فناوری هوش مصنوعی مولد به سرعت در حال پیشرفت است و اکنون امکان تولید متن و تصاویر بر اساس ورودی متن وجود دارد. انتشار پایدار یک مدل متن به تصویر است که شما را قادر می سازد تا برنامه های کاربردی فوتورئالیستی ایجاد کنید. با استفاده از مدلهای Stable Diffusion میتوانید به راحتی تصاویر را از متن تولید کنید Amazon SageMaker JumpStart.
در زیر نمونه هایی از متون ورودی و تصاویر خروجی مربوطه تولید شده توسط Stable Diffusion آورده شده است. ورودیها عبارتند از: «بوکسوری که روی میز میرقصد»، «خانمی در ساحل با لباس شنا، سبک آبرنگ» و «سگ با کت و شلوار».
اگرچه راه حل های مولد هوش مصنوعی قدرتمند و مفید هستند، اما می توانند در برابر دستکاری و سوء استفاده نیز آسیب پذیر باشند. مشتریانی که از آنها برای تولید تصویر استفاده میکنند باید تعدیل محتوا را برای محافظت از کاربران، پلتفرم و نام تجاری خود با اجرای شیوههای تعدیل قوی برای ایجاد یک تجربه کاربری ایمن و مثبت و در عین حال محافظت از پلتفرم و شهرت برند خود در اولویت قرار دهند.
در این پست، استفاده از خدمات هوش مصنوعی AWS را بررسی می کنیم شناسایی آمازون و درک آمازون، همراه با سایر تکنیک ها، برای تعدیل موثر محتوای تولید شده توسط مدل انتشار پایدار در زمان تقریباً واقعی. برای یادگیری نحوه راهاندازی و تولید تصاویر از متن با استفاده از مدل انتشار پایدار در AWS، مراجعه کنید تصاویر را از متن با مدل انتشار پایدار در Amazon SageMaker JumpStart ایجاد کنید.
بررسی اجمالی راه حل
Amazon Rekognition و Amazon Comprehend خدمات هوش مصنوعی مدیریت شده ای هستند که مدل های ML از پیش آموزش دیده و قابل تنظیم را از طریق رابط API ارائه می کنند و نیاز به تخصص یادگیری ماشین (ML) را از بین می برند. Amazon Rekognition Content Moderation، نظارت تصویر و ویدیو را خودکار و ساده می کند. Amazon Comprehend از ML برای تجزیه و تحلیل متن و کشف بینش ها و روابط ارزشمند استفاده می کند.
مرجع زیر ایجاد یک API پراکسی RESTful برای تعدیل تصاویر تولید شده توسط مدل متن به تصویر با ثبات پایدار در زمان واقعی را نشان می دهد. در این راه حل، ما یک مدل Stable Diffusion (پایه v2-1) را با استفاده از JumpStart راه اندازی و مستقر کردیم. این راه حل از دستورات منفی و راه حل های تعدیل متن مانند Amazon Comprehend و فیلتر مبتنی بر قانون برای تعدیل درخواست های ورودی استفاده می کند. همچنین از آمازون Rekognition برای تعدیل تصاویر تولید شده استفاده می کند. در صورت شناسایی اطلاعات ناامن، API RESTful تصویر تولید شده و هشدارهای مربوط به تعدیل را به مشتری برمی گرداند.
مراحل در گردش کار به شرح زیر است:
- کاربر یک درخواست برای تولید یک تصویر ارسال می کند.
- An AWS لامبدا تابع تولید و تعدیل تصویر را با استفاده از Amazon Comprehend، JumpStart و Amazon Rekognition هماهنگ می کند:
- یک شرط مبتنی بر قانون را برای اعلانهای ورودی در توابع Lambda اعمال کنید و تعدیل محتوا را با تشخیص کلمه ممنوع اعمال کنید.
- از طبقهبندیکننده سفارشی Amazon Comprehend برای تجزیه و تحلیل متن درخواستی برای طبقهبندی سمیت استفاده کنید.
