Generatiivse AI tulekuga saavad tänapäeva alusmudelid (FM-id), nagu suured keelemudelid (LLM) Claude 2 ja Llama 2, täita mitmesuguseid generatiivseid ülesandeid, nagu küsimustele vastamine, kokkuvõtete tegemine ja tekstiandmete põhjal sisu loomine. Siiski on reaalse maailma andmeid mitmel viisil, nagu tekst, pildid, video ja heli. Võtke näiteks PowerPointi slaidik. See võib sisaldada teavet teksti kujul või graafikute, tabelite ja piltidena.
Selles postituses tutvustame lahendust, mis kasutab multimodaalseid FM-e, näiteks Amazoni Titani multimodaalsed manused mudel ja LLaVA 1.5 ja AWS-teenused, sealhulgas Amazonase aluspõhi ja Amazon SageMaker sarnaste generatiivsete ülesannete täitmiseks multimodaalsete andmetega.
Lahenduse ülevaade
Lahendus pakub teostust küsimustele vastamiseks, kasutades tekstis sisalduvat teavet ja slaidikomplekti visuaalseid elemente. Disain tugineb taastamise laiendatud põlvkonna (RAG) kontseptsioonile. Traditsiooniliselt on RAG-i seostatud tekstiandmetega, mida LLM-id saavad töödelda. Selles postituses laiendame RAG-i, et lisada ka pildid. See annab võimsa otsinguvõimaluse kontekstipõhise sisu ekstraheerimiseks visuaalsetest elementidest, nagu tabelid ja graafikud, koos tekstiga.
Pilte sisaldava RAG-lahenduse kujundamiseks on erinevaid viise. Oleme siin esitanud ühe lähenemisviisi ja jätkame selle kolmeosalise sarja teises postituses alternatiivse lähenemisviisiga.
See lahendus sisaldab järgmisi komponente:
- Amazon Titan Multimodal Embeddingsi mudel – Seda FM-i kasutatakse selles postituses kasutatud slaidikomplekti sisu manustamiseks. Multimodaalse mudelina saab see Titani mudel sisendina töödelda teksti, pilte või kombinatsioone ning genereerida manuseid. Titan Multimodal Embeddingsi mudel genereerib 1,024 mõõtmega vektoreid (manustused) ja sellele pääseb juurde Amazon Bedrocki kaudu.
- Suur keele- ja nägemisassistent (LLaVA) – LLaVA on avatud lähtekoodiga multimodaalne mudel visuaalseks ja keeleliseks mõistmiseks ning seda kasutatakse slaididel olevate andmete, sealhulgas visuaalsete elementide (nt graafikud ja tabelid) tõlgendamiseks. Kasutame 7 miljardi parameetriga versiooni LLaVA 1.5-7b selles lahenduses.
- Amazon SageMaker – LLaVA mudelit juurutatakse SageMakeri lõpp-punktis, kasutades SageMakeri hostimisteenuseid, ja me kasutame saadud lõpp-punkti LLaVA mudeli põhjal järelduste tegemiseks. Selle lahenduse orkestreerimiseks ja esitlemiseks kasutame ka SageMakeri märkmikke.
- Amazon OpenSearch Serverita - OpenSearch Serverless on tellitav serverita konfiguratsioon Amazon OpenSearchi teenus. Kasutame OpenSearch Serverlessi vektorandmebaasina Titan Multimodal Embeddingsi mudeli genereeritud manustamiste salvestamiseks. OpenSearch Serverless kollektsioonis loodud register toimib meie RAG-lahenduse vektorihoidlana.
- Amazon OpenSearchi sisestamine (OSI) – OSI on täielikult hallatav serverita andmekogu, mis edastab andmeid OpenSearch Service'i domeenidesse ja OpenSearchi serverita kogudesse. Selles postituses kasutame OSI konveieri andmete edastamiseks OpenSearchi serverita vektorpoodi.
Lahenduse arhitektuur
Lahenduse disain koosneb kahest osast: allaneelamisest ja kasutaja interaktsioonist. Sisseelamise ajal töötleme sisendslaidikomplekti, teisendades iga slaidi pildiks, genereerime nende piltide jaoks manuseid ja täidame seejärel vektorandmete salve. Need sammud tehakse enne kasutajaga suhtlemise etappe.
