετικέτες αναγνώρισης Amazon μοντέλο για την αναγνώριση συμβόλων σε διαγράμματα αρχιτεκτονικής.
- Ενσωματώστε την ανίχνευση κειμένου Amazon Rekognition για την επικύρωση συμβόλων διαγραμμάτων αρχιτεκτονικής.
- Χρησιμοποιήστε το Amazon Rekognition μέσα σε έναν ανιχνευτή Ιστού για να δημιουργήσετε ένα αποθετήριο για αναζήτηση
- Χρησιμοποιήστε το Amazon Kendra για να κάνετε αναζήτηση στο αποθετήριο.
Για να παρέχει στους χρήστες εύκολα ένα μεγάλο αποθετήριο σχετικών αποτελεσμάτων, η λύση θα πρέπει να παρέχει έναν αυτοματοποιημένο τρόπο αναζήτησης μέσω αξιόπιστων πηγών. Χρησιμοποιώντας τα διαγράμματα αρχιτεκτονικής ως παράδειγμα, η λύση πρέπει να αναζητήσει μέσω συνδέσμων αναφοράς και τεχνικών εγγράφων για διαγράμματα αρχιτεκτονικής και να εντοπίσει τις παρούσες υπηρεσίες. Ο εντοπισμός λέξεων-κλειδιών όπως περιπτώσεις χρήσης και κλάδοι κλάδου σε αυτές τις πηγές επιτρέπει επίσης την καταγραφή των πληροφοριών και την εμφάνιση πιο συναφών αποτελεσμάτων αναζήτησης στον χρήστη.
Λαμβάνοντας υπόψη τον στόχο του τρόπου αναζήτησης των σχετικών διαγραμμάτων, η λύση αναζήτησης εικόνων πρέπει να πληροί τρία κριτήρια:
- Ενεργοποιήστε την απλή αναζήτηση λέξεων-κλειδιών
- Ερμηνεύστε ερωτήματα αναζήτησης με βάση τις περιπτώσεις χρήσης που παρέχουν οι χρήστες
- Ταξινόμηση και σειρά αποτελεσμάτων αναζήτησης
Η αναζήτηση λέξεων-κλειδιών αναζητά απλώς την «Αναγνώριση Amazon» και εμφανίζει διαγράμματα αρχιτεκτονικής σχετικά με τον τρόπο χρήσης της υπηρεσίας σε διαφορετικές περιπτώσεις χρήσης. Εναλλακτικά, οι όροι αναζήτησης μπορούν να συνδεθούν έμμεσα με το διάγραμμα μέσω περιπτώσεων χρήσης και κλάδους κλάδου που μπορεί να σχετίζονται με την αρχιτεκτονική. Για παράδειγμα, η αναζήτηση για τους όρους "Πώς να ενορχηστρώσει το αγωγό ETL" επιστρέφει αποτελέσματα αρχιτεκτονικών διαγραμμάτων που έχουν κατασκευαστεί με Κόλλα AWS και Λειτουργίες βημάτων AWS. Η ταξινόμηση και η ταξινόμηση των αποτελεσμάτων αναζήτησης με βάση χαρακτηριστικά όπως η ημερομηνία δημιουργίας θα διασφάλιζε ότι τα διαγράμματα αρχιτεκτονικής εξακολουθούν να είναι σχετικά παρά τις ενημερώσεις και τις εκδόσεις υπηρεσιών. Το παρακάτω σχήμα δείχνει το διάγραμμα αρχιτεκτονικής στη λύση αναζήτησης εικόνων.
Όπως φαίνεται στο προηγούμενο διάγραμμα και στην επισκόπηση της λύσης, υπάρχουν δύο κύριες πτυχές της λύσης. Η πρώτη πτυχή εκτελείται από το Amazon Rekognition, το οποίο μπορεί να αναγνωρίσει αντικείμενα, άτομα, κείμενο, σκηνές και δραστηριότητες από εικόνες ή βίντεο. Αποτελείται από προεκπαιδευμένα μοντέλα που μπορούν να εφαρμοστούν για την ανάλυση εικόνων και βίντεο σε κλίμακα. Με τη λειτουργία προσαρμοσμένων ετικετών, το Amazon Rekognition σάς επιτρέπει να προσαρμόσετε την υπηρεσία ML στις συγκεκριμένες επιχειρηματικές σας ανάγκες, προσθέτοντας ετικέτες σε εικόνες που συλλέγονται από προμήθεια μέσω διαγραμμάτων αρχιτεκτονικής σε αξιόπιστους συνδέσμους αναφοράς και τεχνικά έγγραφα. Ανεβάζοντας ένα μικρό σύνολο εικόνων εκπαίδευσης, το Amazon Rekognition φορτώνει και επιθεωρεί αυτόματα τα δεδομένα εκπαίδευσης, επιλέγει τους σωστούς αλγόριθμους ML, εκπαιδεύει ένα μοντέλο και παρέχει μετρήσεις απόδοσης μοντέλου. Ως εκ τούτου, οι χρήστες χωρίς τεχνογνωσία ML μπορούν να απολαμβάνουν τα οφέλη ενός μοντέλου προσαρμοσμένων ετικετών μέσω μιας κλήσης API, επειδή μειώνεται ένα σημαντικό ποσό γενικών εξόδων. Η λύση εφαρμόζει προσαρμοσμένες ετικέτες αναγνώρισης της Amazon για την ανίχνευση λογότυπων υπηρεσιών AWS σε διαγράμματα αρχιτεκτονικής, ώστε να επιτρέπεται η αναζήτηση στα διαγράμματα αρχιτεκτονικής με ονόματα υπηρεσιών. Μετά τη μοντελοποίηση, οι ανιχνευμένες υπηρεσίες κάθε εικόνας διαγράμματος αρχιτεκτονικής και τα μεταδεδομένα της, όπως η προέλευση της διεύθυνσης URL και ο τίτλος της εικόνας, καταχωρούνται στο ευρετήριο για μελλοντικούς σκοπούς αναζήτησης και αποθηκεύονται σε Amazon DynamoDB, μια πλήρως διαχειριζόμενη βάση δεδομένων NoSQL, χωρίς διακομιστή, βασικής τιμής, σχεδιασμένη για την εκτέλεση εφαρμογών υψηλής απόδοσης.
