ظهور جستجوی متنی و معنایی باعث شده است که تجارت الکترونیک و کسب و کارهای خرده فروشی برای مشتریان خود جستجوی ساده ای داشته باشند. موتورهای جستجو و سیستمهای توصیهای که با هوش مصنوعی تولید میشوند، میتوانند تجربه جستجوی محصول را به طور تصاعدی با درک پرسشهای زبان طبیعی و ارائه نتایج دقیقتر بهبود بخشند. این تجربه کلی کاربر را افزایش میدهد و به مشتریان کمک میکند دقیقاً آنچه را که به دنبال آن هستند پیدا کنند.
سرویس جستجوی باز آمازون در حال حاضر پشتیبانی از شباهت کسینوس متریک برای شاخص های k-NN. تشابه کسینوس، کسینوس زاویه بین دو بردار را اندازه گیری می کند، که در آن زاویه کسینوس کوچکتر نشان دهنده شباهت بالاتر بین بردارها است. با شباهت کسینوس، می توانید جهت گیری بین دو بردار را اندازه گیری کنید، که آن را به انتخاب خوبی برای برخی از برنامه های کاربردی جستجوی معنایی خاص تبدیل می کند.
در این پست، نحوه ساخت موتور جستجوی متن و تصویر متنی برای توصیه های محصول با استفاده از آن را نشان می دهیم مدل آمازون Titan Multimodal Embeddings، قابل دسترسی در بستر آمازون، با بدون سرور جستجوی باز آمازون.
یک مدل تعبیههای چندوجهی برای یادگیری نمایش مشترک روشهای مختلف مانند متن، تصاویر و صدا طراحی شده است. با آموزش مجموعه دادههای مقیاس بزرگ حاوی تصاویر و زیرنویسهای مربوط به آنها، یک مدل تعبیههای چندوجهی یاد میگیرد که تصاویر و متون را در یک فضای پنهان مشترک جاسازی کند. در زیر یک نمای کلی از نحوه عملکرد مفهومی آن در سطح بالا آورده شده است:
- رمزگذارهای جداگانه – این مدلها دارای رمزگذارهای جداگانه برای هر مدالیته هستند - یک رمزگذار متن برای متن (به عنوان مثال، BERT یا RoBERTa)، رمزگذار تصویر برای تصاویر (به عنوان مثال، CNN برای تصاویر)، و رمزگذارهای صوتی برای صدا (مثلا مدلهایی مانند Wav2Vec) . هر رمزگذار تعبیههایی را ایجاد میکند که ویژگیهای معنایی روشهای مربوطه را ثبت میکند
- ادغام مدالیته - تعبیههای رمزگذارهای تک مدال با استفاده از لایههای شبکه عصبی اضافی ترکیب میشوند. هدف یادگیری تعاملات و همبستگیهای بین روشها است. رویکردهای متداول همجوشی شامل الحاق، عملیات عناصر، ادغام و مکانیسم های توجه است.
- فضای نمایندگی مشترک - لایههای ادغام کمک میکنند تا مدالیتههای فردی را در یک فضای نمایش مشترک به نمایش بگذارند. با آموزش مجموعه دادههای چندوجهی، مدل یک فضای جاسازی مشترک را میآموزد که در آن جاسازیهای هر مدالیتی که محتوای معنایی زیربنایی یکسانی را نشان میدهند به هم نزدیکتر هستند.
- وظایف پایین دستی - تعبیههای چندوجهی مشترک ایجاد شده میتوانند برای کارهای مختلف پایین دستی مانند بازیابی چندوجهی، طبقهبندی یا ترجمه استفاده شوند. این مدل از همبستگیهای بین روشها برای بهبود عملکرد در این وظایف در مقایسه با جاسازیهای مودال فردی استفاده میکند. مزیت اصلی، توانایی درک تعاملات و معناشناسی بین روش هایی مانند متن، تصاویر و صدا از طریق مدل سازی مشترک است.
بررسی اجمالی راه حل
این راه حل پیاده سازی را برای ساخت نمونه اولیه موتور جستجوی دارای مدل زبان بزرگ (LLM) برای بازیابی و توصیه محصولات بر اساس جستارهای متن یا تصویر ارائه می دهد. ما مراحل استفاده از an را به تفصیل شرح می دهیم آمازون Titan Multimodal Embeddings مدل برای رمزگذاری تصاویر و متن در جاسازیها، گنجاندن جاسازیها در فهرست خدمات OpenSearch، و جستجوی فهرست با استفاده از سرویس OpenSearch عملکرد k-نزدیکترین همسایگان (k-NN)..
