در اولین پست از این سری سه قسمتی، راهحلی ارائه کردیم که نشان میدهد چگونه میتوانید با استفاده از AWS AI و خدمات یادگیری ماشینی (ML) برای یک مورد استفاده از وام مسکن، دستکاری و تقلب در اسناد را بهطور خودکار شناسایی کنید.
در پست دوم، ما رویکردی را برای توسعه یک مدل بینایی کامپیوتری مبتنی بر یادگیری عمیق برای شناسایی و برجسته کردن تصاویر جعلی در پذیرهنویسی وام مسکن مورد بحث قرار دادیم.
در این پست، ما راه حلی برای خودکارسازی تشخیص تقلب در اسناد وام مسکن با استفاده از مدل ML و قوانین تعریف شده توسط تجارت ارائه می کنیم. ردیاب تقلب آمازون.
بررسی اجمالی راه حل
ما از Amazon Fraud Detector، یک سرویس تشخیص کلاهبرداری کاملاً مدیریت شده، برای شناسایی خودکار فعالیت های جعلی استفاده می کنیم. با هدف بهبود دقت پیشبینی تقلب با شناسایی فعالانه تقلب در اسناد، و در عین حال بهبود دقت تعهدنامه، Amazon Fraud Detector به شما کمک میکند مدلهای تشخیص تقلب سفارشی را با استفاده از مجموعه دادههای تاریخی بسازید، منطق تصمیمگیری سفارشی را با استفاده از موتور قوانین داخلی پیکربندی کنید، و تصمیمگیری ریسک را هماهنگ کنید. گردش کار با کلیک یک دکمه
نمودار زیر هر مرحله از خط لوله تشخیص تقلب در اسناد وام مسکن را نشان می دهد.
اکنون سومین جزء خط لوله تشخیص تقلب در اسناد وام مسکن را پوشش خواهیم داد. مراحل استقرار این کامپوننت به شرح زیر است:
- داده های تاریخی را بارگذاری کنید سرویس ذخیره سازی ساده آمازون (Amazon S3).
- گزینه های خود را انتخاب کنید و مدل را آموزش دهید.
- مدل را ایجاد کنید.
- بررسی عملکرد مدل
- مدل را مستقر کنید.
- یک آشکارساز ایجاد کنید.
- قوانینی را برای تفسیر نمرات مدل اضافه کنید.
- API را برای پیش بینی ها مستقر کنید.
پیش نیازها
مراحل زیر برای این راه حل ضروری است:
- برای یک حساب AWS ثبت نام کنید.
- مجوزهایی را تنظیم کنید که به حساب AWS شما اجازه دسترسی به آشکارساز تقلب آمازون را بدهد.
- دادههای تقلب تاریخی را جمعآوری کنید تا از آن برای آموزش مدل آشکارساز تقلب استفاده شود، با شرایط زیر:
- داده ها باید در قالب CSV و دارای هدر باشند.
- دو سربرگ لازم است:
EVENT_TIMESTAMP
وEVENT_LABEL
. - داده ها باید در آمازون S3 در یک منطقه AWS که توسط این سرویس پشتیبانی می شود، وجود داشته باشد.
- به شدت توصیه می شود قبل از تمرین، یک نمایه داده اجرا کنید (از یک پروفایل خودکار داده برای آشکارساز تقلب آمازون).
- توصیه می شود حداقل از 3 تا 6 ماه داده استفاده کنید.
- زمان می برد تا تقلب به بلوغ برسد. داده های 1 تا 3 ماهه توصیه می شود (خیلی جدید نیست).
- برخی از NULL ها و مقادیر از دست رفته قابل قبول هستند (اما خیلی زیاد است و متغیر نادیده گرفته می شود، همانطور که در نوع متغیر وجود ندارد یا نادرست است).