Η δεύτερη πτυχή υποστηρίζεται από το Amazon Kendra, μια έξυπνη υπηρεσία εταιρικής αναζήτησης που υποστηρίζεται από την ML που σας επιτρέπει να κάνετε αναζήτηση σε διαφορετικά αποθετήρια περιεχομένου. Με το Amazon Kendra, μπορείτε να αναζητήσετε αποτελέσματα, όπως εικόνες ή έγγραφα, που έχουν ευρετηριαστεί. Αυτά τα αποτελέσματα μπορούν επίσης να αποθηκευτούν σε διαφορετικά αποθετήρια, επειδή η υπηρεσία αναζήτησης χρησιμοποιεί ενσωματωμένες συνδέσεις. Για την αναζήτηση θα μπορούσαν να χρησιμοποιηθούν λέξεις-κλειδιά, φράσεις και περιγραφές, γεγονός που σας επιτρέπει να αναζητάτε με ακρίβεια διαγράμματα που σχετίζονται με μια συγκεκριμένη περίπτωση χρήσης. Επομένως, μπορείτε εύκολα να δημιουργήσετε μια έξυπνη υπηρεσία αναζήτησης με ελάχιστο κόστος ανάπτυξης.
Με την κατανόηση του προβλήματος και της λύσης, οι επόμενες ενότητες εξετάζουν τον τρόπο αυτοματοποίησης της προμήθειας δεδομένων μέσω της ανίχνευσης διαγραμμάτων αρχιτεκτονικής από αξιόπιστες πηγές. Μετά από αυτό, προχωράμε στη διαδικασία δημιουργίας ενός μοντέλου ML προσαρμοσμένης ετικέτας με μια πλήρως διαχειριζόμενη υπηρεσία. Τέλος, καλύπτουμε την απορρόφηση δεδομένων από μια έξυπνη υπηρεσία αναζήτησης, που υποστηρίζεται από την ML.
Δημιουργήστε ένα μοντέλο αναγνώρισης Amazon με προσαρμοσμένες ετικέτες
Πριν λάβουμε οποιοδήποτε διάγραμμα αρχιτεκτονικής, χρειαζόμαστε ένα εργαλείο για να αξιολογήσουμε εάν μια εικόνα μπορεί να αναγνωριστεί ως διάγραμμα αρχιτεκτονικής. Το Amazon Rekognition Custom Labels παρέχει μια βελτιωμένη διαδικασία για τη δημιουργία ενός μοντέλου αναγνώρισης εικόνας που προσδιορίζει αντικείμενα και σκηνές σε εικόνες που είναι ειδικά για μια επιχειρηματική ανάγκη. Σε αυτήν την περίπτωση, χρησιμοποιούμε προσαρμοσμένες ετικέτες αναγνώρισης Amazon για να προσδιορίσουμε τα εικονίδια της υπηρεσίας AWS και, στη συνέχεια, οι εικόνες ευρετηριάζονται με τις υπηρεσίες για μια πιο σχετική αναζήτηση χρησιμοποιώντας το Amazon Kendra. Αυτό το μοντέλο δεν διαφοροποιεί εάν μια εικόνα είναι διάγραμμα αρχιτεκτονικής ή όχι. Απλώς προσδιορίζει εικονίδια υπηρεσίας, εάν υπάρχουν. Ως εκ τούτου, μπορεί να υπάρχουν περιπτώσεις όπου οι εικόνες που δεν είναι διαγράμματα αρχιτεκτονικής καταλήγουν στα αποτελέσματα αναζήτησης. Ωστόσο, τέτοια αποτελέσματα είναι ελάχιστα.
Το παρακάτω σχήμα δείχνει τα βήματα που κάνει αυτή η λύση για τη δημιουργία ενός μοντέλου προσαρμοσμένων ετικετών αναγνώρισης Amazon.
Αυτή η διαδικασία περιλαμβάνει τη μεταφόρτωση των συνόλων δεδομένων, τη δημιουργία ενός αρχείου δήλωσης που αναφέρεται στα μεταφορτωμένα σύνολα δεδομένων, ακολουθούμενη από τη μεταφόρτωση αυτού του αρχείου δήλωσης στο Amazon Rekognition. Ένα σενάριο Python χρησιμοποιείται για να βοηθήσει στη διαδικασία φόρτωσης των συνόλων δεδομένων και δημιουργίας του αρχείου δήλωσης. Μετά την επιτυχή δημιουργία του αρχείου δήλωσης, στη συνέχεια μεταφορτώνεται στο Amazon Rekognition για να ξεκινήσει η διαδικασία εκπαίδευσης του μοντέλου. Για λεπτομέρειες σχετικά με το σενάριο Python και πώς να το εκτελέσετε, ανατρέξτε στο GitHub repo.
Για να εκπαιδεύσετε το μοντέλο, στο έργο Amazon Rekognition, επιλέξτε Μοντέλο αμαξοστοιχίας, επιλέξτε το έργο που θέλετε να εκπαιδεύσετε, στη συνέχεια προσθέστε τυχόν σχετικές ετικέτες και επιλέξτε Μοντέλο αμαξοστοιχίας. Για οδηγίες σχετικά με την έναρξη ενός έργου Amazon Rekognition Custom Labels, ανατρέξτε στα διαθέσιμα tutorials βίντεο. Η εκπαίδευση του μοντέλου μπορεί να διαρκέσει έως και 8 ώρες με αυτό το σύνολο δεδομένων.