این راه حل شامل اجزای زیر است:
- مدل آمازون Titan Multimodal Embeddings – این مدل پایه (FM) جاسازی هایی از تصاویر محصول استفاده شده در این پست را ایجاد می کند. با آمازون Titan Multimodal Embeddings، می توانید جاسازی هایی را برای محتوای خود ایجاد کرده و آنها را در یک پایگاه داده برداری ذخیره کنید. هنگامی که کاربر نهایی ترکیبی از متن و تصویر را به عنوان یک عبارت جستجو ارسال می کند، مدل جاسازی هایی را برای عبارت جستجو ایجاد می کند و آنها را با جاسازی های ذخیره شده مطابقت می دهد تا نتایج جستجو و توصیه های مرتبط را به کاربران نهایی ارائه دهد. میتوانید مدل را بیشتر سفارشی کنید تا درک آن از محتوای منحصر به فرد خود را افزایش دهید و با استفاده از جفتهای متن-تصویر برای تنظیم دقیق، نتایج معنادارتری ارائه دهید. بهطور پیشفرض، مدل بردارهایی با 1,024 بعد تولید میکند و از طریق Amazon Bedrock قابل دسترسی است. همچنین میتوانید ابعاد کوچکتری برای بهینهسازی سرعت و عملکرد ایجاد کنید
- بدون سرور جستجوی باز آمازون - این یک پیکربندی بدون سرور برای سرویس OpenSearch است. ما از Amazon OpenSearch Serverless به عنوان یک پایگاه داده برداری برای ذخیره جاسازی های تولید شده توسط مدل آمازون Titan Multimodal Embeddings استفاده می کنیم. نمایه ای که در مجموعه بدون سرور جستجوی باز آمازون ایجاد شده است به عنوان ذخیره بردار برای راه حل Retrieval Augmented Generation (RAG) ما عمل می کند.
- Amazon SageMaker Studio - این یک محیط توسعه یکپارچه (IDE) برای یادگیری ماشین (ML) است. متخصصان ML می توانند تمام مراحل توسعه ML را انجام دهند - از آماده سازی داده های شما تا ساخت، آموزش، و استقرار مدل های ML.
طراحی راه حل شامل دو بخش است: نمایه سازی داده ها و جستجوی متنی. در طول نمایه سازی داده ها، شما تصاویر محصول را برای ایجاد جاسازی برای این تصاویر پردازش می کنید و سپس ذخیره داده های برداری را پر می کنید. این مراحل قبل از مراحل تعامل کاربر تکمیل می شوند.
در مرحله جستجوی متنی، یک عبارت جستجو (متن یا تصویر) از کاربر به جاسازیها تبدیل میشود و جستجوی شباهت در پایگاه داده برداری برای یافتن تصاویر محصول مشابه بر اساس جستجوی شباهت اجرا میشود. سپس نتایج مشابه برتر را نمایش می دهید. تمام کدهای این پست در آدرس موجود است GitHub repo.
نمودار زیر معماری راه حل را نشان می دهد.
در زیر مراحل گردش کار راه حل آمده است:
- متن و تصاویر توضیحات محصول را از عموم دانلود کنید سرویس ذخیره سازی ساده آمازون سطل (Amazon S3).
- مجموعه داده را بررسی و آماده کنید.
- با استفاده از مدل آمازون Titan Multimodal Embeddings (amazon.titan-embed-image-v1) برای تصاویر محصول جاسازی ایجاد کنید. اگر تعداد زیادی تصویر و توضیحات دارید، می توانید به صورت اختیاری از آن استفاده کنید استنتاج دسته ای برای Amazon Bedrock.
- جاسازی ها را در بدون سرور جستجوی باز آمازون به عنوان موتور جستجو
- در نهایت، درخواست کاربر را به زبان طبیعی واکشی کنید، آن را با استفاده از مدل آمازون Titan Multimodal Embeddings به جاسازی تبدیل کنید، و جستجوی k-NN را برای دریافت نتایج جستجوی مرتبط انجام دهید.
ما از SageMaker Studio (در نمودار نشان داده نشده است) به عنوان IDE برای توسعه راه حل استفاده می کنیم.
این مراحل در بخش های بعدی به تفصیل مورد بحث قرار گرفته است. ما همچنین تصاویر و جزئیات خروجی را درج می کنیم.