- اعلان را از طریق نقطه پایانی SageMaker به مدل Stable Diffusion ارسال کنید، و هم دستورات را به عنوان ورودی کاربر و هم پیام های منفی را از یک لیست از پیش تعریف شده ارسال کنید.
- بایت های تصویری را که از نقطه پایانی SageMaker بازگردانده شده است به آمازون Rekognition ارسال کنید
DetectModerationLabel
API برای تعدیل تصویر. - اگر مراحل قبلی اطلاعات نامناسبی را در تصویر اعلان یا تولیدی شناسایی کرد، یک پیام پاسخ ایجاد کنید که شامل بایتهای تصویر و هشدار میشود.
- پاسخ را برای مشتری ارسال کنید.
تصویر زیر یک برنامه نمونه را نشان می دهد که با استفاده از معماری توصیف شده ساخته شده است. رابط کاربری وب درخواستهای ورودی کاربر را به API پراکسی RESTful ارسال میکند و تصویر و هرگونه هشدار تعدیل دریافت شده در پاسخ را نمایش میدهد. اگر برنامه آزمایشی تصویر واقعی تولید شده را محو می کند، اگر حاوی محتوای ناامن باشد. ما برنامه را با اعلان نمونه "یک خانم سکسی" آزمایش کردیم.
میتوانید منطق پیچیدهتری را برای تجربه کاربری بهتر پیادهسازی کنید، مانند رد درخواست در صورتی که درخواستها حاوی اطلاعات ناامن باشند. علاوه بر این، اگر درخواست امن است، اما خروجی ناامن است، میتوانید یک خطمشی امتحان مجدد برای ایجاد مجدد تصویر داشته باشید.
فهرستی از پیام های منفی را از قبل تعریف کنید
Stable Diffusion از اعلانهای منفی پشتیبانی میکند، که به شما امکان میدهد اعلانهایی را مشخص کنید که در طول تولید تصویر از آنها اجتناب کنید. ایجاد یک لیست از پیش تعریف شده از پیام های منفی یک رویکرد عملی و پیشگیرانه برای جلوگیری از تولید تصاویر ناامن مدل است. با اضافه کردن اعلانهایی مانند «برهنه»، «سکسی»، و «برهنگی»، که به تصاویر نامناسب یا توهینآمیز منجر میشوند، مدل میتواند آنها را شناسایی کرده و از آنها اجتناب کند و خطر تولید محتوای ناامن را کاهش دهد.
هنگام فراخوانی نقطه پایانی SageMaker برای اجرای استنتاج مدل Stable Diffusion، پیادهسازی را میتوان در تابع Lambda مدیریت کرد، و هم اعلانهای ورودی کاربر و هم پیامهای منفی را از یک لیست از پیش تعریفشده ارسال میکند.
اگرچه این رویکرد مؤثر است، اما میتواند بر نتایج تولید شده توسط مدل انتشار پایدار تأثیر بگذارد و عملکرد آن را محدود کند. مهم است که آن را به عنوان یکی از تکنیک های تعدیل، همراه با رویکردهای دیگر مانند تعدیل متن و تصویر با استفاده از Amazon Comprehend و Amazon Rekognition در نظر بگیرید.
درخواستهای ورودی متوسط
یک رویکرد رایج برای تعدیل متن استفاده از روش جستجوی کلمه کلیدی مبتنی بر قانون برای تشخیص اینکه آیا متن ورودی حاوی کلمات یا عبارات ممنوعه از یک لیست از پیش تعریف شده است یا خیر. اجرای این روش نسبتاً آسان است، با کمترین تأثیر عملکرد و هزینه کمتر. با این حال، اشکال عمده این روش این است که تنها به شناسایی کلمات موجود در لیست از پیش تعریف شده محدود می شود و نمی تواند تغییرات جدید یا تغییر یافته کلمات ممنوعه موجود در لیست را شناسایی کند. کاربران همچنین می توانند با استفاده از املای جایگزین یا نویسه های ویژه برای جایگزینی حروف، سعی کنند قوانین را دور بزنند.
