ناشران دیجیتال به طور مداوم به دنبال راههایی برای سادهسازی و خودکارسازی جریانهای کاری رسانهای خود هستند تا محتوای جدید را با بیشترین سرعتی که میتوانند تولید و منتشر کنند، اما بدون کیفیت قبلی.
افزودن تصاویر برای گرفتن ماهیت متن می تواند تجربه خواندن را بهبود بخشد. تکنیک های یادگیری ماشینی می تواند به شما در کشف چنین تصاویری کمک کند. "یک تصویر چشمگیر یکی از مؤثرترین راهها برای جلب توجه مخاطبان و ایجاد تعامل با داستان شما است - اما باید منطقی هم باشد."
La پست قبلی در مورد اینکه چگونه می توانید از خدمات یادگیری ماشینی آمازون (ML) استفاده کنید تا به شما کمک کند بهترین تصاویر را برای قرار دادن در امتداد یک مقاله یا خلاصه تلویزیون بدون تایپ کلمات کلیدی بیابید. در پست قبلی استفاده کردید شناسایی آمازون برای استخراج متادیتا از یک تصویر سپس از یک مدل جاسازی متن برای ایجاد یک کلمه جاسازی ابرداده استفاده کردید که می تواند بعداً برای کمک به یافتن بهترین تصاویر استفاده شود.
در این پست می بینید که چگونه می توانید از مدل های فونداسیون آمازون تایتان برای درک سریع مقاله و پیدا کردن بهترین تصاویر برای همراهی آن استفاده کنید. این بار، جاسازی را مستقیماً از تصویر ایجاد می کنید.
یک مفهوم کلیدی در جستجوی معنایی، تعبیهها است. تعبیه نمایش عددی برخی از ورودی ها - یک تصویر، متن یا هر دو - در قالب یک برداری است. هنگامی که بردارهای زیادی دارید، می توانید فاصله بین آنها را اندازه گیری کنید و بردارهایی که از نظر فاصله نزدیک هستند از نظر معنایی مشابه یا مرتبط هستند.
بستر آمازون یک سرویس کاملاً مدیریت شده است که انتخابی از مدلهای پایه (FM) با کارایی بالا را از شرکتهای پیشرو هوش مصنوعی از جمله AI21 Labs، Anthropic، Cohere، Meta، Stability AI، و Amazon با یک API، همراه با مجموعه وسیعی از قابلیتها ارائه میکند. به شما کمک می کند تا برنامه های هوش مصنوعی مولد بسازید، توسعه را با حفظ حریم خصوصی و امنیت ساده می کند.
آمازون تایتان اخیراً یک مدل جاسازی جدید به مجموعه خود با نام Titan Multimodal Embeddings اضافه کرده است. این مدل جدید می تواند برای جستجوی چندوجهی، سیستم های توصیه و سایر برنامه های کاربردی پایین دستی استفاده شود.
مدلهای چندوجهی میتوانند دادهها را در حالتهای مختلف مانند متن، تصویر، ویدیو و صدا درک و تجزیه و تحلیل کنند. این جدیدترین مدل آمازون تایتان می تواند متن، تصویر یا هر دو را بپذیرد. این بدان معناست که شما از یک مدل برای ایجاد جاسازی تصاویر و متن استفاده میکنید و از آن جاسازیها برای محاسبه شباهت این دو استفاده میکنید.
بررسی اجمالی راه حل
در تصویر زیر، میتوانید ببینید که چگونه میتوانید یک مقاله کوچک بگیرید، جستجو کنید و تصاویری را پیدا کنید که با مقاله همخوانی دارند. در این مثال، شما جمله ای را در نظر می گیرید که ورنر ووگلز را در حین سفر در هند روسری های سفید به سر کرده است. بردار جمله از نظر معنایی با بردارهای تصاویر ورنر در حال روسری مرتبط است و از این رو به عنوان تصاویر برتر در این جستجو بازگشته است.
در سطح بالا، یک تصویر در آپلود می شود سرویس ذخیره سازی ساده آمازون (Amazon S3) و ابرداده از جمله جاسازی تصویر استخراج می شود.
