داروخانه آمازون یک داروخانه با خدمات کامل در Amazon.com که قیمت شفاف، پشتیبانی بالینی و مشتری، و تحویل رایگان درب منزل شما را ارائه می دهد. عوامل مراقبت از مشتری نقش مهمی در بازیابی سریع و دقیق اطلاعات مربوط به اطلاعات داروخانه، از جمله توضیحات نسخه و وضعیت انتقال، جزئیات سفارش و توزیع، و اطلاعات مشخصات بیمار در زمان واقعی دارند. داروخانه آمازون یک رابط چت ارائه می دهد که در آن مشتریان (بیماران و پزشکان) می توانند به صورت آنلاین با نمایندگان مراقبت از مشتری (نمایندگان) صحبت کنند. یکی از چالش هایی که نمایندگان با آن مواجه هستند، یافتن اطلاعات دقیق هنگام پاسخ دادن به سؤالات مشتریان است، زیرا تنوع، حجم و پیچیدگی فرآیندهای مراقبت های بهداشتی (مانند توضیح مجوزهای قبلی) می تواند دلهره آور باشد. یافتن اطلاعات مناسب، خلاصه کردن و توضیح آن زمان بر است و سرعت خدمات رسانی به بیماران را کاهش می دهد.
برای مقابله با این چالش، داروخانه آمازون یک دستیار چت ربات پرسش و پاسخ (Q&A) هوش مصنوعی ایجاد کرد تا به عوامل قدرت دهد تا اطلاعات را با جستجوهای زبان طبیعی در زمان واقعی بازیابی کنند و در عین حال تعامل انسان با مشتریان را حفظ کند. این راه حل با HIPAA سازگار است و حریم خصوصی مشتری را تضمین می کند. علاوه بر این، نمایندگان بازخورد خود را در رابطه با پاسخهای تولید شده توسط ماشین به تیم توسعه داروخانه آمازون ارسال میکنند تا بتوان از آن برای بهبود مدلهای آینده استفاده کرد.
در این پست، ما توضیح میدهیم که چگونه داروخانه آمازون راهحل چت بات دستیار نمایندگی مراقبت از مشتری خود را با استفاده از محصولات AWS AI، از جمله مدلهای پایه در Amazon SageMaker JumpStart تا توسعه آن تسریع شود. ما با برجسته کردن تجربه کلی نماینده مراقبت از مشتری با افزودن ربات چت مبتنی بر مدل زبان بزرگ (LLM) شروع می کنیم. سپس توضیح می دهیم که چگونه این راه حل از الگوی Retrieval Augmented Generation (RAG) برای اجرای خود استفاده می کند. در نهایت، معماری محصول را شرح می دهیم. این پست نشان می دهد که چگونه هوش مصنوعی مولد در یک برنامه کاربردی در حال کار در یک تجارت پیچیده و بسیار تنظیم شده ادغام می شود و تجربه مراقبت از مشتری را برای بیماران داروخانه بهبود می بخشد.
چت ربات پرسش و پاسخ مبتنی بر LLM
شکل زیر جریان فرآیند تماس یک بیمار با مراقبت مشتری داروخانه آمازون را از طریق چت نشان می دهد (مرحله 1). نمایندگان از یک رابط کاربری داخلی جداگانه برای مراقبت از مشتری برای پرسیدن سؤالات به ربات گفتگوی پرسش و پاسخ مبتنی بر LLM استفاده می کنند (مرحله 2). سپس UI مراقبت از مشتری درخواست را به پشتیبان خدماتی که در میزبانی شده است ارسال می کند AWS Fargate (مرحله 3)، که در آن پرس و جوها از طریق ترکیبی از مدل ها و فرآیندهای بازیابی داده ها، که در مجموع به عنوان فرآیند RAG شناخته می شوند، هماهنگ می شوند. این فرآیند قلب راه حل چت بات مبتنی بر LLM است و جزئیات آن در بخش بعدی توضیح داده شده است. در پایان این فرآیند، پاسخ تولید شده توسط ماشین به نماینده بازگردانده می شود، که می تواند پاسخ را قبل از ارائه مجدد به مشتری نهایی بررسی کند (مرحله 4). لازم به ذکر است که نمایندگان آموزش دیده اند تا قضاوت کنند و از راه حل چت بات مبتنی بر LLM به عنوان ابزاری برای تقویت کار خود استفاده کنند، بنابراین می توانند زمان خود را به تعاملات شخصی با مشتری اختصاص دهند. عوامل همچنین پاسخ تولید شده توسط ماشین را با بازخورد خود برچسب گذاری می کنند (مثلاً مثبت یا منفی). این بازخورد سپس توسط تیم توسعه داروخانه آمازون برای بهبود راه حل (از طریق تنظیم دقیق یا بهبود داده ها) استفاده می شود و یک چرخه مداوم از توسعه محصول با کاربر شکل می گیرد (مرحله 5).