داده های تاریخی را در آمازون S3 بارگذاری کنید
پس از اینکه فایلهای دادههای تاریخی سفارشی را برای آموزش مدل آشکارساز تقلب در اختیار دارید، یک سطل S3 ایجاد کنید و دادهها را در سطل آپلود کنید.
گزینه ها را انتخاب کنید و مدل را آموزش دهید
گام بعدی برای ساخت و آموزش یک مدل آشکارساز تقلب، تعریف فعالیت تجاری (رویداد) برای ارزیابی تقلب است. تعریف یک رویداد شامل تنظیم متغیرها در مجموعه داده شما، موجودیتی است که رویداد را آغاز می کند و برچسب هایی که رویداد را طبقه بندی می کند.
مراحل زیر را برای تعریف یک رویداد تقلب در اسناد برای کشف تقلب در اسناد، که توسط وام مسکن متقاضی نهاد آغاز می شود، با اشاره به درخواست وام مسکن جدید تکمیل کنید:
- در کنسول آمازون Fraud Detector، را انتخاب کنید رویدادها در صفحه ناوبری
- را انتخاب کنید ساختن.
- تحت جزئیات نوع رویداد، وارد
docfraud
نام رویداد را تایپ کرده و به صورت اختیاری شرح رویداد را وارد کنید. - را انتخاب کنید موجودیت ایجاد کنید.
- بر موجودیت ایجاد کنید صفحه، وارد کنید
applicant_mortgage
به عنوان نام نوع موجودیت و به صورت اختیاری، شرحی از نوع موجودیت وارد کنید. - را انتخاب کنید موجودیت ایجاد کنید.
- تحت متغیرهای رویداد، برای نحوه تعریف متغیرهای این رویداد را انتخاب کنید، انتخاب کنید متغیرها را از مجموعه داده آموزشی انتخاب کنید.
- برای نقش IAM، انتخاب کنید نقش IAM را ایجاد کنید.
- بر نقش IAM را ایجاد کنید در صفحه، نام سطل S3 را با داده های مثال خود وارد کرده و انتخاب کنید نقش ایجاد کنید.
- برای مکان داده، مسیر داده های تاریخی خود را وارد کنید. این مسیر URI S3 است که پس از آپلود داده های تاریخی ذخیره کرده اید. مسیر مشابه است
S3://your-bucket-name/example dataset filename.csv
. - را انتخاب کنید بارگذاری.
متغیرها عناصر داده ای را نشان می دهند که می خواهید در پیش بینی کلاهبرداری استفاده کنید. این متغیرها را می توان از مجموعه داده رویدادی که برای آموزش مدل خود آماده کردید، از خروجی های امتیاز ریسک مدل آشکارساز تقلب آمازون یا از آمازون SageMaker مدل ها. برای اطلاعات بیشتر در مورد متغیرهای گرفته شده از مجموعه داده رویداد، رجوع کنید به نیازهای مجموعه داده رویداد را با استفاده از کاوشگر مدل های داده دریافت کنید.
- تحت برچسب ها - اختیاری، برای برچسب ها، انتخاب کنید برچسب های جدید ایجاد کنید.
- بر ایجاد برچسب صفحه، وارد کنید
fraud
به عنوان نام. این برچسب با مقداری مطابقت دارد که نشان دهنده برنامه تقلبی وام مسکن در مجموعه داده نمونه است. - را انتخاب کنید ایجاد برچسب.
- یک برچسب دوم به نام ایجاد کنید
legit
. این برچسب با مقداری مطابقت دارد که برنامه قانونی وام مسکن را در مجموعه داده مثال نشان می دهد. - را انتخاب کنید ایجاد نوع رویداد.
تصویر زیر جزئیات نوع رویداد ما را نشان می دهد.
تصویر زیر متغیرهای ما را نشان می دهد.
تصویر زیر برچسب های ما را نشان می دهد.