برای رسیدگی به محدودیتهای تعدیل متن مبتنی بر قانون، بسیاری از راهحلها یک رویکرد ترکیبی را اتخاذ کردهاند که جستجوی کلیدواژه مبتنی بر قانون را با تشخیص سمیت مبتنی بر ML ترکیب میکند. ترکیبی از هر دو رویکرد به یک راه حل تعدیل متن جامع تر و مؤثرتر اجازه می دهد که قادر به تشخیص طیف وسیع تری از محتوای نامناسب و بهبود دقت نتایج تعدیل باشد.
در این راه حل از an طبقه بندی کننده سفارشی آمازون Comprehend برای آموزش یک مدل تشخیص سمیت، که از آن برای شناسایی محتوای بالقوه مضر در درخواستهای ورودی در مواردی که هیچ کلمه ممنوعه صریحی شناسایی نشده است، استفاده میکنیم. با قدرت یادگیری ماشینی، میتوانیم به مدل آموزش دهیم تا الگوهایی را در متن تشخیص دهد که ممکن است سمیت را نشان دهد، حتی زمانی که چنین الگوهایی با رویکرد مبتنی بر قانون به راحتی قابل تشخیص نیستند.
با آمازون Comprehend به عنوان یک سرویس هوش مصنوعی مدیریت شده، آموزش و استنتاج ساده شده است. شما می توانید به راحتی طبقه بندی سفارشی آمازون Comprehend را تنها با دو مرحله آموزش و اجرا کنید. ما را بررسی کنید آزمایشگاه کارگاهی برای اطلاعات بیشتر در مورد مدل تشخیص سمیت با استفاده از طبقهبندیکننده سفارشی Amazon Comprehend. این آزمایشگاه یک راهنمای گام به گام برای ایجاد و ادغام یک طبقهبندی سمیت سفارشی در برنامه شما ارائه میکند. نمودار زیر این معماری راه حل را نشان می دهد.
این طبقهبندیکننده نمونه از مجموعه دادههای آموزشی رسانههای اجتماعی استفاده میکند و طبقهبندی باینری را انجام میدهد. با این حال، اگر نیازهای خاص تری برای نیازهای تعدیل متن خود دارید، برای آموزش طبقه بندی کننده سفارشی آمازون Comprehend خود از مجموعه داده مناسب تری استفاده کنید.
تصاویر خروجی متوسط
اگرچه تعدیل اعلانهای متنی ورودی مهم است، اما تضمین نمیکند که تمام تصاویر تولید شده توسط مدل انتشار پایدار برای مخاطب مورد نظر ایمن باشند، زیرا خروجیهای مدل میتوانند دارای سطح مشخصی از تصادفی باشند. بنابراین، تعدیل تصاویر تولید شده توسط مدل انتشار پایدار به همان اندازه مهم است.
در این راه حل از تعدیل محتوای شناسایی آمازون، که از مدل های ML از پیش آموزش دیده برای تشخیص محتوای نامناسب در تصاویر و ویدیوها استفاده می کند. در این راه حل از Amazon Rekognition DetectModerationLabel API برای تعدیل تصاویر تولید شده توسط مدل Stable Diffusion در زمان تقریباً واقعی. Amazon Rekognition Content Moderation API های از پیش آموزش دیده ای را برای تجزیه و تحلیل طیف گسترده ای از محتوای نامناسب یا توهین آمیز مانند خشونت، برهنگی، نمادهای نفرت و غیره ارائه می دهد. برای یک لیست جامع از طبقه بندی های تعدیل محتوای شناسایی آمازون، به مراجعه کنید تعدیل محتوا.
کد زیر نحوه فراخوانی آمازون Rekognition را نشان می دهد DetectModerationLabel
API برای تعدیل تصاویر در یک تابع Lambda با استفاده از کتابخانه Python Boto3. این تابع بایت های تصویری را که از SageMaker برگردانده شده است می گیرد و برای تعدیل به Image Moderation API می فرستد.
