بازی های آنلاین و جوامع اجتماعی قابلیت چت صوتی و متنی را برای ارتباط کاربران خود ارائه می دهند. اگرچه چت صوتی و متنی اغلب از شوخیهای دوستانه پشتیبانی میکند، اما میتواند منجر به مشکلاتی مانند سخنان نفرتانگیز، آزار و اذیت اینترنتی، و کلاهبرداری شود. امروزه، بسیاری از شرکتها برای بررسی محتوای سمی صرفاً به ناظران انسانی متکی هستند. با این حال، تأیید تخلفات در چت زمانبر، مستعد خطا، و مقیاسپذیری چالش برانگیز است.
در این پست راهحلهایی را معرفی میکنیم که با استفاده از سرویسهای مختلف AWS، از جمله، مدیریت چت صوتی و متنی را فعال میکنند آمازون رونوشت, درک آمازون, بستر آمازونو سرویس جستجوی باز آمازون.
پلتفرمهای اجتماعی به دنبال راهحلی برای تعدیل هستند که راهاندازی آن ساده است، اما برای مدیریت خطمشیهای متنوع نیز نیاز به سفارشیسازی دارند. تأخیر و هزینه نیز عوامل مهمی هستند که باید در نظر گرفته شوند. با هماهنگسازی طبقهبندی سمیت با مدلهای زبان بزرگ (LLM) با استفاده از هوش مصنوعی مولد، ما راهحلی ارائه میدهیم که سادگی، تأخیر، هزینه و انعطافپذیری را برای برآوردن نیازهای مختلف متعادل میکند.
کد نمونه این پست در سایت موجود است مخزن GitHub.
گردش کار تعدیل چت صوتی
یک گردش کار تعدیل چت صوتی میتواند توسط کاربری که سایر کاربران را در یک پلتفرم بازی به دلیل نقض خطمشی مانند ناسزا، سخنان مشوق نفرت یا آزار گزارش میدهد، آغاز شود. این یک رویکرد منفعل به تعدیل صدا را نشان می دهد. این سیستم تمام مکالمات صوتی را بدون تجزیه و تحلیل فوری ضبط می کند. هنگامی که یک گزارش دریافت می شود، گردش کار فایل های صوتی مرتبط را بازیابی می کند و فرآیند تجزیه و تحلیل را آغاز می کند. سپس یک ناظر انسانی مکالمه گزارش شده را بررسی می کند و محتوای آن را بررسی می کند تا مشخص کند که آیا این مکالمه خط مشی پلت فرم را نقض می کند یا خیر.
متناوباً، گردش کار می تواند به طور فعال راه اندازی شود. به عنوان مثال، در یک اتاق چت صوتی اجتماعی، سیستم می تواند تمام مکالمات را ضبط کرده و تجزیه و تحلیل را اعمال کند.
هر دو روش غیرفعال و فعال می توانند خط لوله زیر را برای تجزیه و تحلیل صوتی راه اندازی کنند.
گردش کار تعدیل صدا شامل مراحل زیر است:
- گردش کار با دریافت فایل صوتی و ذخیره آن در a شروع می شود سرویس ذخیره سازی ساده آمازون (Amazon S3) سطل برای آمازون رونویسی برای دسترسی.
- رونویسی آمازون
StartTranscriptionJob
API با فراخوانی می شود تشخیص سمیت فعال شد. Amazon Transcript صدا را به متن تبدیل می کند و اطلاعات بیشتری در مورد تجزیه و تحلیل سمیت ارائه می دهد. برای اطلاعات بیشتر در مورد تجزیه و تحلیل سمیت، به زبان مضر را در مکالمات گفتاری با «تشخیص سمیت رونویسی آمازون» پرچمگذاری کنید. - اگر آنالیز سمیت نمره سمیت بیش از یک آستانه معین (مثلاً 50%) را نشان دهد، می توانیم از پایگاه های دانش برای آمازون بستر برای ارزیابی پیام در برابر سیاست های سفارشی شده با استفاده از LLM.
- ناظم انسانی یک گزارش نظارت صوتی دقیق دریافت میکند که بخشهای مکالمه سمی و مغایر با خطمشی را برجسته میکند و به آنها اجازه میدهد تا تصمیمی آگاهانه بگیرند.