مدل را ایجاد کنید
پس از بارگیری داده های تاریخی و انتخاب گزینه های مورد نیاز برای آموزش یک مدل، مراحل زیر را برای ایجاد یک مدل تکمیل کنید:
- در کنسول آمازون Fraud Detector، را انتخاب کنید مدل در صفحه ناوبری
- را انتخاب کنید اضافه کردن مدل، و سپس انتخاب کنید مدل ایجاد کنید.
- بر جزئیات مدل را تعریف کنید صفحه، وارد کنید
mortgage_fraud_detection_model
به عنوان نام مدل و شرح اختیاری مدل. - برای نوع مدل، انتخاب بینش کلاهبرداری آنلاین مدل.
- برای نوع رویداد، انتخاب کنید
docfraud
. این نوع رویدادی است که قبلا ایجاد کردید. - در داده های رویداد تاریخی بخش، اطلاعات زیر را ارائه دهید:
- برای منبع داده رویداد، انتخاب کنید داده های رویداد ذخیره شده در S3 (یا AFD) آپلود شده است.
- برای نقش IAM، نقشی را که قبلا ساخته اید انتخاب کنید.
- برای مکان داده های آموزشی، مسیر S3 URI را به فایل داده نمونه خود وارد کنید.
- را انتخاب کنید بعدی.
- در ورودی های مدل بخش، تمام چک باکس ها را علامت بزنید. به طور پیشفرض، Amazon Fraud Detector از تمام متغیرهای مجموعه داده رویداد تاریخی شما به عنوان ورودی مدل استفاده میکند.
- در طبقه بندی برچسب بخش، برای برچسب های تقلب، انتخاب کنید
fraud
، که مربوط به مقداری است که رویدادهای تقلبی را در مجموعه داده مثال نشان می دهد. - برای برچسب های قانونی، انتخاب کنید
legit
، که مربوط به مقداری است که رویدادهای قانونی را در مجموعه داده مثال نشان می دهد. - برای رویدادهای بدون برچسب، انتخاب پیش فرض را حفظ کنید رویدادهای بدون برچسب را نادیده بگیرید برای این مجموعه داده نمونه
- را انتخاب کنید بعدی.
- تنظیمات خود را مرور کنید، سپس انتخاب کنید ایجاد و آموزش مدل.
Amazon Fraud Detector یک مدل ایجاد می کند و شروع به آموزش نسخه جدیدی از مدل می کند.
بر نسخه های مدل صفحه ، وضعیت ستون وضعیت آموزش مدل را نشان می دهد. آموزش مدلی که از مجموعه داده مثال استفاده می کند تقریباً 45 دقیقه طول می کشد. وضعیت تغییر می کند آماده استقرار پس از اتمام آموزش مدل
بررسی عملکرد مدل
پس از تکمیل آموزش مدل، ردیاب تقلب آمازون با استفاده از 15 درصد از داده های شما که برای آموزش مدل استفاده نشده است، عملکرد مدل را تأیید می کند و ابزارهای مختلفی از جمله نمودار توزیع امتیاز و ماتریس سردرگمی را برای ارزیابی عملکرد مدل ارائه می دهد.
برای مشاهده عملکرد مدل، مراحل زیر را انجام دهید:
- در کنسول آمازون Fraud Detector، را انتخاب کنید مدل در صفحه ناوبری
- مدلی را که به تازگی آموزش داده اید انتخاب کنید (
sample_fraud_detection_model
، سپس انتخاب کنید 1.0. این نسخه ای است که آشکارساز تقلب آمازون از مدل شما ایجاد کرده است. - بررسی کنید عملکرد مدل امتیاز کلی و سایر معیارهایی که آشکارساز تقلب آمازون برای این مدل ایجاد کرده است.