برای مثالهای بیشتر از API تعدیل تصویر شناسایی آمازون، به ما مراجعه کنید آزمایشگاه تصویر تعدیل محتوا.
تکنیک های موثر تعدیل تصویر برای مدل های تنظیم دقیق
تنظیم دقیق یک تکنیک رایج است که برای تطبیق مدل های از پیش آموزش دیده با وظایف خاص استفاده می شود. در مورد Stable Diffusion، می توان از تنظیم دقیق برای تولید تصاویری استفاده کرد که اشیاء، سبک ها و کاراکترهای خاصی را در خود جای داده است. تعدیل محتوا هنگام آموزش یک مدل انتشار پایدار برای جلوگیری از ایجاد تصاویر نامناسب یا توهین آمیز بسیار مهم است. این شامل بررسی دقیق و فیلتر کردن هر داده ای است که می تواند منجر به تولید چنین تصاویری شود. با انجام این کار، مدل از طیف متنوع و نمایندهای از نقاط داده یاد میگیرد و دقت آن را بهبود میبخشد و از انتشار محتوای مضر جلوگیری میکند.
JumpStart تنظیم دقیق مدل انتشار پایدار را با ارائه اسکریپت های یادگیری انتقال با استفاده از Dream Booth روش. شما فقط باید داده های آموزشی خود را آماده کنید، فراپارامترها را تعریف کنید و کار آموزشی را شروع کنید. برای جزئیات بیشتر مراجعه کنید تنظیم دقیق مدلهای انتشار پایدار متن به تصویر با Amazon SageMaker JumpStart.
مجموعه داده برای تنظیم دقیق باید یک واحد باشد سرویس ذخیره سازی ساده آمازون دایرکتوری (Amazon S3) شامل تصاویر و فایل پیکربندی نمونه شما dataset_info.json
، همانطور که در کد زیر نشان داده شده است. فایل JSON تصاویر را با اعلان نمونه مرتبط می کند: {'instance_prompt':<<instance_prompt>>}
.
بدیهی است که میتوانید تصاویر را بهصورت دستی بررسی و فیلتر کنید، اما زمانی که این کار را در مقیاس بزرگ در بسیاری از پروژهها و تیمها انجام میدهید، میتواند زمانبر و حتی غیرعملی باشد. در چنین مواردی، میتوانید یک فرآیند دستهای را خودکار کنید تا به طور متمرکز تمام تصاویر را در برابر تشخیص آمازون بررسی کنید. DetectModerationLabel
API و به طور خودکار تصاویر را پرچم گذاری یا حذف کنید تا آموزش شما را آلوده نکنند.
تعدیل تاخیر و هزینه
در این راه حل از الگوی ترتیبی برای تعدیل متن و تصاویر استفاده می شود. یک تابع مبتنی بر قاعده و Amazon Comprehend برای تعدیل متن فراخوانی میشوند، و Amazon Rekognition برای تعدیل تصویر، قبل و بعد از فراخوانی Stable Diffusion استفاده میشود. اگرچه این رویکرد به طور موثر اعلانهای ورودی و تصاویر خروجی را تعدیل میکند، ممکن است هزینه کلی و تأخیر راهحل را افزایش دهد، که باید در نظر گرفت.
تاخیر
هم Amazon Rekognition و هم Amazon Comprehend API های مدیریت شده ای را ارائه می دهند که بسیار در دسترس هستند و مقیاس پذیری داخلی دارند. علیرغم تغییرات احتمالی تأخیر به دلیل اندازه ورودی و سرعت شبکه، APIهای استفاده شده در این راه حل از هر دو سرویس استنتاج تقریباً در زمان واقعی را ارائه می دهند. نقاط پایانی طبقهبندیکننده سفارشی Amazon Comprehend میتوانند سرعتی کمتر از 200 میلیثانیه برای اندازههای متن ورودی کمتر از 100 کاراکتر ارائه دهند، در حالی که Amazon Rekognition Image Moderation API تقریباً 500 میلیثانیه برای اندازههای متوسط فایل کمتر از 1 مگابایت ارائه میکند. (نتایج بر اساس آزمایش انجام شده با استفاده از برنامه نمونه است که به عنوان یک نیاز زمان واقعی واجد شرایط است.)