تصویر زیر نمونه ای از برنامه کاربردی را نشان می دهد که تجزیه و تحلیل سمیت را برای یک بخش صوتی نشان می دهد. این شامل رونویسی اصلی، نتایج حاصل از تجزیه و تحلیل سمیت رونویسی آمازون، و تجزیه و تحلیل انجام شده با استفاده از پایگاه دانش آمازون بستر از طریق مدل Amazon Bedrock Anthropic Claude V2 است.
تجزیه و تحلیل LLM یک نتیجه نقض (Y یا N) ارائه می دهد و منطق پشت تصمیم مدل در مورد نقض خط مشی را توضیح می دهد. علاوه بر این، پایگاه دانش شامل اسناد خط مشی ارجاعی است که توسط ارزیابی مورد استفاده قرار می گیرد و زمینه های اضافی را به مدیران ارائه می دهد.
تشخیص سمیت رونویسی آمازون
Amazon Transcript یک سرویس تشخیص خودکار گفتار (ASR) است که به توسعه دهندگان کمک می کند تا قابلیت گفتار به متن را به برنامه های خود اضافه کنند. گردش کار تعدیل صدا از Amazon Transcribe Toxicity Detection استفاده می کند، که یک قابلیت مبتنی بر یادگیری ماشینی (ML) است که از نشانه های صوتی و متنی برای شناسایی و طبقه بندی محتوای سمی مبتنی بر صدا در هفت دسته، از جمله آزار جنسی، سخنان مشوق نفرت، تهدید استفاده می کند. ، توهین، فحاشی، توهین و زبان گرافیکی. علاوه بر تجزیه و تحلیل متن، Toxicity Detection از نشانههای گفتاری مانند تن و زیر و بم برای شناسایی هدف سمی در گفتار استفاده میکند.
گردش کار تعدیل صوتی ارزیابی خط مشی LLM را تنها زمانی فعال می کند که تجزیه و تحلیل سمیت از یک آستانه تعیین شده فراتر رود. این رویکرد با بکارگیری انتخابی LLM ها، و فیلتر کردن بخش قابل توجهی از ترافیک، تاخیر را کاهش می دهد و هزینه ها را بهینه می کند.
از مهندسی سریع LLM برای تطبیق با سیاست های سفارشی استفاده کنید
مدلهای تشخیص سمیت از پیش آموزشدیدهشده از Amazon Transcript و Amazon Comprehend یک طبقهبندی سمیت گسترده را ارائه میکنند که معمولاً توسط پلتفرمهای اجتماعی برای تعدیل محتوای تولید شده توسط کاربر در قالبهای صوتی و متنی استفاده میشود. اگرچه این مدلهای از پیش آموزشدیده بهطور کارآمدی مشکلات را با تأخیر کم شناسایی میکنند، ممکن است برای شناسایی تخلفات علیه خطمشیهای حوزه شرکت یا کسبوکارتان به راهحلی نیاز داشته باشید که مدلهای از پیش آموزشدیده به تنهایی نمیتوانند به آن دست یابند.
علاوه بر این، تشخیص نقض در مکالمات متنی، مانند شناسایی نظافت جنسی کودک مکالمات، به یک راه حل قابل تنظیم نیاز دارد که شامل در نظر گرفتن پیام های چت و زمینه خارج از آن، مانند سن، جنسیت، و سابقه مکالمه کاربر است. اینجاست که LLM ها می توانند انعطاف لازم برای گسترش این الزامات را ارائه دهند.
Amazon Bedrock یک سرویس کاملاً مدیریت شده است که انتخابی از مدل های پایه (FM) با عملکرد بالا را از شرکت های پیشرو هوش مصنوعی ارائه می دهد. این راهحلها از Anthropic Claude v2 از Amazon Bedrock برای تعدیل رونوشتهای صوتی و پیامهای چت متنی با استفاده از یک الگوی سریع انعطافپذیر، همانطور که در کد زیر مشخص شده است، استفاده میکنند:
این الگو حاوی متغیرهایی برای شرح خط مشی، پیام چت و قوانین اضافی است که نیاز به تعدیل دارد. مدل Anthropic Claude V2 پاسخها را در قالب دستور داده شده (Y یا N) ارائه میکند، همراه با تحلیلی که توضیح میدهد چرا فکر میکند پیام خطمشی را نقض میکند. این رویکرد به شما اجازه می دهد تا دسته بندی های تعدیل انعطاف پذیر را تعریف کنید و سیاست های خود را به زبان انسانی بیان کنید.
