این یک پست مهمان از طرف است سرمایه مقیاس پذیر، یک فین تک پیشرو در اروپا که مدیریت ثروت دیجیتال و یک پلت فرم کارگزاری را با نرخ ثابت معاملاتی ارائه می دهد.
به عنوان یک شرکت با رشد سریع، اهداف Scalable Capital نه تنها ایجاد زیرساختی نوآورانه، قوی و قابل اعتماد است، بلکه ارائه بهترین تجربیات برای مشتریان خود، به ویژه در مورد خدمات مشتری است.
Scalable روزانه صدها درخواست ایمیل از مشتریان خود دریافت می کند. با پیاده سازی یک مدل پردازش زبان طبیعی مدرن (NLP)، فرآیند پاسخ بسیار کارآمدتر شکل گرفته است و زمان انتظار برای مشتریان به شدت کاهش یافته است. مدل یادگیری ماشینی (ML) درخواستهای مشتریان ورودی جدید را به محض رسیدن طبقهبندی میکند و آنها را به صفهای از پیش تعریفشده هدایت میکند، که به عوامل موفقیت مشتری اختصاصی ما اجازه میدهد تا بر روی محتوای ایمیلها بر اساس مهارتهای خود تمرکز کنند و پاسخهای مناسب را ارائه دهند.
در این پست، مزایای فنی استفاده از ترانسفورماتور Hugging Face را نشان میدهیم آمازون SageMakerمانند آموزش و آزمایش در مقیاس و افزایش بهره وری و کارایی هزینه.
بیان مسأله
سرمایه مقیاس پذیر یکی از سریع ترین فین تک های در حال رشد در اروپا است. این شرکت با هدف دموکراتیک کردن سرمایه گذاری، دسترسی آسان به بازارهای مالی را برای مشتریان خود فراهم می کند. مشتریان مقیاس پذیر می توانند به طور فعال در بازار از طریق پلت فرم معاملاتی کارگزاری شرکت شرکت کنند یا از مدیریت ثروت مقیاس پذیر برای سرمایه گذاری هوشمندانه و خودکار استفاده کنند. در سال 2021، سرمایه مقیاس پذیر افزایش ده برابری پایگاه مشتری خود را تجربه کرد، از ده ها هزار به صدها هزار.
برای ارائه تجربه کاربری باکلاس (و ثابت) به مشتریان خود در محصولات و خدمات مشتری، این شرکت به دنبال راه حل های خودکار برای ایجاد کارایی برای راه حل های مقیاس پذیر و در عین حال حفظ برتری عملیاتی بود. تیمهای خدمات مشتری و علم داده Scalable Capital شناسایی کردند که یکی از بزرگترین تنگناها در ارائه خدمات به مشتریان ما پاسخ دادن به سؤالات ایمیل است. به طور خاص، گلوگاه مرحله طبقه بندی بود که در آن کارمندان مجبور بودند متون درخواستی را به صورت روزانه بخوانند و برچسب گذاری کنند. پس از ارسال ایمیل ها به صف های مناسب، متخصصان مربوطه به سرعت وارد عمل شدند و موارد را حل و فصل کردند.
برای سادهسازی این فرآیند طبقهبندی، تیم علم داده در Scalable یک مدل NLP چند وظیفهای را با استفاده از معماری پیشرفته ترانسفورماتور، بر اساس از پیش آموزشدیده ساخته و به کار برد. distilbert-base-german-cased مدل منتشر شده توسط Hugging Face. distilbert-base-german-cased با استفاده از تقطیر دانش روشی برای پیشآموزش یک مدل نمایش زبان همه منظوره کوچکتر از مدل اصلی BERT. نسخه تقطیر شده عملکردی قابل مقایسه با نسخه اصلی دارد، در حالی که کوچکتر و سریعتر است. برای تسهیل فرآیند چرخه حیات ML خود، تصمیم گرفتیم SageMaker را برای ساخت، استقرار، ارائه و نظارت بر مدلهای خود بکار گیریم. در بخش زیر به معرفی طراحی معماری پروژه خود می پردازیم.