در مجموع، تماس های API تعدیل به Amazon Rekognition و Amazon Comprehend تا 700 میلی ثانیه به تماس API اضافه می کنند. توجه به این نکته مهم است که درخواست Stable Diffusion بسته به پیچیدگی دستورات و قابلیت زیرساخت زیربنایی معمولاً بیشتر طول می کشد. در حساب آزمایشی، با استفاده از نوع نمونه ml.p3.2xlarge، میانگین زمان پاسخ برای مدل انتشار پایدار از طریق نقطه پایانی SageMaker حدود 15 ثانیه بود. بنابراین، تأخیر معرفی شده توسط تعدیل تقریباً 5٪ از زمان پاسخ کلی است، که باعث می شود تأثیر حداقلی بر عملکرد کلی سیستم داشته باشد.
هزینه
آمازون Rekognition Image Moderation API از یک مدل پرداخت بر اساس تعداد درخواست ها استفاده می کند. هزینه بسته به منطقه AWS مورد استفاده متفاوت است و از یک ساختار قیمت گذاری ردیفی پیروی می کند. با افزایش حجم درخواست ها، هزینه هر درخواست کاهش می یابد. برای اطلاعات بیشتر مراجعه کنید قیمت گذاری آمازون Rekognition.
در این راه حل، ما از یک طبقه بندی کننده سفارشی آمازون Comprehend استفاده کردیم و آن را به عنوان یک نقطه پایانی Amazon Comprehend برای تسهیل استنتاج بلادرنگ به کار بردیم. این پیاده سازی هم هزینه آموزش یکباره و هم هزینه استنتاج مستمر را به همراه دارد. برای اطلاعات دقیق مراجعه کنید قیمت گذاری جامع آمازون.
Jumpstart شما را قادر می سازد تا به سرعت مدل Stable Diffusion را به عنوان یک بسته واحد راه اندازی و اجرا کنید. اجرای استنباط بر روی مدل انتشار پایدار هزینه هایی را برای زیربنا به همراه خواهد داشت ابر محاسبه الاستیک آمازون نمونه (Amazon EC2) و همچنین انتقال داده های ورودی و خروجی. برای اطلاعات دقیق مراجعه کنید قیمت گذاری آمازون SageMaker.
خلاصه
در این پست، یک نمای کلی از یک نمونه راه حل ارائه کردیم که نحوه تعدیل اعلان های ورودی انتشار پایدار و تصاویر خروجی را با استفاده از Amazon Comprehend و Amazon Rekognition نشان می دهد. علاوه بر این، می توانید برای جلوگیری از تولید محتوای ناامن، پیام های منفی را در Stable Diffusion تعریف کنید. با اجرای چندین لایه تعدیل، می توان خطر تولید محتوای ناامن را تا حد زیادی کاهش داد و تجربه کاربری ایمن تر و قابل اطمینان تر را تضمین کرد.
اطلاعات بیشتر در مورد تعدیل محتوا در AWS و ما تعدیل محتوا موارد استفاده MLو اولین گام را برای ساده سازی عملیات تعدیل محتوای خود با AWS بردارید.
درباره نویسنده
لانا ژانگ یک معمار ارشد راه حل در تیم خدمات هوش مصنوعی AWS WWSO است که در AI و ML برای تعدیل محتوا، بینایی کامپیوتر و پردازش زبان طبیعی تخصص دارد. او با تخصص خود به ترویج راه حل های AWS AI/ML و کمک به مشتریان در تغییر راه حل های تجاری خود در صنایع مختلف، از جمله رسانه های اجتماعی، بازی، تجارت الکترونیک، و تبلیغات و بازاریابی اختصاص دارد.