روش سنتی آموزش یک مدل طبقه بندی داخلی شامل فرآیندهای دست و پا گیر مانند حاشیه نویسی داده ها، آموزش، آزمایش و استقرار مدل است که به تخصص دانشمندان داده و مهندسان ML نیاز دارد. در مقابل، LLM ها درجه بالایی از انعطاف پذیری را ارائه می دهند. کاربران تجاری می توانند اعلان ها را به زبان انسانی تغییر دهند که منجر به افزایش کارایی و کاهش چرخه های تکرار در آموزش مدل ML می شود.
پایگاه های دانش آمازون بستر
اگرچه مهندسی سریع برای سفارشیسازی خطمشیها کارآمد است، تزریق خطمشیها و قوانین طولانی به طور مستقیم به درخواستهای LLM برای هر پیام ممکن است باعث تأخیر و افزایش هزینه شود. برای پرداختن به این موضوع، ما از پایگاههای دانش آمازون بستر به عنوان یک سیستم بازیابی مدیریت شده (RAG) استفاده میکنیم. این به شما امکان می دهد سند خط مشی را به طور انعطاف پذیر مدیریت کنید و به گردش کار اجازه می دهد فقط بخش های خط مشی مربوطه را برای هر پیام ورودی بازیابی کند. این تعداد توکن های ارسال شده به LLM ها برای تجزیه و تحلیل را به حداقل می رساند.
شما می توانید با استفاده از کنسول مدیریت AWS برای آپلود اسناد خط مشی در یک سطل S3 و سپس ایندکس کردن اسناد در یک پایگاه داده برداری برای بازیابی کارآمد. در زیر یک گردش کاری مفهومی است که توسط یک پایگاه دانش آمازون Bedrock مدیریت می شود که اسناد را از Amazon S3 بازیابی می کند، متن را به قطعات تقسیم می کند و مدل تعبیه متنی Amazon Bedrock Titan برای تبدیل تکه های متن به بردار، که سپس در پایگاه داده برداری ذخیره می شوند.
در این راه حل استفاده می کنیم سرویس جستجوی باز آمازون به عنوان فروشگاه وکتور جستجوی باز یک مجموعه نرمافزار متنباز مقیاسپذیر، انعطافپذیر و قابل توسعه برای جستجو، تجزیه و تحلیل، نظارت بر امنیت و برنامههای کاربردی مشاهدهپذیری است که تحت مجوز Apache 2.0 مجوز دارد. OpenSearch Service یک سرویس کاملاً مدیریت شده است که استقرار، مقیاسبندی و اجرای OpenSearch در AWS Cloud را آسان میکند.
پس از ایندکس شدن سند در OpenSearch Service، گردش کار نظارت صوتی و متنی، پیامهای چت را ارسال میکند و جریان جستجوی زیر را برای ارزیابی خطمشی سفارشیشده آغاز میکند.
فرآیند مشابه گردش کار شروع است. ابتدا، پیام متنی با استفاده از Amazon Bedrock Titan Text Embedding API به جاسازی متن تبدیل می شود. سپس از این تعبیهها برای انجام a استفاده میشود جستجوی برداری در برابر پایگاه داده OpenSearch Service، که قبلاً با جاسازی اسناد پر شده است. پایگاه داده تکه های خط مشی را با بالاترین امتیاز تطابق مرتبط با پیام متنی ورودی برمی گرداند. سپس دستورات حاوی پیام چت ورودی و بخش خط مشی را می نویسیم که برای ارزیابی به Anthropic Claude V2 ارسال می شود. مدل LLM یک نتیجه تجزیه و تحلیل را بر اساس دستورالعمل های سریع برمی گرداند.
برای دستورالعملهای دقیق در مورد نحوه ایجاد یک نمونه جدید با سند خطمشی خود در پایگاه دانش آمازون بستر، مراجعه کنید پایگاه های دانش اکنون تجربه RAG کاملاً مدیریت شده را در Amazon Bedrock ارائه می دهد.