Όταν ολοκληρωθεί η εκπαίδευση, μπορείτε να επιλέξετε το εκπαιδευμένο μοντέλο για να δείτε τα αποτελέσματα της αξιολόγησης. Για περισσότερες λεπτομέρειες σχετικά με τις διάφορες μετρήσεις, όπως η ακρίβεια, η ανάκληση και η F1, ανατρέξτε στο Μετρήσεις για την αξιολόγηση του μοντέλου σας. Για να χρησιμοποιήσετε το μοντέλο, μεταβείτε στο Χρησιμοποιήστε το μοντέλο καρτέλα, αφήστε τον αριθμό των μονάδων συμπερασμάτων στο 1 και ξεκινήστε το μοντέλο. Τότε μπορούμε να χρησιμοποιήσουμε ένα AWS Lambda λειτουργία για την αποστολή εικόνων στο μοντέλο στο base64 και το μοντέλο επιστρέφει μια λίστα ετικετών και βαθμολογίες εμπιστοσύνης.
Μετά την επιτυχή εκπαίδευση ενός μοντέλου Amazon Rekognition με προσαρμοσμένες ετικέτες Amazon Rekognition, μπορούμε να το χρησιμοποιήσουμε για να αναγνωρίσουμε εικονίδια υπηρεσίας στα διαγράμματα αρχιτεκτονικής που έχουν ανιχνευτεί. Για να αυξήσουμε την ακρίβεια της αναγνώρισης υπηρεσιών στο διάγραμμα αρχιτεκτονικής, χρησιμοποιούμε μια άλλη δυνατότητα αναγνώρισης του Amazon που ονομάζεται ανίχνευση κειμένου. Για να χρησιμοποιήσουμε αυτήν τη δυνατότητα, περνάμε στην ίδια εικόνα στο base64 και το Amazon Rekognition επιστρέφει τη λίστα του κειμένου που προσδιορίζεται στην εικόνα. Στα παρακάτω σχήματα, συγκρίνουμε την αρχική εικόνα και πώς φαίνεται μετά την αναγνώριση των υπηρεσιών στην εικόνα. Το πρώτο σχήμα δείχνει την αρχική εικόνα.
Το παρακάτω σχήμα δείχνει την αρχική εικόνα με υπηρεσίες που εντοπίστηκαν.
Για να διασφαλίσουμε την επεκτασιμότητα, χρησιμοποιούμε μια συνάρτηση Lambda, η οποία θα εκτεθεί μέσω ενός τερματικού σημείου API που δημιουργήθηκε με τη χρήση Amazon API Gateway. Το Lambda είναι μια υπηρεσία υπολογισμού χωρίς διακομιστές, βασισμένη σε συμβάντα, η οποία σας επιτρέπει να εκτελείτε κώδικα για σχεδόν οποιοδήποτε τύπο εφαρμογής ή υπηρεσία υποστήριξης χωρίς παροχή ή διαχείριση διακομιστών. Η χρήση μιας συνάρτησης Lambda εξαλείφει μια κοινή ανησυχία σχετικά με την κλιμάκωση όταν γίνονται μεγάλοι όγκοι αιτημάτων στο τελικό σημείο API. Το Lambda εκτελεί αυτόματα τη λειτουργία για τη συγκεκριμένη κλήση API, η οποία σταματά όταν ολοκληρωθεί η κλήση, μειώνοντας έτσι το κόστος που επιβαρύνει τον χρήστη. Επειδή το αίτημα θα κατευθυνθεί στο τελικό σημείο αναγνώρισης του Amazon, δεν αρκεί μόνο η δυνατότητα κλιμάκωσης της συνάρτησης Lambda. Για να είναι επεκτάσιμο το τελικό σημείο αναγνώρισης του Amazon, μπορείτε να αυξήσετε τη μονάδα συμπερασμάτων του τελικού σημείου. Για περισσότερες λεπτομέρειες σχετικά με τη διαμόρφωση της μονάδας συμπερασμάτων, ανατρέξτε στο Μονάδες συμπερασμάτων.
Το παρακάτω είναι ένα απόσπασμα κώδικα της συνάρτησης Lambda για τη διαδικασία αναγνώρισης εικόνας:
Αφού δημιουργήσουμε τη συνάρτηση Lambda, μπορούμε να προχωρήσουμε στην έκθεσή της ως API χρησιμοποιώντας το API Gateway. Για οδηγίες σχετικά με τη δημιουργία ενός API με ενσωμάτωση διακομιστή μεσολάβησης Lambda, ανατρέξτε στο Εκμάθηση: Δημιουργήστε ένα Hello World REST API με ενσωμάτωση διακομιστή μεσολάβησης Lambda.
Αναζητήστε τα διαγράμματα αρχιτεκτονικής
Προκειμένου η δυνατότητα αναζήτησης να λειτουργήσει σωστά, χρειαζόμαστε ένα αποθετήριο αρχιτεκτονικών διαγραμμάτων. Ωστόσο, αυτά τα διαγράμματα πρέπει να προέρχονται από αξιόπιστες πηγές όπως π.χ Ιστολόγιο AWS και AWS Prescriptive Guidance. Η απόκτηση αξιοπιστίας των πηγών δεδομένων διασφαλίζει ότι η υποκείμενη υλοποίηση και ο σκοπός των περιπτώσεων χρήσης είναι ακριβείς και καλά ελεγμένες. Το επόμενο βήμα είναι να ρυθμίσετε έναν ανιχνευτή που μπορεί να βοηθήσει στη συλλογή πολλών διαγραμμάτων αρχιτεκτονικής για τροφοδοσία στο αποθετήριό μας. Δημιουργήσαμε ένα πρόγραμμα ανίχνευσης ιστού για την εξαγωγή διαγραμμάτων αρχιτεκτονικής και πληροφοριών, όπως περιγραφή της υλοποίησης από τις σχετικές πηγές. Υπάρχουν πολλοί τρόποι με τους οποίους θα μπορούσατε να επιτύχετε την κατασκευή ενός τέτοιου μηχανισμού. για αυτό το παράδειγμα, χρησιμοποιούμε ένα πρόγραμμα που εκτελείται Amazon Elastic Compute Cloud (Amazon EC2). Το πρόγραμμα λαμβάνει πρώτα συνδέσμους προς αναρτήσεις ιστολογίου από ένα API Blog AWS. Η απάντηση που επιστρέφεται από το API περιέχει πληροφορίες της ανάρτησης, όπως τίτλο, διεύθυνση URL, ημερομηνία και συνδέσμους προς εικόνες που βρίσκονται στην ανάρτηση.