جیمز وو یک معمار ارشد راه حل متخصص AI/ML در AWS است. کمک به مشتریان در طراحی و ساخت راه حل های AI/ML. کار جیمز طیف گستردهای از موارد استفاده از ML را پوشش میدهد، با علاقه اولیه به بینایی رایانه، یادگیری عمیق، و مقیاسبندی ML در سراسر سازمان. قبل از پیوستن به AWS، جیمز بیش از 10 سال معمار، توسعهدهنده و رهبر فناوری بود، از جمله 6 سال در مهندسی و 4 سال در صنایع بازاریابی و تبلیغات.
کوین کارلسون یک متخصص اصلی AI/ML با تمرکز بر روی Computer Vision در AWS است، جایی که او توسعه کسب و کار و GTM را برای شناسایی آمازون هدایت می کند. قبل از پیوستن به AWS، او در شرکت مهندسی Fortune 500 AECOM، با تمرکز بر هوش مصنوعی و یادگیری ماشین برای طراحی مولد و ارزیابی زیرساخت، تحول دیجیتال را در سطح جهانی رهبری کرد. او در شیکاگو مستقر است، جایی که خارج از محل کار از اوقات فراغت با خانواده اش لذت می برد و علاقه زیادی به پرواز با هواپیما و مربیگری بیسبال جوانان دارد.
جان روس یک متخصص ارشد AI/ML در AWS است، جایی که او توسعه تجارت جهانی برای خدمات هوش مصنوعی متمرکز بر موارد استفاده از تعدیل محتوا و انطباق را رهبری می کند. قبل از پیوستن به AWS، او در سطح ارشد توسعه کسب و کار و نقش های رهبری با شرکت های فناوری پیشرفته ایفای نقش کرده است. جان در تلاش است تا یادگیری ماشین را در دست هر توسعهدهندهای با پشته AWS AI/ML قرار دهد. ایده های کوچک تاثیر کمی دارند. هدف جان برای مشتریان این است که آنها را با ایدهها و فرصتهای بزرگی که درها را باز میکند، توانمند کند تا بتوانند تأثیر زیادی روی مشتری خود بگذارند.
- 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. خودرو / خودروهای الکتریکی، کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- BlockOffsets. نوسازی مالکیت افست زیست محیطی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/safe-image-generation-and-diffusion-models-with-amazon-ai-content-moderation-services/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 10
- 100
- ٪۱۰۰
- 200
- 49
- 500
- 7
- 8
- a
- درباره ما
- سو استفاده کردن
- حساب
- دقت
- در میان
- واقعی
- وفق دادن
- اضافه کردن
- اضافی
- علاوه بر این
- نشانی
- به تصویب رسید
- تبلیغات
- پس از
- در برابر
- AI
- خدمات هوش مصنوعی
- AI / ML
- هواپیما
- معرفی
- اجازه می دهد تا
- در امتداد
- همچنین
- جایگزین
- هر چند
- آمازون
- درک آمازون
- آمازون EC2
- شناسایی آمازون
- آمازون SageMaker
- آمازون خدمات وب
- an
- تحلیل
- و
- و زیرساخت
- هر
- API
- رابط های برنامه کاربردی
- نرم افزار
- کاربرد
- برنامه های کاربردی
- روش
- رویکردها
- تقریبا
- معماری
- هستند
- دور و بر
- مصنوعی
- هوش مصنوعی
- هوش مصنوعی و یادگیری ماشین
- AS
- ارزیابی
- کمک کردن
- وابسته
- At
- حضار
- خودکار بودن
- خودکار می کند
- بطور خودکار
- در دسترس
- میانگین
- اجتناب از