Kasutaja interaktsiooni faasis teisendatakse kasutaja küsimus manusteks ja vektorandmebaasis käivitatakse sarnasuse otsing, et leida slaid, mis võib sisaldada vastuseid kasutaja küsimusele. Seejärel esitame selle slaidi (pildifaili kujul) LLaVA mudelile ja kasutaja küsimusele, et luua päringule vastus. Kogu selle postituse kood on saadaval aadressil GitHub puhata.
Järgmine diagramm illustreerib allaneelamise arhitektuuri.
Töövoo etapid on järgmised.
- Slaidid teisendatakse JPG-vormingus pildifailideks (üks slaidi kohta) ja edastatakse Titan Multimodal Embeddingsi mudelile, et luua manuseid. Selles postituses kasutame slaiditekki pealkirjaga Treenige ja juurutage Stable Diffusion, kasutades AWS Trainium & AWS Inferentia juunil 2023 Torontos toimunud AWS-i tippkohtumiselt, et näidata lahendust. Näidiskomplektil on 31 slaidi, seega loome 31 vektormanustuste komplekti, millest igaüks on 1,024 mõõtmega. Lisame nendele loodud vektormanustustele täiendavad metaandmete väljad ja loome JSON-faili. Neid täiendavaid metaandmevälju saab kasutada rikkalike otsingupäringute tegemiseks, kasutades OpenSearchi võimsaid otsinguvõimalusi.
- Loodud manustused koondatakse ühte JSON-faili, kuhu laaditakse üles Amazoni lihtne salvestusteenus (Amazon S3).
- kaudu Amazon S3 sündmuste teatised, sündmus pannakse an Amazoni lihtsa järjekorra teenus (Amazon SQS) järjekord.
- See sündmus SQS-järjekorras toimib päästikuna OSI-konveieri käitamiseks, mis omakorda neelab andmed (JSON-faili) dokumentidena OpenSearchi serverita registrisse. Pange tähele, et OpenSearchi serverita register on konfigureeritud selle torujuhtme valamuks ja luuakse OpenSearch Serverless kogumiku osana.
Järgmine diagramm illustreerib kasutaja interaktsiooni arhitektuuri.
Töövoo etapid on järgmised.
- Kasutaja esitab küsimuse, mis on seotud sissevõetud slaiditekiga.
- Kasutaja sisend teisendatakse manusteks, kasutades Titan Multimodal Embeddingsi mudelit, millele pääseb juurde Amazon Bedrocki kaudu. Neid manuseid kasutades tehakse OpenSearchi vektorotsing. Teostame k-lähima naabri (k=1) otsingu, et leida kasutajapäringule vastava kõige asjakohasem manustamine. Säte k=1 otsib kasutaja küsimusele kõige asjakohasema slaidi.
- OpenSearch Serverlessi vastuse metaandmed sisaldavad kõige asjakohasemale slaidile vastava pildi teed.
- Viip luuakse kasutajaküsimuse ja pilditee kombineerimisel ning edastatakse SageMakeris hostitud LLaVA-le. LLaVA mudel suudab pildil olevaid andmeid uurides mõista kasutaja küsimust ja vastata sellele.
- Selle järelduse tulemus tagastatakse kasutajale.
Neid samme käsitletakse üksikasjalikult järgmistes jaotistes. Vaadake Tulemused jaotis ekraanipiltide ja väljundi üksikasjade jaoks.
Eeldused
Selles postituses pakutava lahenduse rakendamiseks peaks teil olema AWS-i konto ning FM-ide, Amazon Bedrocki, SageMakeri ja OpenSearch Service'i tundmine.
See lahendus kasutab Titan Multimodal Embeddingsi mudelit. Veenduge, et see mudel oleks Amazon Bedrockis kasutamiseks lubatud. Amazon Bedrocki konsoolil valige Juurdepääs mudelile navigeerimispaanil. Kui Titani multimodaalne manustamine on lubatud, kuvatakse juurdepääsu olek Juurdepääs antud.
