این پست با همکاری گرگ بنسون، دانشمند ارشد نوشته شده است. آرون کسلر، مدیر محصول پدر؛ و ریچ دیل، معمار راه حل های سازمانی از SnapLogic.
بسیاری از مشتریان در حال ساخت اپلیکیشن های هوش مصنوعی هستند بستر آمازون و آمازون کد Whisperer برای ایجاد مصنوعات کد بر اساس زبان طبیعی. این مورد استفاده نشان میدهد که چگونه مدلهای زبان بزرگ (LLM) میتوانند به یک مترجم بین زبانهای انسانی (انگلیسی، اسپانیایی، عربی و غیره) و زبانهای قابل تفسیر ماشینی (پایتون، جاوا، اسکالا، SQL و غیره) و همچنین زبانهای پیچیده تبدیل شوند. استدلال درونی این توانایی ظهور در LLM ها، توسعه دهندگان نرم افزار را وادار کرده است که از LLM ها به عنوان یک ابزار خودکارسازی و بهبود UX استفاده کنند که زبان طبیعی را به یک زبان خاص دامنه (DSL) تبدیل می کند: دستورالعمل های سیستم، درخواست های API، مصنوعات کد و موارد دیگر. در این پست به شما نشان می دهیم که چگونه اسنپ لاجیکیک مشتری AWS، از Amazon Bedrock برای تامین انرژی خود استفاده کرد SnapGPT محصول از طریق ایجاد خودکار این مصنوعات پیچیده DSL از زبان انسان است.
هنگامی که مشتریان اشیاء DSL را از LLM ایجاد می کنند، DSL حاصل یا یک کپی دقیق یا مشتق از داده ها و طرحواره رابط موجود است که قرارداد بین UI و منطق تجاری در سرویس پشتیبان را تشکیل می دهد. این الگو بهویژه در مورد فروشندگان مستقل نرمافزار (ISV) و نرمافزار بهعنوان سرویس (SaaS) ISV به دلیل روش منحصربهفرد آنها برای نمایش پیکربندیها از طریق کد و تمایل به سادهسازی تجربه کاربر برای مشتریان خود، رواج دارد. موارد استفاده نمونه عبارتند از:
سادهترین راه برای ایجاد و مقیاسبندی برنامههای متن به خط لوله با LLM در AWS استفاده از Amazon Bedrock است. Amazon Bedrock سادهترین راه برای ساخت و مقیاسسازی برنامههای هوش مصنوعی مولد با مدلهای پایه (FM) است. این یک سرویس کاملاً مدیریت شده است که دسترسی به انتخابی از FMهای پایه با کارایی بالا را از هوش مصنوعی پیشرو از طریق یک API منفرد، همراه با مجموعه وسیعی از قابلیتهایی که برای ساخت برنامههای هوش مصنوعی مولد با حفظ حریم خصوصی و امنیت نیاز دارید، ارائه میدهد. Anthropic، یک آزمایشگاه تحقیقاتی و ایمنی هوش مصنوعی که سیستمهای هوش مصنوعی قابل اعتماد، قابل تفسیر و هدایت را میسازد، یکی از شرکتهای پیشرو در زمینه هوش مصنوعی است که دسترسی به پیشرفتهترین LLM خود، Claude، را در Amazon Bedrock ارائه میدهد. Claude یک LLM است که در طیف وسیعی از وظایف، از گفتگوی متفکرانه، ایجاد محتوا، استدلال پیچیده، خلاقیت و کدنویسی برتری دارد. Anthropic هر دو مدل Claude و Claude Instant را ارائه می دهد که همه آنها از طریق Amazon Bedrock در دسترس هستند. Claude به سرعت در این برنامه های کاربردی متن به خط لوله به دلیل توانایی استدلال بهبود یافته اش محبوبیت پیدا کرده است که به آن اجازه می دهد در حل مسائل فنی مبهم برتری داشته باشد. Claude 2 در Amazon Bedrock از یک پنجره زمینه 100,000 توکن پشتیبانی می کند که معادل حدود 200 صفحه متن انگلیسی است. این یک ویژگی مهم است که میتوانید هنگام ساخت برنامههای متن به خط لوله که به استدلال پیچیده، دستورالعملهای دقیق و مثالهای جامع نیاز دارند، به آن تکیه کنید.
پس زمینه SnapLogic
SnapLogic یک مشتری AWS است که مأموریت دارد اتوماسیون سازمانی را به جهان ارائه دهد. پلتفرم یکپارچه سازی هوشمند SnapLogic (IIP) سازمان ها را قادر می سازد تا با اتصال کل اکوسیستم خود از برنامه ها، پایگاه های داده، کلان داده ها، ماشین ها و دستگاه ها، API ها و موارد دیگر با اتصال دهنده های از پیش ساخته شده هوشمند به نام Snaps، اتوماسیون سراسری سازمان را تحقق بخشند. SnapLogic اخیرا قابلیتی به نام منتشر کرده است SnapGPT، که یک رابط متنی را فراهم می کند که در آن می توانید خط لوله ادغام مورد نظری را که می خواهید ایجاد کنید به زبان ساده انسانی تایپ کنید. SnapGPT از مدل Anthropic's Claude از طریق Amazon Bedrock برای خودکارسازی ایجاد این خطوط لوله ادغام به عنوان کد استفاده می کند که سپس از طریق راه حل یکپارچه سازی پرچمدار SnapLogic استفاده می شود. با این حال، سفر SnapLogic به SnapGPT نقطه اوج چندین سال فعالیت در فضای هوش مصنوعی بوده است.
سفر هوش مصنوعی SnapLogic
در حوزه پلتفرمهای یکپارچهسازی، SnapLogic همواره در خط مقدم بوده و از قدرت تحولآفرین هوش مصنوعی بهره میبرد. در طول سالها، تعهد این شرکت به نوآوری با هوش مصنوعی آشکار شده است، بهویژه زمانی که سفر را دنبال میکنیم. جنس زنبق و سوسن به پیوند خودکار.