- AWS
- به عقب
- پایه
- بیسبال
- مستقر
- BE
- ساحل
- زیرا
- قبل از
- بهتر
- بزرگ
- ایده های بزرگ
- تار شدن
- هر دو
- نام تجاری
- به ارمغان بیاورد
- ساختن
- ساخته
- ساخته شده در
- کسب و کار
- توسعه تجاری
- اما
- by
- صدا
- نام
- فراخوانی
- تماس ها
- CAN
- قابلیت
- توانا
- Осторожно
- کارلسون
- مورد
- موارد
- معین
- کاراکتر
- بررسی
- شیکاگو
- طبقه بندی
- مشتری
- مربیگری
- رمز
- رنگ
- ترکیب
- ترکیب شده
- ترکیب
- مشترک
- شرکت
- شرکت
- پیچیدگی
- انطباق
- درک
- جامع
- محاسبه
- کامپیوتر
- چشم انداز کامپیوتر
- شرط
- انجام
- پیکر بندی
- در نظر بگیرید
- شامل
- شامل
- محتوا
- متناظر
- هزینه
- هزینه
- میتوانست
- را پوشش می دهد
- ایجاد
- ایجاد
- ایجاد
- بحرانی
- سفارشی
- مشتری
- مشتریان
- سفارشی
- برش
- رقص
- داده ها
- نقاط داده
- کاهش می دهد
- اختصاصی
- عمیق
- یادگیری عمیق
- نسخه ی نمایشی
- نشان می دهد
- قابل اعتماد
- بستگی دارد
- گسترش
- مستقر
- شرح داده شده
- طرح
- با وجود
- دقیق
- جزئیات
- شناسایی شده
- کشف
- توسعه دهنده
- پروژه
- انتشار
- دیجیتال
- دگرگونی های دیجیتال
- صفحه نمایش
- مختلف
- do
- نمی کند
- سگ
- عمل
- آیا
- درب
- دو
- در طی
- تجارت الکترونیک
- به آسانی
- ساده
- لبه
- موثر
- به طور موثر
- از بین بردن
- کار می کند
- قدرت دادن
- توانمندسازی
- را قادر می سازد
- نقطه پایانی
- اجرای قانون
- مهندسی
- حصول اطمینان از
- سرمایه گذاری
- به همان اندازه
- حتی
- هر
- مثال ها
- تجربه
- تخصص
- اکتشاف
- تسهیل کردن
- خانواده
- پرونده
- فیلتر
- فیلتر
- نام خانوادگی
- پرواز
- تمرکز
- متمرکز شده است
- پیروی
- به دنبال آن است
- برای
- ثروت
- از جانب
- تابع
- قابلیت
- توابع
- بازی
- تولید می کنند
- تولید
- مولد
- نسل
- مولد
- هوش مصنوعی مولد
- GitHub
- جهانی
- تجارت جهانی
- در سطح جهانی
- هدف
- تا حد زیادی
- ضمانت
- راهنمایی
- دست ها
- مضر
- آیا
- he
- برگزار شد
- کمک
- او
- خیلی
- خود را
- چگونه
- چگونه
- اما
- HTML
- HTTP
- HTTPS
- ترکیبی
- ایده ها
- شناسایی
- if
- نشان می دهد
- تصویر
- تصاویر
- تأثیر
- انجام
- پیاده سازی
- اجرای
- مهم
- بهبود
- in
- مشمول
- شامل
- از جمله
- ترکیب کردن
- افزایش
- افزایش
- نشان دادن
- لوازم
- اطلاعات
- شالوده
- ورودی
- ورودی
- بینش
- نمونه
- ادغام
- اطلاعات
- مورد نظر
- علاقه
- رابط
- به
- معرفی
- IT
- ITS
- جیمز
- کار
- جان
- پیوستن
- json
- تنها
- شناخته شده
- آزمایشگاه
- خانم
- زبان
- تاخیر
- راه اندازی
- راه اندازی
- لایه
- رهبری
- رهبر
- رهبری
- منجر می شود
- یاد گرفتن
- یادگیری
- رهبری
- کمتر
- اجازه می دهد تا
- سطح
- کتابخانه
- پسندیدن
- محدود
- محدودیت
- محدود شده
- فهرست
- منطق
- دیگر
- مراجعه
- کاهش
- دستگاه
- فراگیری ماشین
- عمده
- ساخت
- باعث می شود
- ساخت
- اداره می شود
- دست کاری
- دستی
- بسیاری
- بازار یابی (Marketing)
- ممکن است..