پیش نیازها
برای پیاده سازی راه حل ارائه شده در این پست، باید موارد زیر را داشته باشید:
- An حساب AWS و آشنایی با FMs، Amazon Bedrock، آمازون SageMakerو OpenSearch Service.
- مدل آمازون Titan Multimodal Embeddings در Amazon Bedrock فعال شد. می توانید تأیید کنید که فعال است دسترسی مدل صفحه کنسول بستر آمازون. اگر Amazon Titan Multimodal Embeddings فعال باشد، وضعیت دسترسی به این صورت نشان داده می شود دسترسی به داده، همانطور که در تصویر زیر نشان داده شده است.
اگر مدل در دسترس نیست، با انتخاب، دسترسی به مدل را فعال کنید دسترسی مدل را مدیریت کنید، انتخاب کنید آمازون Titan Multimodal Embeddings G1، و انتخاب درخواست دسترسی مدل. این مدل بلافاصله برای استفاده فعال می شود.
راه حل را تنظیم کنید
وقتی مراحل پیشنیاز کامل شد، آماده راهاندازی راهحل هستید:
- در حساب AWS خود، کنسول SageMaker را باز کرده و انتخاب کنید استودیو در صفحه ناوبری
- دامنه و نمایه کاربری خود را انتخاب کنید، سپس انتخاب کنید استودیو باز.
دامنه و نام پروفایل کاربری شما ممکن است متفاوت باشد.
- را انتخاب کنید ترمینال سیستم زیر ابزارها و فایل ها.
- دستور زیر را برای کلون کردن اجرا کنید GitHub repo به نمونه SageMaker Studio:
- حرکت به
multimodal/Titan/titan-multimodal-embeddings/amazon-bedrock-multimodal-oss-searchengine-e2e
پوشه. - باز کردن
titan_mm_embed_search_blog.ipynb
نوت بوک.
راه حل را اجرا کنید
باز کردن فایل titan_mm_embed_search_blog.ipynb
و از Data Science Python 3 هسته استفاده کنید. در دویدن منو ، انتخاب کنید اجرای همه سلول ها برای اجرای کد در این نوت بوک.
این نوت بوک مراحل زیر را انجام می دهد:
- بسته ها و کتابخانه های مورد نیاز برای این راه حل را نصب کنید.
- در دسترس عموم را بارگیری کنید مجموعه داده های اشیاء آمازون برکلی و ابرداده در چارچوب داده پانداها.
مجموعه داده مجموعه ای از 147,702 فهرست محصول با فراداده چند زبانه و 398,212 تصویر کاتالوگ منحصر به فرد است. برای این پست، شما فقط از تصاویر و نام اقلام به زبان انگلیسی ایالات متحده استفاده می کنید. شما تقریباً از 1,600 محصول استفاده می کنید.
- ایجاد جاسازی برای تصاویر مورد با استفاده از مدل آمازون Titan Multimodal Embeddings با استفاده از
get_titan_multomodal_embedding()
تابع. به منظور انتزاع، ما تمام توابع مهم مورد استفاده در این نوت بوک را در قسمت تعریف کرده ایمutils.py
فایل.
در مرحله بعد، یک فروشگاه برداری بدون سرور آمازون OpenSearch (مجموعه و فهرست) ایجاد و راه اندازی می کنید.
- قبل از ایجاد مجموعه و فهرست جستجوی برداری جدید، ابتدا باید سه خط مشی سرویس OpenSearch مرتبط ایجاد کنید: خط مشی امنیتی رمزگذاری، خط مشی امنیت شبکه و خط مشی دسترسی به داده.
- در نهایت، تصویر جاسازی شده در نمایه برداری را وارد کنید.
اکنون می توانید یک جستجوی چندوجهی در زمان واقعی انجام دهید.
جستجوی متنی را اجرا کنید
در این بخش، نتایج جستجوی متنی را بر اساس پرس و جوی متن یا تصویر نشان می دهیم.
ابتدا بیایید جستجوی تصویر را بر اساس ورودی متن انجام دهیم. در مثال زیر، از ورودی متنی “Drinkware glass” استفاده کرده و آن را برای یافتن موارد مشابه به موتور جستجو ارسال می کنیم.
تصویر زیر نتایج را نشان می دهد.