Kui mudel pole saadaval, lubage mudelile juurdepääs valides Mudeli juurdepääsu haldamine, valides Titani multimodaalsed manused G1ja valides Taotlege juurdepääsu mudelile. Mudel lubatakse kohe kasutamiseks.
Kasutage lahenduste virna loomiseks AWS CloudFormationi malli
Kasutage ühte järgmistest AWS CloudFormation mallid (olenevalt teie piirkonnast) lahendusressursside käivitamiseks.
AWS piirkond | on siin |
---|---|
us-east-1 |
|
us-west-2 |
Kui virn on edukalt loodud, liikuge virna juurde Väljundid vahekaarti AWS CloudFormation konsoolil ja märkige üles väärtus MultimodalCollectionEndpoint
, mida kasutame järgmistes etappides.
CloudFormationi mall loob järgmised ressursid.
- IAM-i rollid - Järgnev AWS-i identiteedi- ja juurdepääsuhaldus (IAM) rollid luuakse. Rakendamiseks värskendage neid rolle vähima privileegiga õigused.
SMExecutionRole
Amazon S3, SageMakeri, OpenSearch Service'i ja Bedrocki täieliku juurdepääsuga.OSPipelineExecutionRole
juurdepääsuga konkreetsetele Amazon SQS-i ja OSI-toimingutele.
- SageMakeri märkmik – Kogu selle postituse kood töötab selle märkmiku kaudu.
- OpenSearchi serverita kogu – See on vektorandmebaas manuste salvestamiseks ja toomiseks.
- OSI torujuhe – See on konveier andmete sisestamiseks OpenSearch Serverlessi.
- S3 kopp – Kõik selle postituse andmed salvestatakse sellesse ämbrisse.
- SQS järjekord – OSI konveieri käivitamise sündmused pannakse sellesse järjekorda.
CloudFormationi mall konfigureerib OSI-konveieri Amazon S3 ja Amazon SQS-i töötlemisega allikana ning OpenSearch Serverlessi indeksi kui valamu. Kõik objektid, mis on loodud määratud S3 ämbris ja prefiksis (multimodal/osi-embeddings-json
) käivitab SQS-teatised, mida OSI-konveier kasutab andmete sisestamiseks OpenSearch Serverlessi.
CloudFormationi mall loob ka võrk, krüpteerimistja juurdepääs andmetele OpenSearch Serverless kogu jaoks vajalikud poliitikad. Värskendage neid eeskirju, et rakendada väikseima õigusega õigusi.
Pange tähele, et CloudFormationi malli nimele viidatakse SageMakeri märkmikes. Kui malli vaikenime muudetakse, värskendage kindlasti seda globals.py
Testige lahendust
Kui eeltingimustoimingud on lõpule viidud ja CloudFormationi virn on edukalt loodud, olete nüüd valmis lahendust testima.
- Valige SageMakeri konsoolil Sülearvutid navigeerimispaanil.
- Valige
MultimodalNotebookInstance
sülearvuti eksemplar ja valige Avage JupyterLab. - In Failibrauser, liikuge märkmikute kausta, et näha märkmikke ja tugifaile.
Märkmikud on nummerdatud nende käitamise järjekorras. Iga märkmiku juhised ja kommentaarid kirjeldavad selle märkmikuga tehtud toiminguid. Käitame neid märkmikke ükshaaval.
- Vali 0_deploy_llava.ipynb selle avamiseks JupyterLabis.
- Kohta jooks menüüst valige Käivitage kõik rakud koodi käivitamiseks selles märkmikus.
See sülearvuti juurutab mudeli LLaVA-v1.5-7B SageMakeri lõpp-punktis. Selles märkmikus laadime HuggingFace Hubist alla mudeli LLaVA-v1.5-7B, asendame skripti inference.py skriptiga llava_inference.pyja looge selle mudeli jaoks fail model.tar.gz. Fail model.tar.gz laaditakse üles Amazon S3-sse ja seda kasutatakse mudeli juurutamiseks SageMakeri lõpp-punktis. The llava_inference.py skriptil on täiendav kood, mis võimaldab lugeda pildifaili Amazon S3-st ja teha sellest järeldusi.