آغاز فروتنانه با آیریس
در سال 2017، SnapLogic از Iris، اولین دستیار یکپارچه سازی مبتنی بر هوش مصنوعی در صنعت، رونمایی کرد. Iris برای استفاده از الگوریتم های یادگیری ماشین (ML) برای پیش بینی مراحل بعدی در ساخت خط لوله داده طراحی شده است. با تجزیه و تحلیل میلیونها عنصر فراداده و جریان داده، Iris میتواند پیشنهادهای هوشمندانهای به کاربران ارائه دهد، یکپارچهسازی دادهها را دموکراتیک کرده و حتی به کسانی که پیشزمینه فنی عمیقی ندارند اجازه میدهد گردشهای کاری پیچیده ایجاد کنند.
AutoLink: ایجاد حرکت
SnapLogic با تکیه بر موفقیت و آموخته های Iris، AutoLink را معرفی کرد، ویژگی با هدف ساده سازی بیشتر فرآیند نقشه برداری داده ها. کار طاقتفرسا نقشهبرداری دستی فیلدها بین سیستمهای مبدأ و هدف با AutoLink به یک نسیم تبدیل شد. با استفاده از هوش مصنوعی، AutoLink به طور خودکار موارد بالقوه را شناسایی و پیشنهاد کرد. ادغام هایی که زمانی ساعت ها طول می کشید می توانستند در چند دقیقه اجرا شوند.
جهش مولد با SnapGPT
آخرین تلاش SnapLogic در هوش مصنوعی، SnapGPT را برای ما به ارمغان می آورد، که هدف آن ایجاد انقلابی بیشتر در ادغام است. با SnapGPT، SnapLogic اولین راه حل یکپارچه سازی مولد جهان را معرفی می کند. این فقط در مورد ساده کردن فرآیندهای موجود نیست، بلکه به طور کامل بازبینی نحوه طراحی ادغام ها است. قدرت هوش مصنوعی مولد می تواند خطوط لوله ادغام کامل را از ابتدا ایجاد کند و گردش کار را بر اساس نتایج مورد نظر و ویژگی های داده بهینه کند.
SnapGPT برای مشتریان SnapLogic بسیار تأثیرگذار است زیرا آنها می توانند زمان مورد نیاز برای تولید اولین خط لوله SnapLogic خود را به شدت کاهش دهند. به طور سنتی، مشتریان SnapLogic باید روزها یا هفته ها را صرف پیکربندی خطوط لوله ادغام از ابتدا کنند. اکنون، این مشتریان میتوانند به سادگی از SnapGPT بخواهند، برای مثال، «یک خط لوله ایجاد کند که همه مشتریان فعال SFDC من را به WorkDay منتقل کند». اولین پیش نویس خط لوله به طور خودکار برای این مشتری ایجاد می شود و زمان توسعه مورد نیاز برای ایجاد پایه خط لوله یکپارچه سازی آنها را به شدت کاهش می دهد. این به مشتری نهایی این امکان را می دهد که به جای کار بر روی پیکربندی خط لوله ادغام، زمان بیشتری را صرف تمرکز بر آنچه که تأثیر واقعی تجاری بر آنها دارد، بگذراند. مثال زیر نشان می دهد که چگونه یک مشتری SnapLogic می تواند توضیحاتی را در ویژگی SnapGPT وارد کند تا به سرعت خط لوله را با استفاده از زبان طبیعی ایجاد کند.
AWS و SnapLogic در طول ساخت این محصول همکاری نزدیکی داشته اند و در این راه چیزهای زیادی یاد گرفته اند. بقیه این پست بر روی آموخته های فنی AWS و SnapLogic در مورد استفاده از LLM برای برنامه های کاربردی متن به خط لوله تمرکز خواهد کرد.
بررسی اجمالی راه حل
برای حل این مشکل متن به خط لوله، AWS و SnapLogic یک راه حل جامع طراحی کردند که در معماری زیر نشان داده شده است.
یک درخواست به SnapGPT از طریق گردش کار زیر انجام می شود:
- یک کاربر توضیحاتی را برای برنامه ارسال می کند.
- SnapLogic از یک رویکرد Retrieval Augmented Generation (RAG) برای بازیابی نمونه های مرتبط از خطوط لوله SnapLogic که مشابه درخواست کاربر هستند استفاده می کند.
- این نمونههای مرتبط استخراجشده با ورودی کاربر ترکیب میشوند و پیشپردازش متن را پیش از ارسال به کلود در Amazon Bedrock انجام میدهند.
- کلود یک آرتیفکت JSON تولید می کند که نشان دهنده خط لوله SnapLogic است.
- مصنوع JSON مستقیماً با پلتفرم اصلی یکپارچه سازی SnapLogic یکپارچه شده است.
- خط لوله SnapLogic به صورت بصری دوستانه به کاربر ارائه می شود.
از طریق آزمایش های مختلف بین AWS و SnapLogic، ما دریافتیم که مرحله مهندسی سریع نمودار راه حل برای تولید خروجی های با کیفیت بالا برای این خروجی های متن به خط لوله بسیار مهم است. بخش بعدی بیشتر به برخی از تکنیکهای خاص مورد استفاده کلود در این فضا میپردازد.
آزمایش سریع
در طول مرحله توسعه SnapGPT، AWS و SnapLogic دریافتند که تکرار سریع در اعلانهایی که برای کلود ارسال میشوند، یک کار توسعه حیاتی برای بهبود دقت و ارتباط خروجیهای متن به خط لوله در خروجیهای SnapLogic است. با استفاده از Amazon SageMaker Studio نوت بوک های تعاملی، تیم AWS و SnapLogic توانستند با استفاده از اتصال Boto3 SDK به Amazon Bedrock. توسعه مبتنی بر نوتبوک به تیمها اجازه میدهد تا به سرعت اتصالات سمت کلاینت را به Amazon Bedrock ایجاد کنند، توضیحات مبتنی بر متن را در کنار کد پایتون برای ارسال درخواستها به Amazon Bedrock قرار دهند، و جلسات مهندسی سریع مشترکی را برگزار کنند که در آن تکرارها به سرعت بین چندین شخصیت انجام میشد.
روش های مهندسی سریع Anthropic Claude
در این بخش، برخی از تکنیکهای تکراری را که برای ایجاد یک اعلان با کارایی بالا بر اساس درخواست کاربر گویا استفاده میکنیم، شرح میدهیم: «یک خط لوله ایجاد کنید که از پایگاه داده ExampleCompany استفاده میکند که همه مشتریان فعال را بازیابی میکند». توجه داشته باشید که این مثال طرحی نیست که SnapGPT از آن پشتیبانی می کند و فقط برای نشان دادن یک برنامه متن به خط لوله استفاده می شود.