شکل زیر نمونه ای از یک چت بات پرسش و پاسخ و تعامل با نماینده را نشان می دهد. در اینجا، نماینده در مورد کد رد ادعا سؤال می کرد. چت ربات پرسش و پاسخ (Agent AI Assistant) با توضیح واضح کد رد به این سوال پاسخ می دهد. همچنین پیوند اسناد اصلی را برای نمایندگان ارائه می دهد تا در صورت نیاز پیگیری کنند.
تسریع توسعه مدل ML
در شکل قبلی که گردش کار ربات چت را نشان میدهد، از جزئیات نحوه آموزش نسخه اولیه مدلهای ربات گفتگوی پرسش و پاسخ صرفنظر کردیم. برای انجام این کار، تیم توسعه داروخانه آمازون از استفاده از SageMaker JumpStart بهره مند شد. SageMaker JumpStart به تیم اجازه داد تا به سرعت با مدلهای مختلف آزمایش کنند، معیارها و آزمایشهای متفاوتی را اجرا کنند و در صورت لزوم سریع شکست بخورند. شکست سریع مفهومی است که توسط دانشمندان و توسعه دهندگان برای ایجاد سریع راه حل هایی تا حد امکان واقعی و یادگیری از تلاش های آنها برای بهتر کردن آن در تکرار بعدی انجام می شود. پس از تصمیم گیری تیم در مورد مدل و انجام هر گونه تنظیم دقیق و سفارشی سازی لازم، آنها از آن استفاده کردند میزبانی SageMaker برای استقرار راه حل استفاده مجدد از مدل های پایه در SageMaker JumpStart به تیم توسعه اجازه داد تا ماه ها کار خود را کاهش دهند که در غیر این صورت برای آموزش مدل ها از ابتدا نیاز بود.
الگوی طراحی RAG
یکی از بخش های اصلی راه حل استفاده از آن است بازیابی نسل افزوده الگوی طراحی (RAG) برای پیاده سازی راه حل های پرسش و پاسخ. اولین گام در این الگو، شناسایی مجموعه ای از جفت های پرسش و پاسخ شناخته شده است که حقیقت اصلی اولیه برای راه حل است. مرحله بعدی تبدیل سوالات به نمایش بهتر به منظور تشابه و جستجو است که به آن می گویند تعبیه کردن (ما یک جسم با ابعاد بالاتر را در یک ابر صفحه با ابعاد کمتر قرار می دهیم). این کار از طریق یک مدل پایه مخصوص تعبیه انجام می شود. این جاسازیها بهعنوان نمایههایی برای پاسخها استفاده میشوند، دقیقاً مانند اینکه چگونه یک فهرست پایگاه داده یک کلید اولیه را به یک ردیف ترسیم میکند. ما اکنون آماده پشتیبانی از درخواست های جدید مشتری هستیم. همانطور که قبلا توضیح داده شد، تجربه به این صورت است که مشتریان سوالات خود را برای نمایندگان ارسال می کنند، که سپس با چت بات مبتنی بر LLM ارتباط برقرار می کنند. در چت ربات پرسش و پاسخ، پرس و جو به یک جاسازی تبدیل می شود و سپس به عنوان کلید جستجو برای یک نمایه مطابق (از مرحله قبل) استفاده می شود. معیار تطبیق بر اساس یک مدل شباهت است، مانند FAISS or سرویس جستجوی باز آمازون (برای جزئیات بیشتر مراجعه کنید قابلیت های پایگاه داده برداری وکتور سرویس جستجوی باز آمازون توضیح داده شده است). هنگامی که مطابقت وجود دارد، پاسخهای برتر بازیابی میشوند و به عنوان زمینه فوری برای مدل تولیدی استفاده میشوند. این مربوط به مرحله دوم در الگوی RAG - مرحله مولد است. در این مرحله، درخواست به LLM (مدال پایه ژنراتور) ارسال میشود که پاسخ نهایی تولید شده توسط ماشین به سؤال اصلی را میسازد. این پاسخ از طریق رابط کاربری مراقبت از مشتری به نماینده ارائه می شود، که پاسخ را تأیید می کند، در صورت نیاز آن را ویرایش می کند و برای بیمار ارسال می کند. نمودار زیر این فرآیند را نشان می دهد.