- Vali 1_data_prep.ipynb selle avamiseks JupyterLabis.
- Kohta jooks menüüst valige Käivitage kõik rakud koodi käivitamiseks selles märkmikus.
See märkmik laadib alla liumekk, teisendab iga slaidi JPG-vormingusse ja laadib need üles selle postituse jaoks kasutatud S3 ämbrisse.
- Vali 2_data_ingestion.ipynb selle avamiseks JupyterLabis.
- Kohta jooks menüüst valige Käivitage kõik rakud koodi käivitamiseks selles märkmikus.
Selles märkmikus teeme järgmist.
- Loome indeksi OpenSearch Serverless kollektsioonis. See register salvestab slaidikomplekti manustamisandmed. Vaadake järgmist koodi:
- Kasutame Titan Multimodal Embeddingsi mudelit, et teisendada eelmises sülearvutis loodud JPG-kujutised vektormanustusteks. Need manused ja täiendavad metaandmed (nt pildifaili S3 tee) salvestatakse JSON-faili ja laaditakse üles Amazon S3-sse. Pange tähele, et luuakse üks JSON-fail, mis sisaldab dokumente kõigi manustamisteks teisendatud slaidide (piltide) jaoks. Järgmine koodilõik näitab, kuidas pilt (Base64 kodeeritud stringi kujul) teisendatakse manusteks:
- See toiming käivitab OpenSearchi sisestuskonveieri, mis töötleb faili ja sisestab selle OpenSearchi serverita registrisse. Järgmine on loodud JSON-faili näidis. (Näidekoodis on näidatud nelja mõõtmega vektor. Titan Multimodal Embeddingsi mudel genereerib 1,024 dimensiooni.)
- Vali 3_rag_inference.ipynb selle avamiseks JupyterLabis.
- Kohta jooks menüüst valige Käivitage kõik rakud koodi käivitamiseks selles märkmikus.
See märkmik rakendab RAG-lahendust: teisendame kasutaja küsimuse manusteks, leiame vektorandmebaasist sarnase pildi (slaidi) ja edastame allalaaditud pildi LLaVA-le, et genereerida vastus kasutaja küsimusele. Kasutame järgmist viipamalli:
Järgmine koodilõik pakub RAG-i töövoogu:
Tulemused
Alljärgnevalt on koostatud mõned kasutajate küsimused ja vastused, mille meie juurutamine genereeris. The Küsimus veerg hõlmab kasutaja küsimust ja Vastus veerg on LLaVA loodud tekstiline vastus. pilt on k-lähim (k=1) slaidi vaste, mille tagastas OpenSearchi serverita vektorotsing. Seda slaidi tõlgendab LLaVA vastuse saamiseks.
Multimodaalsed RAG-i tulemused
Küsimus | Vastus | pilt |
---|---|---|
Kuidas on Inf2 jõudluses võrreldav võrreldavate EC2 eksemplaridega? Ma vajan numbreid. | Slaidikomplekti kohaselt pakuvad AWS Inferentia2 Inf2 eksemplarid kuni 4 korda suuremat läbilaskevõimet ja 10 korda väiksemat latentsusaega võrreldes võrreldavate EC2 eksemplaridega. | |
Mida AI/ML hooratta järgi AWS AI/ML teenused pakuvad? | AWS AI/ML teenused pakuvad paremaid $/perfer võimalusi, uusi võimalusi ja investeeringuid innovatsiooni. | |
Kui palju rohkem parameetreid on GPT-2-l võrreldes GPT-3-ga? Mis on numbriline erinevus GPT-2 ja GPT-3 parameetrite suuruse vahel? | Slaidi järgi on GPT-3-l 175 miljardit parameetrit, GPT-2-l aga 1.5 miljardit parameetrit. Arvuline erinevus GPT-2 ja GPT-3 parameetrite suuruse vahel on 173.5 miljardit. | |
Mis on kvargid osakeste füüsikas? | Slaidist ma sellele küsimusele vastust ei leidnud. |
Laiendage seda lahendust julgelt oma liumägedele. Lihtsalt värskendage failis globals.py muutujat SLIDE_DECK oma slaidikomplekti URL-iga ja käivitage eelmises jaotises kirjeldatud sisestustoimingud.
tüüp
Saate kasutada OpenSearchi armatuurlaudu, et suhelda OpenSearch API-ga, et käivitada oma indeksi ja sissevõetud andmete kiirteste. Järgmisel ekraanipildil on OpenSearchi armatuurlaua GET näide.