حالا بیایید بر اساس یک تصویر ساده به نتایج نگاه کنیم. تصویر ورودی به جاسازیهای برداری تبدیل میشود و بر اساس جستجوی شباهت، مدل نتیجه را برمیگرداند.
شما می توانید از هر تصویری استفاده کنید، اما برای مثال زیر، ما از یک تصویر تصادفی از مجموعه داده بر اساس شناسه مورد استفاده می کنیم (به عنوان مثال، item_id
= "B07JCDQWM6")، و سپس این تصویر را برای یافتن موارد مشابه به موتور جستجو ارسال کنید.
تصویر زیر نتایج را نشان می دهد.
پاک کردن
برای جلوگیری از تحمیل هزینه در آینده، منابع استفاده شده در این راه حل را حذف کنید. می توانید این کار را با اجرای بخش پاکسازی نوت بوک انجام دهید.
نتیجه
این پست مروری بر استفاده از مدل آمازون Titan Multimodal Embeddings در Amazon Bedrock برای ساخت برنامه های جستجوی متنی قدرتمند ارائه می دهد. به طور خاص، نمونهای از یک برنامه جستجوی فهرست محصولات را نشان دادیم. دیدیم که چگونه مدل تعبیهها کشف کارآمد و دقیق اطلاعات از تصاویر و دادههای متنی را امکانپذیر میسازد و در نتیجه تجربه کاربر را در حین جستجوی موارد مرتبط افزایش میدهد.
آمازون Titan Multimodal Embeddings به شما کمک میکند تا تجربههای جستجو، توصیه و شخصیسازی چندوجهی دقیقتر و مرتبطتر را برای کاربران نهایی ایجاد کنید. به عنوان مثال، یک شرکت عکاسی سهام با صدها میلیون تصویر می تواند از این مدل برای تقویت قابلیت جستجوی خود استفاده کند، بنابراین کاربران می توانند با استفاده از یک عبارت، تصویر یا ترکیبی از تصویر و متن، تصاویر را جستجو کنند.
مدل آمازون Titan Multimodal Embeddings در Amazon Bedrock اکنون در مناطق AWS شرق ایالات متحده (شمال ویرجینیا) و غرب ایالات متحده (اورگان) موجود است. برای کسب اطلاعات بیشتر به ادامه مطلب مراجعه نمایید آمازون Titan Image Generator، Multimodal Embeddings، و مدل های Text اکنون در Amazon Bedrock در دسترس هستنداز صفحه محصول آمازون تایتان، و راهنمای کاربری Amazon Bedrock. برای شروع کار با آمازون Titan Multimodal Embeddings در Amazon Bedrock، به سایت مراجعه کنید کنسول بستر آمازون.
شروع به ساخت با مدل آمازون Titan Multimodal Embeddings در بستر آمازون امروز.
درباره نویسنده
ساندیپ سینگ یک دانشمند ارشد داده های هوش مصنوعی در خدمات وب آمازون است که به کسب و کارها کمک می کند تا با هوش مصنوعی مولد نوآوری کنند. او در زمینه هوش مصنوعی، هوش مصنوعی، یادگیری ماشین و طراحی سیستم تخصص دارد. او مشتاق توسعه راهحلهای پیشرفته AI/ML برای حل مشکلات پیچیده تجاری برای صنایع مختلف، بهینهسازی کارایی و مقیاسپذیری است.
مانی خانوجه پیشرو در فناوری - متخصصان هوش مصنوعی مولد، نویسنده کتاب یادگیری ماشین کاربردی و محاسبات با عملکرد بالا در AWS، و عضو هیئت مدیره بنیاد آموزش زنان در تولید است. او پروژه های یادگیری ماشینی را در حوزه های مختلف مانند بینایی کامپیوتر، پردازش زبان طبیعی و هوش مصنوعی مولد رهبری می کند. او در کنفرانسهای داخلی و خارجی مانند AWS re:Invent، Women in Manufacturing West، وبینارهای YouTube و GHC 23 صحبت میکند. او در اوقات فراغت خود دوست دارد برای دویدن طولانی در کنار ساحل برود.
روپیند گروال یک معمار ارشد راه حل های تخصصی AI/ML با AWS است. او در حال حاضر روی ارائه مدل ها و MLO ها در Amazon SageMaker تمرکز دارد. قبل از این نقش، او به عنوان مهندس یادگیری ماشین در ساختمان و مدل های میزبانی کار می کرد. خارج از محل کار، او از بازی تنیس و دوچرخه سواری در مسیرهای کوهستانی لذت می برد.