برای طراحی اولیه مهندسی سریع خود، از دستور اصلی زیر استفاده می کنیم:
خط لوله ای ایجاد کنید که از پایگاه داده ExampleCompany استفاده می کند که همه مشتریان فعال را بازیابی می کند
خروجی مورد انتظار به شرح زیر است:
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
بهبود شماره 1: استفاده از حاشیه نویسی Human و Assistant
روش آموزش کلود به FM می آموزد که گفت و گو بین یک انسان و یک دستیار را در ساختار سریع خود درک کند. کاربران Claude می توانند با پایان دادن به درخواست خود در Assistant: از این ساختار استفاده کنند، که باعث می شود کلود شروع به تولید پاسخ به یک پرس و جو بر اساس آنچه انسان گفته است، کند. توجه داشته باشید که چون کلود به تولید متن ادامه میدهد تا زمانی که به آن گفته شود متوقف شود، مطمئن شوید که از دنباله توقف nnHuman: در درخواست API به Amazon Bedrock هنگام استفاده از Claude استفاده میکنید. این اطمینان حاصل می کند که شما فقط پاسخ دستیار را دریافت می کنید و پاسخ بعدی پیش بینی شده را از انسان در زنجیره گفتگو دریافت نمی کنید. این شاخصهای nnHuman و nnAssistant نه تنها به محدود کردن پاسخ کلود به اطلاعات مرتبط کمک میکنند، بلکه به ایجاد مرزبندی واضح بین ورودیهای اولیه انسانی و پاسخهای دستیار از سایر تعاملات کمک میکنند. این به ویژه در تنظیمات سریع چند عکس کمک می کند که در آن می توانید چندین پرس و جو و پاسخ با پرس و جوهایی با برچسب nnHuman و پاسخ های قبلی با برچسب nnAssistant داشته باشید. بیایید به فراخوانی API تصویری بهبودیافته و مرتبط با Amazon Bedrock از طریق Boto3 SDK نگاه کنیم.
ما از دستور زیر استفاده می کنیم:
Human: یک خط لوله ایجاد کنید که از پایگاه داده ExampleCompany استفاده می کند که همه مشتریان فعال را بازیابی می کند
دستیار:
خروجی به صورت زیر است:
در اینجا یک خط لوله MongoDB برای بازیابی همه مشتریان فعال از پایگاه داده ExampleCompany وجود دارد:
pipeline = [ { '$match': { 'database': 'ExampleCompany', 'status': 'active' } } ] db.customers.aggregate(pipeline)
مراحل اصلی عبارتند از:
– «$match» برای فیلتر کردن اسناد فقط به اسناد موجود در پایگاه داده ExampleCompany و با وضعیت برابر با «فعال».
– «db.customers.aggregate()» خط لوله را روی مجموعه مشتریان اجرا می کند و نتایج فیلتر شده را برمی گرداند.
بنابراین تمام اسناد مشتری را از پایگاه داده ExampleCompany که در آن فیلد وضعیت روی "فعال" تنظیم شده است، برمی گرداند.
توجه کنید که چگونه در خروجی، کلود بدون هیچ زمینهای پاسخی به سؤال ما میدهد. پاسخ به طور بالقوه مفید است، اما به مشکلی که ما در تلاش برای حل آن هستیم، خاص نیست، زیرا زمینه کافی ارائه نشده است. همچنین مهم است که توجه داشته باشید که Anthropic در هنگام استفاده از مدلهای Claude به این قالب انسانی و دستیار نیاز دارد. اگر این مرحله را وارد نکنید، Amazon Bedrock یک خطا را برمیگرداند.
بهبود شماره 2: قبل از اینکه به کلود گفته شود چه کاری باید انجام دهد، زمینه فوق خاص را برای کلود درج کنید
کلود زمانی بهترین عملکرد را دارد که زمینه خوبی در مورد آنچه که باید انجام دهد و همچنین نحوه انجام آن کار به او داده شود. در اینجا چند نمونه از چیزهایی وجود دارد که باید به عنوان زمینه برای کلود قبل از اینکه کار را به او بگویید:
- عملکرد شغلی که می خواهید کلود انجام دهد را شرح دهید. با انجام این کار، کلود را وادار میکنید در نقش فردی که در آن شغل کار میکند یا بیشتر شبیه فردی که تازه در آن شغل خاص استخدام شده است فکر کند. این به کلود کمک می کند تا پاسخ را از منظر آن نقش شغلی خاص فرموله کند و توهم و تصادفی بودن پاسخ را کاهش دهد.
- جزئیات فنی مربوط به فرمت خروجی را درج کنید. مدلهای پایه عموماً در دنبال کردن اقدامات خوب هستند، بنابراین درخواست از کلود برای تولید خروجی در یک قالب یا طرحواره خاص با یک یا چند مثال به کلود کمک میکند تا پاسخ را در قالب مناسب ارائه کند و نیاز به فیلتر کردن و پسپردازش خروجی را کاهش دهد. مثال در اعلان زیر یک طرح ساختگی را نشان می دهد که با خروجی مورد انتظار مطابقت دارد.
بیایید این پیشنهادها را برای بهبود درخواست اصلی خود ترکیب کنیم:
انسان: وظیفه شما این است که به عنوان یک متخصص در خطوط لوله ETL عمل کنید. به طور خاص، کار شما ایجاد یک نمایش JSON از خط لوله ETL است که درخواست کاربر ارائه شده به شما را حل می کند.
خروجی JSON باید از فرمت زیر پیروی کند:
وظیفه شما اینجاست: یک خط لوله ایجاد کنید که از پایگاه داده ExampleCompany استفاده می کند که همه مشتریان فعال را بازیابی می کند
دستیار:
خروجی به صورت زیر است:
در اینجا یک نمایش JSON از خط لوله ETL برای بازیابی همه مشتریان فعال از پایگاه داده ExampleCompany است:
این خط لوله از پایگاه داده ExampleCompany و یک پرس و جوی SQL برای انتخاب تمام رکوردها از جدول مشتریان استفاده می کند که در آن وضعیت "فعال" است.