مدل را مستقر کنید
پس از اینکه معیارهای عملکرد مدل آموزش دیده خود را بررسی کردید و آماده استفاده از آن برای ایجاد پیشبینی تقلب شدید، میتوانید مدل را اجرا کنید:
- در کنسول آمازون Fraud Detector، را انتخاب کنید مدل در صفحه ناوبری
- مدل را انتخاب کنید
sample_fraud_detection_model
و سپس نسخه مدل خاصی را که می خواهید اجرا کنید انتخاب کنید. برای این پست، انتخاب کنید 1.0. - بر نسخه مدل صفحه، در اعمال منو ، انتخاب کنید استقرار نسخه مدل.
بر نسخه های مدل صفحه ، وضعیت وضعیت استقرار را نشان می دهد. وضعیت تغییر می کند فعال زمانی که استقرار کامل شد این نشان می دهد که نسخه مدل برای ایجاد پیش بینی تقلب فعال و در دسترس است.
یک آشکارساز ایجاد کنید
پس از استقرار مدل، یک آشکارساز برای آن می سازید docfraud
رویداد را تایپ کرده و مدل مستقر شده را اضافه کنید. مراحل زیر را کامل کنید:
- در کنسول آمازون Fraud Detector، را انتخاب کنید آشکارسازها در صفحه ناوبری
- را انتخاب کنید آشکارساز ایجاد کنید.
- بر جزئیات آشکارساز را تعریف کنید صفحه، وارد کنید
fraud_detector
برای نام آشکارساز و به صورت اختیاری، توضیحاتی را برای آشکارساز وارد کنید، مانند ردیاب تقلب نمونه من. - برای نوع رویداد، انتخاب کنید
docfraud
. این رویدادی است که قبلا در آن ایجاد کردید. - را انتخاب کنید بعدی.
قوانینی را برای تفسیر اضافه کنید
پس از ایجاد مدل آشکارساز تقلب آمازون، میتوانید از کنسول یا رابط برنامهنویسی اپلیکیشن (API) برای تعریف قوانین مبتنی بر کسبوکار (شرایطی که به آشکارساز تقلب آمازون میگوید چگونه نمره عملکرد مدل را هنگام ارزیابی برای پیشبینی تقلب تفسیر کند) استفاده کنید. . برای همسویی با فرآیند پذیرهنویسی وام مسکن، میتوانید قوانینی برای پرچمگذاری درخواستهای وام مسکن با توجه به سطوح خطر مرتبط و ترسیم شده به عنوان تقلب، مشروع یا در صورت نیاز به بررسی ایجاد کنید.
برای مثال، ممکن است بخواهید بهطور خودکار درخواستهای وام مسکن با ریسک تقلب بالا را با در نظر گرفتن پارامترهایی مانند تصاویر دستکاری شده اسناد مورد نیاز، اسناد گمشده مانند اسناد وام یا الزامات درآمدی و غیره رد کنید. از سوی دیگر، برخی از برنامههای کاربردی ممکن است برای تصمیمگیری مؤثر به یک انسان در حلقه نیاز داشته باشند.
آشکارساز تقلب آمازون از مقدار تجمیع شده (محاسبه شده با ترکیب مجموعه ای از متغیرهای خام) و مقدار خام (مقدار ارائه شده برای متغیر) برای ایجاد امتیازهای مدل استفاده می کند. نمرات مدل می تواند بین 0 تا 1000 باشد، که در آن 0 نشان دهنده ریسک تقلب کم و 1000 نشان دهنده ریسک تقلب بالا است.
برای افزودن قوانین مربوط به کسب و کار، مراحل زیر را تکمیل کنید:
- در کنسول آمازون Fraud Detector، را انتخاب کنید قوانین در صفحه ناوبری
- را انتخاب کنید قانون اضافه کنید.
- در یک قانون تعریف کنید بخش، تقلب را برای نام قانون وارد کنید و به صورت اختیاری، یک توضیحات وارد کنید.