بررسی اجمالی راه حل
زیرساخت ML سرمایه مقیاس پذیر از دو حساب AWS تشکیل شده است: یکی به عنوان محیطی برای مرحله توسعه و دیگری برای مرحله تولید.
نمودار زیر گردش کار پروژه طبقهبندی ایمیل ما را نشان میدهد، اما میتواند به سایر پروژههای علم داده نیز تعمیم داده شود.
گردش کار از اجزای زیر تشکیل شده است:
- آزمایش مدل - دانشمندان داده استفاده می کنند Amazon SageMaker Studio برای انجام اولین گام ها در چرخه حیات علم داده: تجزیه و تحلیل داده های اکتشافی (EDA)، تمیز کردن و آماده سازی داده ها، و ساخت مدل های نمونه اولیه. هنگامی که مرحله اکتشافی کامل شد، ما به VSCode میزبانی شده توسط یک نوت بوک SageMaker به عنوان ابزار توسعه راه دور ما برای مدولار کردن و تولید پایه کد خود روی می آوریم. برای بررسی انواع مختلف مدلها و پیکربندیهای مدل، و در عین حال برای پیگیری آزمایشهای خود، از SageMaker Training و SageMaker Experiments استفاده میکنیم.
- ساخت مدل - بعد از اینکه در مورد مدلی برای مورد استفاده تولید خود تصمیم گرفتیم، در این مورد یک کار چند کاره distilbert-base-german-cased مدل، بهخوبی تنظیم شده از مدل از پیش آموزشدیده Hugging Face، کد خود را به شعبه توسعه Github متعهد و فشار میدهیم. رویداد ادغام Github خط لوله Jenkins CI ما را راه اندازی می کند، که به نوبه خود یک کار SageMaker Pipelines را با داده های آزمایشی شروع می کند. این به عنوان آزمایشی عمل می کند تا مطمئن شود که کدها مطابق انتظار اجرا می شوند. یک نقطه پایانی آزمایشی برای اهداف آزمایشی مستقر شده است.
- استقرار مدل - پس از اطمینان از اینکه همه چیز طبق انتظار اجرا می شود، دانشمندان داده شاخه توسعه را در شاخه اولیه ادغام می کنند. این رویداد ادغام اکنون یک کار SageMaker Pipelines را با استفاده از داده های تولید برای اهداف آموزشی راه اندازی می کند. پس از آن، مصنوعات مدل تولید و در یک خروجی ذخیره می شوند سرویس ذخیره سازی ساده آمازون (Amazon S3) سطل، و نسخه مدل جدید در رجیستری مدل SageMaker وارد شده است. دانشمندان داده عملکرد مدل جدید را بررسی می کنند، سپس تایید می کنند که آیا مطابق با انتظارات است. رویداد تایید مدل توسط پل رویداد آمازون، که سپس مدل را در یک نقطه پایانی SageMaker در محیط تولید مستقر می کند.
- MLO ها – از آنجایی که نقطه پایانی SageMaker خصوصی است و توسط سرویسهای خارج از VPC قابل دسترسی نیست AWS لامبدا عملکرد و دروازه API آمازون نقطه پایان عمومی برای ارتباط با CRM مورد نیاز است. هر زمان که ایمیلهای جدیدی به صندوق ورودی CRM میرسند، CRM نقطه پایانی عمومی API Gateway را فراخوانی میکند که به نوبه خود تابع Lambda را برای فراخوانی نقطه پایانی خصوصی SageMaker فعال میکند. سپس این تابع طبقه بندی را از طریق نقطه پایانی عمومی API Gateway به CRM بازگرداند. برای نظارت بر عملکرد مدل مستقر شده خود، ما یک حلقه بازخورد بین CRM و دانشمندان داده پیادهسازی میکنیم تا معیارهای پیشبینی مدل را پیگیری کنیم. به صورت ماهانه، CRM داده های تاریخی مورد استفاده برای آزمایش و آموزش مدل را به روز می کند. ما استفاده می کنیم آمازون گردش های کاری را برای Apache Airflow مدیریت کرد (Amazon MWAA) به عنوان زمانبندی برای بازآموزی ماهانه ما.