Το παρακάτω είναι ένα απόσπασμα κώδικα της συνάρτησης JavaScript για τη διαδικασία ανίχνευσης ιστού:
Με αυτόν τον μηχανισμό, μπορούμε εύκολα να ανιχνεύσουμε εκατοντάδες και χιλιάδες εικόνες από διαφορετικά ιστολόγια. Ωστόσο, χρειαζόμαστε ένα φίλτρο που δέχεται μόνο εικόνες που περιέχουν περιεχόμενο ενός διαγράμματος αρχιτεκτονικής, που στην περίπτωσή μας είναι εικονίδια υπηρεσιών AWS, για να φιλτράρουμε εικόνες που δεν είναι διαγράμματα αρχιτεκτονικής.
Αυτός είναι ο σκοπός του μοντέλου Amazon Rekognition. Τα διαγράμματα περνούν από τη διαδικασία αναγνώρισης εικόνας, η οποία προσδιορίζει τα εικονίδια υπηρεσίας και καθορίζει εάν θα μπορούσε να θεωρηθεί ως έγκυρο διάγραμμα αρχιτεκτονικής.
Το παρακάτω είναι ένα απόσπασμα κώδικα της συνάρτησης που στέλνει εικόνες στο μοντέλο αναγνώρισης Amazon:
Αφού περάσουν τον έλεγχο αναγνώρισης εικόνας, τα αποτελέσματα που επιστρέφονται από το μοντέλο αναγνώρισης Amazon και οι σχετικές πληροφορίες ομαδοποιούνται στα δικά τους μεταδεδομένα. Στη συνέχεια, τα μεταδεδομένα αποθηκεύονται σε έναν πίνακα DynamoDB όπου η εγγραφή θα χρησιμοποιηθεί για την εισαγωγή στο Amazon Kendra.
Το παρακάτω είναι ένα απόσπασμα κώδικα της συνάρτησης που αποθηκεύει τα μεταδεδομένα του διαγράμματος στο DynamoDB:
Απορρόφηση μεταδεδομένων στο Amazon Kendra
Αφού τα διαγράμματα αρχιτεκτονικής περάσουν από τη διαδικασία αναγνώρισης εικόνας και τα μεταδεδομένα αποθηκευτούν στο DynamoDB, χρειαζόμαστε έναν τρόπο για να είναι δυνατή η αναζήτηση των διαγραμμάτων ενώ γίνεται αναφορά στο περιεχόμενο στα μεταδεδομένα. Η προσέγγιση σε αυτό είναι να έχουμε μια μηχανή αναζήτησης που να μπορεί να ενσωματωθεί στην εφαρμογή και να μπορεί να χειριστεί μεγάλο αριθμό ερωτημάτων αναζήτησης. Ως εκ τούτου, χρησιμοποιούμε το Amazon Kendra, μια έξυπνη υπηρεσία αναζήτησης επιχειρήσεων.
Χρησιμοποιούμε το Amazon Kendra ως το διαδραστικό στοιχείο της λύσης λόγω των ισχυρών δυνατοτήτων αναζήτησης του, ιδιαίτερα με τη χρήση φυσικής γλώσσας. Αυτό προσθέτει ένα επιπλέον επίπεδο απλότητας όταν οι χρήστες αναζητούν διαγράμματα που είναι πιο κοντά σε αυτό που αναζητούν. Το Amazon Kendra προσφέρει έναν αριθμό συνδέσεων πηγών δεδομένων για την απορρόφηση και τη σύνδεση περιεχομένου. Αυτή η λύση χρησιμοποιεί μια προσαρμοσμένη σύνδεση για την απορρόφηση πληροφοριών διαγραμμάτων αρχιτεκτονικής από το DynamoDB. Για να διαμορφώσετε μια πηγή δεδομένων σε ένα ευρετήριο Amazon Kendra, μπορείτε να χρησιμοποιήσετε ένα υπάρχον ευρετήριο ή δημιουργήστε ένα νέο ευρετήριο.
Τα διαγράμματα που ανιχνεύονται στη συνέχεια πρέπει να εισαχθούν στο ευρετήριο Amazon Kendra που έχει δημιουργηθεί. Το παρακάτω σχήμα δείχνει τη ροή του τρόπου ευρετηρίασης των διαγραμμάτων.
Αρχικά, τα διαγράμματα που εισάγονται στο DynamoDB δημιουργούν ένα συμβάν Put via Ροές Amazon DynamoDB. Το συμβάν ενεργοποιεί τη συνάρτηση Lambda που λειτουργεί ως προσαρμοσμένη πηγή δεδομένων για το Amazon Kendra και φορτώνει τα διαγράμματα στο ευρετήριο. Για οδηγίες σχετικά με τη δημιουργία ενός καναλιού DynamoDB Streams για μια συνάρτηση Lambda, ανατρέξτε στο Εκμάθηση: Χρήση AWS Lambda με το Amazon DynamoDB Streams
Αφού ενσωματώσουμε τη συνάρτηση Lambda με το DynamoDB, πρέπει να ενσωματώσουμε τις εγγραφές των διαγραμμάτων που αποστέλλονται στη συνάρτηση στο ευρετήριο Amazon Kendra. Το ευρετήριο δέχεται δεδομένα από διάφορους τύπους πηγών και η απορρόφηση στοιχείων στο ευρετήριο από τη συνάρτηση Lambda σημαίνει ότι πρέπει να χρησιμοποιήσει την προσαρμοσμένη διαμόρφωση προέλευσης δεδομένων. Για οδηγίες σχετικά με τη δημιουργία μιας προσαρμοσμένης πηγής δεδομένων για το ευρετήριό σας, ανατρέξτε στο Σύνδεση προσαρμοσμένης πηγής δεδομένων.