- 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/build-a-contextual-text-and-image-search-engine-for-product-recommendations-using-amazon-bedrock-and-amazon-opensearch-serverless/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 100
- 125
- 212
- 23
- 258
- 411
- 600
- 7
- 89
- a
- توانایی
- درباره ما
- انتزاع - مفهوم - برداشت
- دسترسی
- قابل دسترسی است
- حساب
- دقیق
- در میان
- اضافی
- مزیت - فایده - سود - منفعت
- AI
- داده های هوش مصنوعی
- AI / ML
- معرفی
- در امتداد
- همچنین
- آمازون
- آمازون SageMaker
- آمازون خدمات وب
- an
- و
- زاویه
- هر
- کاربرد
- برنامه های کاربردی
- اعمال می شود
- رویکردها
- تقریبا
- معماری
- هستند
- مصنوعی
- هوش مصنوعی
- AS
- مرتبط است
- At
- توجه
- سمعی
- افزوده شده
- نویسنده
- در دسترس
- اجتناب از
- AWS
- AWS دوباره: اختراع
- مستقر
- BE
- ساحل
- برکلی
- میان
- تخته
- هيئت مدیره
- کتاب
- ساختن
- بنا
- کسب و کار
- کسب و کار
- اما
- by
- CAN
- نوشتن شرح تصاویر و
- ضبط
- بار
- انتخاب
- را انتخاب کنید
- انتخاب
- طبقه بندی
- نزدیک
- CNN
- رمز
- مجموعه
- ترکیب
- ترکیب شده
- مشترک
- شرکت
- مقایسه
- کامل
- تکمیل شده
- پیچیده
- اجزاء
- کامپیوتر
- چشم انداز کامپیوتر
- محاسبه
- مفهومی
- همایش ها
- پیکر بندی
- تکرار
- تشکیل شده است
- کنسول
- مصرف کنندگان
- محتوا
- متنی
- تبدیل
- مبدل
- همبستگی
- متناظر
- ایجاد
- ایجاد شده
- در حال حاضر
- مشتریان
- سفارشی
- داده ها
- دسترسی به داده ها
- علم اطلاعات
- دانشمند داده
- پایگاه داده
- مجموعه داده ها
- به طور پیش فرض
- مشخص
- نشان
- نشان می دهد
- استقرار
- شرح
- طرح
- طراحی
- جزئیات
- جزئیات
- توسعه
- در حال توسعه
- پروژه
- نمودار
- مختلف
- ابعاد
- مدیران
- کشف
- بحث کردیم
- نمایش دادن
- مختلف
- do
- دامنه
- حوزه
- در طی
- هر
- شرق
- تجارت الکترونیک
- آموزش
- بهره وری
- موثر
- جاسازی کردن
- تعبیه کردن
- قادر ساختن
- فعال
- را قادر می سازد
- رمزگذاری
- موتور
- مهندس
- موتورهای حرفه ای
- انگلیسی
- بالا بردن
- افزایش می یابد
- افزایش
- محیط
- کاملا
- مثال
- تجربه
- تجارب
- نمایی
- خارجی
- آشنایی
- امکانات
- پرونده
- پیدا کردن
- نام خانوادگی
- تمرکز
- پیروی
- برای
- پایه
- FRAME
- رایگان
- از جانب
- تابع
- قابلیت
- توابع
- بیشتر
- ادغام
- آینده
- تولید می کنند
- تولید
- تولید می کند
- نسل
- مولد
- هوش مصنوعی مولد
- ژنراتور
- دریافت کنید
- می شود
- Go
- هدف
- خوب
- آیا
- he
- کمک
- کمک
- کمک می کند
- او
- زیاد
- در سطح بالا
- بالاتر
- میزبانی وب
- چگونه
- چگونه
- HTML
- HTTP
- HTTPS
- بزرگ
- صدها نفر
- صدها میلیون
- ID
- if
- نشان می دهد
- تصویر
- جستجوی تصویر
- تصاویر
- بلافاصله
- انجام
- پیاده سازی
- مهم
- بهبود
- in
- شامل
- شامل
- شاخص
- فهرستها
- فرد
- لوازم
- اطلاعات
- نوآوری
- ورودی
- نمونه
- یکپارچه
- اطلاعات
- اثر متقابل
- فعل و انفعالات
- داخلی
- به
- IT
- اقلام
- ITS
- مشترک
- JPEG
- کلید
- زبان
- بزرگ
- در مقیاس بزرگ
- لایه
- رهبری
- منجر می شود
- یاد گرفتن
- یادگیری
- می آموزد
- کتابخانه ها
- پسندیدن
- دوست دارد
- فهرست
- لیست
- LLM
- طولانی
- نگاه کنيد
- به دنبال
- دستگاه
- فراگیری ماشین
- ساخته
- باعث می شود
- تولید
- کبریت
- ممکن است..