در بخشهای بعدی، مراحل آمادهسازی داده، آزمایش مدل و استقرار مدل را با جزئیات بیشتر بیان میکنیم.
آماده سازی داده ها
سرمایه مقیاس پذیر از یک ابزار CRM برای مدیریت و ذخیره داده های ایمیل استفاده می کند. محتوای ایمیل مربوطه شامل موضوع، بدنه و بانک های متولی است. سه برچسب برای اختصاص دادن به هر ایمیل وجود دارد: ایمیل از کدام حوزه تجاری است، کدام صف مناسب است و موضوع خاص ایمیل.
قبل از شروع آموزش هر مدل NLP، مطمئن میشویم که دادههای ورودی تمیز هستند و برچسبها مطابق انتظار تخصیص داده میشوند.
برای بازیابی محتویات درخواستی تمیز از کلاینتهای مقیاسپذیر، دادههای ایمیل خام و متن و نمادهای اضافی مانند امضای ایمیل، impressums، نقل قولهای پیامهای قبلی در زنجیرههای ایمیل، نمادهای CSS و غیره را از ایمیلهای خام حذف میکنیم. در غیر این صورت، مدل های آموزش دیده آینده ما ممکن است عملکرد ضعیفی را تجربه کنند.
برچسبها برای ایمیلها در طول زمان تکامل مییابند زیرا تیمهای خدمات مشتری مقیاسپذیر برچسبهای جدیدی را اضافه میکنند و موارد موجود را اصلاح یا حذف میکنند تا نیازهای تجاری را برآورده کنند. برای اطمینان از به روز بودن برچسب ها برای داده های آموزشی و همچنین طبقه بندی های مورد انتظار برای پیش بینی، تیم علم داده در همکاری نزدیک با تیم خدمات مشتری برای اطمینان از صحت برچسب ها کار می کند.
آزمایش مدل
ما آزمایش خود را با از قبل آموزش دیده آماده شروع می کنیم distilbert-base-german-cased مدل منتشر شده توسط Hugging Face. از آنجایی که مدل از پیش آموزش داده شده یک مدل بازنمایی زبان همه منظوره است، میتوانیم معماری را برای انجام وظایف پایین دستی خاص - مانند طبقهبندی و پاسخگویی به سؤال - با اتصال سرهای مناسب به شبکه عصبی تطبیق دهیم. در مورد استفاده ما، وظیفه پایین دستی که به آن علاقه مندیم طبقه بندی دنباله است. بدون تغییر در معماری موجود، ما تصمیم داریم سه مدل از پیش آموزش دیده جداگانه را برای هر یک از دسته های مورد نیاز خود تنظیم کنیم. با ظروف آموزش عمیق SageMaker در آغوش گرفتن صورت (DLC)، شروع و مدیریت آزمایشات NLP با ظروف Hugging Face و SageMaker Experiments API ساده شده است.
کد زیر یک قطعه کد است train.py
:
کد زیر تخمینگر Hugging Face است:
برای اعتبارسنجی مدلهای تنظیمشده، از امتیاز F1 به دلیل ماهیت نامتعادل مجموعه داده ایمیل ما، اما همچنین برای محاسبه سایر معیارها مانند دقت، دقت و یادآوری. برای اینکه SageMaker Experiments API معیارهای شغل آموزشی را ثبت کند، ابتدا باید معیارها را به کنسول محلی شغل آموزشی وارد کنیم که توسط CloudWatch آمازون. سپس فرمت regex صحیح را برای ثبت گزارش های CloudWatch تعریف می کنیم. تعاریف متریک شامل نام معیارها و اعتبارسنجی regex برای استخراج معیارها از شغل آموزشی است:
به عنوان بخشی از تکرار آموزشی برای مدل طبقهبندیکننده، ما از یک ماتریس سردرگمی و گزارش طبقهبندی برای ارزیابی نتیجه استفاده میکنیم. شکل زیر ماتریس سردرگمی را برای خط پیش بینی کسب و کار نشان می دهد.