با اضافه شدن زمینه، مدل اکنون قادر است بیشتر راه را برای پاسخ ما به دست آورد. اکنون می داند که چگونه خروجی را ساختار دهد و می داند که برای حل این کار باید یک دستور SQL بنویسد. با این حال، متوجه خواهید شد که مدل به درستی از نامگذاری ec_prod.customers مورد انتظار ما استفاده نمیکند. فضایی برای پیشرفت! همچنین توجه داشته باشید، در عمل، برای نتایج باکیفیت در موارد استفاده از متن به خط لوله، باید زمینه بسیار بیشتری را نسبت به آنچه در این مثال ارائه کردهایم بگنجانید.
بهبود شماره 3: محصور کردن مثال ها در تگ های XML
یادگیری چند شات روشی محبوب برای افزایش دقت با FM ها است که در آن نمونه های مرتبطی برای راهنمایی FM در انجام وظایفشان دارید. این امر به ویژه هنگام کار در برنامه های متن به خط لوله مهم است زیرا این خروجی های خط لوله فوق خاص معمولاً در هیچ مجموعه داده عمومی گنجانده نمی شوند زیرا برای نمایش داده های یک مشتری خاص هستند. هنگام استفاده از Claude، می توانید از دانش ذاتی آن در مورد تگ های XML دلخواه برای ارائه این نمونه ها در قالب چند شات استفاده کنید. در اعلان بهبودیافته زیر، به افزودن مثالهای ضمیمه شده توجه کنید تگ های XML همچنین، میتوانید از اختصارات انسان و دستیار با H و A برای ارائه زمینه به کلود استفاده کنید، بدون اینکه فکر کند اینها قطعات خاصی از دیالوگ هستند که قبلاً رخ داده است.
ما از دستور زیر استفاده می کنیم:
انسان: وظیفه شما این است که به عنوان یک متخصص در خطوط لوله ETL عمل کنید. به طور خاص، کار شما ایجاد یک نمایش JSON از خط لوله ETL است که درخواست کاربر ارائه شده به شما را حل می کند.
خروجی JSON باید از فرمت زیر پیروی کند:
در اینجا چند نمونه از درخواست های کاربر و مصنوعات JSON خروجی مرتبط وجود دارد که به درستی وظیفه ارائه شده را حل می کند. اگر از پایگاه داده های مشابهی استفاده می کنید، حتماً از همان نامگذاری استفاده کنید که در مثال ها ارائه شده است.
H: از پایگاه داده ExampleCompany برای هرگونه سفارش فعال برای مشتری #1234 پرس و جو کنید
A:
دلیل این پرس و جو این است که مشتری #1234 فیلتر شده است و ما در حال جستجوی جدول "سفارش ها" برای هر رکورد موجود پس از فیلتر "active" هستیم.
H: تمام مشتریان پایگاه داده ExampleCompany را که در ماه گذشته فعال نبوده اند حذف کنید
A:
دلیل این پرس و جو این است که جدول "ec_prod.customers" تنها جدولی در پایگاه داده ExampleCompany است که حاوی سوابق مشتری است.
وظیفه شما اینجاست: یک خط لوله ایجاد کنید که از پایگاه داده ExampleCompany استفاده می کند که همه مشتریان فعال را بازیابی می کند.
دستیار:
خروجی به صورت زیر است:
در اینجا نمایش JSON برای خط لوله ETL برای بازیابی همه مشتریان فعال از پایگاه داده ExampleCompany است:
استدلال این است:
پایگاه داده ExampleCompany به عنوان پایگاه داده برای استفاده مشخص شده است
جدول ec_prod.customers حاوی اطلاعات مشتری است
فیلد وضعیت نشان می دهد که آیا یک مشتری فعال است، بنابراین پرس و جو فقط برای مشتریان فعال فیلتر می شود
این باید تمام سوابق مشتری فعال را از پایگاه داده ExampleCompany بازیابی کند. اگر نیاز به توضیح دارید یا نیازهای اضافی برای خط لوله ETL دارید، به من اطلاع دهید!
خروجی JSON اکنون نامگذاری پایگاه داده درستی دارد که کلود به دلیل مثال هایی که ارائه کردیم توانست از آن استفاده کند. جفت کردن نشانگرهای انسان و دستیار با تگهای XML، درک این موضوع را برای کلود آسانتر میکند که در مثالهای مشابه با تفکیک بسیار واضح بین چندین نمونه چند عکس، تکلیف چیست و چه پاسخی داشت. هرچه درک کلود آسانتر باشد، پاسخ بهتر و مرتبطتر خواهد بود و شانس مدلسازی برای توهم و ارائه پاسخهای تصادفی نامربوط را کاهش میدهد.
بهبود شماره 4: کلود را تحریک کنید تا نسل JSON را با تگ های XML آغاز کند
یک چالش کوچک با برنامههای متن به خط لوله با استفاده از FM، نیاز به تجزیه دقیق خروجی از متن حاصل است تا بتوان آن را به عنوان کد در یک برنامه پاییندستی تفسیر کرد. یکی از راههای حل این مشکل با کلود، استفاده از درک تگ XML و ترکیب آن با یک توالی توقف سفارشی است. در اعلان زیر، به کلود دستور داده ایم که خروجی را در آن محصور کند تگ های XML سپس، ما را اضافه کرده ایم به انتهای درخواست تگ کنید. این تضمین می کند که اولین متنی که از کلود بیرون می آید شروع خروجی JSON باشد. اگر این کار را انجام ندهید، کلود اغلب با مقداری متن مکالمه و سپس پاسخ کد واقعی پاسخ می دهد. با دستور به کلود برای شروع فوری تولید خروجی، می توانید به راحتی تولید را با مشاهده بسته شدن متوقف کنید. برچسب زدن این در تماس API به روز شده Boto3 نشان داده شده است. مزایای این تکنیک دوچندان است. اول، شما می توانید دقیقاً پاسخ کد کلود را تجزیه کنید. دوم، شما می توانید هزینه را کاهش دهید زیرا کلود تنها خروجی کد و بدون متن اضافی تولید می کند. این هزینه را در Amazon Bedrock کاهش می دهد زیرا برای هر توکنی که به عنوان خروجی از همه FM ها تولید می شود هزینه دریافت می کنید.
ما از دستور زیر استفاده می کنیم:
انسان: وظیفه شما این است که به عنوان یک متخصص در خطوط لوله ETL عمل کنید. به طور خاص، کار شما ایجاد یک نمایش JSON از خط لوله ETL است که درخواست کاربر ارائه شده به شما را حل می کند.