برای استخراج ابرداده متنی از تصویر، از ویژگی تشخیص افراد مشهور و ویژگی تشخیص برچسب in شناسایی آمازون. آمازون Rekognition به طور خودکار ده ها هزار شخصیت شناخته شده را در تصاویر و ویدیوها با استفاده از ML شناسایی می کند. شما از این ویژگی برای شناسایی افراد مشهور در تصاویر و ذخیره این ابرداده ها استفاده می کنید سرویس جستجوی باز آمازون. تشخیص برچسب اشیاء و مفاهیم را از تصویر مییابد، مانند عکس صفحه قبلی که در آن ابرداده برچسب را در زیر تصویر دارید.
شما از مدل Titan Multimodal Embeddings برای ایجاد یک جاسازی تصویر استفاده می کنید که همچنین متاداده قابل جستجو است.
سپس تمام ابرداده ها در آن ذخیره می شوند سرویس OpenSearch برای پرس و جوهای جستجوی بعدی هنگامی که نیاز به یافتن یک تصویر یا تصاویر دارید.
بخش دوم معماری ارسال مقاله برای یافتن این تصاویر تازه جذب شده است.
وقتی مقاله ارسال شد، باید مقاله را استخراج کرده و به ورودی جستجو برای OpenSearch Service تبدیل کنید. تو استفاده میکنی درک آمازون برای شناسایی هر نامی در متن که می تواند افراد مشهور بالقوه باشد. شما مقاله را خلاصه می کنید زیرا احتمالاً فقط یک یا دو تصویر را انتخاب می کنید تا ماهیت مقاله را به تصویر بکشید. ایجاد خلاصه ای از متن راه خوبی برای اطمینان از اینکه جاسازی نکات مرتبط داستان را به تصویر می کشد است. برای این کار از Amazon Titan Text G1 – Express مدل با اعلانی مانند «لطفا خلاصه ای از متن زیر را ارائه دهید. اطلاعاتی که در متن زیر ذکر نشده است را اضافه نکنید.» با مقاله خلاصه شده، شما از مدل آمازون Titan Multimodal Embeddings برای ایجاد یک جاسازی از مقاله خلاصه شده استفاده می کنید. مدل جاسازی همچنین دارای حداکثر تعداد ورودی نشانه است، بنابراین خلاصه کردن مقاله برای اطمینان از اینکه می توانید تا حد امکان اطلاعات بیشتری را در جاسازی به دست آورید مهم تر است. به زبان ساده، نشانه یک کلمه، زیر کلمه یا کاراکتر واحد است.
سپس با جستجوی OpenSearch با نامها و جاسازی از مقاله جستجو میکنید تا در صورت وجود، تصاویری را که از نظر معنایی با حضور فرد مشهور مشابه هستند، بازیابی کنید.
به عنوان یک کاربر، شما فقط با استفاده از یک مقاله به عنوان ورودی، تصاویر را جستجو می کنید.
خرید
نمودار زیر معماری ارائه این مورد استفاده را به شما نشان می دهد.
مراحل زیر از طریق دنباله ای از اقدامات (نشان داده شده در نمودار) صحبت می کند که امکان جستجوی معنایی تصویر و افراد مشهور را فراهم می کند.
- شما یک تصویر را در یک آپلود می کنید آمازون S3 سطل
- پل رویداد آمازون به این رویداد گوش می دهد و سپس یک مرحله AWS Step Functions را آغاز می کند.
- مرحله توابع مرحله طول می کشد آمازون S3 جزئیات تصویر و اجرای سه عمل موازی:
- یک تماس API به شناسایی آمازون DetectLabels برای استخراج ابرداده شی
- یک تماس API به شناسایی آمازون افراد مشهور را بشناسید APIهایی برای استخراج افراد مشهور شناخته شده
- A AWS لامبدا تابع اندازه تصویر را به حداکثر ابعاد پذیرفته شده برای مدل جاسازی ML تغییر می دهد و یک جاسازی مستقیم از ورودی تصویر ایجاد می کند.
- La یازدهمین حرف الفبای یونانی تابع سپس ابرداده شی تصویر و نام افراد مشهور را در صورت وجود، و جاسازی را به عنوان یک بردار k-NN در فهرست خدمات جستجوی باز درج می کند.
- آمازون S3 میزبان یک وب سایت ثابت ساده است که توسط an آمازون CloudFront. رابط کاربری جلویی (UI) به شما امکان می دهد با استفاده از برنامه احراز هویت کنید Cognito آمازون برای جستجوی تصاویر
- شما یک مقاله یا متنی را با استفاده از رابط کاربری ارسال می کنید.