- معنی دار
- اندازه
- معیارهای
- مکانیسم
- عضو
- فهرست
- متاداده
- متری
- میلیون ها نفر
- ML
- MLO ها
- مدل
- مدل سازی
- مدل
- بیش
- کوه
- باید
- نام
- نام
- طبیعی
- پردازش زبان طبیعی
- جهت یابی
- همسایه ها
- شبکه
- امنیت شبکه
- عصبی
- شبکه های عصبی
- جدید
- دفتر یادداشت
- اکنون
- عدد
- اشیاء
- of
- on
- بر روی تقاضا
- فقط
- باز کن
- عملیات
- بهینه سازی
- بهینه سازی
- or
- اورگان
- ما
- تولید
- خارج از
- به طور کلی
- مروری
- بسته
- جفت
- پانداها
- قطعه
- ویژه
- بخش
- احساساتی
- انجام
- کارایی
- انجام می دهد
- شخصی
- فاز
- عکاسی
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- سیاست
- سیاست
- ادغام
- پست
- قدرت
- صفحه اصلی
- قوی
- آماده
- آماده
- پیش نیاز
- ارائه شده
- قبلا
- مشکلات
- روند
- در حال پردازش
- محصول
- محصولات
- مشخصات
- پروژه
- پروژه ها
- نمونه اولیه
- ارائه
- ارائه
- فراهم می کند
- عمومی
- عمومی
- پــایتــون
- نمایش ها
- پرس و جو
- پارچه
- تصادفی
- RE
- اماده
- زمان واقعی
- توصیه
- توصیه
- توصیه
- مراجعه
- مناطق
- مربوط
- نشان دادن
- نمایندگی
- ضروری
- منابع
- قابل احترام
- نتیجه
- نتایج
- خرده فروشی
- بازیابی
- عودت
- بازده
- طلوع
- نقش
- دویدن
- در حال اجرا
- اجرا می شود
- حکیم ساز
- دلیل
- همان
- دید
- مقیاس پذیری
- علم
- دانشمند
- تصاویر
- جستجو
- موتور جستجو
- موتورهای جستجو
- جستجو
- بخش
- بخش
- تیم امنیت لاتاری
- انتخاب
- معنایی
- معنایی
- ارسال
- ارشد
- جداگانه
- بدون سرور
- خدمت
- سرویس
- خدمات
- خدمت
- تنظیم
- به اشتراک گذاشته شده
- او
- باید
- نشان
- نشان داده شده
- نشان می دهد
- مشابه
- ساده
- کوچکتر
- So
- راه حل
- مزایا
- حل
- برخی از
- فضا
- صحبت می کند
- متخصص
- متخصصان
- تخصص دارد
- خاص
- سرعت
- آغاز شده
- وضعیت هنر
- وضعیت
- مراحل
- موجودی
- ذخیره سازی
- opbevare
- ذخیره شده
- ذخیره سازی
- ساده
- استودیو
- چنین
- پشتیبانی از
- سیستم
- سیستم های
- وظایف
- فن آوری
- تنیس
- متن
- متن
- که
- La
- مفصل
- شان
- آنها
- سپس
- در نتیجه
- اینها
- این
- سه
- از طریق
- زمان
- تیتان
- به
- امروز
- با هم
- بالا
- آموزش
- ترجمه
- دو
- زیر
- اساسی
- فهمیدن
- درک
- منحصر به فرد
- us
- استفاده کنید
- استفاده
- کاربر
- سابقه کاربر
- کاربران
- استفاده
- با استفاده از
- مختلف
- از طريق
- ویرجینیا
- دید
- بازدید
- خرید
- we
- وب
- خدمات وب
- Webinars
- غرب
- چی
- چه زمانی
- که
- در حین
- ویکیپدیا
- اراده
- با
- زنان
- مهاجرت کاری
- مشغول به کار
- گردش کار
- با این نسخهها کار
- شما
- شما
- یوتیوب
- زفیرنت