Το παρακάτω είναι ένα απόσπασμα κώδικα της συνάρτησης Lambda για το πώς ένα διάγραμμα θα μπορούσε να ευρετηριαστεί με προσαρμοσμένο τρόπο:
Ο σημαντικός παράγοντας που επιτρέπει στα διαγράμματα να είναι δυνατή η αναζήτηση είναι το κλειδί Blob σε ένα έγγραφο. Αυτό εξετάζει το Amazon Kendra όταν οι χρήστες παρέχουν τα στοιχεία αναζήτησής τους. Σε αυτό το παράδειγμα κώδικα, το κλειδί Blob περιέχει μια συνοπτική έκδοση της περίπτωσης χρήσης του διαγράμματος που συνδέεται με τις πληροφορίες που ανιχνεύονται από τη διαδικασία αναγνώρισης εικόνας. Αυτό επιτρέπει στους χρήστες να αναζητούν διαγράμματα αρχιτεκτονικής με βάση περιπτώσεις χρήσης όπως "Ανίχνευση απάτης" ή με ονόματα υπηρεσιών όπως "Amazon Kendra".
Για να δείξουμε ένα παράδειγμα της εμφάνισης του κλειδιού Blob, το ακόλουθο απόσπασμα αναφέρεται στο αρχικό διάγραμμα ETL που παρουσιάσαμε νωρίτερα σε αυτήν την ανάρτηση. Περιέχει μια περιγραφή του διαγράμματος που λήφθηκε κατά την ανίχνευση του, καθώς και των υπηρεσιών που εντοπίστηκαν από το μοντέλο αναγνώρισης Amazon.
Αναζήτηση με το Amazon Kendra
Αφού συγκεντρώσουμε όλα τα στοιχεία μαζί, τα αποτελέσματα μιας παραδειγματικής αναζήτησης "αναλυτικά στοιχεία σε πραγματικό χρόνο" μοιάζουν με το ακόλουθο στιγμιότυπο οθόνης.
Με την αναζήτηση αυτής της περίπτωσης χρήσης, παράγει διαφορετικά διαγράμματα αρχιτεκτονικής. Οι χρήστες παρέχονται με αυτές τις διαφορετικές μεθόδους του συγκεκριμένου φόρτου εργασίας που προσπαθούν να εφαρμόσουν.
εκκαθάριση
Ολοκληρώστε τα βήματα σε αυτήν την ενότητα για να καθαρίσετε τους πόρους που δημιουργήσατε ως μέρος αυτής της ανάρτησης:
- Διαγραφή του API:
- Στην κονσόλα API Gateway, επιλέξτε το API που θέλετε να διαγράψετε.
- Στις Δράσεις μενού, επιλέξτε Διαγραφή.
- Επιλέξτε Διαγραφή για να επιβεβαιώσετε.
- Διαγράψτε τον πίνακα DynamoDB:
- Στην κονσόλα DynamoDB, επιλέξτε πίνακες στο παράθυρο πλοήγησης.
- Επιλέξτε τον πίνακα που δημιουργήσατε και επιλέξτε Διαγραφή.
- Εισαγάγετε τη διαγραφή όταν σας ζητηθεί επιβεβαίωση.
- Επιλέξτε Διαγραφή πίνακα για να επιβεβαιώσετε.
- Διαγράψτε τον δείκτη Amazon Kendra:
- Στην κονσόλα Amazon Kendra, επιλέξτε Δείκτες στο παράθυρο πλοήγησης.
- Επιλέξτε το ευρετήριο που δημιουργήσατε και επιλέξτε Διαγραφή
- Εισαγάγετε έναν λόγο όταν σας ζητηθεί επιβεβαίωση.
- Επιλέξτε Διαγραφή για να επιβεβαιώσετε.
- Διαγραφή του έργου Amazon Rekognition:
- Στην Amazon Recognition κονσόλα, επιλέξτε Χρησιμοποιήστε προσαρμοσμένες ετικέτες στο παράθυρο πλοήγησης και, στη συνέχεια, επιλέξτε Έργα.
- Επιλέξτε το έργο που δημιουργήσατε και επιλέξτε Διαγραφή.
- Εισαγάγετε Διαγραφή όταν σας ζητηθεί επιβεβαίωση.
- Επιλέξτε Διαγραφή συσχετισμένων συνόλων δεδομένων και μοντέλων για να επιβεβαιώσετε.
- Διαγραφή της συνάρτησης Λάμδα:
- Στην κονσόλα Lambda, επιλέξτε τη λειτουργία που θέλετε να διαγράψετε.
- Στις Δράσεις μενού, επιλέξτε Διαγραφή.
- Εισαγάγετε Διαγραφή όταν σας ζητηθεί επιβεβαίωση.
- Επιλέξτε Διαγραφή για να επιβεβαιώσετε.
Χαρακτηριστικά
Σε αυτήν την ανάρτηση, δείξαμε ένα παράδειγμα για το πώς μπορείτε να αναζητήσετε έξυπνα πληροφορίες από εικόνες. Αυτό περιλαμβάνει τη διαδικασία εκπαίδευσης ενός μοντέλου Amazon Rekognition ML που λειτουργεί ως φίλτρο για εικόνες, την αυτοματοποίηση της ανίχνευσης εικόνων, η οποία διασφαλίζει την αξιοπιστία και την αποτελεσματικότητα και την αναζήτηση διαγραμμάτων με την προσάρτηση μιας προσαρμοσμένης πηγής δεδομένων που επιτρέπει έναν πιο ευέλικτο τρόπο για την ευρετηρίαση στοιχείων . Για να εμβαθύνετε στην εφαρμογή των κωδικών, ανατρέξτε στο GitHub repo.