مدیریت پایگاه دانش
همانطور که با الگوی RAG آموختیم، اولین گام در انجام پرسش و پاسخ شامل بازیابی داده ها (جفت پرسش و پاسخ) برای استفاده به عنوان زمینه برای اعلان LLM است. به این داده ها چت بات می گویند دانش محور. نمونههایی از این دادهها رویههای عملیاتی استاندارد داخلی داروخانه آمازون (SOP) و اطلاعات موجود در آن است مرکز راهنمایی داروخانه آمازون. برای تسهیل نمایهسازی و فرآیند بازیابی (همانطور که قبلاً توضیح داده شد)، اغلب مفید است که همه این اطلاعات را که ممکن است در راهحلهای مختلف مانند ویکیها، فایلها و پایگاههای داده میزبانی شوند در یک مخزن واحد جمعآوری کنید. در مورد خاص چت ربات داروخانه آمازون، ما از آن استفاده می کنیم سرویس ذخیره سازی ساده آمازون (Amazon S3) به دلیل سادگی و انعطاف پذیری برای این منظور.
بررسی اجمالی راه حل
شکل زیر معماری راه حل را نشان می دهد. برنامه مراقبت از مشتری و چت ربات پرسش و پاسخ مبتنی بر LLM در VPC خود برای جداسازی شبکه مستقر شده اند. ارتباط بین نقاط پایانی VPC از طریق تحقق می یابد AWS PrivateLink، حفظ حریم خصوصی آنها را تضمین می کند. چت ربات پرسش و پاسخ نیز دارای حساب AWS خود برای جداسازی نقش، جداسازی و سهولت نظارت برای اهداف امنیتی، هزینه و انطباق است. منطق ارکستراسیون ربات چت پرسش و پاسخ در Fargate با میزبانی می شود سرویس کانتینر الاستیک آمازون (Amazon ECS). برای راه اندازی PrivateLink، a متعادل کننده بار شبکه درخواست ها را به یک پروکسی می کند Application Load Balancer، که اتصال TLS مشتری نهایی را متوقف می کند و درخواست ها را به Fargate می دهد. سرویس ذخیره سازی اولیه آمازون S3 است. همانطور که قبلاً ذکر شد، دادههای ورودی مرتبط به فرمت مورد نظر در داخل حساب چتبات پرسش و پاسخ وارد میشوند و در سطلهای S3 باقی میمانند.
وقتی صحبت از زیرساخت یادگیری ماشین (ML) می شود، آمازون SageMaker در مرکز معماری قرار دارد. همانطور که در قسمت های قبل توضیح داده شد، از دو مدل استفاده می شود، مدل embedding و مدل LLM، که در دو نقطه پایانی SageMaker جداگانه میزبانی می شوند. با استفاده از SageMaker ضبط داده ها از ویژگیهای این ویژگی، ما میتوانیم همه درخواستها و پاسخهای استنتاج را برای اهداف عیبیابی، با رعایت حریم خصوصی و محدودیتهای امنیتی لازم ثبت کنیم. در مرحله بعد، بازخورد گرفته شده از نمایندگان در یک سطل S3 جداگانه ذخیره می شود.
ربات گفتگوی پرسش و پاسخ به گونه ای طراحی شده است که یک راه حل چند مستاجر باشد و از محصولات بهداشتی اضافی از خدمات سلامت آمازون مانند کلینیک آمازون پشتیبانی کند. به عنوان مثال، راه حل با مستقر شده است AWS CloudFormation قالب هایی برای زیرساخت به عنوان کد (IaC) که امکان استفاده از پایگاه های دانش مختلف را فراهم می کند.