- برای اصطلاح، عبارت قانون را با استفاده از زبان بیان قانون ساده شده آشکارساز تقلب آمازون وارد کنید
$docdraud_insightscore >= 900
- برای عواقب، انتخاب کنید یک نتیجه جدید ایجاد کنید (نتیجه حاصل از یک پیشبینی تقلب است و در صورتی که قانون در طول ارزیابی مطابقت داشته باشد، برگردانده میشود.)
- در یک نتیجه جدید ایجاد کنید بخش، رد را به عنوان نام نتیجه و یک توضیحات اختیاری وارد کنید.
- را انتخاب کنید نتیجه را ذخیره کنید
- را انتخاب کنید قانون اضافه کنید برای اجرای چک کننده اعتبار سنجی قوانین و ذخیره قانون.
- پس از ایجاد، Amazon Fraud Detector موارد زیر را انجام می دهد
high_risk
قانون موجود برای استفاده در آشکارساز شما.- نام قانون:
fraud
- نتیجه:
decline
- اصطلاح:
$docdraud_insightscore >= 900
- نام قانون:
- را انتخاب کنید قانون دیگری را اضافه کنید، و سپس انتخاب کنید قانون ایجاد کنید برای افزودن 2 قانون اضافی مانند زیر، برگه را انتخاب کنید:
- ایجاد یک
low_risk
قانون با جزئیات زیر:- نام قانون:
legit
- نتیجه:
approve
- اصطلاح:
$docdraud_insightscore <= 500
- نام قانون:
- ایجاد یک
medium_risk
قانون با جزئیات زیر:- نام قانون:
review needed
- نتیجه:
review
- اصطلاح:
$docdraud_insightscore <= 900 and docdraud_insightscore >=500
- نام قانون:
این مقادیر نمونه هایی هستند که برای این پست استفاده می شوند. هنگامی که قوانینی را برای آشکارساز خود ایجاد می کنید، از مقادیری استفاده کنید که برای مدل و مورد استفاده شما مناسب است.
- پس از ایجاد هر سه قانون، انتخاب کنید بعدی.
API را برای پیش بینی ها مستقر کنید
پس از اجرای اقدامات مبتنی بر قوانین، میتوانید یک API آشکارساز تقلب آمازون را برای ارزیابی برنامههای وام دهی و پیشبینی تقلب بالقوه مستقر کنید. پیش بینی ها را می توان به صورت دسته ای یا زمان واقعی انجام داد.
مدل SageMaker خود را یکپارچه کنید (اختیاری)
اگر قبلاً یک مدل تشخیص تقلب در SageMaker دارید، میتوانید برای نتایج دلخواه خود آن را با Amazon Fraud Detector ادغام کنید.
این بدان معناست که شما می توانید از هر دو مدل SageMaker و Amazon Fraud Detector در برنامه خود برای شناسایی انواع مختلف تقلب استفاده کنید. به عنوان مثال، برنامه شما میتواند از مدل آشکارساز تقلب آمازون برای ارزیابی ریسک کلاهبرداری حسابهای مشتریان استفاده کند، و به طور همزمان از مدل PageMaker خود برای بررسی خطر به خطر افتادن حساب استفاده کند.
پاک کردن
برای جلوگیری از تحمیل هرگونه هزینه در آینده، منابع ایجاد شده برای راه حل، از جمله موارد زیر را حذف کنید:
- سطل S3
- نقطه پایانی آشکارساز تقلب آمازون
نتیجه
این پست شما را از طریق یک راه حل خودکار و سفارشی برای تشخیص تقلب در فرآیند پذیره نویسی وام مسکن راهنمایی کرد. این راه حل به شما امکان می دهد تا تلاش های تقلبی را نزدیک به زمان وقوع کلاهبرداری شناسایی کنید و به پذیره نویسان در فرآیند تصمیم گیری موثر کمک می کند. علاوه بر این، انعطافپذیری پیادهسازی به شما امکان میدهد قوانین مبتنی بر کسبوکار را برای طبقهبندی و ضبط تلاشهای متقلبانه سفارشیشده برای نیازهای خاص کسبوکار تعریف کنید.