Τώρα που καταλαβαίνετε πώς να παρέχετε τη ραχοκοκαλιά ενός κεντρικού αποθετηρίου αναζήτησης για σύνθετες αναζητήσεις, δοκιμάστε να δημιουργήσετε τη δική σας μηχανή αναζήτησης εικόνων. Για περισσότερες πληροφορίες σχετικά με τα βασικά χαρακτηριστικά, ανατρέξτε στο Ξεκινώντας με τις προσαρμοσμένες ετικέτες αναγνώρισης Amazon, Εποπτεία περιεχομένου, και το Οδηγός προγραμματιστή Amazon Kendra. Εάν είστε νέοι στις προσαρμοσμένες ετικέτες Amazon Rekognition, δοκιμάστε το χρησιμοποιώντας το Free Tier, το οποίο διαρκεί 3 μήνες και περιλαμβάνει 10 δωρεάν ώρες εκπαίδευσης το μήνα και 4 δωρεάν ώρες συμπερασμάτων ανά μήνα.
Σχετικά με τους Συγγραφείς
Ryan See είναι αρχιτέκτονας λύσεων στην AWS. Με έδρα τη Σιγκαπούρη, συνεργάζεται με πελάτες για να δημιουργήσει λύσεις για την επίλυση των επιχειρηματικών προβλημάτων τους, καθώς και να προσαρμόσει ένα τεχνικό όραμα για να βοηθήσει στην εκτέλεση πιο επεκτάσιμου και αποτελεσματικού φόρτου εργασίας στο cloud.
James Ong Jia Xiang είναι Διευθυντής λύσεων πελατών στην AWS. Ειδικεύεται στο Πρόγραμμα Επιτάχυνσης Μετανάστευσης (MAP) όπου βοηθά τους πελάτες και τους συνεργάτες να εφαρμόσουν με επιτυχία προγράμματα μετεγκατάστασης μεγάλης κλίμακας στο AWS. Με έδρα τη Σιγκαπούρη, εστιάζει επίσης στην προώθηση πρωτοβουλιών εκσυγχρονισμού και μετασχηματισμού επιχειρήσεων σε όλο το APJ μέσω κλιμακωτών μηχανισμών. Για αναψυχή, απολαμβάνει δραστηριότητες στη φύση, όπως πεζοπορία και σέρφινγκ.
Hang Duong είναι αρχιτέκτονας λύσεων στην AWS. Με έδρα το Ανόι του Βιετνάμ, εστιάζει στην προώθηση της υιοθέτησης του cloud σε ολόκληρη τη χώρα της παρέχοντας εξαιρετικά διαθέσιμες, ασφαλείς και επεκτάσιμες λύσεις cloud για τους πελάτες της. Επιπλέον, της αρέσει να κατασκευάζει και συμμετέχει σε διάφορα έργα πρωτοτύπων. Είναι επίσης παθιασμένη με τον τομέα της μηχανικής μάθησης.
Trinh Vo είναι αρχιτέκτονας λύσεων στην AWS, με έδρα την πόλη Χο Τσι Μινχ, Βιετνάμ. Επικεντρώνεται στη συνεργασία με πελάτες σε διαφορετικούς κλάδους και συνεργάτες στο Βιετνάμ για να δημιουργήσει αρχιτεκτονικές και επιδείξεις της πλατφόρμας AWS που λειτουργούν αντίστροφα από τις επιχειρηματικές ανάγκες του πελάτη και επιταχύνουν την υιοθέτηση της κατάλληλης τεχνολογίας AWS. Της αρέσει η σπηλαιολογία και η πεζοπορία για αναψυχή.
Wai Kin Tham είναι Αρχιτέκτονας Cloud στην AWS. Με έδρα τη Σιγκαπούρη, η καθημερινή του δουλειά περιλαμβάνει να βοηθά τους πελάτες να μεταναστεύσουν στο cloud και να εκσυγχρονίσουν τη στοίβα τεχνολογίας τους στο cloud. Στον ελεύθερο χρόνο του παρακολουθεί μαθήματα Muay Thai και Brazilian Jiu Jitsu.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoAiStream. Web3 Data Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- Minting the Future με την Adryenn Ashley. Πρόσβαση εδώ.
- Αγορά και πώληση μετοχών σε εταιρείες PRE-IPO με το PREIPO®. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/build-an-image-search-engine-with-amazon-kendra-and-amazon-rekognition/
- :έχει
- :είναι
- :δεν
- :που
- $UP
- 1
- 10
- 100
- 12
- 200
- 40
- 7
- 8
- a
- Σχετικα
- επιταχύνουν
- Αποδέχεται
- Σύμφωνα με
- ακρίβεια
- ακριβής
- με ακρίβεια
- Κατορθώνω
- απέναντι
- δραστηριοτήτων
- πράξεις
- προσθέτω
- Πρόσθετος
- Επιπλέον
- διεύθυνση
- Προσθέτει
- Υιοθεσία
- Μετά το
- Ενισχύσεις
- αλγόριθμοι
- Όλα
- επιτρέπουν
- επιτρέπει
- Επίσης
- Amazon
- Αμαζόν Αθηνά
- Amazon EC2
- Amazon Kendra
- Αναγνώριση Amazon
- ποσό
- an
- αναλύσει
- και
- Άλλος
- κάθε
- api
- Εφαρμογή
- εφαρμογές
- εφαρμοσμένος
- πλησιάζω
- κατάλληλος
- αρχιτεκτονική
- αρχιτεκτονική
- ΕΙΝΑΙ
- Παράταξη
- AS
- άποψη
- πτυχές
- συσχετισμένη
- At
- γνωρίσματα