- دیگر یازدهمین حرف الفبای یونانی تماس های عملکردی درک آمازون برای شناسایی هر نامی در متن به عنوان افراد مشهور بالقوه.
- سپس تابع متن را خلاصه می کند تا با استفاده از Titan Text G1 – Express نکات مربوطه را از مقاله بدست آورد.
- این تابع یک جاسازی مقاله خلاصه شده را با استفاده از مدل آمازون Titan Multimodal Embeddings ایجاد می کند.
- سپس تابع به جستجو میپردازد سرویس OpenSearch نمایه تصویر برای تصاویر مطابق با نام افراد مشهور و k-نزدیک ترین همسایگان برای بردار با استفاده از شباهت کسینوس با استفاده از k-NN دقیق با اسکریپت امتیازدهی.
- CloudWatch آمازون و AWS X-Ray به شما قابلیت مشاهده را در جریان کار انتها به انتها می دهد تا شما را از هرگونه مشکل آگاه کند.
شکل زیر طراح گردش کار بصری گردش کار Step Functions را به شما نشان می دهد.
در اینجا نمونه ای از تعبیه شده است:
آرایه قبلی اعداد چیزی است که معنی را از متن یا شیء تصویر به شکلی که می توانید محاسبات و توابع را بر اساس آن انجام دهید، دریافت می کند.
تعبیه ها ابعاد بالایی از چند صد تا هزاران بعد دارند. ابعاد این مدل 1,024 است، یعنی آرایه قبلی دارای 1,024 عنصر خواهد بود که معنای شیء داده شده را نشان می دهد.
تعبیه چند وجهی در مقابل جاسازی متن
ما دو گزینه را در ارائه جستجوی تصویر معنایی مورد بحث قرار میدهیم که تفاوت اصلی در نحوه ایجاد تعبیههای تصاویر است. در ما پست قبلی، شما یک جاسازی از ابرداده متنی ایجاد می کنید که با استفاده از آمازون Rekognition استخراج می شود. در این پست، شما از مدل Titan Multimodal Embeddings استفاده میکنید و میتوانید مستقیماً یک تصویر را جاسازی کنید.
با انجام یک تست سریع و اجرای یک پرس و جو در UI در برابر این دو رویکرد، می توانید مشاهده کنید که نتایج به طور قابل توجهی متفاوت است. مقاله پرس و جوی نمونه این است: «ورنر ووگلز عاشق پوشیدن روسری سفید در حین سفر در هند است».
نتیجه مدل چند وجهی تصاویر را با روسری بالاتر نمره می دهد. کلمه روسری در مقاله ارسالی ما وجود دارد و جاسازی آن را تشخیص داده است.
در رابط کاربری میتوانید متادیتای استخراجشده توسط آمازون Rekognition را مشاهده کنید، و ابرداده شامل کلمه روسری نیست و بنابراین برخی اطلاعات را از تصویر از دست داده است، که میتوانید فرض کنید مدل تعبیهشده تصویر ندارد، و بنابراین مدل چندوجهی نیست. بسته به مورد استفاده ممکن است مزیتی داشته باشد. با استفاده از آمازون Rekognition، می توانید اشیاء شناسایی شده در تصویر را قبل از ایجاد یک جاسازی فیلتر کنید، و بنابراین موارد استفاده قابل اجرا دیگری را داشته باشید که بسته به نتیجه دلخواه شما ممکن است بهتر عمل کنند.
شکل زیر نتایج مدل آمازون Titan Multimodal Embeddings را نشان می دهد.
شکل زیر نتایج حاصل از مدل تعبیه متن آمازون Titan را با استفاده از فراداده استخراج شده Amazon Rekognition برای ایجاد جاسازی نشان می دهد.
پیش نیازها
برای این راهنما باید پیش نیازهای زیر را داشته باشید:
- An حساب AWS
- رابط خط فرمان مدل برنامه بدون سرور AWS (AWS SAM CLI)
- راه حل از AWS SAM CLI برای استقرار استفاده می کند.
- مطمئن شوید که از آخرین نسخه AWS SAM CLI استفاده می کنید.
- کارگر بارانداز
- این راه حل از گزینه AWS SAM CLI برای ساختن داخل یک کانتینر برای اجتناب از نیاز به وابستگی های محلی استفاده می کند. برای این کار به Docker نیاز دارید.