برای کسب اطلاعات بیشتر در مورد ساخت راه حل تشخیص تقلب در اسناد رهنی سرتاسر، مراجعه کنید قسمت 1 و قسمت 2 در این سری
درباره نویسندگان
آنوپ راویندرانات یک معمار ارشد راه حل در خدمات وب آمازون (AWS) مستقر در تورنتو، کانادا است که با سازمان های خدمات مالی کار می کند. او به مشتریان کمک می کند تا کسب و کار خود را تغییر دهند و در فضای ابری نوآوری کنند.
وینی ساینی یک معمار ارشد راه حل در خدمات وب آمازون (AWS) مستقر در تورنتو، کانادا است. او با راهحلهای مبتنی بر هوش مصنوعی و ML که بر پایههای قوی تعالی معماری قرار گرفتهاند، به مشتریان خدمات مالی کمک میکند تا در فضای ابری تغییر شکل دهند.
- 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/automate-mortgage-document-fraud-detection-using-an-ml-model-and-business-defined-rules-with-amazon-fraud-detector-part-3/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 100
- ٪۱۰۰
- 7
- 900
- a
- درباره ما
- قابل قبول
- دسترسی
- مطابق
- حساب
- حساب ها
- اقدامات
- فعالیت ها
- فعالیت
- اضافه کردن
- اضافی
- علاوه بر این
- پس از
- AI
- تراز
- معرفی
- اجازه می دهد تا
- قبلا
- آمازون
- ردیاب تقلب آمازون
- آمازون خدمات وب
- خدمات وب آمازون (AWS)
- an
- و
- دیگر
- هر
- API
- کاربرد
- برنامه های کاربردی
- روش
- مناسب
- تقریبا
- معماری
- معماری
- هستند
- AS
- ارزیابی کنید
- مرتبط است
- At
- تلاشها
- خودکار بودن
- خودکار
- بطور خودکار
- در دسترس
- اجتناب از
- AWS
- مستقر
- BE
- بوده
- قبل از
- آغاز می شود
- در زیر
- میان
- هر دو
- ساختن
- بنا
- ساخته شده در
- کسب و کار
- کسب و کار
- اما
- دکمه
- by
- محاسبه
- نام
- CAN
- Canada
- گرفتن
- مورد
- معین
- تبادل
- بار
- چارت سازمانی
- بررسی
- بررسی شده
- را انتخاب کنید
- طبقه بندی
- طبقه بندی کنید
- کلیک
- نزدیک
- ابر
- ستون
- ترکیب
- کامل
- جزء
- سازش
- کامپیوتر
- چشم انداز کامپیوتر
- مفهومی
- شرایط
- گیجی
- با توجه به
- کنسول
- مطابقت دارد
- پوشش
- ایجاد
- ایجاد شده
- ایجاد
- سفارشی
- مشتری
- مشتریان
- سفارشی
- داده ها
- تصمیم
- تصمیم گیری
- تصمیم گیری
- کاهش
- عمیق
- به طور پیش فرض
- تعريف كردن
- تعریف کردن
- نشان می دهد
- گسترش
- مستقر
- گسترش
- شرح
- جزئیات
- تشخیص
- کشف
- توسعه
- نمودار
- مختلف
- بحث کردیم
- توزیع
- سند
- اسناد و مدارک
- رانده
- در طی
- هر
- پیش از آن
- موثر
- عناصر
- پشت سر هم
- موتور
- وارد
- موجودیت
- ارزیابی
- ارزیابی
- ارزیابی
- واقعه
- حوادث
- مثال
- مثال ها
- برتری
- بیان
- پرونده
- فایل ها
- مالی
- خدمات مالی
- انعطاف پذیری
- پیروی
- به دنبال آن است
- برای
- ساخته
- قالب
- بنیادین
- تقلب
- کشف تقلب
- جعلی
- از جانب
- کاملا
- آینده
- تولید می کنند
- تولید
- دست
- آیا
- he
- هدر
- کمک
- کمک می کند
- زیاد
- نماد
- خیلی
- تاریخی
- چگونه
- چگونه
- HTTP
- HTTPS
- انسان
- شناسایی
- if
- تصاویر
- پیاده سازی
- بهبود
- بهبود
- in
- از جمله
- درآمد
- غلط
- نشان می دهد
- اطلاعات
- آغاز
- نوآوری
- ورودی
- ادغام
- رابط
- شامل
- IT
- JPG
- تنها
- نگاه داشتن
- برچسب
- برچسب ها
- گذاشته
- زبان
- یادگیری
- کمترین
- ترک کردن
- قانونی
- امانت دادن
- سطح
- پسندیدن
- منطق
- کم
- دستگاه
- فراگیری ماشین
- ساخت
- باعث می شود
- ساخت
- اداره می شود
- بسیاری
- کبریت
- ماتریس
- بالغ
- ممکن است..