تصویر زیر نمونه ای از گزارش طبقه بندی برای خط پیش بینی کسب و کار را نشان می دهد.
به عنوان تکرار بعدی آزمایش خود، از مزایای آن استفاده خواهیم کرد یادگیری چند وظیفه ای برای بهبود مدل خود یادگیری چند وظیفه ای شکلی از آموزش است که در آن یک مدل یاد می گیرد چندین کار را به طور همزمان حل کند، زیرا اطلاعات مشترک بین کارها می تواند کارایی یادگیری را بهبود بخشد. با اتصال دو سر طبقهبندی دیگر به معماری دیستیلبرت اصلی، میتوانیم تنظیم دقیق چند کار را انجام دهیم که معیارهای معقولی را برای تیم خدمات مشتری ما به دست میآورد.
استقرار مدل
در مورد استفاده ما، طبقهبندیکننده ایمیل باید در یک نقطه پایانی مستقر شود، که خط لوله CRM ما میتواند دستهای از ایمیلهای طبقهبندینشده را ارسال کند و پیشبینیها را پس بگیرد. از آنجایی که ما منطق های دیگری مانند پاک کردن داده های ورودی و پیش بینی های چند وظیفه ای داریم، علاوه بر استنتاج مدل Hugging Face، باید یک اسکریپت استنتاج سفارشی بنویسیم که به آن پایبند باشد. استاندارد SageMaker.
کد زیر یک قطعه کد است inference.py
:
وقتی همه چیز آماده و آماده شد، از SageMaker Pipelines برای مدیریت خط لوله آموزشی خود استفاده می کنیم و آن را به زیرساخت خود متصل می کنیم تا راه اندازی MLOps خود را تکمیل کنیم.
برای نظارت بر عملکرد مدل مستقر شده، ما یک حلقه بازخورد ایجاد میکنیم تا CRM را قادر میسازد تا وضعیت ایمیلهای طبقهبندیشده را هنگام بسته شدن پروندهها به ما ارائه دهد. بر اساس این اطلاعات، ما تنظیماتی را برای بهبود مدل مستقر انجام می دهیم.
نتیجه
در این پست، ما به اشتراک گذاشتیم که چگونه SageMaker تیم علم داده در Scalable را برای مدیریت کارآمد چرخه حیات یک پروژه علم داده، یعنی پروژه طبقهبندی ایمیل، تسهیل میکند. چرخه حیات با مرحله اولیه تجزیه و تحلیل داده ها و اکتشاف با SageMaker Studio شروع می شود. به سمت آزمایش و استقرار مدل با آموزش SageMaker، استنتاج و DLC های Hugging Face حرکت می کند. و با یک خط لوله آموزشی با SageMaker Pipelines یکپارچه شده با سایر خدمات AWS تکمیل می شود. به لطف این زیرساخت، ما میتوانیم مدلهای جدید را بهطور کارآمدتری تکرار و اجرا کنیم، و بنابراین میتوانیم فرآیندهای موجود در مقیاسپذیر و همچنین تجربیات مشتریان خود را بهبود بخشیم.
برای کسب اطلاعات بیشتر در مورد Hugging Face و SageMaker، به منابع زیر مراجعه کنید:
درباره نویسنده
دکتر ساندرا اشمید رئیس تجزیه و تحلیل داده ها در Scalable GmbH است. او مسئول رویکردهای داده محور و موارد استفاده در شرکت همراه با تیم هایش است. تمرکز اصلی او یافتن بهترین ترکیب از مدلهای یادگیری ماشین و علم داده و اهداف تجاری به منظور به دست آوردن ارزش تجاری و کارایی بیشتر از دادهها است.