نتیجه
در این پست راه حل فنی برای بهبود مراقبت از مشتری هوش مصنوعی مولد داروخانه آمازون ارائه شده است. راه حل شامل یک چت بات پاسخگو است که الگوی طراحی RAG را در SageMaker و مدل های پایه در SageMaker JumpStart پیاده سازی می کند. با این راه حل، نمایندگان مراقبت از مشتری می توانند با ارائه پاسخ های دقیق، آموزنده و مختصر، سریعتر به بیماران کمک کنند.
این معماری از میکروسرویسهای مدولار با اجزای جداگانه برای آمادهسازی و بارگذاری پایگاه دانش، منطق چت بات (دستورالعمل)، نمایهسازی و بازیابی تعبیهشده، تولید محتوای LLM و نظارت بر بازخورد استفاده میکند. مورد دوم به ویژه برای بهبود مدل های مداوم مهم است. مدل های پایه در SageMaker JumpStart برای آزمایش سریع با ارائه مدل با نقاط پایانی SageMaker استفاده می شود. در نهایت، سرور چت بات سازگار با HIPAA در Fargate میزبانی می شود.
به طور خلاصه، ما دیدیم که چگونه داروخانه آمازون از هوش مصنوعی و AWS مولد برای بهبود مراقبت از مشتری و در عین حال اولویتبندی اصول و شیوههای هوش مصنوعی مسئول استفاده میکند.
تو می توانی شروع به آزمایش مدل های پایه در SageMaker JumpStart کنید امروز مدل های پایه مناسب را برای استفاده خود پیدا کنید و شروع به ساخت برنامه هوش مصنوعی مولد خود در SageMaker کنید.
درباره نویسنده
بوراک گوزلوکلو یک معمار اصلی راه حل های تخصصی AI/ML است که در بوستون، MA است. او به مشتریان جهانی کمک می کند تا فناوری های AWS و به طور خاص راه حل های AI/ML را برای دستیابی به اهداف تجاری خود اتخاذ کنند. بوراک دارای مدرک دکترای مهندسی هوافضا از METU، کارشناسی ارشد در مهندسی سیستم و فوق دکترای دینامیک سیستم از MIT در کمبریج، MA است. بوراک علاقه زیادی به یوگا و مدیتیشن دارد.
جانگوون کیم یک دانشمند کاربردی در فروشگاه سلامت آمازون و فناوری است. او در LLM، NLP، Speech AI و Search تخصص دارد. Jangwon قبل از پیوستن به Amazon Health، یک دانشمند کاربردی در Amazon Alexa Speech بود. او در خارج از لس آنجلس مستقر است.
الکساندر آلوز مهندس ارشد در خدمات سلامت آمازون، متخصص در ML، بهینه سازی، و سیستم های توزیع شده است. او به ارائه تجارب سلامتی رو به جلو کمک می کند.
نیروای کومار یک مهندس توسعه دهنده نرم افزار Sr. در خدمات سلامت آمازون است که پس از سال ها در فناوری های تکمیلی، معماری پیشرو در عملیات داروسازی پیشرو است. او با تخصص در سیستم های توزیع شده، اشتیاق فزاینده ای را برای پتانسیل هوش مصنوعی پرورش داده است. Nirvay استعدادهای خود را به سیستم های مهندسی هدایت می کند که نیازهای واقعی مشتری را با خلاقیت، مراقبت، امنیت و چشم انداز بلندمدت برطرف می کند. وقتی کوههای واشنگتن را پیادهروی نمیکند، روی طراحی متفکرانهای تمرکز میکند که غیرمنتظرهها را پیشبینی میکند. نیروای قصد دارد سیستم هایی بسازد که در آزمون زمان مقاومت کنند و نیازهای در حال تکامل مشتریان را برآورده کنند.