- گره
- قسمت جلویی این راه حل یک برنامه وب React است که می تواند به صورت محلی با استفاده از Node اجرا شود.
- npm
- نصب بسته های مورد نیاز برای اجرای برنامه وب به صورت محلی، یا ساخت آن برای استقرار از راه دور، به npm نیاز دارد.
برنامه کامل پشته را بسازید و استقرار دهید
- مخزن را شبیه سازی کنید
- دایرکتوری را به پروژه جدید شبیه سازی شده تغییر دهید.
- npm install را اجرا کنید تا تمام بسته های مورد نیاز برای اجرای برنامه دانلود شود.
- یک اسکریپت Deploy را اجرا کنید که مجموعه ای از اسکریپت ها را به ترتیب اجرا می کند که a را انجام می دهد ساخت سام, سام استقرار، فایل های پیکربندی را به روز کنید و سپس فایل های برنامه وب را در آمازون S3 میزبانی کنید که آماده ارائه از طریق Amazon CloudFront هستند.
- یکی از خروجیهای نهایی اسکریپت، URL CloudFront Amazon است که نحوه دسترسی شما به برنامه است. برای ورود به سیستم باید یک کاربر جدید در کنسول مدیریت AWS ایجاد کنید. URL را یادداشت کنید تا بعداً از آن استفاده کنید.
تصویر زیر نشان می دهد که چگونه اسکریپت از AWS SAM برای استقرار پشته شما استفاده کرده است و یک URL CloudFront آمازون را که می توانید برای دسترسی به برنامه استفاده کنید، خروجی داده است.
یک کاربر جدید برای ورود به برنامه ایجاد کنید
- رفتن به Cognito آمازون کنسول و جدید خود را انتخاب کنید استخر کاربر.
- یک کاربر جدید با رمز عبور جدید ایجاد کنید.
وارد برنامه وب شوید و آن را تست کنید
- یافتن آمازون CloudFront URL برای رسیدن به صفحه ورود به سیستم. همانطور که در تصویر قبلی نشان داده شده است، این خروجی در خط نهایی است.
- ترکیب نام کاربری و رمز عبور جدید خود را برای ورود وارد کنید.
- چند نمونه عکس را با استفاده از رابط کاربری آپلود کنید.
- را انتخاب کنید انتخاب فایل و سپس انتخاب کنید بارگذاری.
توجه داشته باشید: همچنین میتوانید مستقیماً با افزودن فایلها به سطل S3 به صورت انبوه آپلود کنید /آپلودها پوشه. - مقاله ای را بنویسید یا کپی و جایگذاری کنید و انتخاب کنید ارسال برای دیدن اینکه آیا تصاویر با سفارش مورد انتظار بازگردانده می شوند یا خیر.
- را انتخاب کنید انتخاب فایل و سپس انتخاب کنید بارگذاری.
تمیز کردن
برای جلوگیری از تحمیل هزینه در آینده، منابع را حذف کنید.
- سطل S3 مستقر شده با این راه حل را پیدا کنید و سطل را خالی کنید.
- به کنسول CloudFormation بروید، پشتهای را که از طریق اسکریپت استقرار ذکر شده قبلاً استفاده کردهاید انتخاب کنید و پشته را حذف کنید.
نتیجه
در این پست، نحوه استفاده از Amazon Rekognition، Amazon Comprehend، Amazon Bedrock و OpenSearch Service را برای استخراج ابرداده از تصاویر خود و سپس استفاده از تکنیک های ML برای کشف خودکار محتوای نزدیک با استفاده از جستجوی مشهور و معنایی مشاهده کردید. این امر به ویژه در صنعت انتشارات مهم است، جایی که سرعت در انتشار سریع محتوای تازه و به پلتفرمهای متعدد اهمیت دارد.
به عنوان گام بعدی، راه حل را در حساب AWS خود قرار دهید و برخی از تصاویر خود را برای آزمایش نحوه کارکرد جستجوی معنایی برای شما بارگذاری کنید. برخی از نظرات خود را در نظرات زیر به من اطلاع دهید.
درباره نویسنده
مارک واتکینز یک معمار راه حل در تیم رسانه و سرگرمی است که از مشتریان خود برای حل بسیاری از مشکلات داده و ML پشتیبانی می کند. او به دور از زندگی حرفه ای، عاشق گذراندن وقت با خانواده و تماشای بزرگ شدن دو فرزند کوچکش است.