Koristage
Edaspidiste tasude vältimiseks kustutage loodud ressursid. Seda saate teha, kustutades virna CloudFormationi konsooli kaudu.
Lisaks kustutage LLaVA järelduste jaoks loodud SageMakeri järelduse lõpp-punkt. Saate seda teha puhastamisetapi kommentaaride tühistamisega 3_rag_inference.ipynb ja käivitage lahter või kustutage lõpp-punkt SageMakeri konsooli kaudu: valige Järeldus ja Lõpp-punktid navigeerimispaanil, seejärel valige lõpp-punkt ja kustutage see.
Järeldus
Ettevõtted loovad kogu aeg uut sisu ja slaidide tekid on tavaline mehhanism, mida kasutatakse teabe jagamiseks ja levitamiseks organisatsioonisiseselt ning väliselt klientidega või konverentsidel. Aja jooksul võib rikkalik teave jääda maetud ja peidetud mittetekstilistesse modaalsustesse, nagu graafikud ja tabelid nendes slaidipakkides. Saate kasutada seda lahendust ja multimodaalsete FM-ide (nt Titan Multimodal Embeddingsi mudeli ja LLaVA) võimsust, et avastada uut teavet või avastada slaiditekkide sisule uusi vaatenurki.
Soovitame teil uurides rohkem teada saada Amazon SageMaker JumpStart, Amazon Titani mudelid, Amazon Bedrocki ja OpenSearch Service'i ning luua lahendus, kasutades selles postituses esitatud näidisrakendust.
Vaadake sellest sarjast kahte täiendavat postitust. 2. osa käsitleb teist lähenemisviisi, mida võiksite kasutada oma slaiditekiga rääkimiseks. See lähenemisviis genereerib ja salvestab LLaVA järeldusi ning kasutab neid salvestatud järeldusi kasutaja päringutele vastamiseks. 3. osas võrreldakse neid kahte lähenemisviisi.
Autoritest
Amit Arora on AI ja ML spetsialistarhitekt ettevõttes Amazon Web Services, aidates ettevõtetel kasutada pilvepõhiseid masinõppeteenuseid, et oma uuendusi kiiresti skaleerida. Ta on ka MS andmeteaduse ja -analüütika programmi adjunkt Georgetowni ülikoolis Washingtonis.
Manju Prasad on Amazon Web Servicesi strateegiliste kontode vanemlahenduste arhitekt. Ta keskendub tehniliste juhiste pakkumisele erinevates valdkondades, sealhulgas tehisintellekti/ML-i valdkonnas M&E-tellijale. Enne AWS-iga liitumist kavandas ja ehitas ta lahendusi finantsteenuste sektori ettevõtetele ja ka idufirmadele.
Archana Inapudi on AWS-i vanemlahenduste arhitekt, kes toetab strateegilisi kliente. Tal on üle kümne aasta pikkune kogemus, mis aitab klientidel kavandada ja luua andmeanalüüsi ja andmebaasilahendusi. Ta on kirglik tehnoloogia kasutamise vastu, et pakkuda klientidele väärtust ja saavutada äritulemusi.