- 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/learn-how-amazon-pharmacy-created-their-llm-based-chat-bot-using-amazon-sagemaker/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 100
- 7
- a
- درباره ما
- شتاب دادن
- حساب
- به درستی
- رسیدن
- در میان
- اضافه
- اضافی
- اتخاذ
- هوافضا
- پس از
- عامل
- عاملان
- AI
- دستیار هوش مصنوعی
- AI / ML
- اهداف
- چک
- معرفی
- مجاز
- اجازه دادن
- قبلا
- همچنین
- آمازون
- آمازون SageMaker
- آمازون خدمات وب
- an
- و
- آنجلس
- پاسخ
- پاسخ
- پیش بینی می کند
- هر
- کاربرد
- اعمال می شود
- معماری
- هستند
- AS
- پرسیدن
- خواهان
- همکاری
- دستیار
- At
- افزوده شده
- در دسترس
- AWS
- به عقب
- بخش مدیریت
- پایه
- مستقر
- BE
- زیرا
- بوده
- قبل از
- بودن
- معیار
- بهتر
- میان
- بوستون
- ساختن
- بنا
- ساخته
- کسب و کار
- by
- نام
- کمبریج
- CAN
- قابلیت های
- اهميت دادن
- مورد
- مرکز
- به چالش
- کانال
- chatbot
- ادعا
- واضح
- درمانگاه
- بالینی
- رمز
- مجموعا
- COM
- ترکیب
- می آید
- آینده
- پیچیده
- پیچیدگی
- انطباق
- موافق
- اجزاء
- مفهوم
- مختصر
- ارتباط
- تشکیل شده است
- محدودیت ها
- ظرف
- محتوا
- تولید محتوا
- زمینه
- مداوم
- تبدیل
- مبدل
- هسته
- مطابقت دارد
- هزینه
- ایجاد شده
- خلاقیت
- ضوابط
- بسیار سخت
- مشتری
- پشتیبانی مشتریان
- مشتریان
- سفارشی سازی
- برش
- چرخه
- داده ها
- پایگاه داده
- پایگاه های داده
- مصمم
- وقف کن
- ارائه
- تحویل
- نشان می دهد
- تصویربرداری
- گسترش
- مستقر
- توصیف
- شرح داده شده
- شرح
- طرح
- طراحی
- مطلوب
- جزئیات
- برنامه نویس
- توسعه دهندگان
- پروژه
- تیم توسعه
- مختلف
- ابعاد
- توزیع شده
- سیستم های توزیع شده
- تنوع
- do
- پزشکان
- مستندات
- انجام شده
- توسط
- پایین
- دینامیک
- سهولت
- تلاش
- جاسازی کردن
- تعبیه کردن
- قدرت دادن
- پایان
- مهندس
- مهندسی
- حصول اطمینان از
- به خصوص
- در حال تحول
- مثال
- مثال ها
- ورزش
- تجربه
- تجارب
- تجربه
- تخصص
- توضیح دهید
- توضیح داده شده
- توضیح دادن
- چهره
- تسهیل کردن
- عدم
- FAST
- ویژگی
- باز خورد
- شکل
- فایل ها
- نهایی
- سرانجام
- پیدا کردن
- پیدا کردن
- نام خانوادگی
- انعطاف پذیری
- جریان
- تمرکز
- به دنبال
- پیروی
- برای
- قالب
- پایه
- رایگان
- از جانب
- خدمات کامل
- آینده
- جمع آوری
- نسل
- مولد
- هوش مصنوعی مولد
- ژنراتور
- جهانی
- زمین
- در حال رشد
- دست ها
- آیا
- he
- سلامتی
- قلب
- کمک
- کمک می کند
- اینجا کلیک نمایید
- زیاد
- مشخص کردن
- خیلی
- خود را
- میزبانی
- چگونه
- چگونه
- HTML
- HTTP
- HTTPS
- انسان
- شناسایی
- if
- نشان می دهد
- پیاده سازی
- اجرا
- اجرای
- مهم
- بهبود
- ارتقاء
- بهبود
- in
- از جمله
- شاخص
- فهرستها
- اطلاعات
- حاوی اطلاعات مفید
- شالوده
- اول
- ورودی
- داخل
- یکپارچه
- اثر متقابل
- فعل و انفعالات
- رابط
- داخلی
- به
- انزوا
- IT
- تکرار
- ITS
- پیوستن
- JPG
- کلید
- دانش
- شناخته شده
- برچسب
- زبان
- بزرگ
- برجسته
- یاد گرفتن
- آموخته
- یادگیری
- کمتر
- سطح
- پسندیدن
- ارتباط دادن
- LLM
- بار
- بارگیری
- واقع شده
- ورود به سیستم
- منطق
- دراز مدت
- آنها
- لس آنجلس
- دستگاه
- فراگیری ماشین
- ساخت
- بسیاری
- نقشه ها
- کبریت
- مطابق
- ممکن است..