گردش کار تعدیل چت متنی
گردش کار تعدیل چت متنی از یک الگوی مشابه با تعدیل صوتی پیروی می کند، اما از تجزیه و تحلیل سمیت آمازون Comprehend استفاده می کند که برای تعدیل متن طراحی شده است. برنامه نمونه از یک رابط برای آپلود فایل های متنی انبوه در قالب CSV یا TXT پشتیبانی می کند و یک رابط تک پیام برای آزمایش سریع ارائه می دهد. نمودار زیر روند کار را نشان می دهد.
گردش کار تعدیل متن شامل مراحل زیر است:
- کاربر یک فایل متنی را در یک سطل S3 آپلود می کند.
- تجزیه و تحلیل سمیت آمازون Comprehend در پیام متنی اعمال می شود.
- اگر تجزیه و تحلیل سمیت نمره سمیت بیش از یک آستانه معین (به عنوان مثال، 50٪) را نشان دهد، ما از پایگاه دانش Amazon Bedrock برای ارزیابی پیام در برابر سیاست های سفارشی با استفاده از Anthropic Claude V2 LLM استفاده می کنیم.
- گزارش ارزیابی خط مشی برای ناظر انسانی ارسال می شود.
تجزیه و تحلیل سمیت آمازون Comprehend
در گردش کار تعدیل متن، ما از تجزیه و تحلیل سمیت آمازون Comprehend برای ارزیابی سطح سمیت پیامهای متنی استفاده میکنیم. Amazon Comprehend یک سرویس پردازش زبان طبیعی (NLP) است که از ML برای کشف بینش ها و ارتباطات ارزشمند در متن استفاده می کند. API تشخیص سمیت آمازون Comprehend یک امتیاز کلی سمیت را به محتوای متن اختصاص می دهد که از 0 تا 1 متغیر است، که احتمال سمی بودن آن را نشان می دهد. همچنین متن را به دستههای زیر دستهبندی میکند و برای هر کدام یک امتیاز اطمینان ارائه میکند: hate_speech
، گرافیک، harrassement_or_abuse
، جنسی violence_or_threat
، توهین و فحاشی
در این گردش کار تعدیل متن، تجزیه و تحلیل سمیت آمازون Comprehend نقش مهمی در شناسایی اینکه آیا پیام متنی دریافتی حاوی محتوای سمی است، ایفا می کند. مشابه گردش کار تعدیل صوتی، شامل شرطی برای فعال کردن ارزیابی خطمشی پاییندستی LLM تنها زمانی است که تجزیه و تحلیل سمیت امتیازی فراتر از یک آستانه از پیش تعریفشده را برگرداند. این بهینه سازی به کاهش تاخیر کلی و هزینه مرتبط با تجزیه و تحلیل LLM کمک می کند.
خلاصه
در این پست راه حل هایی برای تعدیل چت صوتی و متنی با استفاده از سرویس های AWS از جمله Amazon Transcript، Amazon Comprehend، Amazon Bedrock و OpenSearch Service معرفی کردیم. این راه حل ها از مدل های از پیش آموزش دیده برای تجزیه و تحلیل سمیت استفاده می کنند و با LLM های AI مولد برای دستیابی به تعادل بهینه در دقت، تأخیر و هزینه هماهنگ می شوند. آنها همچنین به شما قدرت میدهند تا سیاستهای خود را بهطور انعطافپذیر تعریف کنید.
می توانید با دنبال کردن دستورالعمل های موجود در برنامه نمونه را تجربه کنید GitHub repo.
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 رایانه، پردازش زبان طبیعی و هوش مصنوعی مولد 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، رسانه، تبلیغات و بازاریابی اختصاص دارد.