خروجی JSON باید از فرمت زیر پیروی کند:
در اینجا چند نمونه از درخواست های کاربر و مصنوعات JSON خروجی مرتبط وجود دارد که به درستی وظیفه ارائه شده را حل می کند. اگر از پایگاه داده های مشابهی استفاده می کنید، حتماً از همان نامگذاری استفاده کنید که در مثال ها ارائه شده است.
H: از پایگاه داده ExampleCompany برای هرگونه سفارش فعال برای مشتری #1234 پرس و جو کنید
A:
دلیل این پرس و جو این است که مشتری #1234 فیلتر شده است و ما در حال جستجوی جدول "سفارش ها" برای هر رکورد موجود پس از فیلتر "active" هستیم.
H: تمام مشتریان پایگاه داده ExampleCompany را که در ماه گذشته فعال نبوده اند حذف کنید
A:
دلیل این پرس و جو این است که جدول "ec_prod.customers" تنها جدولی در پایگاه داده ExampleCompany است که حاوی سوابق مشتری است.
همیشه به یاد داشته باشید که خروجی های JSON خود را در آن محصور کنید برچسب ها
وظیفه شما اینجاست: یک خط لوله ایجاد کنید که از پایگاه داده ExampleCompany استفاده می کند که همه مشتریان فعال را بازیابی می کند.
دستیار:
ما از کد زیر استفاده می کنیم:
body = json.dumps({"prompt": prompt, "stop_sequences": ['nnHuman:', '</json>']})
response = bedrock.invoke_model( body=body, modelId='anthropic.claude-v2'
)
خروجی به صورت زیر است:
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
اکنون به خروجی مورد انتظار رسیده ایم که فقط شی JSON برگردانده شده است! با استفاده از این روش، ما قادر به تولید یک مصنوع فنی فوری قابل استفاده و همچنین کاهش هزینه تولید با کاهش توکن های خروجی هستیم.
نتیجه
برای شروع امروز با SnapGPT، درخواست a نسخه آزمایشی رایگان SnapLogic or درخواست نسخه ی نمایشی محصول. اگر می خواهید امروز از این مفاهیم برای ساختن برنامه های کاربردی استفاده کنید، توصیه می کنیم آزمایش عملی با بخش مهندسی سریع در این پست، با استفاده از جریان یکسان در مورد استفاده از نسل DSL متفاوت که مناسب کسب و کار شما است و عمیقتر شدن در ویژگی های RAG که از طریق Amazon Bedrock در دسترس هستند.
SnapLogic و AWS توانستهاند برای ایجاد یک مترجم پیشرفته بین زبان انسانی و طرح پیچیده خطوط لوله ادغام SnapLogic که توسط Amazon Bedrock طراحی شده است، به طور مؤثر شریک شوند. در طول این سفر، ما دیدیم که چگونه خروجی تولید شده با کلود را می توان در برنامه های کاربردی متن به خط لوله با استفاده از تکنیک های مهندسی سریع خاص بهبود بخشید. AWS و SnapLogic از ادامه این همکاری در Generative AI هیجان زده هستند و مشتاقانه منتظر همکاری و نوآوری در آینده در این فضای سریع هستند.
درباره نویسنده
گرگ بنسون استاد علوم کامپیوتر در دانشگاه سانفرانسیسکو و دانشمند ارشد در SnapLogic است. او در سال 1998 به دپارتمان علوم کامپیوتر USF پیوست و دوره های کارشناسی و کارشناسی ارشد شامل سیستم عامل، معماری کامپیوتر، زبان های برنامه نویسی، سیستم های توزیع شده و برنامه نویسی مقدماتی را تدریس کرده است. گرگ تحقیقاتی را در زمینه های سیستم عامل، محاسبات موازی و سیستم های توزیع شده منتشر کرده است. از زمان پیوستن به SnapLogic در سال 2010، گرگ به طراحی و پیادهسازی چندین ویژگی کلیدی پلتفرم از جمله پردازش خوشهای، پردازش کلان داده، معماری ابری و یادگیری ماشین کمک کرده است. او در حال حاضر روی هوش مصنوعی Generative برای یکپارچه سازی داده ها کار می کند.
آرون کسلر آرون مدیر محصول ارشد محصولات و خدمات هوش مصنوعی در SnapLogic است، آرون بیش از ده سال تخصص مدیریت محصول را برای توسعه محصول AI/ML پیشگام و تبلیغ خدمات در سراسر سازمان به کار می گیرد. او نویسنده کتاب آینده "مشکل شما چیست؟" است. با هدف هدایت مدیران محصول جدید در طول حرفه مدیریت محصول. سفر کارآفرینی او با استارتآپ کالجاش، STAK آغاز شد، که بعداً توسط Carvertise خریداری شد و آرون بهطور چشمگیری در به رسمیت شناختن آنها بهعنوان استارتآپ فناوری سال 2015 در دلاور کمک کرد. آرون فراتر از فعالیتهای حرفهایاش، از گلف با پدرش، کاوش در فرهنگها و غذاهای جدید در سفرهایش و تمرین یوکلل لذت میبرد.
شوید غنی یک معمار راه حل اصلی با تجربه در زمینه های مختلف تخصص است. سابقه موفقیت در نرم افزارهای چند پلتفرمی سازمانی و SaaS. به دلیل تبدیل حمایت از مشتری (خدمت به عنوان صدای مشتری) به ویژگی ها و محصولات جدید درآمدزا شناخته شده است. توانایی اثبات شده برای هدایت محصولات پیشرفته به بازار و پروژه ها به اتمام بر اساس برنامه زمان بندی و با بودجه کمتر در محیط های خشکی و فراساحلی با سرعت بالا. یک راه ساده برای توصیف من: ذهن یک دانشمند، قلب یک کاشف و روح یک هنرمند.