- ذکر شده
- متا
- خدمات میکرو
- MIT
- ML
- مدل
- مدل
- پیمانهای
- نظارت بر
- ماه
- بیش
- MS
- بسیار
- طبیعی
- لازم
- ضروری
- نیازهای
- منفی
- شبکه
- جدید
- بعد
- nlp
- اشاره کرد
- اکنون
- هدف
- اهداف
- of
- خاموش
- پیشنهادات
- غالبا
- on
- ONE
- مداوم
- آنلاین
- باز کن
- عملیاتی
- عملیات
- بهینه سازی
- or
- هماهنگ شده
- تنظیم و ارکستراسیون
- سفارش
- اصلی
- در غیر این صورت
- خارج
- به طور کلی
- خود
- جفت
- بخش
- ویژه
- شور
- احساساتی
- بیمار
- pacientes
- الگو
- انجام
- انجام
- شخصی
- دکترا
- محل
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- مثبت
- ممکن
- پست
- پتانسیل
- شیوه های
- دقیق
- تهیه
- نسخه
- ارائه شده
- حفظ کردن
- قبلی
- قبلا
- قیمت گذاری
- اصلی
- اصلی
- از اصول
- قبلا
- اولویت بندی
- خلوت
- حریم خصوصی و امنیت
- روش
- روند
- فرآیندهای
- محصول
- توسعه محصول
- محصولات
- مشخصات
- ارائه
- فراهم می کند
- ارائه
- هدف
- اهداف
- پرسش و پاسخ
- نمایش ها
- سوال
- سوالات
- به سرعت
- اماده
- واقعی
- زمان واقعی
- واقع بینانه
- متوجه
- مراجعه
- اشاره
- تنظیم
- مربوط
- مخزن
- نمایندگی
- نمایندگان
- درخواست
- درخواست
- پاسخ
- پاسخ
- مسئوليت
- استفاده مجدد
- این فایل نقد می نویسید:
- راست
- نقش
- ROW
- در حال اجرا
- حکیم ساز
- دید
- دانشمند
- خراش
- جستجو
- جستجو
- جستجو
- دوم
- بخش
- بخش
- تیم امنیت لاتاری
- ارسال
- می فرستد
- فرستاده
- جداگانه
- خدمت
- سرور
- سرویس
- خدمات
- خدمت
- تنظیم
- باید
- نشان می دهد
- ساده
- سادگی
- تنها
- کند شدن
- So
- نرم افزار
- راه حل
- مزایا
- حل
- متخصص
- متخصص
- به طور خاص
- سخنرانی - گفتار
- سرعت
- استاندارد
- شروع
- وضعیت
- گام
- توقف
- ذخیره سازی
- opbevare
- ذخیره شده
- ارسال
- چنین
- خلاصه
- نظارت
- پشتیبانی
- سیستم
- سیستم های
- برخورد با
- صورت گرفته
- طول می کشد
- استعداد
- صحبت
- تیم
- فن آوری
- فنی
- فن آوری
- قالب
- آزمون
- تست
- که
- La
- شان
- سپس
- آنجا.
- اینها
- آنها
- این
- از طریق
- زمان
- به
- امروز
- ابزار
- بالا
- قطار
- آموزش دیده
- انتقال
- شفاف
- حقیقت
- دو
- ui
- غیر منتظره
- استفاده کنید
- مورد استفاده
- استفاده
- کاربر
- استفاده
- با استفاده از
- نسخه
- از طريق
- دید
- حجم
- بود
- واشنگتن
- we
- وب
- خدمات وب
- چه زمانی
- که
- در حین
- WHO
- با
- در داخل
- مهاجرت کاری
- گردش کار
- کارگر
- خواهد بود
- سال
- ریاضت
- شما
- زفیرنت