هوی دانگ دانشمند داده در Scalable GmbH. مسئولیتهای او شامل تجزیه و تحلیل دادهها، ساخت و استقرار مدلهای یادگیری ماشین، و همچنین توسعه و نگهداری زیرساختها برای تیم علم داده است. او در اوقات فراغت خود از خواندن، پیاده روی، صخره نوردی و به روز بودن با آخرین پیشرفت های یادگیری ماشین لذت می برد.
میا چانگ یک معمار راه حل های تخصصی ML برای خدمات وب آمازون است. او با مشتریان در EMEA کار می کند و بهترین شیوه ها را برای اجرای بارهای کاری AI/ML در فضای ابری با پیشینه خود در ریاضیات کاربردی، علوم کامپیوتر و AI/ML به اشتراک می گذارد. او بر حجم کاری خاص NLP تمرکز می کند و تجربه خود را به عنوان سخنران کنفرانس و نویسنده کتاب به اشتراک می گذارد. او در اوقات فراغت خود از یوگا، بازی های رومیزی و دم کردن قهوه لذت می برد.
موریتز گورتلر یک مدیر حساب در بخش مشاغل بومی دیجیتال در AWS است. او بر مشتریان در فضای فینتک تمرکز میکند و از آنها در تسریع نوآوری از طریق زیرساخت ابری امن و مقیاسپذیر حمایت میکند.
- 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.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- ChartPrime. بازی معاملاتی خود را با ChartPrime ارتقا دهید. دسترسی به اینجا.
- BlockOffsets. نوسازی مالکیت افست زیست محیطی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/accelerate-client-success-management-through-email-classification-with-hugging-face-on-amazon-sagemaker/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 100
- 13
- ٪۱۰۰
- 17
- 2021
- ٪۱۰۰
- 32
- 500
- 7
- a
- قادر
- درباره ما
- بالاتر
- شتاب دادن
- تسریع
- پذیرفتن
- دسترسی
- تطبیق
- مطابق
- حساب
- حساب ها
- دقت
- دستیابی به
- در میان
- فعالانه
- اعمال
- وفق دادن
- اضافه کردن
- اضافه
- تنظیمات
- اتخاذ
- مزیت - فایده - سود - منفعت
- پس از
- بعد از آن
- عاملان
- AI / ML
- هدف
- اجازه می دهد تا
- همچنین
- آمازون
- آمازون SageMaker
- آمازون خدمات وب
- در میان
- an
- تحلیل
- علم تجزیه و تحلیل
- و
- هر
- آپاچی
- API
- اعمال می شود
- رویکردها
- مناسب
- تصویب
- تصویب
- معماری
- هستند
- استدلال
- AS
- اختصاص داده
- At
- ضمیمه کردن
- نویسنده
- خودکار
- در دسترس
- AWS
- به عقب
- زمینه
- بانک
- پایه
- مستقر
- اساس
- BE
- زیرا
- بوده
- بودن
- مزایای
- بهترین
- بهترین شیوه
- میان
- تخته
- بازی ها و بنگاه
- بدن
- کتاب
- شاخه
- شکستن
- حق العمل
- ساختن
- بنا
- ساخته
- کسب و کار
- کسب و کار
- اما
- by
- CAN
- سرمایه
- سرمایه
- گرفتن
- اسیر
- حمل
- مورد
- موارد
- دسته
- زنجیر
- طبقه بندی
- طبقه بندی
- تمیز کاری
- مشتری
- مشتریان
- بالا رونده
- نزدیک