- رسانه ها
- پیام
- روش
- حداقل
- ML
- مدل
- مدل
- اعتدال
- اصلاح شده
- بیش
- چندگانه
- باید
- طبیعی
- پردازش زبان طبیعی
- نیاز
- نیازهای
- منفی
- شبکه
- جدید
- نه
- اکنون
- عدد
- هدف
- اشیاء
- of
- توهین آمیز
- ارائه
- on
- ONE
- مداوم
- فقط
- باز کن
- عملیات
- فرصت ها
- or
- دیگر
- ما
- خارج
- نتایج
- تولید
- خارج از
- روی
- به طور کلی
- مروری
- بسته
- عبور
- احساساتی
- الگو
- الگوهای
- کارایی
- انجام می دهد
- عکاسی
- عبارات
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- نقطه
- سیاست
- مثبت
- ممکن
- پست
- پتانسیل
- بالقوه
- قدرت
- قوی
- عملی
- شیوه های
- آماده
- جلوگیری از
- جلوگیری
- قبلی
- قیمت گذاری
- اصلی
- اصلی
- قبلا
- اولویت بندی
- بلادرنگ
- روند
- در حال پردازش
- تولید
- پروژه ها
- ترویج
- محافظت از
- ارائه
- ارائه
- فراهم می کند
- ارائه
- پروکسی
- قرار دادن
- پــایتــون
- به سرعت
- تصادفی بودن
- محدوده
- سریعا
- زمان واقعی
- اخذ شده
- شناختن
- کاهش
- کاهش
- منطقه
- روابط
- نسبتا
- برداشتن
- جایگزین کردن
- نماینده
- شهرت
- درخواست
- درخواست
- نیاز
- مورد نیاز
- پاسخ
- نتایج
- برگشت
- این فایل نقد می نویسید:
- بازبینی
- خطر
- نقش
- قوانین
- دویدن
- در حال اجرا
- امن
- حفاظت
- امن تر
- حکیم ساز
- مقیاس پذیری
- مقیاس
- مقیاس گذاری
- اسکریپت
- ثانیه
- ارسال
- می فرستد
- ارشد
- خدمت
- سرویس
- خدمات
- او
- نشان داده شده
- نشان می دهد
- ساده
- ساده شده
- تنها
- اندازه
- اندازه
- کوچک
- So
- آگاهی
- رسانه های اجتماعی
- راه حل
- مزایا
- چیزی
- مصنوعی
- ویژه
- متخصص
- متخصص
- خاص
- سرعت
- پایدار
- پشته
- شروع
- گام
- مراحل
- ذخیره سازی
- opbevare
- ساده
- قوی
- ساختار
- سبک
- چنین
- کت و شلوار
- پشتیبانی از
- سیستم
- جدول
- طراحی شده
- گرفتن
- طول می کشد
- وظایف
- تیم
- تیم ها
- تکنیک
- پیشرفته
- شرکتهای فناوری
- آزمون
- آزمایش
- نسبت به
- که
- La
- شان
- آنها
- از این رو
- آنها
- این
- از طریق
- زمان
- زمان بر
- به
- جمع
- طرف
- قطار
- آموزش
- انتقال
- دگرگونی
- تبدیل شدن
- دو
- نوع
- ui
- برملا کردن
- اساسی
- استفاده کنید
- استفاده
- کاربر
- سابقه کاربر
- کاربران
- استفاده
- با استفاده از
- معمولا
- استفاده کنید
- استفاده
- استفاده می کند
- ارزشمند
- از طريق
- تصویری
- فیلم های
- خشونت
- دید
- حجم
- آسیب پذیر
- بود
- آب
- we
- وب
- خدمات وب
- خوب
- چه زمانی
- چه
- که
- در حین
- وسیع
- دامنه گسترده
- گسترده تر
- اراده
- با
- در داخل
- کلمه
- کلمات
- مهاجرت کاری
- گردش کار
- کارگر
- wu
- سال
- شما
- شما
- جوانان
- زفیرنت