- αυτοματοποίηση
- Αυτοματοποιημένη
- αυτομάτως
- Αυτοματοποίηση
- διαθέσιμος
- αναμένω
- AWS
- Κόλλα AWS
- AWS Lambda
- Λειτουργίες βημάτων AWS
- Αξιού
- Σπονδυλική στήλη
- Backend
- βασίζονται
- BE
- επειδή
- ήταν
- αρχίζουν
- είναι
- οφέλη
- μεταξύ
- Πέρα
- Μπλοκ
- Μηνύματα Blog
- ιστολόγια
- Μπλε
- σώμα
- Βραζιλιάνα
- Διακοπή
- πρόγραμμα περιήγησης
- ρυθμιστικό
- χτίζω
- Κτίριο
- χτισμένο
- ενσωματωμένο
- ομαδοποιούνται
- επιχείρηση
- by
- κλήση
- που ονομάζεται
- κλήσεις
- CAN
- υποψηφίους
- δυνατότητες
- ικανός
- περίπτωση
- περιπτώσεις
- κατάλογος
- κεντρική
- χαρακτηριστικά
- έλεγχος
- έλεγχοι
- επιλογές
- Επιλέξτε
- Πόλη
- τάξεις
- Backup
- υιοθέτηση νέφους
- Cloud Platform
- κωδικός
- Κοινός
- συγκρίνουν
- πλήρης
- Ολοκληρώθηκε το
- συγκρότημα
- περίπλοκο
- συστατικό
- εξαρτήματα
- Υπολογίστε
- Ανησυχία
- εμπιστοσύνη
- βέβαιος
- διαμόρφωση
- Επιβεβαιώνω
- επιβεβαίωση
- Συνδετικός
- Εξετάστε
- θεωρούνται
- πρόξενος
- περιέχουν
- Περιέχει
- περιεχόμενο
- δημιουργία περιεχομένου
- περιεχόμενα
- συμφραζόμενα
- πυρήνας
- Κόστος
- Δικαστικά έξοδα
- θα μπορούσε να
- χώρα
- κάλυμμα
- σκάφος
- έρπων
- δημιουργία
- δημιουργήθηκε
- δημιουργία
- δημιουργία
- Αξιοπιστία
- αξιόπιστος
- κριτήρια
- έθιμο
- πελάτης
- Λύσεις πελατών
- Πελάτες
- ημερομηνία
- βάση δεδομένων
- σύνολα δεδομένων
- Ημερομηνία
- Ημερομηνίες
- ημέρα
- μοιρασιά
- βαθύτερη
- παραδώσει
- Σε συνάρτηση
- περιγραφή
- Υπηρεσίες
- σχεδιασμένα
- επιθυμητή
- προορισμός
- λεπτομέρεια
- καθέκαστα
- εντοπιστεί
- Ανίχνευση
- καθορίζει
- Εργολάβος
- Ανάπτυξη
- διαγράμματα
- διαφορετικές
- διαφοροποιούν
- συζητήσουν
- εμφάνιση
- έγγραφο
- τεκμηρίωση
- έγγραφα
- Όχι
- Σκύλος
- οδήγηση
- δυο
- e
- κάθε
- Νωρίτερα
- ευκολότερη
- εύκολα
- αποδοτικότητα
- αποτελεσματικός
- προσπάθεια
- στοιχείο
- εξαλείφει
- απασχολεί
- δίνει τη δυνατότητα
- τέλος
- Τελικό σημείο
- Κινητήρας
- απολαύσετε
- εξασφαλίζω
- εξασφαλίζει
- Εταιρεία
- σφάλμα
- δημιουργία
- αξιολογήσει
- εκτίμηση
- Συμβάν
- παράδειγμα
- παραδείγματα
- υφιστάμενα
- εξειδίκευση
- εξαγωγές
- εκτεθειμένος
- εκχύλισμα
- f1
- παράγοντας
- οικείος
- Χαρακτηριστικό
- Χαρακτηριστικά
- πεδίο
- Εικόνα
- Σχήματα
- Αρχεία
- φιλτράρισμα
- Εύρεση
- Όνομα
- εύκαμπτος
- ροή
- Συγκέντρωση
- εστιάζει
- ακολουθείται
- Εξής
- Για
- Βρέθηκαν
- ΠΛΑΙΣΙΟ
- Δωρεάν
- από
- πλήρως
- λειτουργία
- λειτουργίες
- μελλοντικός
- παιχνίδι
- πύλη
- συγκεντρώνουν
- παράγεται
- παραγωγής
- παίρνω
- Παγκόσμιο
- Go
- λαβή
- Έχω
- που έχει
- he
- κεφαλίδες
- βοήθεια
- βοήθεια
- βοηθά
- αυτήν
- υψηλή απόδοση
- υψηλότερο
- υψηλά
- του
- Αργία
- ΩΡΕΣ
- Πως
- Πώς να
- Ωστόσο
- HTML
- http
- HTTPS
- Εκατοντάδες
- i
- ID
- προσδιορίζονται
- αναγνωρίζει
- προσδιορίσει
- προσδιορισμό
- if
- απεικονίζει
- εικόνα
- Αναγνώριση εικόνων
- Αναζήτηση εικόνων
- εικόνες
- εφαρμογή
- εκτέλεση
- εισαγωγή
- σημαντικό
- in
- περιλαμβάνει
- Αυξάνουν
- ευρετήριο
- έμμεσα
- ατομικές
- βιομηχανίες
- βιομηχανία
- πληροφορίες
- αρχικός
- πρωτοβουλίες
- εισαγωγή
- αντί
- οδηγίες
- ενσωματώσει
- ενσωματωθεί
- Ενσωμάτωση
- ολοκλήρωση
- Έξυπνος
- διαδραστικό
- Internet
- σε
- εισήγαγε
- συμμετέχουν
- συμμετοχή
- IT
- αντικειμένων
- ΤΟΥ
- το JavaScript
- Δουλειά
- jpg
- json
- Κλειδί
- Συγγενείς
- επιγραφή
- τιτλοφόρηση
- Ετικέτες
- Γλώσσα
- large
- μεγάλης κλίμακας
- στρώμα
- μάθηση
- ελάχιστα
- Άδεια
- Μήκος
- ας
- Αφήνει
- Μου αρέσει
- LINK
- συνδέονται
- ΣΥΝΔΕΣΜΟΙ
- Λιστα
- φορτίο
- φορτία
- ματιά
- μοιάζει
- κοιτάζοντας
- ΦΑΊΝΕΤΑΙ
- μηχανή
- μάθηση μηχανής
- που
- Κυρίως
- διαχειρίζεται
- διευθυντής
- διαχείριση
- τρόπος
- Ταχύτητες
- χειροκίνητα
- πολοί
- χάρτη
- Ενδέχεται..