Antara Raisa on AI- ja ML-lahenduste arhitekt ettevõttes Amazon Web Services, kes toetab Texase osariigis Dallases asuvaid strateegilisi kliente. Tal on ka varasem töökogemus suurettevõtete partneritega AWS-is, kus ta töötas digitaalsete klientide jaoks edukate lahenduste arhitektina.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
- PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
- PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
- PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/talk-to-your-slide-deck-using-multimodal-foundation-models-hosted-on-amazon-bedrock-and-amazon-sagemaker-part-1/
- :on
- :on
- :mitte
- : kus
- $ UP
- 1
- 10
- 100
- 13
- 15%
- 16
- 173
- 20
- 2023
- 26%
- 29
- 31
- 7
- 8
- 9
- a
- Võimalik
- MEIST
- juurdepääs
- pääses
- Kontod
- Saavutada
- tegevus
- meetmete
- õigusaktid
- lisama
- Täiendavad lisad
- lisand
- Advent
- vastu
- AI
- AI / ML
- Materjal: BPA ja flataatide vaba plastik
- võimaldama
- mööda
- Ka
- Amazon
- Amazon SageMaker
- Amazon Web Services
- an
- analytics
- ja
- Teine
- vastus
- vastamine
- vastuseid
- mistahes
- API
- kehtima
- lähenemine
- lähenemisviisid
- arhitektuur
- OLEME
- AS
- küsima
- assistent
- seotud
- At
- heli-
- suurendatud
- Auth
- saadaval
- vältima
- AWS
- AWS CloudFormation
- põhineb
- BE
- olnud
- Parem
- vahel
- Miljard
- keha
- ehitama
- Ehitus
- ehitatud
- äri
- by
- CAN
- võimeid
- võime
- lööb
- rakk
- muutunud
- koormuste
- Vali
- valimine
- klient
- kood
- kogumine
- Kollektsioonid
- koguja
- Veerg
- kombinatsioon
- kombineerimine
- kommentaarid
- ühine
- Ettevõtted
- võrreldav
- võrdlema
- võrreldes
- täitma
- Lõpetatud
- komponendid
- mõiste
- konverentsid
- konfiguratsioon
- konfigureeritud
- koosneb
- konsool
- sisaldama
- sisaldub
- sisaldab
- sisu
- sisu loomine
- muutma
- ümber
- konverteeriva
- Vastav
- võiks
- KATTED
- looma
- loodud
- loob
- loomine
- loomine
- volikiri
- klient
- Kliendid
- Dallas
- armatuurlaud
- armatuurlauad
- andmed
- Andmete analüüs
- andmeteadus
- andmebaas
- kümme aastat
- tekk
- vaikimisi
- tarnima
- annab
- näitama
- Olenevalt
- juurutada
- lähetatud
- juurutamine
- juurutab
- kirjeldama
- Disain
- kavandatud
- detail
- üksikasjalik
- detailid
- DIKT
- DID
- erinevus
- erinev
- Diffusion
- digitaalne
- mõõde
- mõõdud
- avastama
- arutatud
- Ekraan
- do
- dokumendid
- ei
- Domeenid
- lae alla
- allalaadimine
- ajal
- e
- iga
- elemendid
- varjatud
- kinnistamine
- võimaldama
- lubatud
- kodeeritud
- julgustama
- lõpp
- Lõpp-punkt
- Mootor
- tagama
- ettevõte
- viga
- sündmus
- sündmused
- Uurimine
- näide
- Välja arvatud
- erand
- olemas
- kogemus
- Avastades
- laiendama
- väliselt
- väljavõte
- Tuttav
- Valdkonnad
- fail
- Faile
- finants-
- finantsteenused
- leidma
- keskendub
- järgima
- Järel
- järgneb
- eest
- vorm
- formaat
- Sihtasutus
- neli
- tasuta
- Alates
- täis
- täielikult
- tulevik
- tekitama
- loodud
- genereerib
- põlvkond
- generatiivne
- Generatiivne AI
- Georgetown
- saama
- GitHub
- läheb
- graafikud
- juhised
- Olema
- he
- kasulik
- aidates
- siin
- varjatud
- rohkem
- Hits
- võõrustaja
- võõrustas
- Hosting
- majutusteenused
- hosts
- Kuidas
- aga
- HTML
- http
- HTTPS