- بسته
- ابر
- زیرساخت های ابری
- رمز
- پایه کد
- کد
- کشت
- همکاری
- ترکیب
- می آید
- مرتکب شدن
- ارتباط
- شرکت
- شرکت
- قابل مقایسه
- کامل
- تکمیل شده
- اجزاء
- محاسبه
- کامپیوتر
- علم کامپیوتر
- کنفرانس
- گیجی
- استوار
- تشکیل شده است
- کنسول
- ظروف
- محتوا
- محتویات
- اصلاح
- CRM
- CSS
- نگهبان
- سفارشی
- مشتری
- مشتریان
- روزانه
- داده ها
- تحلیل داده ها
- تجزیه و تحلیل داده ها
- آماده سازی داده ها
- علم اطلاعات
- دانشمند داده
- داده محور
- تاریخ
- تصمیم گیری
- مصمم
- اختصاصی
- عمیق
- یادگیری عمیق
- به طور پیش فرض
- تعريف كردن
- مشخص
- تعاریف
- دموکراتیک کردن
- نشان دادن
- گسترش
- مستقر
- استقرار
- گسترش
- مستقر می کند
- طرح
- جزئیات
- توسعه
- در حال توسعه
- پروژه
- تحولات
- مختلف
- دیجیتال
- مدیریت ثروت دیجیتال
- پایین
- دو
- هر
- ساده
- بازده
- موثر
- دیگر
- پست الکترونیک
- ایمیل
- EMEA
- کارکنان
- قادر ساختن
- نقطه پایانی
- مشغول
- اطمینان حاصل شود
- محیط
- دوره
- به خصوص
- اروپا
- ارزیابی
- ارزیابی
- واقعه
- همه چیز
- تکامل یابد
- معاینه کردن
- مثال
- برتری
- اجرایی
- موجود
- انتظار
- انتظارات
- انتظار می رود
- تجربه
- با تجربه
- تجارب
- تجربه
- آزمایش
- اکتشاف
- تجزیه و تحلیل داده های اکتشافی
- اکتشاف
- اضافی
- f1
- چهره
- تسهیل کردن
- تسهیل می کند
- روش
- سریعتر
- سریعترین
- سریع ترین رشد
- باز خورد
- شکل
- مالی
- پیدا کردن
- fintech
- fintechs
- نام خانوادگی
- مراحل اول
- صاف
- تمرکز
- تمرکز
- پیروی
- برای
- فرم
- قالب
- رایگان
- از جانب
- تابع
- آینده
- افزایش
- بازیها
- دروازه
- همه منظوره
- تولید می کنند
- دریافت کنید
- GitHub
- GmBH
- اهداف
- در حال رشد
- مهمان
- پست مهمان
- بود
- آیا
- he
- سر
- سر
- او
- خود را
- تاریخی
- میزبانی
- چگونه
- HTML
- HTTP
- HTTPS
- صدها نفر
- شناسایی
- if
- انجام
- اجرای
- بهبود
- in
- شامل
- وارد شونده
- افزایش
- افزایش
- اطلاعات
- شالوده
- اول
- ابداع
- ابتکاری
- ورودی
- سوالات
- پرس و جو
- یکپارچه
- هوشمند
- علاقه مند
- به
- معرفی
- سرمایه گذاری
- سرمایه گذاری
- فراخوانی میکند
- IT
- تکرار
- ITS
- کار
- json
- نگاه داشتن
- کلید
- برچسب
- برچسب ها
- زبان
- بزرگترین
- آخرین
- برجسته
- یاد گرفتن
- یادگیری
- wifecycwe
- لاین
- بار
- محلی
- ورود به سیستم
- سیستم وارد
- به دنبال
- خاموش
- دستگاه
- فراگیری ماشین
- ساخته
- حفظ
- ساخت
- ساخت
- مدیریت
- اداره می شود
- مدیریت
- مدیریت
- بازار
- بازارها
- ریاضیات
- ماتریس
- ادغام کردن
- رویداد ادغام
- پیام
- روش
- متری
- متریک
- قدرت
- ML
- MLO ها
- مدل
- مدل
- مدرن
- مانیتور
- ماهیانه
- بیش
- حرکت می کند