- 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/moderate-audio-and-text-chats-using-aws-ai-services-and-llms/
- : دارد
- :است
- :نه
- :جایی که
- 100
- 118
- 14
- 7
- a
- درباره ما
- سو استفاده کردن
- دسترسی
- تطبیق
- حساب
- دقت
- رسیدن
- در میان
- فعال کردن
- اضافه کردن
- اضافه
- اضافی
- اطلاعات اضافی
- نشانی
- تبلیغات
- در برابر
- سن
- AI
- خدمات هوش مصنوعی
- AI / ML
- معرفی
- اجازه دادن
- اجازه می دهد تا
- تنها
- در امتداد
- قبلا
- همچنین
- هر چند
- آمازون
- درک آمازون
- آمازون رونوشت
- آمازون خدمات وب
- an
- تحلیل
- علم تجزیه و تحلیل
- تجزیه و تحلیل
- و
- آنتروپیک
- آپاچی
- API
- نرم افزار
- کاربرد
- برنامه های کاربردی
- اعمال می شود
- درخواست
- با استفاده از
- روش
- رویکردها
- هستند
- AS
- ارزیابی کنید
- همکاری
- دستیار
- کمک کردن
- مرتبط است
- At
- سمعی
- افزوده شده
- نویسنده
- اتوماتیک
- در دسترس
- AWS
- برج میزان
- تعادل
- پایه
- مستقر
- BE
- بوده
- آغاز می شود
- پشت سر
- بودن
- هر دو
- شکستن
- پهن
- کسب و کار
- اما
- by
- CAN
- قابلیت
- دسته
- معین
- به چالش کشیدن
- گپ
- گربه
- انتخاب
- طبقه بندی
- طبقه بندی کنید
- ابر
- رمز
- عموما
- ارتباط
- جوامع
- شرکت
- شرکت
- درک
- کامپیوتر
- چشم انداز کامپیوتر
- مفهومی
- شرط
- انجام
- اعتماد به نفس
- اتصالات
- در نظر بگیرید
- در نظر گرفته
- با توجه به
- شامل
- محتوا
- زمینه
- متنی
- کنتراست
- گفتگو
- گفتگو
- تبدیل
- مبدل
- هزینه
- هزینه
- میتوانست
- ایجاد
- بحرانی
- بسیار سخت
- سنگین
- مشتریان
- سفارشی
- سفارشی سازی
- سفارشی
- چرخه
- داده ها
- پایگاه داده
- تصمیم گیری
- تصمیم
- اختصاصی
- تعريف كردن
- درجه
- ارائه
- گسترش
- گسترش
- شرح
- دقیق
- تشخیص
- کشف
- مشخص کردن
- توسعه دهندگان
- نمودار
- مستقیما
- نمایش
- مختلف
- سند
- اسناد و مدارک
- میکند
- دامنه
- پایین
- تجارت الکترونیک
- هر
- بهره وری
- موثر
- موثر
- هر دو
- تعبیه کردن
- قدرت دادن
- قادر ساختن
- فعال
- را قادر می سازد
- مهندسی
- مورد تأیید
- افزایش
- ارزیابی
- ارزیابی
- مثال
- بیش از
- بیش از
- تجربه
- کارشناس
- تخصص
- توضیح دادن
- توضیح می دهد
- گسترش
- عوامل
- پرونده
- فایل ها
- فیلتر
- پیدا کردن
- نام خانوادگی
- انعطاف پذیری
- قابل انعطاف
- انعطاف پذیر
- جریان
- پیروی
- به دنبال آن است
- برای
- قالب
- پایه
- دوستانه
- از جانب
- کاملا
- قابلیت
- بعلاوه
- بازی
- پلت فرم بازی
- جنس
- نسل
- مولد
- هوش مصنوعی مولد
- گرافیک
- مضر
- نفرت
- کمک می کند
- او
- زیاد
- با عملکرد بالا
- بالاترین
- مشخص کردن
- تاریخ
- چگونه
- چگونه
- اما
- HTML
- HTTP
- HTTPS
- انسان
- شناسایی
- شناسایی
- if
- نشان می دهد
- فوری
- in
- شامل
- از جمله
- وارد شونده
- افزایش
- شاخص
- نمایه شده
- نشان می دهد
- نشان دادن
- لوازم
- اطلاعات
- اطلاع
- وارد کردن
- آغاز
- شروع می کند
- شروع
- ورودی
- بینش
- نمونه
- دستورالعمل
- توهین
- قصد
- رابط
- به
- معرفی
- معرفی
- تحقیق
- استناد کرد
- فراخوانی میکند
- شامل
- مسائل
- IT
- تکرار
- ITS
- کار
- JPG
- نگاه داشتن
- دانش
- زبان
- بزرگ
- تاخیر
- رهبری
- برجسته
- یادگیری
- سطح
- مجوز
- مجاز
- احتمال
- LLM
- کم
- دستگاه
- فراگیری ماشین
- ساخت
- باعث می شود
- مدیریت
- اداره می شود
- مدیریت
- مدیریت
- بسیاری
- بازار یابی (Marketing)
- مطابق
- ممکن است..