- Keskus
- Kallistav Nägu
- i
- Identity
- if
- illustreerib
- pilt
- pildid
- kohe
- rakendada
- täitmine
- tööriistad
- in
- sisaldama
- hõlmab
- Kaasa arvatud
- indeks
- Indeksid
- info
- Innovatsioon
- uuendusi
- sisend
- Näiteks
- juhised
- suhelda
- suhtlemist
- sisemiselt
- sisse
- investeering
- IT
- liitumine
- jpg
- Json
- juuni
- keel
- suur
- Hilinemine
- algatama
- Õppida
- õppimine
- nagu
- LINK
- Laama
- kohalik
- vähendada
- masin
- masinõpe
- tegema
- juhtima
- juhitud
- palju
- Vastama
- sobitamine
- mehhanism
- menüü
- Metaandmed
- meetod
- ML
- mudel
- mudelid
- rohkem
- kõige
- MS
- mitmekordne
- nimi
- emakeelena
- Navigate
- NAVIGATSIOON
- Vajadus
- Uus
- mitte ükski
- meeles
- märkmik
- teated
- nüüd
- nummerdatud
- numbrid
- esemeid
- of
- pakkuma
- on
- On-Demand
- ONE
- ainult
- avatud
- avatud lähtekoodiga
- or
- organisatsioon
- OS
- meie
- välja
- tulemusi
- väljund
- üle
- pane
- parameeter
- parameetrid
- osa
- partner
- partnerid
- osad
- Vastu võetud
- kirglik
- tee
- kohta
- täitma
- jõudlus
- teostatud
- Õigused
- perspektiivid
- faas
- Füüsika
- Pildid
- torujuhe
- Platon
- Platoni andmete intelligentsus
- PlatoData
- Poliitika
- post
- Postitusi
- potentsiaalselt
- võim
- võimas
- Predictor
- esitada
- esitatud
- eelmine
- Eelnev
- protsess
- Töödeldud
- Protsessid
- töötlemine
- Programm
- omadused
- anda
- tingimusel
- annab
- pakkudes
- panema
- Kvarkid
- päringud
- küsimus
- Küsimused
- Kiire
- rag
- valik
- kiiresti
- Lugemine
- valmis
- päris maailm
- saadud
- viidatud
- piirkond
- seotud
- asjakohane
- jääma
- asendama
- taotleda
- nõutav
- Vahendid
- Reageerida
- vastus
- vastuste
- kaasa
- tulemuseks
- Tulemused
- otsing
- tagasipöördumine
- Rikas
- rollid
- jooks
- jooksmine
- salveitegija
- SageMakeri järeldus
- sama
- ütlema
- Skaala
- teadus
- ekraanipilte
- käsikiri
- Otsing
- Teine
- Osa
- lõigud
- sektor
- vaata
- valima
- valides
- vanem
- Jada
- Seeria
- Serverita
- teenib
- teenus
- Teenused
- istung
- Komplektid
- kehtestamine
- seaded
- Jaga
- ta
- peaks
- näidatud
- Näitused
- sarnane
- lihtne
- lihtsalt
- ühekordne
- SUURUS
- Slaid
- Slaidid
- jupp
- So
- lahendus
- Lahendused
- mõned
- allikas
- spetsialist
- konkreetse
- määratletud
- stabiilne
- Kestab
- käivitamisel
- riik
- olek
- Samm
- Sammud
- ladustamine
- salvestada
- ladustatud
- kauplustes
- ladustamine
- Strateegiline
- nöör
- järgnev
- edu
- Edukalt
- selline
- Summit
- Toetamine
- kindel
- tabel
- Võtma
- rääkima
- ülesanded
- Tehniline
- Tehnoloogia
- šabloon
- malle
- test
- testid
- texas
- tekst
- tekstiline
- et
- .
- teave
- oma
- SIIS
- Need
- see
- need
- läbilaskevõime
- aeg
- Titan
- pealkirjaga
- et
- tänane
- kokku
- Toronto
- traditsiooniliselt
- traavers
- vallandada
- käivitamine
- tõsi
- püüdma
- Pöörake
- kaks
- tüüp
- paljastama
- mõistma
- mõistmine
- Ülikool
- Värskendused
- laetud
- URL
- kasutama
- Kasutatud
- Kasutaja
- kasutusalad
- kasutamine
- väärtus
- muutuja
- sort
- versioon
- kaudu
- Video
- vaade
- nägemus
- visuaalne
- Washington
- kuidas
- we
- web
- veebiteenused
- Hästi
- M
- Mis on
- mis
- kuigi
- will
- koos
- jooksul
- töötas
- töövoog
- töö
- sa
- Sinu
- sephyrnet