- متریک
- دقیقه
- گم
- ML
- مدل
- مدل
- ماه
- بیش
- رهن
- باید
- my
- نام
- جهت یابی
- نیاز
- ضروری
- نیازهای
- جدید
- بعد
- اکنون
- هدف
- وقوع
- of
- قدیمی
- on
- گزینه
- or
- سازمان های
- دیگر
- ما
- نتیجه
- خروجی
- به طور کلی
- خود
- با ما
- قطعه
- پارامترهای
- بخش
- مسیر
- کارایی
- انجام
- مجوز
- ستون ها
- خط لوله
- افلاطون
- هوش داده افلاطون
- PlatoData
- پست
- پتانسیل
- پیش بینی
- پیش گویی
- پیش بینی
- مرجح
- آماده شده
- پیش نیاز
- در حال حاضر
- ارائه شده
- روند
- مشخصات
- برنامه نويسي
- ارائه
- ارائه
- فراهم می کند
- خام
- اماده
- واقعی
- زمان واقعی
- اخیر
- توصیه می شود
- مراجعه
- منطقه
- نشان دادن
- نشان دهنده
- ضروری
- مورد نیاز
- منابع
- قابل احترام
- نتیجه
- نتایج
- این فایل نقد می نویسید:
- بررسی
- خطر
- نقش
- قانون
- قوانین
- دویدن
- حکیم ساز
- نمونه
- ذخیره
- نگهداری می شود
- مقیاس
- نمره
- دوم
- بخش
- دیدن
- انتخاب شد
- انتخاب
- ارشد
- سلسله
- سرویس
- خدمات
- تنظیم
- محیط
- تنظیمات
- او
- نشان می دهد
- مشابه
- ساده
- به طور همزمان
- So
- راه حل
- مزایا
- خاص
- صحنه
- وضعیت
- گام
- مراحل
- ذخیره سازی
- ذخیره شده
- قوی
- چنین
- پشتیبانی
- صورت گرفته
- طول می کشد
- گفتن
- که
- La
- شان
- سپس
- اینها
- سوم
- این
- سه
- از طریق
- زمان
- به
- هم
- ابزار
- تورنتو
- طرف
- قطار
- آموزش دیده
- آموزش
- دگرگون کردن
- باعث شد
- نوع
- انواع
- تعهد
- آپلود شده
- آپلود
- استفاده کنید
- مورد استفاده
- استفاده
- استفاده
- با استفاده از
- اعتبار سنجی
- ارزش
- ارزشها
- متغیر
- مختلف
- نسخه
- نسخه
- چشم انداز
- دید
- راه می رفت
- می خواهم
- بود
- we
- وب
- خدمات وب
- چه زمانی
- که
- در حین
- اراده
- با
- گردش کار
- کارگر
- شما
- شما
- زفیرنت