کلی المور یک معمار راه حل های تخصصی AI/ML در AWS است. پس از گذراندن ساعات زیادی در یک آزمایشگاه تحقیقات مواد، پیشینه او در مهندسی شیمی به سرعت رها شد و علاقه خود را به یادگیری ماشین دنبال کرد. او روی برنامه های کاربردی ML در بسیاری از صنایع مختلف از تجارت انرژی گرفته تا بازاریابی مهمان نوازی کار کرده است. کار فعلی Clay در AWS حول محور کمک به مشتریان برای آوردن شیوههای توسعه نرمافزار به ML و بارهای کاری هوش مصنوعی مولد است و به مشتریان امکان میدهد راهحلهای تکرارپذیر و مقیاسپذیر را در این محیطهای پیچیده بسازند. در اوقات فراغت خود، کلی از اسکی کردن، حل مکعب های روبیک، خواندن و آشپزی لذت می برد.
سینا سجودی یک مدیر اجرایی فناوری، مهندس سیستم، رهبر محصول، بنیانگذار سابق و مشاور راه اندازی است. او در مارس 2021 به عنوان یک معمار اصلی راه حل به AWS پیوست. سینا در حال حاضر معمار اصلی راه حل های منطقه ISV ایالات متحده و غرب است. او با شرکتهای نرمافزاری SaaS و B2B کار میکند تا کسبوکار خود را در AWS ایجاد و توسعه دهد. سینا پیش از نقش خود در آمازون، مدیر فناوری VMware و Pivotal Software (IPO در 2018، VMware M&A در 2020) بود و چندین نقش رهبری از جمله مهندس موسس در Xtreme Labs (خرید Pivotal در سال 2013) را بر عهده داشت. سینا 15 سال تجربه کاری خود را وقف ساختن پلتفرم ها و شیوه های نرم افزاری برای شرکت ها، کسب و کارهای نرم افزاری و بخش عمومی کرده است. او یک رهبر صنعت با اشتیاق به نوآوری است. سینا دارای مدرک لیسانس از دانشگاه واترلو است که در آنجا در رشته مهندسی برق و روانشناسی تحصیل کرده است.
ساندیپ روهیلا یک معمار ارشد راه حل در AWS است که از مشتریان ISV در منطقه غرب ایالات متحده پشتیبانی می کند. او بر کمک به مشتریان در راه حل های معمار با استفاده از کانتینرها و هوش مصنوعی مولد در ابر AWS تمرکز می کند. Sandeep مشتاق درک مشکلات تجاری مشتریان و کمک به آنها در دستیابی به اهداف خود از طریق فناوری است. او پس از بیش از یک دهه کار به عنوان معمار راه حل، به AWS پیوست و 17 سال تجربه خود را به ارمغان آورد. سندیپ دارای مدرک کارشناسی ارشد است. در مهندسی نرم افزار از دانشگاه غرب انگلستان در بریستول، انگلستان.
دکتر فاروق صابر یک معمار ارشد راه حل های متخصص هوش مصنوعی و یادگیری ماشین در AWS است. او دارای مدرک دکتری و کارشناسی ارشد در مهندسی برق از دانشگاه تگزاس در آستین و کارشناسی ارشد در علوم کامپیوتر از موسسه فناوری جورجیا است. او بیش از 15 سال سابقه کار دارد و همچنین دوست دارد به دانشجویان کالج تدریس و راهنمایی کند. او در AWS به مشتریان کمک می کند تا مشکلات تجاری خود را در زمینه علم داده، یادگیری ماشین، بینایی کامپیوتر، هوش مصنوعی، بهینه سازی عددی و حوزه های مرتبط فرموله و حل کنند. او و خانواده اش که در دالاس، تگزاس مستقر هستند، عاشق سفر و رفتن به سفرهای جاده ای طولانی هستند.
- 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/how-snaplogic-built-a-text-to-pipeline-application-with-amazon-bedrock-to-translate-business-intent-into-action/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 10
- 100
- 121
- 14
- سال 15
- ٪۱۰۰
- 150
- 17
- 1998
- 200
- 2013
- 2015
- 2017
- 2018
- 2020
- 2021
- 31
- 33
- 7
- 8
- 9
- a
- آرون
- توانایی
- قادر
- درباره ما
- دسترسی
- انجام دادن
- دقت
- رسیدن
- به دست آورد
- اکتساب
- در میان
- عمل
- عمل
- اقدامات
- فعال
- اضافه
- اضافه
- اضافی
- پیشرفته
- مزیت - فایده - سود - منفعت
- مشاور
- دفاع
- پس از
- AI
- سیستم های هوش مصنوعی
- مجهز به هوش مصنوعی
- AI / ML
- هدف
- اهداف
- الگوریتم
- معرفی
- مجاز
- اجازه دادن
- اجازه می دهد تا
- در امتداد
- در کنار
- قبلا
- همچنین
- آمازون
- آمازون خدمات وب
- مقدار
- an
- تجزیه و تحلیل
- و
- پاسخ
- پاسخ
- آنتروپیک
- هر
- API
- رابط های برنامه کاربردی
- کاربرد
- برنامه های کاربردی
- اعمال میشود
- روش
- برنامه های
- عربی
- معماری
- هستند
- محدوده
- مناطق
- دور و بر
- وارد
- هنر
- مصنوعی
- هوش مصنوعی
- هوش مصنوعی و یادگیری ماشین
- هنرمند
- AS
- پرسیدن
- خواهان
- دستیار
- مرتبط است
- At
- افزوده شده
- آستین
- نویسنده
- خودکار بودن
- خودکار
- بطور خودکار
- اتوماسیون
- در دسترس
- AWS
- مشتری AWS
- B2B
- زمینه
- حمایت
- پایه
- مستقر
- خط مقدم
- BE
- خرس
- شد
- زیرا
- شدن
- بوده
- قبل از
- آغاز شد
- شروع
- پشت سر
- بودن
- مزایای
- بهترین
- بهتر
- میان
- خارج از
- بزرگ
- بزرگ داده
- کتاب
- هر دو