- μέσα
- μηχανισμός
- μηχανισμούς
- Μεταδεδομένα
- μέθοδοι
- Metrics
- μεταναστεύσουν
- μετανάστευση
- νου
- ελάχιστος
- ML
- μοντέλο
- μοντέλα
- εκμοντερνίζω
- Μηνας
- μήνες
- περισσότερο
- πλέον
- πολλαπλούς
- πρέπει
- όνομα
- ονόματα
- Φυσικό
- Φύση
- Πλοηγηθείτε
- Πλοήγηση
- Ανάγκη
- ανάγκες
- ποτέ
- Νέα
- επόμενη
- αριθμός
- πολυάριθμες
- αντικείμενο
- σκοπός
- αντικειμένων
- λαμβάνεται
- την απόκτηση
- λαμβάνει
- of
- Offerings
- προσφορές
- συχνά
- on
- ONE
- αποκλειστικά
- or
- ενορχηστρωμένη
- τάξη
- πρωτότυπο
- OS
- δικός μας
- έξω
- επισκόπηση
- δική
- ιδιοκτήτης
- σελίδα
- παράθυρο
- μέρος
- Ειδικότερα
- ιδιαίτερα
- Συνεργάτες
- passieren
- Πέρασμα
- παθιασμένος
- πρότυπο
- People
- επίδοση
- φράσεις
- εικόνα
- αγωγού
- πλατφόρμες
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- παιχνίδι
- παίζει
- Θέση
- Δημοσιεύσεις
- τροφοδοτείται
- ισχυρός
- Ακρίβεια
- παρόν
- Πρόβλημα
- προβλήματα
- διαδικασια μας
- Πρόγραμμα
- Προγράμματα
- σχέδιο
- έργα
- υπόσχεση
- προτυποποίηση
- παρέχουν
- παρέχεται
- παρέχει
- χορήγηση
- πληρεξούσιο
- δημόσιο
- σκοπός
- σκοποί
- βάζω
- Βάζει
- Python
- ερωτήματα
- σειρά
- λόγος
- αναγνώριση
- αναγνωρίζω
- ρεκόρ
- αρχεία
- Μειωμένος
- μείωση
- αναφορές
- περιοχή
- σχετίζεται με
- Δελτία
- συνάφεια
- αφαιρέστε
- Καταργήθηκε
- Αποθήκη
- ζητήσει
- αιτήματα
- απαιτούν
- απαιτείται
- Υποστηρικτικό υλικό
- απάντησης
- ΠΕΡΙΦΕΡΕΙΑ
- αποτέλεσμα
- Αποτελέσματα
- διατηρώ
- απόδοση
- Επιστροφές
- ΣΕΙΡΑ
- τρέξιμο
- s
- ίδιο
- Απεριόριστες δυνατότητες
- επεκτάσιμη
- Κλίμακα
- απολέπιση
- Σκηνές
- Αναζήτηση
- μηχανή αναζήτησης
- αναζήτηση
- Δεύτερος
- Τμήμα
- τμήματα
- προστατευμένο περιβάλλον
- Επιδιώκει
- επιλέγονται
- στείλετε
- αποστέλλει
- Χωρίς διακομιστή
- Διακομιστές
- υπηρεσία
- Υπηρεσίες
- σειρά
- αυτή
- θα πρέπει να
- παρουσιάζεται
- Δείχνει
- σημαντικός
- παρόμοιες
- Απλούς
- απλότητα
- απλά
- Singapore
- Μέγεθος
- small
- λύση
- Λύσεις
- SOLVE
- μερικοί
- Πηγή
- Πηγές
- Sourcing
- σπιθαμή
- ειδικεύεται
- συγκεκριμένες
- ειδικά
- Πείσμα
- σωρός
- Εκκίνηση
- ξεκίνησε
- Ξεκινήστε
- Βήμα
- Βήματα
- Ακόμη
- Διακόπτει
- αποθηκεύονται
- καταστήματα
- εξορθολογισμένη
- ροές
- μεταγενέστερος
- επιτυχής
- Επιτυχώς
- τέτοιος
- επαρκής
- κατάλληλος
- υποστηριζόνται!
- τραπέζι
- Πάρτε
- παίρνει
- Τεχνικός
- Τεχνολογία
- όροι
- ταϊλανδικά
- ότι
- Η
- οι πληροφορίες
- τους
- τότε
- Εκεί.
- εκ τούτου
- επομένως
- Αυτοί
- αυτοί
- αυτό
- εκείνοι
- χιλιάδες
- τρία
- Μέσω
- κερκίδα
- ώρα
- Τίτλος
- προς την
- μαζι
- πολύ
- εργαλείο
- Θέματα
- Τρένο
- εκπαιδευμένο
- Εκπαίδευση
- τρένα
- Μεταμορφώστε
- Μεταμόρφωση
- μετασχηματίζοντας
- Προσπάθησα
- ενεργοποιούν
- αληθής
- Έμπιστος
- δύο
- τύπος
- τύποι
- συνήθως
- ανίκανος
- υποκείμενες
- καταλαβαίνω
- κατανόηση
- μονάδα
- μονάδες
- ενημερώσεις
- Φορτώθηκε
- Ανέβασμα
- επάνω σε
- URL
- χρήση
- περίπτωση χρήσης
- μεταχειρισμένος
- Χρήστες
- Χρήστες
- χρησιμοποιώντας
- ΕΠΙΚΥΡΩΝΩ
- αξία
- διάφορα
- Επαλήθευση
- εκδοχή
- κατακόρυφα
- έλεγχος
- μέσω
- Βίντεο
- Vietnam
- Δες
- πρακτικώς
- όραμα
- όγκους
- θέλω
- ήταν
- Τρόπος..
- τρόπους
- we
- ιστός
- ΛΟΙΠΌΝ
- ήταν
- Τι
- πότε
- αν
- Ποιό
- ενώ
- Ο ΟΠΟΊΟΣ
- ευρύς
- Ευρύ φάσμα
- θα
- με
- χωρίς
- Εργασία
- εργαζόμενος
- λειτουργεί
- κόσμος
- θα
- γράφω
- Εσείς
- Σας
- zephyrnet