- به معنی
- رسانه ها
- پیام
- پیام
- روش
- به حداقل می رساند
- ML
- مدل
- مدل
- متوسط
- تعدیل کردن
- اعتدال
- تغییر
- نظارت بر
- بیش
- باید
- طبیعی
- پردازش زبان طبیعی
- نیاز
- ضروری
- جدید
- nlp
- اکنون
- عدد
- of
- ارائه
- پیشنهادات
- غالبا
- on
- فقط
- باز کن
- منبع باز
- کار
- بهینه
- بهینه سازی
- بهینه سازی می کند
- or
- هماهنگ شده
- ارکستراسیون
- اصلی
- دیگر
- خارج
- مشخص شده
- خارج از
- به طور کلی
- خود
- غیر فعال
- الگو
- انجام
- خط لوله
- قیر
- سکو
- سیستم عامل
- افلاطون
- هوش داده افلاطون
- PlatoData
- نقش
- لطفا
- سیاست
- سیاست
- پر جمعیت
- بخشی
- پست
- از پیش تعریف شده
- بلادرنگ
- مشکلات
- روند
- فرآیندهای
- در حال پردازش
- ناسزاگویی
- ترویج
- پرسیدن
- ارائه
- فراهم می کند
- ارائه
- پرس و جو
- سریع
- پارچه
- اعم
- منطق
- اخذ شده
- دریافت
- دریافت
- به رسمیت شناختن
- رکورد
- سوابق
- كاهش دادن
- کاهش
- را کاهش می دهد
- مراجعه
- اشاره کرد
- با توجه
- مربوط
- مربوط
- تکیه
- گزارش
- گزارش
- گزارش
- نشان دهنده
- نیاز
- مورد نیاز
- نیاز
- پاسخ
- پاسخ
- نتیجه
- نتایج
- بازیابی
- بازده
- این فایل نقد می نویسید:
- بررسی
- نقش
- اتاق
- قانون
- قوانین
- امن
- ایمنی
- نمونه
- راضی
- مقیاس پذیر
- مقیاس
- کلاهبرداری
- دانشمندان
- نمره
- جستجو
- بخش
- تیم امنیت لاتاری
- به دنبال
- بخش
- بخش ها
- می فرستد
- ارشد
- فرستاده
- سرویس
- خدمات
- تنظیم
- هفت
- جنسی
- او
- نشان می دهد
- قابل توجه
- مشابه
- ساده
- سادگی
- آگاهی
- رسانه های اجتماعی
- بسترهای اجتماعی
- نرم افزار
- فقط
- راه حل
- مزایا
- منبع
- متخصص
- خاص
- سخنرانی - گفتار
- تشخیص گفتار
- گفتار به متن
- تقسیم می کند
- گفته شده
- مراحل
- ذخیره سازی
- opbevare
- ذخیره شده
- ذخیره سازی
- ساده
- چنین
- دنباله
- پشتیبانی
- پشتیبانی از
- سیستم
- TAG
- طراحی شده
- صورت گرفته
- طبقه بندی
- تیم
- قالب
- تست
- متن
- که
- La
- شان
- آنها
- سپس
- اینها
- آنها
- فکر می کند
- این
- تهدید
- آستانه
- از طریق
- زمان بر
- تیتان
- به
- امروز
- نشانه
- سنتی
- ترافیک
- آموزش
- تبدیل شدن
- ماشه
- باعث شد
- راه اندازی
- اعتماد
- برملا کردن
- زیر
- آپلود
- استفاده کنید
- استفاده
- کاربر
- کاربران
- استفاده
- با استفاده از
- ارزشمند
- مختلف
- تایید
- نقض
- نقض
- دید
- صدا
- we
- وب
- خدمات وب
- چه زمانی
- چه
- که
- در حین
- چرا
- ویکیپدیا
- اراده
- با
- در داخل
- بدون
- کلمات
- گردش کار
- شما
- شما
- زفیرنت