- نسیم
- به ارمغان بیاورد
- آوردن
- به ارمغان می آورد
- بریستول
- پهن
- گسترده
- بودجه
- ساختن
- بنا
- می سازد
- ساخته
- کسب و کار
- کسب و کار
- اما
- by
- صدا
- نام
- CAN
- قابلیت های
- کاریابی
- مورد
- موارد
- مراکز
- زنجیر
- به چالش
- شانس
- مشخصات
- متهم
- شیمیایی
- رئیس
- انتخاب
- واضح
- نزدیک
- بسته
- ابر
- خوشه
- رمز
- برنامه نویسی
- همکاری کرد
- همکاری
- مجموعه
- کالج
- ترکیب
- ترکیب شده
- می آید
- تعهد
- شرکت
- شرکت
- مجبور
- اتمام
- پیچیده
- جامع
- کامپیوتر
- علم کامپیوتر
- چشم انداز کامپیوتر
- محاسبه
- مفاهیم
- پیکربندی
- اتصال
- ارتباط
- اتصالات
- همواره
- ظروف
- شامل
- محتوا
- تولید محتوا
- زمینه
- ادامه دادن
- قرارداد
- کمک
- محاورهای
- هسته
- اصلاح
- به درستی
- هزینه
- میتوانست
- دوره
- ایجاد
- ایجاد شده
- ایجاد
- خلاقیت
- بحرانی
- جاری
- در حال حاضر
- سفارشی
- مشتری
- مشتریان
- برش
- لبه برش
- دالاس
- داده ها
- پردازش داده ها
- علم اطلاعات
- پایگاه داده
- پایگاه های داده
- روز
- دهه
- کاهش
- اختصاصی
- عمیق
- عمیق تر
- دلاور
- نسخه ی نمایشی
- دموکراتیک کردن
- بخش
- مشتق
- توصیف
- شرح
- طرح
- طراحی
- میل
- مطلوب
- دقیق
- جزئیات
- توسعه دهندگان
- پروژه
- دستگاه ها
- گفتگو
- مختلف
- مستقیما
- توزیع شده
- سیستم های توزیع شده
- غواصی
- do
- اسناد و مدارک
- نمی کند
- عمل
- حوزه
- آیا
- پایین
- پیش نویس
- به شدت
- راندن
- دو
- هر
- آسان تر
- آسان ترین
- به آسانی
- اکوسیستم
- به طور موثر
- هر دو
- عناصر
- را قادر می سازد
- پایان
- پایان
- انرژی
- مهندس
- مهندسی
- انگلستان
- انگلیسی
- کافی
- اطمینان حاصل شود
- تضمین می کند
- وارد
- سرمایه گذاری
- نرمافزار سازمانی
- شرکت
- تمام
- به طور کامل
- کارآفرینی
- محیط
- برابر
- معادل
- خطا
- به خصوص
- حتی
- واضح است
- کاملا
- مثال
- مثال ها
- اکسل
- برانگیخته
- اجرایی
- موجود
- انتظار می رود
- منتظر
- تجربه
- کارشناس
- تخصص
- جستجوگر
- بررسی
- اضافی
- خیلی
- خانواده
- سریع در حال حرکت
- سریع گام
- ویژگی
- امکانات
- کمی از
- رشته
- زمینه
- فیلتر
- فیلتر
- فیلترها برای تصفیه آب
- پیدا می کند
- نام خانوادگی
- کشتی دریادار
- جریان
- جریانها
- تمرکز
- تمرکز
- تمرکز
- به دنبال
- پیروی
- به دنبال آن است
- مواد غذایی
- برای
- پیش بینی
- خط مقدم
- قالب
- اشکال
- به جلو
- یافت
- پایه
- تاسیس
- فرانسیسکو
- دوستانه
- از جانب
- تکمیل کنید
- کاملا
- تابع
- بیشتر
- آینده
- به دست آورد
- عموما
- تولید می کنند
- تولید
- تولید می کند
- مولد
- نسل
- مولد
- هوش مصنوعی مولد
- گرجستان
- دریافت کنید
- GIF
- داده
- Go
- اهداف
- می رود
- خوب
- فارغ التحصیل
- شدن
- راهنمایی
- بود
- دست
- بهره برداری
- آیا
- he
- قلب
- کمک
- کمک کرد
- مفید
- کمک
- کمک می کند
- اینجا کلیک نمایید
- با عملکرد بالا
- با کیفیت بالا
- های لایت
- خود را
- نگه داشتن
- دارای
- مهمان نوازی
- ساعت ها
- چگونه
- چگونه
- اما
- HTML
- HTTPS
- انسان
- فروتن
- شناسایی
- if
- نشان دادن
- بلافاصله
- تأثیر
- تأثیرگذار
- انجام
- مهم
- بهبود
- بهبود یافته
- بهبود
- in
- شامل
- مشمول
- از جمله
- افزایش
- مستقل
- نشان می دهد
- شاخص ها
- فرد
- لوازم
- صنعت
- اطلاعات
- ذاتی
- نوآوری
- ابداع
- ورودی
- ورودی
- فوری
- در عوض
- موسسه
- دستورالعمل
- یکپارچه
- ادغام
- یکپارچگی
- اطلاعات
- هوشمند
- قصد
- فعل و انفعالات
- تعاملی
- علاقه
- رابط
- داخلی
- به
- معرفی
- معرفی می کند
- مقدماتی
- IPO
- isv
- IT
- تکرار
- تکرار
- ITS
- جاوه
- کار
- پیوست
- پیوستن
- مشترک
- سفر
- لذت
- JPG
- json
- تنها
- کلید
- دانستن
- دانش
- شناخته شده
- می داند
- آزمایشگاه
- آزمایشگاه
- زبان
- زبان ها
- بزرگ
- نام
- بعد
- آخرین
- رهبری
- رهبر
- رهبری
- برجسته
- پرش
- آموخته
- یادگیری
- ترک کرد
- اجازه
- بهره برداری
- پسندیدن
- دوست دارد
- محدود کردن
- LLM
- منطق
- طولانی
- نگاه کنيد
- خیلی
- عشق
- M&A
- دستگاه
- فراگیری ماشین
- ماشین آلات
- ساخته
- ساخت
- باعث می شود
- ساخت
- اداره می شود
- مدیریت
- مدیر
- مدیران
- روش
- دستی
- بسیاری
- نقشه برداری
- مارس
- بازار
- بازار یابی (Marketing)
- کبریت
- مصالح
- me
- مربی
- تولید گزارشات تاریخی
- متاداده
- روش
- میلیون ها نفر
- ذهن
- دقیقه
- ماموریت
- ML
- مدل
- مدل
- MongoDB
- بیش
- اکثر
- حرکت
- MS
- چند پلتفرم
- چندگانه
- my
- نام
- طبیعی
- نیاز
- نیازهای
- جدید
- ویژگی های جدید
- محصول جدید
- بعد
- نه
- توجه داشته باشید
- اطلاع..