- بسیار
- چندگانه
- نام
- از جمله
- بومی
- طبیعی
- پردازش زبان طبیعی
- طبیعت
- نیاز
- نیازهای
- شبکه
- عصبی
- شبکه های عصبی
- جدید
- بعد
- nlp
- دفتر یادداشت
- اکنون
- عدد
- of
- پیشنهادات
- on
- ONE
- آنهایی که
- فقط
- قابل استفاده
- or
- سفارش
- اصلی
- دیگر
- در غیر این صورت
- ما
- خارج
- تولید
- خارج از
- روی
- بخش
- شرکت کردن
- انجام
- کارایی
- فاز
- برگزیده
- خط لوله
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- ممکن
- پست
- شیوه های
- دقت
- پیش گویی
- پیش بینی
- تهیه
- قبلی
- اصلی
- خصوصی
- روند
- فرآیندهای
- در حال پردازش
- ساخته
- تولید
- بهره وری
- محصولات
- پروژه
- پروژه ها
- مناسب
- نمونه اولیه
- ارائه
- فراهم می کند
- عمومی
- منتشر شده
- اهداف
- فشار
- سوال
- به سرعت
- نقل قول
- بالا بردن
- نرخ
- خام
- رسیده
- خواندن
- مطالعه
- اماده
- معقول
- دریافت
- سوابق
- کاهش
- مراجعه
- خالص کردن
- regex
- ثبت نام
- رجیستری
- مربوط
- قابل اعتماد
- دور
- برداشتن
- گزارش
- نمایندگی
- درخواست
- درخواست
- ضروری
- مصمم
- منابع
- قابل احترام
- پاسخ دادن
- پاسخ
- پاسخ
- مسئولیت
- مسئوليت
- نتیجه
- برگشت
- تنومند
- سنگ
- در حال اجرا
- حکیم ساز
- خطوط لوله SageMaker
- همان
- مقیاس پذیر
- مقیاس
- علم
- دانشمند
- دانشمندان
- خط
- بخش
- بخش
- امن
- بخش
- ارسال
- جداگانه
- دنباله
- خدمت
- سرویس
- خدمات
- برپایی
- شکل
- به اشتراک گذاشته شده
- سهام
- او
- نشان می دهد
- امضا
- ساده
- به طور همزمان
- مهارت ها
- کوچکتر
- قطعه
- So
- راه حل
- مزایا
- حل
- بزودی
- فضا
- گوینده
- متخصص
- متخصصان
- خاص
- به طور خاص
- صحنه
- شروع
- راه افتادن
- شروع می شود
- وضعیت هنر
- وضعیت
- اقامت
- گام
- مراحل
- ذخیره سازی
- ذخیره شده
- ذخیره سازی
- ساده کردن
- استودیو
- موضوع
- موفقیت
- چنین
- پشتیبانی از
- مطمئن
- گرفتن
- کار
- وظایف
- تیم
- تیم ها
- فنی
- ده ها
- آزمون
- تست
- متن
- نسبت به
- با تشکر
- که
- La
- شان
- آنها
- سپس
- آنجا.
- از این رو
- آنها
- این
- هزاران نفر
- سه
- از طریق
- زمان
- به
- با هم
- ابزار
- موضوع
- مشعل
- مسیر
- تجارت
- بستر های نرم افزاری تجارت
- قطار
- آموزش دیده
- آموزش
- ترانسفورماتور
- ترانسفورماتور
- فوق العاده
- دور زدن
- دو
- نوع
- انواع
- به روز رسانی
- us
- استفاده کنید
- مورد استفاده
- استفاده
- کاربر
- سابقه کاربر
- استفاده
- با استفاده از
- تصدیق
- اعتبار سنجی
- ارزش
- نسخه
- منتظر
- بود
- we
- ثروت
- مدیریت ثروت
- وب
- خدمات وب
- خوب
- بود
- چه زمانی
- هر زمان که
- که
- در حین
- با
- در داخل
- بدون
- گردش کار
- گردش کار
- با این نسخهها کار
- نوشتن
- ریاضت
- زفیرنت