دن جانز یک مهندس معمار راه حل است که از مشتریان خود برای ایجاد AWS و ارائه الزامات تجاری پشتیبانی می کند. به دور از زندگی حرفه ای، او عاشق خواندن، گذراندن وقت با خانواده و خودکار کردن وظایف در خانه است.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/easily-build-semantic-image-search-using-amazon-titan/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 100
- 24
- 7
- a
- پذیرفتن
- پذیرفته
- دسترسی
- همراهی کردن
- حساب
- اقدامات
- اضافه کردن
- اضافه
- اضافه کردن
- مزیت - فایده - سود - منفعت
- در برابر
- AI
- هوشیار
- معرفی
- اجازه می دهد تا
- در امتداد
- همچنین
- آمازون
- درک آمازون
- آموزش ماشین آمازون
- شناسایی آمازون
- آمازون خدمات وب
- an
- تحلیل
- و
- آنتروپیک
- هر
- API
- رابط های برنامه کاربردی
- مربوط
- کاربرد
- برنامه های کاربردی
- رویکردها
- معماری
- هستند
- دور و بر
- صف
- مقاله
- AS
- فرض
- توجه
- سمعی
- تصدیق کردن
- خودکار بودن
- بطور خودکار
- اتوماسیون
- اجتناب از
- دور
- AWS
- کنسول مدیریت AWS
- توابع مرحله AWS
- BE
- قبل از
- در زیر
- بهترین
- بهتر
- میان
- هر دو
- پهن
- ساختن
- کسب و کار
- اما
- by
- محاسبه
- محاسبات
- صدا
- تماس ها
- CAN
- می توانید دریافت کنید
- قابلیت های
- گرفتن
- اسیر
- جلب
- ضبط
- مورد
- موارد
- مشاهیر
- شهرت
- شخصیت
- بار
- انتخاب
- را انتخاب کنید
- نزدیک
- نزدیک
- CO
- مجموعه
- ترکیب
- نظرات
- شرکت
- درک
- مفهوم
- مفاهیم
- پیکر بندی
- کنسول
- ظرف
- محتوا
- به طور مداوم
- میتوانست
- ایجاد
- ایجاد
- مشتریان
- داده ها
- ارائه
- تحویل
- وابستگی
- بستگی دارد
- گسترش
- مستقر
- گسترش
- طراح
- مطلوب
- جزئیات
- تشخیص
- شناسایی شده
- کشف
- پروژه
- تفاوت
- مختلف
- ابعاد
- مستقیم
- مستقیما
- كشف كردن
- بحث و تبادل نظر
- بحث کردیم
- فاصله
- توزیع شده
- do
- کارگر بارانداز
- نمی کند
- دانلود
- به آسانی
- موثر
- عناصر
- تعبیه کردن
- قادر ساختن
- پایان
- پشت سر هم
- نامزدی
- مهندس
- سرگرمی
- ماهیت
- حتی
- واقعه
- مثال
- انتظار می رود
- تجربه
- صریح
- عصاره
- خانواده
- ویژگی
- باز خورد
- کمی از
- شکل
- فایل ها
- فیلتر
- نهایی
- پیدا کردن
- پیدا می کند
- پیروی
- برای
- فرم
- پایه
- تازه
- از جانب
- جلو
- پایان جلو
- کامل
- پشته کامل
- کاملا
- تابع
- توابع
- آینده
- g1
- تولید می کنند
- تولید می کند
- مولد
- مولد
- هوش مصنوعی مولد
- دریافت کنید
- گرفتن
- دادن
- داده
- خوب
- در حال رشد
- آیا
- he
- کمک
- از این رو
- زیاد
- با عملکرد بالا
- بالاتر
- خود را
- صفحه اصلی
- میزبان
- میزبان
- چگونه
- چگونه
- HTML
- HTTPS
- صد
- if
- تصویر
- جستجوی تصویر
- تصاویر
- مهم
- بهبود
- in
- شامل
- از جمله
- شاخص
- هندوستان
- صنعت
- اطلاعات
- شروع می کند
- ورودی
- درج می کند
- داخل
- نصب
- نصب و راه اندازی
- رابط
- به
- مسائل
- IT