- اکنون
- هدف
- اشیاء
- رخ داده است
- of
- پیشنهادات
- غالبا
- on
- یک بار
- ONE
- فقط
- عملیاتی
- سیستم های عامل
- بهینه سازی
- بهینه سازی
- or
- سفارش
- سفارشات
- کدام سازمان ها
- سازمان های
- اصلی
- دیگر
- ما
- خارج
- نتیجه
- تولید
- خروجی
- روی
- صفحات
- موازی
- ویژه
- شریک
- همکاری
- شور
- احساساتی
- گذشته
- الگو
- انجام می دهد
- چشم انداز
- فاز
- دکترا
- قطعات
- پیشگام
- خط لوله
- محوری
- محل
- سکو
- سیستم عامل
- افلاطون
- هوش داده افلاطون
- PlatoData
- محبوب
- محبوبیت
- پست
- پتانسیل
- بالقوه
- قدرت
- صفحه اصلی
- تمرین
- شیوه های
- پیش بینی
- پیش بینی
- قبلی
- اصلی
- اصلی
- خلوت
- حریم خصوصی و امنیت
- مشکل
- مشکلات
- روش
- روند
- فرآیندهای
- در حال پردازش
- ساخته
- تولید می کند
- محصول
- توسعه محصول
- مدیریت تولید
- مدیر تولید
- محصولات
- حرفه ای
- معلم
- برنامه نويسي
- زبانهای برنامه نویسی
- پروژه ها
- پرسیدن
- اثبات شده
- ارائه
- ارائه
- فراهم می کند
- ارائه
- روانشناسی
- عمومی
- منتشر شده
- دنبال کردن
- پــایتــون
- نمایش ها
- سوال
- به سرعت
- تصادفی
- تصادفی بودن
- محدوده
- اعم
- سریع
- مطالعه
- تحقق بخشیدن
- قلمرو
- گرفتن
- تازه
- به رسمیت شناختن
- توصیه
- رکورد
- سوابق
- كاهش دادن
- را کاهش می دهد
- کاهش
- با توجه
- منطقه
- تجسم مجدد
- مربوط
- منتشر شد
- مربوط
- قابل اعتماد
- تکیه
- به یاد داشته باشید
- برداشتن
- ارائه شده
- قابل تکرار
- پاسخ
- نمایندگی
- نمایندگی
- نشان دهنده
- درخواست
- درخواست
- نیاز
- ضروری
- مورد نیاز
- نیاز
- تحقیق
- پاسخ
- پاسخ
- REST
- نتیجه
- نتایج
- برگشت
- بازده
- انقلابی کردن
- غنی
- راست
- جاده
- نقش
- نقش
- اتاق
- دویدن
- اجرا می شود
- SAAS
- ایمنی
- حکیم ساز
- سعید
- همان
- سان
- سان فرانسیسکو
- مقیاس پذیر
- مقیاس
- برنامه
- علم
- دانشمند
- خراش
- sdk
- جستجو
- دوم
- بخش
- بخش
- تیم امنیت لاتاری
- دیدن
- مشاهده گردید
- را انتخاب کنید
- در حال ارسال
- ارشد
- فرستاده
- دنباله
- خدمت کرده است
- سرویس
- خدمات
- خدمت
- جلسات
- تنظیم
- محیط
- چند
- باید
- نشان
- نشان داده شده
- نشان می دهد
- به طور قابل توجهی
- مشابه
- ساده
- ساده کردن
- ساده
- به سادگی
- پس از
- تنها
- کوچک
- So
- نرم افزار
- نرم افزار به عنوان یک سرویس
- توسعه دهندگان نرم افزار
- توسعه نرم افزار
- مهندسی نرم افزار
- راه حل
- مزایا
- حل
- حل کردن
- برخی از
- کسی
- مصنوعی
- منبع
- فضا
- اسپانیایی
- تنش
- متخصص
- خاص
- به طور خاص
- مشخص شده
- خرج کردن
- هزینه
- شروع
- آغاز شده
- شروع
- بیانیه
- وضعیت
- گام
- مراحل
- توقف
- ساده
- ساختار
- دانشجویان
- مورد مطالعه قرار
- موفقیت
- حمایت از
- پشتیبانی از
- مفروض
- مطمئن
- سیستم
- سیستم های
- جدول
- TAG
- گرفتن
- هدف
- کار
- وظایف
- تدریس کرد
- تیم
- تیم ها
- فن آوری
- راه اندازی فناوری
- فنی
- تکنیک
- تکنیک
- پیشرفته
- گفتن
- ده
- وابسته به تکزاس
- متن
- نسبت به
- که
- La
- غرب
- جهان
- شان
- آنها
- سپس
- اینها
- آنها
- اشیاء
- فکر می کنم
- این
- کسانی که
- از طریق
- سراسر
- زمان
- به
- امروز
- رمز
- نشانه
- گفته شده
- در زمان
- ابزار
- پی گیری
- مسیر
- رکورد
- تجارت
- به طور سنتی
- آموزش
- دگرگونی
- تبدیل می شود
- ترجمه کردن
- سفر
- سفر
- روند
- محاکمه
- ماشه
- راه اندازی
- درست
- کد واقعی
- تلاش
- عطف
- نوع
- ui
- Uk
- زیر
- فهمیدن
- درک
- درک می کند
- منحصر به فرد
- دانشگاه
- تا
- پرده برداری کرد
- نزدیک
- به روز شده
- بر
- us
- قابل استفاده
- استفاده کنید
- مورد استفاده
- استفاده
- کاربر
- سابقه کاربر
- کاربران
- استفاده
- با استفاده از
- معمولا
- ux
- مختلف
- فروشندگان
- نسخه
- بسیار
- از طريق
- دید
- بصری
- آموزش VMware
- صدا
- می خواهم
- بود
- مسیر..
- we
- وب
- خدمات وب
- هفته
- خوب
- بود
- غرب
- چی
- چه شده است
- چه زمانی
- که
- وسیع
- دامنه گسترده
- اراده
- پنجره
- با
- بدون
- مهاجرت کاری
- روز کار
- مشغول به کار
- گردش کار
- گردش کار
- کارگر
- با این نسخهها کار
- جهان
- جهان
- خواهد بود
- نوشتن
- XML
- سال
- سال
- شما
- شما
- یوتیوب
- زفیرنت