- ITS
- روزنامه نگاری
- JPG
- تنها
- کلید
- کلید واژه ها
- دانستن
- شناخته شده
- برچسب
- آزمایشگاه
- بعد
- آخرین
- برجسته
- یادگیری
- اجازه
- سطح
- زندگی
- احتمالا
- لاین
- گوش می کند
- کوچک
- محلی
- به صورت محلی
- به دنبال
- دوست دارد
- دستگاه
- فراگیری ماشین
- اصلی
- حفظ
- ساخت
- اداره می شود
- مدیریت
- بسیاری
- مطابق
- مسائل
- بیشترین
- me
- معنی
- به معنی
- اندازه
- رسانه ها
- ذکر شده
- متا
- متاداده
- قدرت
- از دست رفته
- ML
- مدل
- مدل
- بیش
- اکثر
- بسیار
- چندگانه
- باید
- نام
- نام
- نیاز
- جدید
- به تازگی
- بعد
- گره
- توجه داشته باشید
- قابل ملاحظه ای
- تعداد
- هدف
- اشیاء
- of
- پیشنهادات
- on
- ONE
- آنهایی که
- فقط
- گزینه
- گزینه
- or
- سفارش
- دیگر
- ما
- خارج
- نتیجه
- تولید
- خروجی
- خود
- بسته
- با ما
- موازی
- بخش
- ویژه
- کلمه عبور
- انجام
- شخصیت ها
- پس مانده
- سیستم عامل
- افلاطون
- هوش داده افلاطون
- PlatoData
- نقطه
- ممکن
- پست
- پتانسیل
- پیش نیازها
- حضور
- در حال حاضر
- قبلی
- قبلا
- خلوت
- حریم خصوصی و امنیت
- مشکلات
- حرفه ای
- پروژه
- ارائه
- منتشر کردن
- ناشران
- انتشار
- کیفیت
- نمایش ها
- سریع
- به سرعت
- سریعا
- واکنش نشان می دهند
- مطالعه
- اماده
- تازه
- به رسمیت شناختن
- شناختن
- به رسمیت شناخته شده
- به رسمیت می شناسد
- توصیه
- مربوط
- دور
- مخزن
- نمایندگی
- نیاز
- ضروری
- مورد نیاز
- رونوشت
- منابع
- نتیجه
- نتایج
- دویدن
- در حال اجرا
- اجرا می شود
- سام
- همان
- دید
- روسری
- به ثمر رساندن
- خط
- اسکریپت
- جستجو
- جستجو
- جستجو
- دوم
- تیم امنیت لاتاری
- دیدن
- را انتخاب کنید
- معنایی
- جمله
- دنباله
- سلسله
- بدون سرور
- سرویس
- خدمات
- خدمت
- تنظیم
- نشان داده شده
- نشان می دهد
- امضاء
- مشابه
- ساده
- ساده
- تنها
- راه حل
- مزایا
- حل
- برخی از
- سرعت
- هزینه
- ثبات
- پشته
- پشته
- ایستا
- گام
- مراحل
- ذخیره سازی
- opbevare
- ذخیره شده
- داستان
- ساده کردن
- ارسال
- ارسال
- چنین
- خلاصه کردن
- خلاصه
- حمایت از
- مطمئن
- خلاصه
- سیستم های
- گرفتن
- طول می کشد
- صحبت
- وظایف
- تیم
- تکنیک
- ده ها
- قوانین و مقررات
- آزمون
- تست
- متن
- متن
- که
- La
- شان
- آنها
- سپس
- از این رو
- اینها
- آنها
- این
- کسانی که
- هزاران نفر
- سه
- از طریق
- زمان
- تیتان
- به
- رمز
- بالا
- دگرگون کردن
- سفر
- tv
- دو
- ui
- فهمیدن
- بروزرسانی
- آپلود شده
- URL
- استفاده کنید
- مورد استفاده
- استفاده
- کاربر
- رابط کاربری
- استفاده
- با استفاده از
- نسخه
- در مقابل
- تصویری
- فیلم های
- بصری
- خرید
- تماشای
- مسیر..
- راه
- وب
- برنامه تحت وب
- خدمات وب
- سایت اینترنتی
- معروف
- چی
- چه زمانی
- که
- در حین
- سفید
- ویکیپدیا
- اراده
- با
- در داخل
- بدون
- کلمه
- مهاجرت کاری
- گردش کار
- گردش کار
- شما
- شما
- زفیرنت